錢文秀，閻星旭，張文青，賈國香，趙 珊，宋麗麗，李遇伯

計(jì)算機(jī)虛擬篩選技術(shù)在中藥毒性研究中的探索與思考

錢文秀，閻星旭，張文青，賈國香，趙 珊，宋麗麗*，李遇伯*

天津中醫(yī)藥大學(xué)中藥學(xué)院，天津 301617

近年來，中藥安全性問題逐漸成為社會(huì)關(guān)注的熱點(diǎn)，尤其是中藥毒性研究更是中藥研究的重點(diǎn)。因此，尋找高效的技術(shù)輔助中藥毒性研究尤為關(guān)鍵。計(jì)算機(jī)虛擬篩選技術(shù)具有高效、便捷等優(yōu)點(diǎn)，經(jīng)過多年的發(fā)展，其技術(shù)理論已經(jīng)趨于成熟，且在多個(gè)領(lǐng)域已被成功應(yīng)用。通過對(duì)分子對(duì)接、機(jī)器學(xué)習(xí)、毒效團(tuán)和分子相似性方法4種主要的計(jì)算機(jī)虛擬篩選技術(shù)進(jìn)行綜述，并分析它們?cè)谥兴幎拘匝芯款I(lǐng)域的應(yīng)用和前景，為從事中藥毒性研究的科研人員提供參考。

虛擬篩選；分子對(duì)接；機(jī)器學(xué)習(xí)；毒效團(tuán)；分子相似性；中藥毒性研究

中藥作為我國的寶貴財(cái)富，在治療某些慢性或特殊性疾病方面具有顯著效果，但中藥體系復(fù)雜，其在發(fā)揮強(qiáng)大治療作用的同時(shí)，安全性問題也不容忽視[1]。近年來，科研人員越來越重視中藥毒性問題的研究，毒性研究方向也逐漸趨于多元化，且已經(jīng)取得了顯著成果[2]，但仍然存在一些問題：（1）中藥毒性成分結(jié)構(gòu)復(fù)雜多樣，并且多數(shù)中藥毒性成分未知[3]；（2）多數(shù)中藥毒性機(jī)制不明，而且因中藥多靶點(diǎn)、多途徑、多效應(yīng)、多環(huán)節(jié)的作用方式致使毒性機(jī)制復(fù)雜多樣[4-5]，因而造成毒性機(jī)制研究過程較復(fù)雜、困難；（3）以往被認(rèn)定為無毒的中藥也被報(bào)道出能夠產(chǎn)生不良反應(yīng)等問題[6]。因此，探索新的技術(shù)來輔助中藥毒性研究是一項(xiàng)極其緊迫且重要的工作。

計(jì)算機(jī)虛擬篩選技術(shù)融合了化學(xué)、分子生物學(xué)、毒理學(xué)、統(tǒng)計(jì)學(xué)及計(jì)算機(jī)科學(xué)等多個(gè)學(xué)科，通過構(gòu)建數(shù)學(xué)及計(jì)算機(jī)模型來實(shí)現(xiàn)對(duì)毒性化合物、毒副作用及毒性機(jī)制初步探究的目的。目前，該技術(shù)已在化學(xué)藥毒理學(xué)研究、農(nóng)藥風(fēng)險(xiǎn)評(píng)估、食品毒理學(xué)、環(huán)境管理等多個(gè)領(lǐng)域被廣泛應(yīng)用[7-13]。根據(jù)建模原理的不同，虛擬篩選技術(shù)主要分為2類（圖1），第1種為基于受體的大分子虛擬篩選技術(shù)，也被稱為基于結(jié)構(gòu)的虛擬篩選技術(shù)，是目前中藥研究中應(yīng)用較為廣泛的一類篩選技術(shù)，使用該類技術(shù)進(jìn)行毒性成分篩選時(shí)需準(zhǔn)備毒性機(jī)制清晰的受體生物大分子，這類技術(shù)包括分子對(duì)接[14-15]；第2種為基于配體的小分子虛擬篩選技術(shù)，該類篩選技術(shù)主要是通過分析化學(xué)成分間的相似性程度實(shí)現(xiàn)毒性成分篩選，進(jìn)而達(dá)到研究成分結(jié)構(gòu)特點(diǎn)與毒性作用間關(guān)系的目的，這類篩選技術(shù)主要包括機(jī)器學(xué)習(xí)、毒效團(tuán)、分子相似性方法等[14]。本文擬對(duì)目前4種主要的虛擬篩選技術(shù)及其在中藥毒性研究中的具體應(yīng)用情況進(jìn)行綜述，并對(duì)虛擬篩選技術(shù)在中藥毒性研究中的應(yīng)用前景進(jìn)行分析，為今后從事相關(guān)研究的研究者提供思路。

圖1 計(jì)算機(jī)虛擬篩選技術(shù)概況

1 分子對(duì)接

分子對(duì)接的工作原理是依據(jù)給定的靶標(biāo)篩選出與之匹配的潛在化學(xué)成分，該技術(shù)可用于模擬大分子受體與小分子配體間的作用方式，發(fā)現(xiàn)目標(biāo)成分，指導(dǎo)成分結(jié)構(gòu)優(yōu)化，對(duì)活性和非活性成分進(jìn)行分類（如篩選出毒性成分）及藥物生物活性機(jī)制（毒性機(jī)制）等研究[16-20]。分子對(duì)接作為較早被應(yīng)用于藥物研究的虛擬篩選技術(shù)，經(jīng)過幾十年的發(fā)展，其技術(shù)理論已較為成熟和完善。如今，分子對(duì)接技術(shù)以其高效、快速、便捷等優(yōu)勢(shì)吸引了中藥領(lǐng)域科研人員的關(guān)注，在中藥毒性研究中占據(jù)重要位置。

