概述
中药网络药理学是从药物和疾病间相互作用的整体性和系统性出发，进行体外虚拟筛选潜在药效物质、作用靶点及通路，构建“药物-靶标-疾病”多层次网络联系，初步预测出药物作用机制的学科。
网络药理学强调从系统层次和生物网络的整体角度出发，解析药物及治疗对象之间的分子关联规律，其研究理念与中医药学的整体论思想不谋而合，被广泛应用于药物和中药活性化合物发现、整体作用机制阐释、药物组合和方剂配伍规律解析等方面，为中药复杂体系研究提供了新思路，为临床合理用药、新药研发等提供了新的科技支撑。
网络药理学技术区分
网络药理学根据研究起点和逻辑的不同，主要分为正向网络药理学和反向（逆向）网络药理学，两者在应用场景和逻辑路径上各有侧重。
一. 正向网络药理学（Forward Network Pharmacology）
研究逻辑：“药物 → 靶点 → 疾病”。以已知药物（或中药活性成分）为起点，通过预测或实验验证药物作用的靶点，进而分析靶点与疾病之间的关联，最终揭示药物的治疗机制。
适用场景：适用于已有明确药物，需要探索其作用机制、预测潜在适应症或验证已知药物对疾病的作用时。
常规分析路径：收集药物成分 → 预测/筛选药物靶点 → 筛选疾病关键靶点 →构建“药物-靶点-疾病”网络 → 通路富集分析 → 分子对接验证 → 实验验证。
二. 反向网络药理学（Reverse Network Pharmacology）
研究逻辑：“疾病 → 靶点 → 药物”。以疾病（或疾病表型）为起点，通过疾病组学数据（如转录组、蛋白组）筛选疾病相关的关键靶点，再基于靶点反向筛选能够靶向这些靶点的潜在药物（或中药活性成分）。
适用场景：适用于已有明确疾病但尚未确定研究药物，或希望挖掘已知药物的新适应症时。
常规分析路径：收集疾病相关数据 → 筛选疾病关键靶点 → 反向预测/筛选潜在药物 → 分子对接验证 → 实验验证（体外/体内）。
正向网络药理学分析框架思路
网络药理学的核心在于“系统论”与“还原论”的结合，通过构建“药物-成分-靶点-疾病-通路”的复杂网络，系统解析药物多成分、多靶点、多途径的协同作用机制。其标准分析框架通常为“数据挖掘（干实验）→ 网络构建与拓扑分析 → 富集与机制预测 → 实验验证（湿实验）”的干湿结合逻辑，具体框架思路如下：
一、 数据获取与成分/靶点筛选（数据挖掘）
药物活性成分筛选：从中药/方剂或小分子药物出发，利用TCMSP、HERB、PubChem等数据库，结合口服生物利用度（OB）和类药性（DL）等参数，筛选出核心活性成分。
药物靶点预测：利用SwissTargetPrediction、PharmMapper、TCMSP等数据库，基于成分结构或已知关系，预测活性成分对应的潜在靶点，并利用UniProt进行基因Symbol标准化与去重。
疾病靶点获取：通过转录组数据、GeneCards、OMIM、DisGeNET、DrugBank等数据库，检索目标疾病相关的已知靶点，并进行去重与筛选（如按相关性分数筛选）。
交集靶点获取：通过Venn图等工具，取药物靶点与疾病靶点的交集，得到“药物-疾病”的潜在作用靶点。
二、 网络构建与拓扑分析
PPI网络构建：将交集靶点导入STRING数据库，构建蛋白-蛋白相互作用（PPI）网络，导出互作对数据，并剔除游离节点。
网络可视化与拓扑分析：使用Cytoscape软件导入PPI网络及成分-靶点数据，进行网络可视化。利用NetworkAnalyzer或cytoHubba插件计算网络拓扑参数（如度值Degree、介数Betweenness、紧密度Closeness等），筛选出网络中的核心靶点（Hub genes）。
网络整合：构建“成分-靶点-疾病-通路”多维网络，直观展示药物成分、核心靶点与关键通路之间的复杂关联。
三、 富集分析与机制预测
功能与通路富集分析：使用DAVID、Metascape等工具，对交集靶点进行GO（基因本体）和KEGG（京都基因与基因组百科全书）富集分析，筛选出显著富集（P<0.05）的生物学过程和关键信号通路，以揭示药物发挥疗效的潜在机制。
机器学习辅助筛选（进阶）：结合机器学习算法（如LASSO、随机森林等）对靶点进行进一步筛选，评估关键靶点对疾病的诊断效能，提升核心靶点筛选的准确性。
四、 分子对接与模拟验证
