网络药理学分析：药物-靶点-疾病网络
网络药理学把「药物—成分—靶点—通路—疾病」放进同一张网络，从系统层面推测一种药物，尤其是含多种成分的中药复方或天然产物，可能经由哪些靶点和通路作用于某种疾病。常规流程是：筛选药物成分，预测成分靶点，收集疾病靶点，取交集后构建 PPI 网络筛选核心靶点，再做 GO/KEGG 富集，最后用分子对接或实验验证。它产出的是可检验的假设，数据库和阈值的选择直接决定结果，因此每一步都要记录来源与日期。
什么时候用
- 探索中药复方或单味药的潜在作用机制，生成可验证的靶点与通路假设
- 已知活性小分子，推测其在某种疾病中可能作用的靶点
- 老药新用初筛，比较药物靶点与新疾病相关基因的重叠
- 为分子对接、细胞或动物实验挑选优先验证的靶点和通路
- 结合本课题的转录组差异基因，收窄疾病靶点范围
不适合的情况
- 没有任何实验或数据验证，就把预测结果写成药物作用机制
- 成分口服吸收极差或体内代谢物未知时，只用原型成分预测靶点
- 需要回答剂量效应、药代动力学或安全性等定量问题
需要准备的数据
- 药物成分
- 成分名称、PubChem CID 或 SMILES；中药成分常取自 TCMSP、HERB 等数据库，注明来源与检索日期
- 成分筛选标准
- 如 TCMSP 常用的 OB≥30%、DL≥0.18，或 SwissADME 的胃肠吸收与类药规则
- 疾病靶点
- 来自 GeneCards、OMIM、DisGeNET、TTD 等，或本研究的差异基因
- 基因名规范
- 所有靶点用 UniProt 统一为人类官方基因符号，避免同一蛋白多个名称
分析步骤
- 1
收集并筛选成分
从数据库检索成分，按 OB、DL 或 ADME 规则筛选，再补充文献中已证实有活性的成分。逐个记录纳入或排除的理由，避免已知有效成分仅因阈值被剔除。
- 2
预测成分靶点
合并数据库收录的靶点与 SwissTargetPrediction 等工具的预测结果，设定概率阈值后去重，用 UniProt 统一为基因符号。成分与靶点的对应关系保存为边表。
- 3
收集疾病靶点
检索多个疾病数据库并合并去重。GeneCards 返回的基因往往很多，常按相关性得分筛选，如保留高于中位数的部分，或结合本研究的差异基因缩小范围。
- 4
取交集靶点
药物靶点与疾病靶点取交集并画 Venn 图。交集达到数百个时，通常说明前面阈值过松，应回头收紧，而不是直接带着大交集进入下游分析。
- 5
构建网络
构建药物-成分-靶点-疾病网络，按 degree 找出关键成分；把交集靶点导入 STRING 构建 PPI 网络，用多种拓扑指标筛选核心靶点。
- 6
通路富集
对交集靶点做 GO 与 KEGG 富集，挑选与疾病病理相关的通路，构建成分-靶点-通路网络。对仅因靶点泛化而显著、与研究疾病无关的通路，应说明后剔除。
- 7
设计验证
对核心成分与核心靶点做分子对接，在疾病转录组数据中检查核心靶点的表达，再设计细胞或动物实验检测关键通路。没有验证的结论应使用「提示」「可能」等措辞。
关键参数与决策
OB 与 DL 阈值
OB≥30%、DL≥0.18 是 TCMSP 体系的常用经验值，并非硬标准。以代谢物起效或非口服给药的药物，应根据给药途径调整，或不使用 OB 过滤。
靶点预测阈值
SwissTargetPrediction 等工具输出概率或得分，阈值越低靶点越多、假阳性越高。选定一个阈值后全程保持一致，并在方法中写明。
疾病靶点范围
GeneCards 收录面广，不筛选会让交集偏大；只用 OMIM 又可能过少。建议多库合并后按得分筛选，或用疾病组织的差异基因作为疾病靶点。
核心靶点筛选方法
常按 degree、betweenness、closeness 均高于中位数逐步筛选，或多算法取交集。不同方法结果不同，应事先确定一种并写明，不宜多次尝试后挑选。
成分权重
常规网络中各成分权重相同，含量极低的成分与主成分地位一样。条件允许时，结合含量测定或血清药物化学结果确定纳入哪些成分。