分子對(duì)接的操作步驟可大致分為2個(gè)階段[21]，（1）通過構(gòu)象搜索獲得可能的受體及配體的結(jié)合模式；（2）利用打分函數(shù)對(duì)產(chǎn)生的構(gòu)象進(jìn)行打分，現(xiàn)有的打分函數(shù)大致分為基于力場(chǎng)、知識(shí)、經(jīng)驗(yàn)及機(jī)器學(xué)習(xí)4種，選擇恰當(dāng)?shù)拇蚍趾瘮?shù)是保證選擇最佳構(gòu)象結(jié)合模式的關(guān)鍵所在[22]。分子對(duì)接作為一種高效的科研輔助工具，將其運(yùn)用于中藥毒性研究時(shí)應(yīng)當(dāng)在符合中藥特性的前提下，充分考慮實(shí)驗(yàn)各階段可能涉及的問題，包括對(duì)接前的數(shù)據(jù)準(zhǔn)備與處理，對(duì)接時(shí)的參數(shù)選擇及對(duì)接后的模型驗(yàn)證和評(píng)估等工作，以期能夠盡可能的降低實(shí)驗(yàn)誤差，進(jìn)而保證分子對(duì)接模型是有意義的，結(jié)果是準(zhǔn)確可靠的。

1.1 心臟毒性成分的篩選

石洲[23]通過分子對(duì)接技術(shù)聯(lián)合結(jié)構(gòu)毒-效關(guān)系對(duì)川烏的毒性成分進(jìn)行篩選分析，具體為應(yīng)用Autodock Vina軟件的半柔性對(duì)接方式，采用快速梯度優(yōu)化算法，將對(duì)接次數(shù)及exhaustiveness值分別調(diào)整為20和10，結(jié)果篩選出烏頭堿、中烏頭堿、次烏頭堿和去甲烏藥堿等心臟毒性成分，然后通過分析分子對(duì)接的活性基團(tuán)位置，明確C-19雙酯型二萜類生物堿是川烏造成心臟毒性貢獻(xiàn)最大的成分。表明分子對(duì)接技術(shù)不僅可以篩選出中藥潛在的心臟毒性成分，還可以用于確定中藥毒性成分的結(jié)構(gòu)特點(diǎn)。

1.2 肝毒性成分的篩選

汪祺等[24-26]選擇性收集了文獻(xiàn)及數(shù)據(jù)庫中的48種何首烏成分，然后以多藥耐藥相關(guān)蛋白2/多藥耐藥相關(guān)蛋白3、有機(jī)陰離子轉(zhuǎn)運(yùn)多肽1B1/有機(jī)陰離子轉(zhuǎn)運(yùn)多肽1B3和法尼醇X受體作為靶標(biāo)，借助Discovery Studio 2.5軟件分別進(jìn)行3次分子對(duì)接，根據(jù)打分值的排序結(jié)果篩選出打分值較高且在何首烏中含量較高的成分，初步確定何首烏中存在肝毒性風(fēng)險(xiǎn)的成分，隨后采用體外肝細(xì)胞毒性實(shí)驗(yàn)對(duì)初步篩選出的潛在肝毒性成分進(jìn)行研究以驗(yàn)證虛擬篩選結(jié)果的準(zhǔn)確性。結(jié)果證實(shí)，細(xì)胞實(shí)驗(yàn)與分子對(duì)接結(jié)果基本一致，進(jìn)一步說明分子對(duì)接技術(shù)用于篩選中藥肝毒性成分的可靠性。

Liu等[27]使用分子對(duì)接技術(shù)對(duì)采用超高效液相色譜-四級(jí)桿飛行時(shí)間質(zhì)譜鑒定出的14種八角楓化學(xué)成分進(jìn)行肝毒性成分篩選，借助AutoDock Tool 1.5.6軟件和Lamarck遺傳算法構(gòu)建模型進(jìn)行分子對(duì)接計(jì)算，考察最佳的結(jié)合位點(diǎn)，結(jié)果發(fā)現(xiàn)鬼臼毒素-4---葡萄糖苷、西藏鬼臼脂醇、3,4′-,-二去甲基鬼臼毒素、鬼臼脂毒酮及鬼臼毒素等成分能夠與肝毒性靶點(diǎn)有較好的結(jié)合，因此初步確定上述成分為八角楓的肝毒性成分。

1.3 其他毒性成分的篩選

分子對(duì)接除可以單獨(dú)使用外，還常與其他方法聯(lián)合應(yīng)用，使得篩選效率及準(zhǔn)確率進(jìn)一步提高，較為常見的組合方式是與網(wǎng)絡(luò)藥理學(xué)（網(wǎng)絡(luò)毒理學(xué)）的聯(lián)合應(yīng)用，首先借助網(wǎng)絡(luò)藥理學(xué)（網(wǎng)絡(luò)毒理學(xué)）篩選核心毒性靶標(biāo)，并通過構(gòu)建“活性成分-毒性靶標(biāo)-通路”網(wǎng)絡(luò)了解成分與靶標(biāo)間的關(guān)系；隨后基于得到的核心毒性靶標(biāo)和活性成分，采用分子對(duì)接技術(shù)進(jìn)行毒性成分篩選[28-30]。張丹等[31]為研究昆明山海棠的毒性機(jī)制，運(yùn)用分子對(duì)接和網(wǎng)絡(luò)藥理學(xué)對(duì)昆明山海棠的毒性成分進(jìn)行篩選研究，發(fā)現(xiàn)雷公藤堿乙、雷酚內(nèi)酯和山海棠二萜內(nèi)酯A能夠與細(xì)胞周期蛋白D1、促分裂原活化蛋白激酶8、血管內(nèi)皮生長因子A、腫瘤蛋白p53、白細(xì)胞介素-6、腫瘤壞死因子等毒性靶標(biāo)有著較好的相互作用與結(jié)合活性，從而初步確定以上3種成分可能為昆明山海棠的毒性成分。上述實(shí)驗(yàn)表明分子對(duì)接作為一種技術(shù)理論較成熟的虛擬篩選技術(shù)，既可以篩選出毒性表現(xiàn)明確的中藥成分，又可以成功篩選出毒性表現(xiàn)不明的中藥成分。

