移植藥學前沿文摘丨第36期：探究腫節風抗胰腺癌的藥理機制

編者按：“移植藥師主題（SOTP,Solid Organ Transplantation Pharmacy）月評”是由《藥學瞭望》編輯部聯合首都醫科大學附屬北京友誼醫院藥劑科崔向麗主任藥師共同發起的移植藥師相關學術月評專欄，每月以移植用藥為主題展開，旨在介紹國內外移植藥物治療熱點，幫助藥師快速了解有關領域的進展，提高移植藥學服務水平。我們期望本專欄能為醫藥領域的專家和研究人員提供深入了解相關熱點的平臺，并為尋求實用知識的一線移植藥師提供有益的參考和指導。

2025年3月發表了來自首都醫科大學北京友誼醫院藥劑科劉星藥師在

BMC Complementary Medicine and Therapies

原文鏈接：https://doi.org/ 10.1186/s12906-025-04839-5

摘要

背景：腫節風在傳統醫學中被廣泛用于治療腫瘤，但其在胰腺癌治療中的具體作用機制尚不明確。本研究采用網絡藥理學分析來確定腫節風治療胰腺癌的活性成分及其相應靶點。此外，還進行了分子對接、分子動力學模擬和體外實驗以驗證研究結果。

方法：利用中藥系統藥理學數據庫（TCMSP）和文獻檢索確定腫節風治療胰腺癌的活性成分及其相應靶點。通過基因表達綜合數據庫（GEO）獲取差異表達基因，并利用STRING平臺構建其蛋白質-蛋白質相互作用（PPI）網絡。在R軟件中，利用基因本體論（GO）和京都基因與基因組百科全書（KEGG）分析進一步評估腫節風的靶基因所參與的生物學功能和通路。隨后，建立了蛋白質-蛋白質相互作用（PPI）網絡和復合靶點-通路網絡。后續對目標基因進行了生存和突變分析。此外，還利用分子對接、分子動力學模擬技術和體外實驗驗證了關鍵靶基因與腫節風關鍵化合物之間的相互作用。

結果：共鑒定出20種活性成分和70個靶點。基于蛋白質-蛋白質相互作用網絡，確定了 CASP3、MMP9、CCND1、EGF、MMP2、CASP8、ERBB2、STAT1和PPARG為核心靶基因。富集分析表明，腫節風可能主要影響 p53 信號通路、癌癥中的轉錄失調、癌癥中的蛋白聚糖、胰腺癌和細胞周期等通路。分子對接和分子動力學模擬表明，無水淫羊藿苷-GSK3B和槲皮素- PPARG之間存在穩定的結合。體外實驗表明，腫節風提取物處理后顯著抑制PANC-1細胞的生長，并下調GSK3B和PPARG的表達（P < 0.05）。

結論：本研究證明了傳統中藥腫節風在治療胰腺癌方面的潛力。這些發現為腫節風活性成分的作用機制提供了見解，為其在臨床上的多種應用提供了堅實的理論基礎。

背景

胰腺癌（pancreatic cancer, PC）是男性和女性癌癥相關死亡的第三大原因，5年生存率僅為13%，是所有腫瘤中最低的。根據中國的一份統計報告，2022年，PC是第八大最常見的癌癥，也是癌癥相關死亡的第六大原因，這表明發病率和死亡率之間存在密切的一致性。男性PC的發病率和死亡率高于女性，表明性別差異。到2030年，PC預計將成為美國癌癥相關死亡的第二大原因，高收入國家的疾病負擔最高。PC的預后不良主要歸因于缺乏特定的早期癥狀和有效的篩查方法，因此大多數患者被診斷為晚期。盡管手術成功，但超過80%的患者最終會出現局部復發或轉移。盡管PC的常規化療，放療和姑息治療取得了進展，但早期診斷和及時干預對于降低死亡率是必要的。鑒于驅動PC進展的分子機制仍然難以捉摸，識別潛在的分子特征對于理解這些機制和開發有前途的藥物至關重要。