分子对接验证：使用AutoDock、CB-Dock等软件，对筛选出的核心成分与核心靶点进行分子对接，计算结合能（通常以<-5 kcal/mol为有较好结合活性的标准），验证二者间的结合潜力。
分子动力学模拟：对关键药物-靶点复合物进行分子动力学（MD）模拟，评估复合物在模拟过程中的稳定性（如RMSD、RMSF），进一步验证结合的合理性。
五、 实验验证
细胞与动物实验验证：通过体外细胞实验（如细胞活力、Western Blot、qPCR、免疫荧光等）和体内动物模型，对预测的核心靶点及关键通路进行生物学验证，确认药物的真实疗效与作用机制。
正向网络药理学典案例解析
题目：Sodium Danshensu promotes diabetic woundhealing by targeting the EGFR-mediated PI3K-AKTpathway: a combined network pharmacology,machine learning, and in vitro approach
单位：重庆医科大学附属第一医
期刊：RSC Advances
影响影子：6.1
分区：JCR Q2，中科院3区
发表时间：2026年3月
研究首次通过多组学策略（网络药理学 + 机器学习 + 分子动力学模拟 + 体外实验），筛选出 SDSS 治疗糖尿病伤口的核心靶点 EGFR，证实 SDSS 可通过上调 EGFR 表达激活 PI3K-AKT 通路，改善高糖诱导的人脐静脉内皮细胞（HUVEC）功能障碍，促进血管生成并抑制氧化应激与炎症，为 SDSS 的临床应用提供了坚实的实验支撑。
方法与逻辑
1、靶点筛选与网络构建：通过 SwissTargetPrediction、Super-PRED 数据库筛选 SDSS 的潜在靶点，利用 GeneCards、OMIM、TTD 数据库获取糖尿病伤口相关靶点，取两者交集得到共同靶点；将共同靶点导入 STRING 数据库构建蛋白 - 蛋白相互作用（PPI）网络，通过 Cytoscape 软件分析网络拓扑特征。
2、生物信息学分析与机器学习优化：利用 R 语言 clusterProfiler 包进行 GO 功能和 KEGG 通路富集分析；采用 Python 构建随机森林（Random Forest）和 XGBoost 模型，结合网络拓扑特征（度中心性、中介中心性等）对靶点进行优先级排序，筛选核心靶点。
3、分子对接与分子动力学模拟：通过 AutoDock Vina 进行分子对接，计算结合能；对 SDSS 与 EGFR 的复合物进行 100 ns 分子动力学模拟，分析根均方偏差（RMSD）、氢键相互作用等指标，验证结合稳定性。
4、体外细胞模型构建与药物浓度筛选：构建糖尿病体外模型；采用 CCK-8 法和乳酸脱氢酶（LDH）活性检测，筛选 SDSS 的最优作用浓度。
5、体外功能与机制验证：通过划痕实验检测细胞迁移能力，管腔形成实验评估血管生成能力；采用 ELISA 检测炎症因子（IL-6、TNF-α）水平，生化试剂盒检测氧化应激指标（CAT、MDA）；通过 qRT-PCR 和 Western blot 检测 EGFR 及 PI3K-AKT 通路关键分子（PI3K、p-PI3K、AKT、p-AKT）的表达。
关键结果描述
1、丹参素钠干预糖尿病创面的网络药理学分析
网络药理学整体分析结果，筛选获得SDSS与糖尿病创面共同靶点126个。PPI筛选出核心10靶点：EGFR、CASP3、SRC、ESR1、JUN、NFKB1、IGF1R、ESR2、AR、PPARG，EGFR为首要核心。GO/KEGG显示，靶点显著富集于PI3K-AKT信号通路，构建药物 - 靶点 - 通路互作网络，初步明确丹参素钠干预糖尿病创面的多靶点、多通路调控特征。
2、基于机器学习的核心靶点优先级筛选
机器学习模型完成靶点优先级评估，随机森林与 XGBoost 模型性能稳定、过拟合风险低，结合靶点拓扑特征综合打分排序，最终判定 ESR1、EGFR、SRC 为丹参素钠治疗糖尿病创面最高优先级核心靶点
3、丹参素钠与核心靶点的分子对接分析
分子对接：SDSS与10个核心靶点结合稳定，EGFR结合能最低（-6.7kcal/mol），结合力最优。
4、丹参素钠 - EGFR 复合物 100 ns 分子动力学定量分析