2 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)的基本原理是提取化合物的結(jié)構(gòu)及理化性質(zhì)特征，然后通過總結(jié)配體的特征選用合適的算法構(gòu)建模型，最后利用模型對(duì)化合物進(jìn)行篩選。目前機(jī)器學(xué)習(xí)的學(xué)習(xí)方法主要有監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)及強(qiáng)化學(xué)習(xí)等[32-35]。不同的學(xué)習(xí)方法有不同的算法，如監(jiān)督學(xué)習(xí)常用算法包括決策樹、支持向量機(jī)（support vector machine，SVM）、線性回歸、樸素貝葉斯；無監(jiān)督學(xué)習(xí)常用算法有K-最鄰近方法和聚類算法[34,36]。因該技術(shù)能夠通過學(xué)習(xí)對(duì)模型進(jìn)行不斷優(yōu)化，因此篩選結(jié)果的準(zhǔn)確率較高[37]。

隨著機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展，在此基礎(chǔ)上出現(xiàn)了一個(gè)新的分支技術(shù)——深度學(xué)習(xí)。深度學(xué)習(xí)是基于人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）算法來構(gòu)建模型，該技術(shù)有監(jiān)督、無監(jiān)督或二者兼?zhèn)涞膶W(xué)習(xí)方法，對(duì)于處理大體量且復(fù)雜的毒性數(shù)據(jù)集具有顯著優(yōu)勢(shì)，且研究結(jié)果的準(zhǔn)確率也大幅度提高。鑒于深度學(xué)習(xí)的以上優(yōu)點(diǎn)將其用于中藥毒性成分篩選研究具有廣闊的前景[34,38]。

定量構(gòu)效關(guān)系（quantitative structure activity relationship，QSAR）利用統(tǒng)計(jì)學(xué)方法和機(jī)器學(xué)習(xí)算法構(gòu)建模型，分析化合物的特征與結(jié)構(gòu)參數(shù)，從而篩選具有相似理化性質(zhì)及生物活性的化合物，該技術(shù)還可以解釋化合物的結(jié)構(gòu)變化與性質(zhì)變化間的關(guān)系[39]。QSAR有助于篩選毒性特征相似的中藥毒性化合物，指導(dǎo)毒性化合物的結(jié)構(gòu)優(yōu)化。同時(shí)，由于QSAR是基于配體實(shí)現(xiàn)的虛擬篩選技術(shù)，所以在應(yīng)用中無需考慮靶蛋白結(jié)構(gòu)等問題。另外，當(dāng)應(yīng)用環(huán)境強(qiáng)調(diào)化合物結(jié)構(gòu)與毒性間的關(guān)系時(shí)QSAR也可定義為定量毒性結(jié)構(gòu)關(guān)系[40]。經(jīng)過幾十年的發(fā)展，QSAR技術(shù)經(jīng)過不斷地完善和升級(jí)，現(xiàn)在QSAR模型已經(jīng)從2D-QSAR、3D-QSAR發(fā)展到了4D-QSAR、5D-QSAR、6D-QSAR等[41-45]。QSAR模型在化學(xué)、生物、醫(yī)藥、農(nóng)業(yè)、環(huán)境等領(lǐng)域有著廣泛地應(yīng)用，并且在中藥毒性研究中也發(fā)揮著越來越重要的作用。

2.1 心臟毒性成分的篩選

馬會(huì)利[46]從藥物副作用數(shù)據(jù)庫、OFFSIDES、比較毒理學(xué)數(shù)據(jù)庫中收集到1555個(gè)心臟毒性化合物，RADER數(shù)據(jù)庫中收集到4670個(gè)非活性化合物，設(shè)置心臟毒性成分與非毒性成分?jǐn)?shù)量3∶1的比例構(gòu)建各數(shù)據(jù)集，以4665個(gè)化合物構(gòu)建訓(xùn)練集，1560個(gè)化合物構(gòu)建測(cè)試集，然后使用MOE 2009和PaDEL-Descriptor 2.21軟件計(jì)算分子描述符，借助Orange Canvas 2.7版的邏輯回歸、隨機(jī)森林和K-最近鄰3種算法構(gòu)建了6個(gè)機(jī)器學(xué)習(xí)分類模型，另外采用5倍交叉驗(yàn)證與測(cè)試集驗(yàn)證這2種方法進(jìn)行模型驗(yàn)證，篩選出PaDEL_LFS_LR＋MACCS與PaDEL_LFS_LR＋SubFP 2個(gè)最優(yōu)模型對(duì)從巴豆、斑蝥、蓖麻子、蒼耳子等20味中藥中收集的708個(gè)成分進(jìn)行心臟毒性成分篩選，最終篩選出亞油酸、棕櫚酸、硬脂酸、β-谷固醇、谷固醇、油酸6個(gè)潛在心臟毒性成分。馮小龍[47]對(duì)從《中國藥典》2015年版中收集到的45種含揮發(fā)油類中藥的181個(gè)主要化學(xué)成分進(jìn)行毒性成分篩選，使用ADMET Predictor 9.5軟件構(gòu)建基于ANN算法的QSAR模型，選用人類快速延遲整流性鉀通道基因作為心臟毒性評(píng)價(jià)的標(biāo)準(zhǔn)，篩選出木蘭脂素、榿木酮、去氫二異丁香酚等6個(gè)化學(xué)成分可能具有心臟毒性。這些研究案例表明QSAR模型可以實(shí)現(xiàn)從較大規(guī)模的化學(xué)物集合中篩選出中藥毒性成分，為中藥毒理學(xué)研究提供了一個(gè)高效且較為可靠的技術(shù)。

2.2 肝毒性成分的篩選

為了探索中藥-化學(xué)藥組合化合物數(shù)據(jù)集的肝毒性成分篩選方案，Chen等[48]從數(shù)據(jù)庫和文獻(xiàn)中收集了1505個(gè)化合物作為訓(xùn)練集，530個(gè)化合物作為測(cè)試集，2個(gè)數(shù)據(jù)集中肝毒性與非肝毒性成分的數(shù)量比值分別為1125∶400和380∶130，然后分別采用隨機(jī)梯度下降、K-最近鄰、SVM、樸素貝葉斯、決策樹、隨機(jī)森林、ANN、自適應(yīng)提升、邏輯回歸等算法構(gòu)建機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型，該研究證明將機(jī)器學(xué)習(xí)模型用于篩選肝毒性成分有廣闊的應(yīng)用前景，而且通過對(duì)比分析發(fā)現(xiàn)深度學(xué)習(xí)模型的性能更優(yōu)。