除手術和放療外，化療通常用于治療惡性腫瘤。然而，化療藥物有副作用，且隨著時間的推移患者可能產生耐藥性。因此，尋找毒性較小且更有效的抗腫瘤藥物至關重要。中醫藥可有效預防和治療惡性腫瘤，緩解臨床癥狀，減少放療副作用，逆轉耐藥性，提高生活質量。腫節風（Sarcandra glabra）是一種中草藥，已被證明可以控制癌癥的發展，改善患者的生活質量，緩解臨床癥狀。現代藥理學研究表明，S.glabra具有多種生物學特性，包括抗氧化、抗菌、抗病毒、抗瘧、抗血栓細胞減少、抗腫瘤、抗炎、免疫調節、保肝、降血糖和降血脂特性。然而，腫節風在PC中的治療潛力的研究相對較少。

2007年，霍普金斯引入了“網絡藥理學”的概念，該概念整合了系統生物學、基因組學、蛋白質組學和其他學科的原理。這種方法涉及使用高通量基因組數據分析，計算機模擬和網絡數據庫來揭示藥物、基因、靶標和疾病之間的密切相互作用。了解這些相互作用可能有助于確定藥物的作用機制，評估其療效，并預測其不良反應，以確定有效且毒性較小的藥物。鑒于腫瘤的復雜性，將網絡藥理學和中醫的結合可能體現了一種更系統和有效的預防和治療腫瘤的方法。網絡藥理學的整體性和系統性與中醫藥的多成分、多靶點和多途徑特征非常吻合。因此，近年來利用網絡藥理學研究中藥的作用機制已成為一種普遍的研究策略。例如，在一項研究中，網絡藥理學分析和實驗驗證顯示TNF、MMP9、STAT3、PIK3CA和ERBB2是淫羊藿苷治療卵巢癌的關鍵靶點。此外，GO和KEGG富集分析顯示，淫羊藿苷主要通過抑制PI3K/AKT信號通路來抑制卵巢癌細胞的增殖、遷移和侵襲能力。

在這項研究中，使用網絡藥理學分析來鑒定S.glabra在治療PC中的活性成分和潛在靶標。構建多組分、多靶標模型以闡明活性成分和靶蛋白之間的復雜相互作用。此外，體外實驗驗證了S.glabra活性成分在PC中的治療潛力。本研究首次闡釋了S.glabra在PC治療中的療效和作用機制。研究結果為進一步研究提供了理論基礎，并可能有助于PC新藥的鑒定。研究流程圖如圖1所示。。

圖1 S.glabra抗胰腺癌的網絡藥理學研究流程圖

2. 研究方法

2.1 活性成分的虛擬篩選

使用TCMSP的數據鑒定了S.glabra的生物活性成分。根據口服生物利用度（OB）≥30%和藥物相似性（DL）≥0.18預測和選擇目標。S.glabra的主要藥理成分包括在隨后的分析中。

2.2 篩選潛在的靶基因

NCBI使用搜索詞“胰腺癌”從Gene Expression Omnibus（GEO）數據庫獲得了三個微陣列數據集（GSE15471，GSE28735和GSE62452）。選擇這些數據集是因為它們包含了來自健康個體和PC患者的組織樣本。R中的limma軟件包用于處理數據并鑒定差異表達基因（DEG），P.adj ＜ 0.05，log2（FC）≥1，確定的DEG被認為是潛在的PC相關目標。生成維恩圖以識別感興趣的重疊目標。為了將UniProt ID標準化為官方基因符號，在UniProt數據庫中特別選擇了物種“Homo sapiens”。

2.3 功能注釋和途徑分析

為了研究腫節風在PC中的治療機制所涉及的生物學過程和途徑，使用公開可用的DAVID數據庫進行了GO功能注釋和KEGG途徑富集分析(https://david.ncifcrf.Gov/tools.jsp)。搜索的重點是“Homo sapiens”中常見的靶基因符號。富集分析包括生物過程（BP），細胞成分（CC），分子功能（MFs）和KEGG途徑，P.adj < 0.05表明顯著富集。使用R中的ggplot2軟件包可視化結果。