常见错误
- 只依赖数据库与预测靶点，不考虑成分含量和入血情况：含量微乎其微的成分可能贡献大量靶点，主导整个网络。
- 疾病靶点不筛选直接全量取交集：交集常达数百个，富集结果几乎总是癌症、炎症、PI3K-Akt 等泛化通路，缺乏针对性。
- 多个数据库的基因名未统一：同一蛋白以别名或蛋白名出现，交集被低估，网络中出现重复节点，应先用 UniProt 统一。
- 把分子对接结合能当成药效证据：对接打分只反映可能的结合姿势，不能说明在体内浓度下能抑制或激活靶点。
- 不记录数据库版本和检索日期：数据库更新后成分和靶点会变化，结果无法复现，也难以回应审稿人的质疑。
- 核心靶点在疾病相关组织中不表达：这类靶点在体内难以发挥作用，应结合疾病转录组或蛋白组数据过滤。
结果怎么看
药物与疾病靶点 Venn 图
展示两类靶点各自的数量和交集。交集占药物靶点的比例可以初步反映药物与疾病的关联程度；交集过大或过小，都提示前面的阈值需要复核。
药物-成分-靶点网络图
节点包括药物、成分和靶点，degree 高的成分作用于较多靶点，常被视为关键成分。若某一成分连接了绝大多数靶点，需确认它是不是含量很低的泛靶点化合物。
交集靶点 PPI 网络
显示交集靶点之间的互作和拓扑排序。核心靶点应位于网络中心且与疾病有明确联系；若排在前面的全是 TP53、AKT1 等通用枢纽，需结合疾病特异性重新排序。
富集图与成分-靶点-通路网络
看富集到的通路是否与疾病病理一致，而不只看 P 值最小的通路。成分-靶点-通路网络把关键成分与关键通路串联起来，是提出验证假设的主要依据。
和相近方法怎么选
网络药理学与分子对接
网络药理学在系统层面提出候选成分、靶点和通路；分子对接针对具体的成分-靶点对，评估结合姿势和打分。通常先做网络药理学，再用对接检查核心配对，二者都需要实验验证。
网络药理学与虚拟筛选
网络药理学从已知药物出发，寻找其可能作用的靶点；虚拟筛选从已知靶点出发，在大规模化合物库中寻找可能结合的分子。两者方向相反，回答的是不同的问题。
网络药理学与转录组机制分析
仅依赖数据库的网络药理学偏向已有知识；用药前后转录组的差异基因和富集分析，直接反映药物在本实验体系中的作用。两者结合时，交集靶点的可信度更高。
常见问题
网络药理学的基本流程是什么？
筛选药物成分，预测成分靶点，收集疾病靶点并取交集，构建 PPI 和药物-成分-靶点网络，筛选核心靶点，做 GO 与 KEGG 富集，最后用分子对接和实验验证。每一步都要写明数据库、阈值和检索日期。
OB≥30% 和 DL≥0.18 是必须的吗？
不是硬性要求，只是 TCMSP 体系中最常见的经验阈值。药物以代谢物起效、非口服给药，或已知有效成分被阈值排除时，应调整筛选标准，并在方法中说明理由。
交集靶点太多怎么办？
通常是疾病靶点或预测靶点的阈值太松。可以提高 GeneCards 得分阈值、提高靶点预测的概率阈值，或改用本研究疾病样本的差异基因作为疾病靶点，让交集更聚焦。
网络药理学的结果需要验证吗？
需要。网络药理学基于数据库和预测，假阳性比例不低。常见验证包括分子对接、在公共转录组数据中检查核心靶点表达，以及用细胞或动物实验检测关键通路蛋白的变化。
为什么富集结果总是出现癌症通路？
KEGG 中的癌症相关通路包含大量通用信号分子，交集靶点稍多就容易命中。这并不说明药物能治疗癌症，应结合研究的疾病挑选通路，或收紧交集靶点后重新富集。
在 Codar 里怎么做
在 Codar 中，说明药物或复方、目标疾病和成分筛选标准，Codar 会先确认数据来源与阈值，再完成成分与靶点整理、疾病靶点收集、交集分析、药物-成分-靶点网络构建、核心靶点筛选和交集靶点通路注释。交付 Venn 图、网络图、核心靶点与关键成分表、富集图、报告和可复现脚本，并记录数据来源。
想研究黄芪对糖尿病肾病的作用机制，请按 OB≥30%、DL≥0.18 筛选成分，与疾病靶点取交集，构建网络并找出核心靶点和通路。