Zhao等[49]收集含有127種肝毒性成分的陽性數(shù)據(jù)集，其中含有11種肝毒性中藥成分，及含有65種與肝毒性無關(guān)的陰性成分?jǐn)?shù)據(jù)集，使用Mold軟件計(jì)算分子描述符并挑選出98個(gè)最佳的分子描述符用于構(gòu)建基于隨機(jī)森林算法的QSAR模型，最后通過外部實(shí)驗(yàn)進(jìn)行模型驗(yàn)證，結(jié)果發(fā)現(xiàn)QSAR模型篩選出天然肝毒素?cái)?shù)據(jù)集中的14種肝毒性成分。馮小龍[47]使用ADMET Predictor 9.5軟件構(gòu)建了基于ANN算法構(gòu)建QSAR模型，以丙氨酸氨基轉(zhuǎn)移酶、谷氨酸轉(zhuǎn)移酶和乳酸脫氫酶同時(shí)升高作為肝毒性評(píng)價(jià)指標(biāo)，從181個(gè)中藥成分中篩選出63個(gè)肝毒性成分。機(jī)器學(xué)習(xí)可以通過學(xué)習(xí)和選擇合適的算法來不斷優(yōu)化模型，因此采用該技術(shù)構(gòu)建模型篩選中藥肝毒性成分時(shí)結(jié)果的準(zhǔn)確率較高。

2.3 腎毒性成分的篩選

構(gòu)建QSAR模型用以中藥毒性研究時(shí)若實(shí)驗(yàn)數(shù)據(jù)不足或是采用化學(xué)藥物構(gòu)建模型則可能會(huì)造成偏差的產(chǎn)生，Sun等[50]為了驗(yàn)證這一問題，分別用天然產(chǎn)物（128種）、藥物（484種）及二者混合這3類數(shù)據(jù)構(gòu)建訓(xùn)練集，3個(gè)數(shù)據(jù)集分別使用ANN和SVM 2種機(jī)器學(xué)習(xí)算法構(gòu)建QSAR模型考察其對(duì)中藥腎毒性成分的篩選能力，結(jié)果發(fā)現(xiàn)天然產(chǎn)物模型的準(zhǔn)確性較好，說明QSAR模型可較好地適用于中藥腎毒性成分的篩選。Yang等[51]首先使用ADMET Predictor軟件構(gòu)建QSAR模型對(duì)新分離的26種決明子成分進(jìn)行腎毒性成分初步篩選，隨后將篩選出的潛在毒性成分與人腎小管上皮HK-2細(xì)胞培養(yǎng)對(duì)篩選結(jié)果進(jìn)行驗(yàn)證，結(jié)果確定了10種具有潛在腎毒性的成分。中藥成分與化學(xué)藥成分的結(jié)構(gòu)特點(diǎn)有所區(qū)別，因此使用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行中藥毒性成分篩選時(shí)，應(yīng)當(dāng)采用較多的中藥成分構(gòu)建模型以保證研究結(jié)果的準(zhǔn)確性。

2.4 其他毒性成分的篩選

眾所周知馬兜鈴酸是一種強(qiáng)致腎毒性和致癌的成分。Xu等[52]為篩選出馬兜鈴酸類似物，借助Python 3.7中的RDKit庫提取出馬兜鈴酸類成分的3個(gè)最大公共子結(jié)構(gòu)，進(jìn)而篩選出存在于44種中藥中的238種馬兜鈴酸類成分，提示這些被篩選出的類似物可能具有和馬兜鈴酸相同的毒性作用。機(jī)器學(xué)習(xí)技術(shù)不僅能夠?qū)崿F(xiàn)毒性成分的篩選，還有助于毒性成分后續(xù)的毒性作用機(jī)制研究。

3 其他虛擬篩選技術(shù)

除以上介紹的較為常用的虛擬篩選技術(shù)外，還有毒效團(tuán)和分子相似性方法這2種技術(shù)。雖然還未被廣泛地應(yīng)用于中藥毒性研究，但是通過分析這2種技術(shù)在其他領(lǐng)域的應(yīng)用情況發(fā)現(xiàn)，有望將這些技術(shù)應(yīng)用于中藥毒性成分的篩選，且同樣具有高效、便捷的特點(diǎn)，值得中藥科研人員的探索及使用[53-56]。

3.1 毒效團(tuán)

毒效團(tuán)是從藥效團(tuán)技術(shù)衍生出來的基于配體的虛擬篩選技術(shù)，其基本原理與藥效團(tuán)相似。它是根據(jù)化合物中發(fā)揮毒性作用或經(jīng)過代謝后發(fā)揮毒性作用的基團(tuán)或亞結(jié)構(gòu)為基礎(chǔ)構(gòu)建模型，篩選出含有這些結(jié)構(gòu)的潛在毒性化合物，然后研究化合物關(guān)鍵結(jié)構(gòu)與生物活性（毒性）間的關(guān)系，進(jìn)而揭示化合物的毒性機(jī)制[57]。另外，這些發(fā)揮毒性作用的基團(tuán)或亞結(jié)構(gòu)也被稱為警示結(jié)構(gòu)、毒性片段、毒性基團(tuán)，是藥物產(chǎn)生毒副作用的主要原因之一[57-59]。