2.4 互作網絡構建

檢索相互作用基因的搜索工具（STRING）（版本12.0）平臺用于建立S.glabra針對PC的目標的PPI網絡。只有經過實驗驗證的綜合得分≥0.4的相互作用被認為是顯著的。使用Cytoscape軟件（版本3.7.2）可視化PPI網絡。鑒定了S.glabra的前10個中樞靶基因，并使用Cytohubba插件鑒定抗PC以構建調控網絡。

2.5 TCGA數據庫中中樞基因表達的驗證

使用來自TCGA和GTEx的RNA-seq數據驗證了中樞基因的表達。該數據集包括來自GTEx的167個正常組織樣本，來自TCGA的4個副腫瘤組織樣本和來自TCGA的179個腫瘤組織樣本。所有數據均來自XENA數據庫，并使用Toil工具進行統一處理(https://gdc.xenahubs.net)。使用Wilcoxon秩和檢驗進行統計分析，P ＜ 0.05表示統計學顯著性。

2.6 生存、突變和免疫浸潤分析

生存包用于為每個中樞基因構建比例風險回歸模型。進行擬合生存回歸，并使用survminer和ggplot2軟件包將結果可視化。通過基于其表達水平的生存分析評估特定基因的預后價值。使用R軟件包繪制Kaplan–Meier（KM）曲線，以評估中樞基因與PC患者總生存率之間的相關性。P ＜ 0.05的中樞基因被認為具有統計學意義。通過使用“maftools”R軟件包檢測包含體細胞變異的突變數據，然后計算TMB。R軟件中的ssGSEA算法用于評估每個樣本TME內的24種免疫細胞類型。

2.7 中樞基因的預后和診斷價值分析

使用從TCGA獲得的RNA測序數據驗證了可能與PC的診斷和預后相關的中樞基因的表達。Xanto工具用于實施對數秩檢驗，P ＜ 0.05表示統計學顯著。估計了危險比（HR）和95%置信區間（CI），并在使用Xanto工具生成的森林圖上可視化了結果。繪制受試者工作特征（ROC）曲線，并使用Sendo工具計算曲線下面積，以評估中樞基因的診斷價值。診斷準確性定義如下：低，AUC值為0.5-0.7；中等，AUC值為0.7-0.9；高，AUC值 ＞ 0.9。

2.8 分子對接

從PPI網絡中鑒定出的中樞靶標和具有診斷價值的基因分別被選為分子對接的受體和配體。從RCSB PDB數據庫獲得受體蛋白的晶體結構，并使用PyMOL（版本2.4.1）軟件去除水分子。將優化的受體蛋白導入AutoDock Tools（版本1.5.6）軟件中進行氫化和電荷計算，并以pdbqt格式保存輸出文件。配體的2D結構是從PubChem數據庫獲得的，并使用ChemBio3D Ultra（版本17.0）軟件轉換為3D結構。配體的3D結構以mol2格式保存，導入AutoDock工具，并以pdbqt格式保存。使用AutoDock Vina（版本1.1.2）軟件進行分子對接，并使用PyMOL對結果進行分析和可視化。

2.9 分子動力學模擬

Gromacs（版本2022.3）軟件用于分子動力學模擬。對于小分子的預處理，AmberTools22用于應用GAFF，而高斯16W用于氫化和RESP的計算。所得數據被整合到分子動力學系統的拓撲文件中。模擬是在300K的恒溫和1巴的大氣壓下進行的。使用Amber99sb ildn力場，水分子作為溶劑。使用最速下降法對模擬系統進行能量最小化，然后在等溫等容系綜（NVT）和等溫等壓系綜（NPT）中平衡100000步，耦合常數為0.1 ps，持續時間為100 ps。隨后，進行了100 ns的自由分子動力學模擬，包括5000000步，步長為2 fs。模擬后，使用軟件的內置工具分析軌跡并計算參數，例如均方根偏差（RMSD），均方根波動（RMSF），每個氨基酸軌跡的蛋白質旋轉半徑，自由能（MMGBSA）和自由能地形。