SDSS-EGFR复合物RMSD稳定在0.3nm，构象更稳定，结构更紧致稳定；形成持续氢键，关键残基MET-793/LEU-718/LEU-844参与结合，结合自由能-14.21±3.61kcal/mol，证明二者结合具备热力学可行性。
5、EGFR 游离蛋白与丹参素钠复合物动力学轨迹快照
分子动力学全程轨迹快照直观对比游离 EGFR 与丹参素钠 - EGFR 复合物 0–100 ns 构象动态变化，可见复合物随模拟推进结构趋于稳定，游离蛋白构象持续波动，动态层面印证丹参素钠可稳定结合 EGFR。
6、丹参素钠体外给药浓度梯度筛选实验
采用 CCK-8、BCA、LDH 检测技术，设置丹参素钠浓度梯度处理高糖 HUVEC，10–200μM 梯度下 100μM 对高糖 HUVEC 无明显细胞毒性，增殖活性最优，确定 100μM 为后续全部体外功能验证实验的给药浓度。
7、丹参素钠对高糖 HUVEC 功能、炎症及氧化应激的调控作用
通过划痕愈合、基质胶管形成、ELISA、生化试剂盒检测等体外细胞功能实验，证实丹参素钠可显著改善高糖诱导的人脐静脉内皮细胞迁移能力，提升体外血管生成水平，同时降低炎症因子 IL-6、TNF-α 与氧化应激产物 MDA，提高抗氧化酶 CAT 活性，发挥促血管、抗炎、抗氧化作用。
8、 丹参素钠通过EGFR 介导 PI3K-AKT 核心作用通路
采用 qRT-PCR 与 Western blot 蛋白定量技术，联用 EGFR 抑制剂 OSI-774、PI3K 抑制剂 LY294002 进行通路阻断验证，证实丹参素钠可上调 EGFR 基因与蛋白表达；阻断 EGFR 后下游 p-AKT 表达下调，ERK、STAT3 无明显变化；抑制 PI3K 后 p-PI3K、p-AKT 同步降低，明确 EGFR 介导的 PI3K-AKT 是其核心作用通路。
逆向网络药理学分析框架思路
逆向网络药理学的核心逻辑是“反其道而行之”，即从疾病（或疾病相关通路）出发，逆向筛选和预测潜在药物（或活性成分），而非传统的“从药物出发寻找疾病靶点”。该思路特别适用于老药新用、天然药物机制解析及复杂疾病治疗药物的筛选。
一、 疾病/疾病通路与关键靶点筛选（起点）
疾病数据获取与差异分析：收集疾病相关的转录组、单细胞或临床组学数据，通过差异表达分析（如DESeq2、Limma）筛选疾病相关的差异基因（DEGs）。
关键靶点识别：结合疾病数据库（如DisGeNET、OMIM）获取疾病已知靶点，通过取交集或构建疾病-基因-通路网络，利用网络拓扑分析（如节点度、介数中心性）或机器学习（如LASSO回归）筛选出疾病的核心关键靶点。
二、 潜在药物/活性成分预测（逆向筛选）
将上述所获得的核心靶点通过数据库或虚拟筛选等找到能结合该靶点的所有天然/化学小分子
中药天然产物库（中医药方向首选）：通过TCMSP、SymMap、BATMAN-TCM、HERB、TCMID、ETCM等数据库检索作用于该蛋白的所有中药活性成分。
化学药物库（西药 / 单体新药方向）：通过DrugBank、ChEMBL、SwissTargetPrediction（靶点反推小分子）、PharmMapper等数据库，利用化合物药代动力学初筛（ADME 过滤，淘汰无成药性分子），如口服生物利用度 OB≥30%，类药性 DL≥0.18，剔除无药代潜力、毒性极高分子，得到候选活性化合物集。
虚拟药物筛选：利用靶蛋白的三维结构，通过分子对接技术将候选分子与靶蛋白的活性位点进行对接，评估分子间的相互作用能、结合模式及构象变化，筛选出与靶蛋白具有高亲和力和特异性的候选药物分子。
剩余步骤与正向网络药理学框架类似，本环节不再进行赘述。
逆向网络药理学典案例解析
题目：Integrated Machine Learning and Multi-Omics Analysis Identifies Mitophagy-Related Core Genes and Mechanisms in Non-Alcoholic Fatty Liver Disease
单位：广西中医药大学
期刊：Journal of Inflammation Research
影响影子：4.6
分区：JCR Q2，中科院3区
发表时间：2026年3月
作者团队通过通过差异分析+WGCNA+机器学习算法组合+SHAP分析筛选了核心基因，结合单细胞等组学分析从分子、免疫、细胞层面解析了核心基因的机制，结合临床转化层面的反向网药+分子对接，由靶点到药，预测了核心靶点的靶向药物。