雖然，迄今為止毒效團(tuán)技術(shù)用于中藥毒性研究較少，但是通過考察毒效團(tuán)模型在其他領(lǐng)域的成功應(yīng)用案例，確定將該模型用于中藥毒性研究是切實(shí)可行的，其基本工作流程可大致分為以下4個(gè)步驟[53-54]，（1）數(shù)據(jù)收集：根據(jù)化合物的毒性效應(yīng)強(qiáng)弱劃分訓(xùn)練集及測(cè)試集，收集以上化合物的2D結(jié)構(gòu)，確定模型構(gòu)建需要的化合物活性值（半數(shù)致死量、半抑制濃度等）；（2）構(gòu)建模型：確定建模軟件，設(shè)置參數(shù)構(gòu)建模型，選擇用于構(gòu)建模型的特征元素（氫鍵供體、氫鍵受體、芳香環(huán)、疏水基團(tuán)、正電荷基團(tuán)、負(fù)電荷基團(tuán)）且最多可選擇5個(gè)特征元素；（3）模型驗(yàn)證及評(píng)價(jià)：挑選最優(yōu)模型；（4）篩選活性成分：使用最優(yōu)模型對(duì)預(yù)測(cè)集成分進(jìn)行匹配，篩選出與模型匹配最佳的活性化合物。

毒效團(tuán)的出現(xiàn)為后續(xù)的實(shí)驗(yàn)發(fā)展方向提供了清晰的指引，研究者可通過分析被篩選出的含有警示結(jié)構(gòu)的毒性成分特性進(jìn)行后續(xù)實(shí)驗(yàn)內(nèi)容設(shè)計(jì)?？傮w來說，毒效團(tuán)可為后續(xù)實(shí)驗(yàn)提供2種研究思路，首先是對(duì)于含有警示結(jié)構(gòu)但既可起到治療作用又可產(chǎn)生不良反應(yīng)的成分可采用結(jié)構(gòu)優(yōu)化的方式以降低其毒性；其次是對(duì)于含有警示結(jié)構(gòu)且只產(chǎn)生毒副作用的成分則采取消除該成分的操作。

3.2 分子相似性

分子相似性方法依據(jù)化合物結(jié)構(gòu)特點(diǎn)的相似性程度篩選出具有類似理化性質(zhì)和生物活性的化合物，該類技術(shù)對(duì)結(jié)構(gòu)特征匹配的精確性具有較高的要求[32]。分子相似性方法具體分為結(jié)構(gòu)相似性搜索和活性片段搜索2種類型[60-62]。以上2種類型相似性方法的建模流程是相同的[55]，首先需要針對(duì)某一種活性來篩選化合物以構(gòu)建數(shù)據(jù)集，然后選擇用于建模的分子結(jié)構(gòu)參數(shù)，如分子形狀指數(shù)、電拓?fù)渲笖?shù)等，最后建模并計(jì)算相似性參數(shù)。目前常用的可以實(shí)現(xiàn)該技術(shù)的平臺(tái)有MolPrint 2D、ChemMappe、eSHAFTS、Me2Explorer等[63-66]。

4 虛擬篩選技術(shù)應(yīng)用分析

從文獻(xiàn)檢索的過程中發(fā)現(xiàn)，虛擬篩選技術(shù)因其便捷、快速、高效、準(zhǔn)確率較高等特點(diǎn)，已被成功運(yùn)用于心臟、肝臟、腎臟毒性等類型的中藥毒性成分篩選，其中將該技術(shù)用于中藥肝毒性成分篩選的研究課題居多，這可能與造成肝毒性的中藥較多有關(guān)[5,67]。因?yàn)橛糜诮５母味拘曰A(chǔ)毒理學(xué)實(shí)驗(yàn)數(shù)據(jù)較多，所以使用虛擬篩選技術(shù)進(jìn)行肝毒性成分篩選時(shí)的可行性及準(zhǔn)確性更高。眾所周知，中藥毒性表現(xiàn)復(fù)雜多樣，且一種有毒中藥的毒性表現(xiàn)往往不止一種，因此盡可能全面的了解中藥毒性，才能保證中藥的正確使用。參考虛擬篩選技術(shù)在中藥肝毒性成分篩選中的成功案例，將虛擬篩選技術(shù)用于更多種毒性類型的成分篩選研究，如生殖毒性、神經(jīng)毒性、致癌性等，這是未來虛擬篩選技術(shù)的一個(gè)應(yīng)用方向。

虛擬篩選技術(shù)在中藥毒性領(lǐng)域中的應(yīng)用仍處于起步階段，采用虛擬篩選技術(shù)進(jìn)行中藥毒性成分篩選的案例是較少的，而且本文中介紹的毒效團(tuán)和分子相似性方法還未被廣泛應(yīng)用于中藥毒性研究。因此，研究者可以在充分考慮每種虛擬篩選技術(shù)的優(yōu)點(diǎn)與不足（表1）的基礎(chǔ)上，結(jié)合分析中藥的特點(diǎn)，同時(shí)參考這些技術(shù)在其他領(lǐng)域的成功運(yùn)用案例[53-54,68]，開發(fā)出適用于中藥特性的毒性研究方案，這將是中藥研究者關(guān)注的一個(gè)重要研究方向，也是虛擬篩選技術(shù)發(fā)展的必然趨勢(shì)。

表1 計(jì)算機(jī)虛擬篩選技術(shù)特點(diǎn)

5 結(jié)語與展望

中藥毒性研究既是促進(jìn)中藥新藥研發(fā)與現(xiàn)代化發(fā)展的基礎(chǔ)，也是推動(dòng)中藥研究的重點(diǎn)及難點(diǎn)所在[69]。計(jì)算機(jī)虛擬篩選技術(shù)恰當(dāng)?shù)貙⒍鄬W(xué)科融合在一起，極大地減少了使用傳統(tǒng)毒性實(shí)驗(yàn)方法帶來的工作量大、實(shí)驗(yàn)周期長、工作效率低及資源浪費(fèi)等問題。目前，虛擬篩選技術(shù)在多個(gè)領(lǐng)域發(fā)揮著不可忽視的重要作用，尤其是近年來，該技術(shù)在中藥毒性研究領(lǐng)域的應(yīng)用極大地提高了工作效率。但是，需要明確的問題是這項(xiàng)技術(shù)的出現(xiàn)并不是為了取代傳統(tǒng)的毒性研究方法，而是為了借助其強(qiáng)大的輔助作用來促進(jìn)中藥毒性研究的快速發(fā)展。