2.10 S.glabra提取物的制備

將整個S.glabra用85%乙醇進行三輪回流提取。使用旋轉蒸發器濃縮合并的提取物以獲得無溶劑提取物。隨后，將提取物真空干燥以獲得粉末，其被稱為S.glabra提取物。對于隨后的實驗，稱取0.5g S.glabra提取物并與1mL高壓滅菌蒸餾水混合以達到0.5g/mL的濃度。將所得溶液過濾、滅菌，并保存在4℃的冰箱后續使用。

2.11 細胞培養

PC細胞系PANC-1購自BeiNaChuangLian Biotechnology Co.，Ltd.（中國河南）。將細胞在補充有10%FBS的DMEM培養基中培養，并在37℃下保持在含有5%CO2的培養箱中。只有指數生長的細胞用于后續實驗。細胞培養基購自HyClone。

2.12 CCK-8測定

將PANC-1細胞以1×104個細胞/孔的密度接種在96孔板中。用不同濃度的S.glabra提取物（0,5,10,20,40和80μg/mL）處理細胞48 h。隨后，向每個孔中加入10μL Cell counting kit-8（CCK-8）試劑（Dojindo，Kyushu，Japan）。將板在37℃下孵育3 h，并在450 nm的波長下測量吸光度。

2.13 qRT-PCR檢測

用濃度為30μg/mL的S.glabra提取物處理PANC-1細胞24小時。使用氯仿和Trizol（Invitrogen，USA）從細胞中提取總RNA。根據制造商的說明，提取的RNA用于合成cDNA。使用SYBR premix試劑盒（Vazyme Biotech Co.，Ltd，China）將cDNA用于實時聚合酶鏈反應（qPCR）。每個實時逆轉錄聚合酶鏈反應（qRT-PCR）實驗重復至少三次。

3. 結果

3.1 活性成分的鑒定及其靶標的預測

在篩選，過濾和去除重復物后，鑒定出S.glabra的總共20種活性成分，包括β-谷甾醇、谷甾醇、脫水淫羊藿素、槲皮素、白術內酯III，香草酸等（表1）。OB值≥30%表明這些成分在食用后可以被身體吸收和利用。雖然東莨菪醇和富馬酸的OB值小于30%，但文獻檢索顯示這些成分具有顯著的抗癌活性。利用TCMSP數據庫共鑒定出20種活性成分的394個潛在靶基因(https://old.tcmsp-e.com/tcmsp.php)。隨后，從GEO數據庫中獲得了與PC相關的靶基因(https://www.ncbi.nlm.nih.gov/gds)。在GSE15471數據集中，21655個基因中有1401個符合篩選標準，包括1212個上調基因和189個下調基因。在GSE28735數據集中，28869個基因中有443個符合篩選標準，包括172個上調基因和271個下調基因。在GSE62452數據集中，33297個基因中有323個符合篩選標準，包括120個上調基因和203個下調基因。隨后，構建了維恩圖，將活性成分的靶基因與PC相關靶基因相交，以鑒定重疊基因。最終，鑒定出總共70個針對PC的S.glabra靶標（表2），并選擇這些靶標和相應的活性成分進行后續分析（圖2A，B）。

3.2 網絡分析

Cytoscape（版本3.7.2）用于構建和可視化PPI網絡，以闡明腫節風在PC治療中的多靶點作用機制（圖2）。該網絡由97個節點和223個邊緣組成，節點代表目標基因及其相應的活性成分，邊緣代表節點之間的相互作用。對網絡的分析表明，槲皮素在網絡中表現出最高的相互作用（59），其次是β-谷甾醇（15），咖啡酸（13），脫水淫羊藿素（12），東莨菪堿（7），ZINC00391893（6），植物醇（4），東莨菪醇（4），香草酸（3）。發現每種活性成分都有多個靶標，表明這些成分對PC具有協同作用。隨后，使用STRING數據庫構建了79個重疊基因的PPI網絡。該網絡證明了疾病進展過程中以節點表示的各種靶基因之間的密切相互作用（表3）。值得注意的是，沒有靶基因與網絡中的其他基因直接相關，這支持了靶基因之間的密切關系。CytoHubba分析顯示CASP3（34），CCND1（27），CASP8（23），BCL2L1（21），GSK3B（29），PPARG（28），STAT1（20），MMP2（22），ERBB2（26）和IL1A（22）作為中樞靶基因（圖2C）。

Table 1 The ID, DL and OB of compounds in S. glabra.