方法与逻辑
1、对GEO中的转录组数据进行差异分析和WGCNA分析，识别DEGs和特征模块基因，并揭示主要富集功能。
2、利用11种算法构建机器学习模型，选最优模型进一步识别具有诊断性能的关键基因，SHAP分析评估它们对模型预测的贡献程度。
3、分析核心基因的表达差异，利用PPI网络、GSEA分析揭示它们主要参与的代谢途径，免疫浸润分析和不同免疫细胞之间的相关性。
4、单细胞分析鉴定主要细胞类型，以及核心基因在不同细胞中的特定表达模式，伪时间分析揭示轨迹动态变化，细胞间通讯揭示相互作用。
5、反向网络药理学构建药物-活性成分-靶点网络筛选潜在的可靶向药物，并利用分子对接验证相互作用。
6、最后通过qRT-PCR、WB等实验对关键基因的表达进行验证。
关键结果描述
1、差异基因筛选
采用 limma 包筛选 NAFLD 与正常肝脏差异基因、clusterProfiler 做 KEGG 富集、WGCNA 加权基因共表达网络分析筛选疾病关联模块，最后韦恩图取灰色模块基因与线粒体自噬基因交集；共得到 230 个差异表达基因，富集炎症、脂代谢通路，WGCNA 灰色模块与 NAFLD 负相关性最强，二者交集获得 17 个线粒体自噬候选枢纽基因。
2、核心基因筛选
整合11种机器学习87种组合算法，在训练集和验证集中评估模型性能，筛选出最优模型（glmBoost+GBM），并确定了IGF1、MYH11、HYOU1、SPATA18、SCD 5个线粒体自噬相关核心基因，该基因集在多队列中疾病鉴别效能优异。SHAP分析确定了核心基因的重要性层级为IGF1>HYOU1>SPATA18。
3、模型可解释性分析
基于最优 glmBoost+GBM 模型执行 SHAP 解析，绘制蜂群图、特征重要性柱状图、样本力导向图、特征依赖互作图；IGF1 平均 SHAP 值最高，是区分 NAFLD 的核心标志物，IGF1、HYOU1 存在正向协同作用，SPATA18 与 SCD 表达呈负相关，直观揭示各核心基因对疾病预测的独立贡献与交互关系。
4、CIBERSORT 免疫浸润及基因 - 免疫关联图
利用 CIBERSORT 反卷积 22 种免疫细胞丰度，Wilcoxon 检验组间差异，绘制免疫细胞堆叠柱状图、箱图、细胞相关性热图，linkET 构建核心基因与免疫细胞关联网络；NAFLD 组织 M2 巨噬细胞、γδT、活化 CD4 记忆 T 细胞浸润增多，5 个核心基因分别与不同免疫细胞亚群存在显著正负相关，共同调控肝脏免疫微环境重塑。
5、单核 / 巨噬、肝细胞、T 细胞拟时序轨迹图
采用 Monocle2 分别对单核巨噬、肝细胞、T 细胞构建伪时间轨迹，分析轨迹过程中 5 个核心基因动态表达；单核向巨噬分化时 IGF1、SCD 逐步上调，肝细胞沿健康向病变轨迹 SPATA18 持续升高，活化 T 细胞中 MYH11、HYOU1、SCD 表达显著上升，证明核心基因参与肝脏细胞病理分化全过程。
6、CellChat 细胞通讯信号网络图
CellChat 基于分泌信号数据库计算细胞间通讯强度，绘制互作圈图、信号进出热图、河流图、MIF/MK 通路弦图与配体受体热图；巨噬、单核、T 细胞间通讯最为活跃，肝细胞大量分泌 MIF 信号作用于免疫细胞，MK 通路介导肝细胞、星状细胞、内皮细胞互作，核心基因参与多条促炎细胞通讯通路。
7、中药-成分-靶点网络与分子对接图
依托 TCMSP、CTD 数据库筛选靶向 IGF1、SCD 的中药活性成分，Cytoscape 构建草药 - 活性物 - 靶点网络，CB-Dock2 完成蛋白 - 小分子分子对接；筛选黄芩素、脱氧胆酸、去氧鬼臼毒素等活性物质，14 味候选中药可靶向核心基因，分子对接结果显示四种化合物与靶蛋白结合亲和力高，具备潜在治疗价值。
8、细胞体外实验验证图
构建 FFA 诱导 HepG2 NAFLD 细胞模型，分别采用 qRT-PCR 检测 mRNA、Western Blot 检测蛋白、油红 O 染色观察脂滴、JC-1 荧光染色检测线粒体膜电位；细胞模型中 5 个核心基因表达趋势与生信分析完全一致，模型组脂滴大量蓄积、线粒体膜电位下降、线粒体自噬代偿性激活，验证生物信息学分析结论可靠。