本文介紹了分子對(duì)接、機(jī)器學(xué)習(xí)、毒效團(tuán)和分子相似性方法4種主要的計(jì)算機(jī)虛擬篩選技術(shù)，并列舉了在中藥毒性研究中的成功案例，為虛擬篩選技術(shù)能夠高效地應(yīng)用于中藥毒性研究提供參考思路。隨著未來計(jì)算機(jī)虛擬篩選技術(shù)理論的不斷優(yōu)化和升級(jí)，將會(huì)越來越適應(yīng)中藥毒性研究的特點(diǎn)，成為未來中藥快速發(fā)展進(jìn)程中不可或缺的重要手段。

利益沖突 所有作者均聲明不存在利益沖突

[1] 張冰, 呂錦濤, 張曉朦, 等. 基于“藥性”的中藥“毒-效”認(rèn)知與藥物警戒思考 [J]. 中國藥物警戒, 2021, 18(5): 411-415.

[2] 韓嵐, 林朝展, 趙海霞, 等. 2012—2021年國家自然科學(xué)基金中藥毒理學(xué)研究方向資助項(xiàng)目分析 [J]. 中國中藥雜志, 2022, 47(5): 1415-1420.

[3] 孟驛佳, 康樂, 王媛, 等. 2020年版《中國藥典》(一部)有毒中藥毒性成分及毒性特點(diǎn)分析 [J]. 中藥藥理與臨床, 2023, 39(1): 99-104.

[4] 何月, 許娜, 吳德歡, 等. 神經(jīng)毒性中藥中毒機(jī)制與減毒策略的研究進(jìn)展 [J]. 中南藥學(xué), 2017, 15(7): 940-942.

[5] Pan X Q, Zhou J, Chen Y,. Classification, hepatotoxic mechanisms, and targets of the risk ingredients in traditional Chinese medicine-induced liver injury [J]., 2020, 323: 48-56.

[6] 柏兆方, 孟雅坤, 賀蘭芝, 等. 傳統(tǒng)無毒中藥誘導(dǎo)的免疫特異質(zhì)型肝損傷及其機(jī)制假說 [J]. 中國藥學(xué)雜志, 2017, 52(13): 1105-1109.

[7] 姜允申. 計(jì)算毒理學(xué)和量子毒理學(xué)在我國環(huán)境醫(yī)學(xué)與藥物學(xué)研究中的應(yīng)用及前景 [A] // 中國環(huán)境科學(xué)學(xué)會(huì). 2020中國環(huán)境科學(xué)學(xué)會(huì)科學(xué)技術(shù)年會(huì)論文集 (第4卷) [C]. 南京: 中國環(huán)境科學(xué)學(xué)會(huì), 2020: 85-89.

[8] 孫亞奇, 陸啟榮, 劉愛梅, 等. 藥物代謝誘導(dǎo)毒性的體外預(yù)測(cè)方法研究進(jìn)展 [J]. 中國藥理學(xué)與毒理學(xué)雜志, 2019, 33(11): 1000-1006.

[9] 于洋, 左平春, 張楠, 等. 計(jì)算毒理學(xué)在農(nóng)藥風(fēng)險(xiǎn)評(píng)估中的應(yīng)用 [J]. 農(nóng)藥科學(xué)與管理, 2017, 38(4): 24-30.

[10] Silva M H. Use of computational toxicology (CompTox) tools to predicttoxicity for risk assessment [J]., 2020, 116: 104724.

[11] Vuorinen A, Bellion P, Beilstein P. Applicability ofgenotoxicity models on food and feed ingredients [J]., 2017, 90: 277-288.

[12] Forest V. Experimental and computational nanotoxicology- complementary approaches for nanomaterial hazard assessment [J]., 2022, 12(8): 1346.

[13] 鄭玉婷, 王寶成, 于洋, 等. 一種篩選具有潛在持久性、遷移性和毒性(PMT) 新污染物的計(jì)算毒理學(xué)模型工具 [J]. 生態(tài)毒理學(xué)報(bào), 2022, 17(3): 111-120.

[14] De León G, Fr?hlich E, Salar-Behzadi S. Bitter taste: A review on virtual ligand screening and characterization methods for TAS2R-bitterant interactions [J]., 2021, 600: 120486.

[15] Maia E H B, Assis L C, de Oliveira T A,. Structure-based virtual screening: From classical to artificial intelligence [J]., 2020, 8: 343.

[16] 周玉玳, 戴雙雄, 佟斌, 等. 光譜學(xué)與分子對(duì)接結(jié)合解釋生物大分子與配體間作用機(jī)制的研究進(jìn)展 [J]. 影像科學(xué)與光化學(xué), 2021, 39(3): 337-347.

[17] 朱銳靈, 沈悅, 馬飛鴻, 等. 分子對(duì)接技術(shù)在中藥抗炎活性成分篩選和作用機(jī)制研究中的應(yīng)用 [J]. 中國藥理學(xué)與毒理學(xué)雜志, 2018, 32(6): 497-506.

[18] 劉景陶, 柳耀花. 通過分子對(duì)接確定并優(yōu)化先導(dǎo)化合物 [J]. 科技創(chuàng)新與應(yīng)用, 2018(3): 3-4.

[19] 汪祺. 基于UGT1A1抑制作用及體內(nèi)外代謝產(chǎn)物探索何首烏肝毒性機(jī)制及毒效物質(zhì) [D]. 北京: 北京中醫(yī)藥大學(xué), 2018.

[20] 孫雨晴, 張?chǎng)? 沈曉帆, 等. 體外實(shí)驗(yàn)和計(jì)算模擬研究七葉皂苷的腎細(xì)胞毒性機(jī)制 [A] // 2021 (第五屆) 毒性測(cè)試替代方法與轉(zhuǎn)化毒理學(xué) (國際) 學(xué)術(shù)研討會(huì)會(huì)議論文集 [C]. 沈陽: 中國毒理學(xué)會(huì), 2021: 112-113.