Table 2 Potential targets of ZJF and pancreatic cancer.

圖2 收集S.glabra的活性化合物并預測PC的關鍵治療靶點。A：S.glabra和PC的靶基因的維恩圖。B：S.glabra成分靶點網絡圖。C：靶點之間的相互作用網絡。D：使用CytoHubba確定的10個核心基因。

3.3 GO和KEGG富集分析

進行GO功能注釋和KEGG途徑富集分析，以研究S.glabra在PC治療中的作用機制。根據P.adj ＜ 0.05，共鑒定出717個BP，25個CC，58個MFs和77個KEGG途徑。結果在氣泡圖上可視化（圖3A）。根據GO分析，S.glabra的靶基因與BP相關，例如對氧水平的反應、激酶活性、血管生成的調節、活性氧反應和γ輻射的反應。靶基因位于細胞質、細胞核、質膜和其他CC中。此外，靶基因參與MFs，例如核因子結合、泛素樣蛋白連接酶結合、轉錄因子活性和絲氨酸水解酶活性（圖3B）。此外，KEGG分析表明，靶基因與癌癥中的轉錄失調，癌癥中的蛋白聚糖、糖尿病心肌病、胰腺癌、細胞周期、IL-17信號通路、p53信號通路、EB病毒感染、細胞衰老、麻疹、丙型肝炎、EGFR酪氨酸激酶抑制劑耐藥性、甲型流感、脂質和動脈粥樣硬化、膀胱癌和酒精性肝病有關（圖3C）。

圖3 S.glabra靶標富集分析的結果。A：GO富集分析。B:KEGG富集分析。C：成分-目標-途徑相互作用網絡構建。

3.4 生存和突變分析

繪制KM曲線以評估中樞靶基因與PC患者生存率之間的關系。結果顯示STAT1、ERBB2、GSK3B、PPARG、CCND1和CASP3表達差異患者的生存率存在顯著差異（P ＜ 0.05），表明這些基因可能參與PC患者的生存（圖4）。計算AUC值以驗證這些基因在PC中的預后值（圖5）。此外，這些基因的表達水平在TCGA的正常組和PC組之間表現出顯著差異（圖6A）。這些基因的相關性分析顯示正相關（圖6B）。遺傳圖譜顯示了與六個基因相關的拷貝數變異（CNV）基因的染色體位置（圖6C）。值得注意的是，ERBB2表現出高擴增，而CASP3表現出更高的缺失頻率（圖6D）。此外，我們評估了中樞基因之間的SNP改變，并觀察到突變頻率為1.73%。STAT1、ERBB2和GSK3B比PPARG、CCND1和CASP3具有更高的SNP改變（圖6E）。24種類型的免疫細胞與存活相關基因之間的相關性如圖6F所示，突出了它們的顯著相關性，特別是與STAT1的顯著相關。

圖4：低表達或高表達水平下藥物靶點的K-M生存分析。A：STAT1；B：ERBB2；C：GSK3B；D：PPARG；E：CCND1；F：CASP3。

圖5組件目標基因對1年、3年、5年生存率的ROC曲線。A：STAT1；B：ERBB2；C：GSK3B；D：PPARG；E：CCND1；F：CASP3。

圖6 S.glabra的靶基因在PC中的表達。A：TCGA前列腺腺癌樣本中正常組織與腫瘤組織的表達對比。B：基因間的Spearman相關性分析，藍色表示負調控，紅色表示正調控。C：S.glabra的靶基因在染色體上的分布情況。D：PC標本中靶基因的拷貝數變異值。E：173個PC標本中6個靶基因的突變頻率。F：免疫浸潤與靶基因之間的相關性。*P ＜ 0.05

3.5 核心基因與活性成分的分子對接

基于微陣列數據和存活分析，在生存相關的STAT1，ERBB2，GSK3B，PPARG，CCND1和CASP3與小分子活性成分槲皮素，脫水淫羊藿素和β-谷甾醇之間進行分子對接。通常，低于-4.25，-5.0或-7.0 kcal/mol（1 kcal=4.2 kJ）的結合能分別表示受體和配體之間的一些，良好或強的結合活性。較低的結合能表明受體-配體相互作用具有較高的親和力和穩定性。上述三種活性成分表現出氫鍵，Pi-Pi堆積和范德華與受體蛋白的相互作用。如圖7所示，脫水淫羊藿素能夠穩定地與GSK3B蛋白結合，結合親和力為-8.653 kJ/mol，通過與ASN A：95和ARG A：96的側鏈形成氫鍵，并與PHE A：67進行π-π堆積。同樣，β-谷甾醇能夠穩定地與CASP3蛋白結合，結合親和力為-7.737 kJ/mol，通過與PHE A：256、TRP A：206、TRY A：204、CYS A：163和HIS A：121的側鏈形成氫鍵，促進π-π堆積（圖7B)。槲皮素能夠穩定地與PPARG蛋白結合，結合親和力為-8.742 kJ/mol，通過與SER A：342和GLU A：259的側鏈形成氫鍵，與ILE A：341和ARG A：288進行π-烷基相互作用，以及與PHE A：264進行π-π堆積（圖7C)。槲皮素能夠穩定地與CCND1蛋白結合，結合親和力為-7.189 kJ/mol，通過與PHE A：78、CYS A：73和GLU A：74的側鏈形成氫鍵，與CYS A：68和ALA A：187的側鏈進行π-烷基相互作用。此外，它還與GLU A：69的側鏈進行π-烷基相互作用，形成π-陰離子（圖7D)。槲皮素能夠穩定地與STAT1蛋白結合，結合親和力為-7.57 kJ/mol，通過與ASP A：365和VAL A：362的側鏈形成氫鍵，并與ILE A：382和LYS A：379的側鏈產生π-烷基相互作用。此外，槲皮素還與HIS A：386的側鏈形成π-π堆積（圖8A)。槲皮素能夠穩定地與ERBB2蛋白結合，結合親和力為-7.758 kJ/mol。它與HIS B：267、ARG A：258、GLN A：281、HIS A：248、THR B：273和TRY B：274相互作用，與PRO B：269、ARG A：258和ALA B：270的側鏈形成氫鍵。此外，槲皮素還與HIS A：248的側鏈產生π-烷基和π-π堆積相互作用，并與ARG A：258的側鏈產生π-陽離子相互作用（圖8B)。槲皮素能夠穩定地與CASP3蛋白結合，結合親和力為-6.659 kJ/mol，通過與PHE A：275、ASP A：228、LEU A：223和LYS A：224的側鏈形成氫鍵，并與ALA A：227的側鏈產生π-烷基相互作用，形成π-陰離子（圖8C)。這些結果提示，核心基因是S.glabra治療PC的有希望的靶點，未來的研究應著重于確定S.glabra活性成分在核心基因中的結合位點。

圖7展示了S.glabra組分與目標蛋白之間的相互作用。左側以三維形式展示這些相互作用，右側則以二維形式呈現。A：GSK3B與脫水淫羊藿素；B：CASP3與β-谷甾醇；C：PPARG與槲皮素；D：CCND1與槲皮素。

圖8展示了槲皮素與目標蛋白的相互作用。左側以三維形式展示這些相互作用，右側則以二維形式呈現相同內容。A：STAT1/槲皮素；B：ERBB2/槲皮素；C：CASP3/槲皮素。