[21] 許先進(jìn), 王存新. 分子對(duì)接方法在藥物發(fā)現(xiàn)之外領(lǐng)域的應(yīng)用 [J]. 北京工業(yè)大學(xué)學(xué)報(bào), 2017, 43(12): 1872-1880.

[22] Li J, Fu A L, Zhang L. An overview of scoring functions used for protein-ligand interactions in molecular docking [J]., 2019, 11(2): 320-328.

[23] 石洲. 基于網(wǎng)絡(luò)藥理學(xué)和分子對(duì)接的川烏毒效成分及機(jī)制研究 [D]. 成都: 電子科技大學(xué), 2021.

[24] 汪祺, 文海若, 馬雙成. 以MRP2/MRP3轉(zhuǎn)運(yùn)體為作用靶點(diǎn)的何首烏中肝毒性成分篩選 [J]. 中國現(xiàn)代中藥, 2022, 24(4): 622-628.

[25] 汪祺, 文海若, 馬雙成. 以O(shè)ATP1B1/OATP1B3轉(zhuǎn)運(yùn)體為作用靶點(diǎn)的何首烏肝毒性成分篩選 [J]. 藥物評(píng)價(jià)研究, 2022, 45(2): 227-233.

[26] 汪祺, 文海若, 馬雙成. 以法尼醇X受體為作用靶點(diǎn)的何首烏中肝毒性成分的篩選 [J]. 中國藥物警戒, 2022, 19(6): 630-634.

[27] Liu C X, Zhang C N, He T,. Study on potential toxic material base and mechanisms of hepatotoxicity induced bybased on toxicological evidence chain (TEC) concept [J]., 2020, 190: 110073.

[28] Zhang X Y, Wang S, Shu L X,. Rapid screening of hepatotoxic components inbased on “component-target-pathway” network [J]., 2022, 219: 114968.

[29] 牛明, 張斯琴, 張博, 等.《網(wǎng)絡(luò)藥理學(xué)評(píng)價(jià)方法指南》解讀 [J]. 中草藥, 2021, 52(14): 4119-4129.

[30] 曹站霞, 陳毓龍, 李偉霞, 等. 基于網(wǎng)絡(luò)藥理學(xué)和細(xì)胞試驗(yàn)探討補(bǔ)骨脂致肝損傷的毒理機(jī)制 [J]. 中國現(xiàn)代應(yīng)用藥學(xué), 2022, 39(16): 2052-2062.

[31] 張丹, 董一珠, 呂錦濤, 等. 基于網(wǎng)絡(luò)藥理學(xué)與分子對(duì)接方法探討昆明山海棠的毒性機(jī)制 [J]. 北京中醫(yī)藥大學(xué)學(xué)報(bào), 2019, 42(12): 1006-1015.

[32] Yang X, Wang Y F, Byrne R,. Concepts of artificial intelligence for computer-assisted drug discovery [J]., 2019, 119(18): 10520-10594.

[33] 周玥, 張心苑, 毛雪石. 機(jī)器學(xué)習(xí)在創(chuàng)新藥物研發(fā)中的應(yīng)用進(jìn)展 [J]. 醫(yī)學(xué)信息學(xué)雜志, 2020, 41(8): 25-28.

[34] Vo A H, van Vleet T R, Gupta R R,. An overview of machine learning and big data for drug toxicity evaluation [J]., 2020, 33(1): 20-37.

[35] Choi R Y, Coyner A S, Kalpathy-Cramer J,. Introduction to machine learning, neural networks, and deep learning [J]., 2020, 9(2): 14.

[36] Idakwo G, Luttrell J, Chen M J,. A review on machine learning methods fortoxicity prediction [J]., 2018, 36(4): 169-191.

[37] 高宇, 王鳳雪, 劉海波. 虛擬篩選技術(shù)在天然產(chǎn)物新藥研發(fā)中的應(yīng)用 [J]. 國際藥學(xué)研究雜志, 2020, 47(8): 602-608.

[38] 顏彩琴, 范睿琦, 寧雨坪, 等. 深度學(xué)習(xí)模型在中藥毒性預(yù)警中的應(yīng)用和前景 [J]. 中國藥理學(xué)與毒理學(xué)雜志, 2022, 36(3): 231-240.

[39] Gini G. QSAR methods [J]., 2022, 2425: 1-26.

[40] Deeb O, Goodarzi M.quantitative structure toxicity relationship of chemical compounds: Some case studies [J]., 2012, 7(4): 289-297.

[41] 施海楓, 劉永香, 涂文通. 國內(nèi)有關(guān)黃酮類化合物及其衍生物的2D-QSAR和3D-QSAR研究進(jìn)展 [J]. 廣東化工, 2013, 40(24): 70-71.

[42] Sato A, Miyao T, Jasial S,. Comparing predictive ability of QSAR/QSPR models using 2D and 3D molecular representations [J]., 2021, 35(2): 179-193.

[43] Fourches D, Ash J. 4D-quantitative structure-activity relationship modeling: Making a comeback [J]., 2019, 14(12): 1227-1235.

[44] Bak A. Two decades of 4D-QSAR: A dying art or staging a comeback? [J]., 2021, 22(10): 5212.

[45] 李仁利. 三維以上定量構(gòu)效關(guān)系 [J]. 國際藥學(xué)研究雜志, 2007, 34(4): 241-245.

[46] 馬會(huì)利. 化合物心臟毒性虛擬預(yù)測(cè)模型的構(gòu)建及其應(yīng)用研究 [D]. 廣州: 廣州中醫(yī)藥大學(xué), 2018.

[47] 馮小龍. 揮發(fā)油類中藥主要化學(xué)成分安全性預(yù)測(cè)研究 [J]. 世界科學(xué)技術(shù)—中醫(yī)藥現(xiàn)代化, 2020, 22(9): 3065-3072.

[48] Chen Z, Zhao M Z, You L Z,. Developing an artificial intelligence method for screening hepatotoxic compounds in traditional Chinese medicine and Western medicine combination [J]., 2022, 17(1): 58.