3.6 分子動力學模擬

為了研究PPARG、GSK3B及其對接復合物的可及性，使用Gromacs軟件進行了100納秒的分子動力學模擬。通過該模擬，我們觀察到了小分子在模擬過程中構象位置的變化情況。在這項研究中，所有分析的復合物都表現出內在穩定性（見圖9和圖10)。研究中使用了RMSD這一動力學指標，從熱力學角度分析了蛋白質-配體結合的穩定性。結果顯示，所有復合物的RMSD值在0至100納秒內逐漸增加，波動較小。GSK3B與脫水淫羊藿素的相互作用在前50納秒內RMSD值較高，隨后趨于穩定（見圖9A)。同樣，PPARG與槲皮素的相互作用在最初的15納秒內RMSD值較高，之后也趨于穩定（見圖10A)。RMSD值始終保持在一個較小的波動范圍內，表明蛋白質-小分子結合相對穩定。MM/GBSA方法用于計算結合自由能及多種其他能量，特別是范德華（VDWAALS）相互作用、靜電勢能（EEL）和溶劑化自由能（ΔGsolv）。如表3所示，脫水淫羊藿素表現出更強的EEL和VDWAALS相互作用。特別是，VDWAALS相互作用占主導地位，促進了脫水淫羊藿素與GSK3B的結合。此外，槲皮素表現出更強的VDWAALS相互作用和ΔGgas，支持其與PPARG的結合。計算結果顯示，GSK3B與脫水淫羊藿素以及PPARG與槲皮素復合物的結合自由能較低，表明小分子與蛋白質之間成功結合。在GSK3B-脫水淫羊藿素復合物中，Phe67和Arg96的EMM值最高（圖9B)。在PPARG槲皮素復合物中，鉸鏈區的His266和Ile341的EMM值最高（圖10B)。

為了分析GSK3B-脫水淫羊藿素復合物和PPARG-槲皮素復合物中活性口袋位點關鍵殘基的波動性和穩定性，計算了這些復合物中主鏈原子的RMSF值。結果顯示，兩種復合物的RMSF值均小于0.5 nm，其中GSK3B-脫水淫羊藿素復合物的RMSF值更小。總體而言，RMSD值保持在一個狹窄的范圍內，表明蛋白質與小分子之間具有較強的結合穩定性（圖9C和10C)。

在分子動力學模擬中，回轉半徑（Rg）是一個關鍵參數。本研究分析了蛋白質-小分子復合物的Rg曲線。GSK3B-脫水淫羊藿素復合物在20至100 ns內穩定，波動范圍在2.92至2.98之間，沒有顯著變化（圖9D)。同樣，PPARG-槲皮素復合物在40至100 ns內達到平衡，波動范圍在1.93至1.96之間，變化很小（圖10D)。這些結果表明，小分子與蛋白質之間具有較高的結合親和力。

自由能景觀（FELs）是生物分子相互作用的圖形表示，其中能量陷阱表現為分子結合時形成的谷。GSK3B-脫水淫羊藿素和PPARG-槲皮素復合物均表現出單一的能量陷阱。在最低能量陷阱中，這兩種復合物的構象都處于緊密結合狀態（圖9E和10E)。此外，FEL顯示這兩種復合物具有更穩定的結合，表明來自S.glabra的脫水淫羊藿素和槲皮素可能是治療胰腺癌的有潛力藥物。

分子動力學模擬顯示，溶劑可及表面積（SASA）與蛋白質穩定性之間存在相關性。GSK3B-脫水淫羊藿素復合物的SASA在約20 ns時達到穩定狀態，平衡值約為333 nm2（圖9F)。同樣，PPARG-槲皮素復合物的SASA在約40 ns時達到穩定狀態，平衡值約為144 nm2（圖10F)。這些發現表明，小分子與蛋白質之間的相互作用有助于蛋白質結構的穩定性。

氫鍵對蛋白質結構的穩定性有顯著影響。GSK3B-脫水淫羊藿素和PPARG槲皮素復合物的氫鍵圖（圖9G和10G)顯示，蛋白質與小分子之間形成了大量氫鍵，主要涉及蛋白質的關鍵殘基和小分子的重要基團。這些發現強調了氫鍵在促進小分子與蛋白質相互作用中的關鍵作用。

圖9 GSK3B/脫水淫羊藿素的分子動力學模擬分析結果。A：模擬100 ns過程中小分子和蛋白質的均方根偏差（RMSD）。B：模擬100 ns過程中小分子和蛋白質熱殘基的能量貢獻。C：模擬100 ns過程中小分子和蛋白質的均方根波動（RMSF）。D：模擬100 ns過程中蛋白質主鏈原子的回轉半徑（Rg）。E：GSK3B/脫水淫羊藿素的吉布斯能景觀。F：GSK3B/脫水淫羊藿素的溶劑可及表面積（SASA）。G：GSK3B/脫水淫羊藿素的氫鍵數量。