[49] Zhao P, Liu B, Wang C Y. Hepatotoxicity evaluation of traditional Chinese medicines using a computational molecular model [J]., 2017, 55(9): 996-1000.

[50] Sun Y, Shi S, Li Y,. Development of quantitative structure-activity relationship models to predict potential nephrotoxic ingredients in traditional Chinese medicines [J].2019, 128: 163-170.

[51] Yang J L, Wang S, Zhang T,. Predicting the potential toxicity of 26 components inusingandapproaches [J]., 2021, 2: 237-245.

[52] Xu T J, Chen W M, Zhou J H,. Computational analysis of naturally occurring aristolochic acid analogues and their biological sources [J]., 2021, 11(9): 1344.

[53] Pramanik S, Roy K. Exploring QSTR modeling and toxicophore mapping for identification of important molecular features contributing to the chemical toxicity in[J]., 2014, 28(2): 265-272.

[54] Kar S, Roy K. First report on predictive chemometric modeling, 3D-toxicophore mapping andscreening ofbasal cytotoxicity of diverse organic chemicals [J]., 2013, 27(2): 597-608.

[55] 喬連生, 郭亦然, 張燕玲. 基于片段搜索和相似性搜索的抗哮喘中藥發(fā)現(xiàn)研究 [J]. 中國實(shí)驗(yàn)方劑學(xué)雜志, 2013, 19(12): 310-314.

[56] 孔德毅. 分子相似性網(wǎng)絡(luò)中關(guān)鍵化合物發(fā)現(xiàn)算法研究 [D]. 蘭州: 蘭州大學(xué), 2015.

[57] Singh P K, Negi A, Gupta P K,. Toxicophore exploration as a screening technology for drug design and discovery: Techniques, scope and limitations [J]., 2016, 90(8): 1785-1802.

[58] 何秋順. 基于結(jié)構(gòu)特征的毒效因子發(fā)現(xiàn) [D]. 廈門: 廈門大學(xué), 2018.

[59] Wen B, Gorycki P. Bioactivation of herbal constituents: Mechanisms and toxicological relevance [J]., 2019, 51(4): 453-497.

[60] Kumar A, Zhang K Y J. Advances in the development of shape similarity methods and their application in drug discovery [J]., 2018, 6: 315.

[61] 唐玉煥, 林克江, 尤啟冬. 基于2D分子指紋的分子相似性方法在虛擬篩選中的應(yīng)用 [J]. 中國藥科大學(xué)學(xué)報(bào), 2009, 40(2): 178-184.

[62] 王山, 孫莉, 吳杰, 等. 一種基于計(jì)數(shù)型布隆過濾器的分子相似性算法研究 [J]. 計(jì)算機(jī)科學(xué), 2017, 44(S2): 552-556.

[63] 吳萍, 孔德信. 分子相似性與MOLPRINT2D的本地化 [J]. 計(jì)算機(jī)與應(yīng)用化學(xué), 2008, 25(4): 505-508.

[64] Gong J Y, Cai C Q, Liu X F,. ChemMapper: A versatile web server for exploring pharmacology and chemical structure association based on molecular 3D similarity method [J]., 2013, 29(14): 1827-1829.

[65] He G Q, Song Y P, Wei W H,. eSHAFTS: Integrated and graphical drug design software based on 3D molecular similarity [J]., 2019, 40(6): 826-838.

[66] 溫聰聰. Me2Explorer: 一款應(yīng)用于化學(xué)空間分析的集成軟件 [D]. 武漢: 華中農(nóng)業(yè)大學(xué), 2021.

[67] 段敬怡, 許妍妍, 王玉明, 等. 基于有害結(jié)局路徑的中藥毒性進(jìn)程動(dòng)態(tài)機(jī)制研究思路 [J]. 中國藥理學(xué)與毒理學(xué)雜志, 2020, 34(1): 58-63.

[68] Durai P, Ko Y J, Pan C H,. Evolutionary chemical binding similarity approach integrated with 3D-QSAR method for effective virtual screening [J]., 2020, 21(1): 1-18.

[69] Liu C X. Scientific understanding of toxicity and safety of Chinese medicines [J]., 2018, 10(2): 107.

Exploration and thinking of computer virtual screening technology in toxicity research of traditional Chinese medicine

QIAN Wen-xiu, YAN Xing-xu, ZHANG Wen-qing, JIA Guo-xiang, ZHAO Shan, SONG Li-li, LI Yu-bo

School of Traditional Chinese Medicine, Tianjin University of Traditional Chinese Medicine, Tianjin 301617, China

In recent years, people from all walks of life have paid more and more attention to the safety of traditional Chinese medicine (TCM), especially the toxicity research of TCM. Therefore, it is an urgent task to find an efficient technology to assist the toxicity research of TCM. The computer virtual screening technology has the advantages of high efficiency and convenience. After years of development, its technical theory has become mature and has been successfully applied in many fields. This article reviews the four main computer virtual screening technologies, such as molecular docking, machine learning, toxicophore and molecular similarity methods, and the application prospect of these technologies in the field of toxicity research of TCM are analyzed, aiming to provide reference for researchers engaged in toxicity research of TCM.

virtual screening; molecular docking; machine learning; toxicophore; molecular similarity; toxicity research of traditional Chinese medicine

R285

A

0253 - 2670(2023)12 - 4036 - 08

10.7501/j.issn.0253-2670.2023.12.029

2023-01-08

國家自然科學(xué)基金資助項(xiàng)目（81873194）；國家中醫(yī)藥管理局青年岐黃學(xué)者支持項(xiàng)目

錢文秀，女，碩士研究生，研究方向?yàn)橹兴帉W(xué)/毒性評(píng)價(jià)。E-mail: 13553195623@163.com

通信作者：宋麗麗，副教授，從事中藥分析與代謝組學(xué)研究。E-mail: sll0204@163.com

李遇伯，教授，博士生導(dǎo)師，從事中藥學(xué)/毒性評(píng)價(jià)研究。E-mail: yaowufenxi001@sina.com

[責(zé)任編輯 趙慧亮]