圖10 PPARG/槲皮素的分子動力學模擬分析結果。A：模擬100 ns過程中小分子和蛋白質的均方根偏差（RMSD）。B：模擬100 ns過程中小分子和蛋白質熱殘基的能量貢獻。C：模擬100 ns過程中小分子和蛋白質的均方根波動（RMSF）。D：模擬100 ns期間蛋白質主鏈原子的回轉半徑（Rg）。E：PPARG/槲皮素的吉布斯能景觀。F：PPARG/槲皮素的溶劑可及表面積（SASA）。G：PPARG/槲皮素的氫鍵數量。

3.7 S.glabra體外抗胰腺癌作用的驗證

為了驗證S.glabra對PC細胞增殖的抑制效果，進行了體外實驗。實驗中，在不同濃度的S. glabra提取物作用下，評估了PANC-1細胞在48 h后的存活率。如圖11A所示，S. glabra提取物以劑量依賴的方式顯著抑制了PANC-1細胞的生長，半抑制濃度值為42.49μg/mL，顯示出顯著的抗腫瘤效果。此外，還通過qRT-PCR技術進行了進一步的評估。在用S. glabra提取物（濃度為30μg/mL）處理24 h后，PANC-1細胞中兩個核心靶基因的表達情況。如圖11B所示，S. glabra提取物顯著降低了PPARG和GSK3B的表達水平，這表明該提取物通過協同下調這兩個基因，有效抑制了前列腺癌細胞的生長。

圖11實驗驗證S.glabra對胰腺癌的體外抑制作用。A：在用不同濃度的S. glabra提取物處理48 h后，測量了細胞活力（n=3）。B：通過qRT-PCR技術檢測了PANC-1細胞經30μg/mL S. glabra提取物處理24 h后的GSK3B和PPARG mRNA水平（n=3）。

小結

胰腺癌是一種常見的消化系統惡性腫瘤，由于藥物抗性問題，治療難度大，生存率低。與以往的中藥研究不同，該研究采用計算機輔助藥物設計方法，對S.glabra的活性成分和靶基因進行了高通量篩選，以尋找治療胰腺癌的有效成分。通過中藥數據庫和文獻檢索，確定了潛在的治療成分。此外，結合網絡藥理學和生物信息學分析，揭示了S. glabra在治療胰腺癌中的作用機制。研究結果通過微陣列數據、生存分析、分子對接、分子動力學模擬和體外實驗得到了驗證。研究發現，β-谷甾醇、槲皮素和脫水淫羊藿素等是潛在的治療化合物，其作用目標與胰腺癌患者的生存相關。STAT1、ERBB2、GSK3B、PPARG、CCND1和CASP3被確定為影響胰腺癌患者生存的潛在治療靶點。總之，該研究強調了S.glabra對胰腺癌具有多靶點和多途徑的治療效果。

參考文獻：

Liu X, Ou J. Revealing the multi-target compounds of Sarcandra glabra identification and inhibition of novel target genes for the treatment of pancreatic cancer. BMC Complement Med Ther. 2025 Mar 17;25(1):106.

譯者介紹

劉星，北京友誼醫院藥劑科，中藥分析學專業博士，主管藥師，臨床藥師，執業藥師（中藥學、藥學）。主要研究方向：中藥抗腫瘤藥理機制研究。發表論文9篇，其中SCI 6篇。

審稿專家

崔向麗，北京友誼醫院藥劑科副主任，博士，主任藥師（執業醫師），碩士生導師。

研究方向：肝腎移植藥學、藥物警戒、藥物經濟學。1作或通訊發表論文180余篇，SCI 30篇。

添加藥學瞭望管理員

進入學術交流群

《藥學瞭望》征稿邀請

01.投稿內容

征稿內容不限于：研究進展、團隊科研成果、臨床用藥經驗分享、典型病例解讀、疾病診治經驗、人文故事等

02.聯系人

投稿 | 學術報道 | 合作

投稿聯系人：劉老師 15201320201（微信同號）

投稿郵箱：contact@siri.ntesmail.com

（來源：藥學瞭望）