移植药学前沿文摘丨第36期：探究肿节风抗胰腺癌的药理机制

编者按：“移植药师主题（SOTP,Solid Organ Transplantation Pharmacy）月评”是由《药学瞭望》编辑部联合首都医科大学附属北京友谊医院药剂科崔向丽主任药师共同发起的移植药师相关学术月评专栏，每月以移植用药为主题展开，旨在介绍国内外移植药物治疗热点，帮助药师快速了解有关领域的进展，提高移植药学服务水平。我们期望本专栏能为医药领域的专家和研究人员提供深入了解相关热点的平台，并为寻求实用知识的一线移植药师提供有益的参考和指导。

2025年3月发表了来自首都医科大学北京友谊医院药剂科刘星药师在

BMC Complementary Medicine and Therapies

原文链接：https://doi.org/ 10.1186/s12906-025-04839-5

摘要

背景：肿节风在传统医学中被广泛用于治疗肿瘤，但其在胰腺癌治疗中的具体作用机制尚不明确。本研究采用网络药理学分析来确定肿节风治疗胰腺癌的活性成分及其相应靶点。此外，还进行了分子对接、分子动力学模拟和体外实验以验证研究结果。

方法：利用中药系统药理学数据库（TCMSP）和文献检索确定肿节风治疗胰腺癌的活性成分及其相应靶点。通过基因表达综合数据库（GEO）获取差异表达基因，并利用STRING平台构建其蛋白质-蛋白质相互作用（PPI）网络。在R软件中，利用基因本体论（GO）和京都基因与基因组百科全书（KEGG）分析进一步评估肿节风的靶基因所参与的生物学功能和通路。随后，建立了蛋白质-蛋白质相互作用（PPI）网络和复合靶点-通路网络。后续对目标基因进行了生存和突变分析。此外，还利用分子对接、分子动力学模拟技术和体外实验验证了关键靶基因与肿节风关键化合物之间的相互作用。

结果：共鉴定出20种活性成分和70个靶点。基于蛋白质-蛋白质相互作用网络，确定了 CASP3、MMP9、CCND1、EGF、MMP2、CASP8、ERBB2、STAT1和PPARG为核心靶基因。富集分析表明，肿节风可能主要影响 p53 信号通路、癌症中的转录失调、癌症中的蛋白聚糖、胰腺癌和细胞周期等通路。分子对接和分子动力学模拟表明，无水淫羊藿苷-GSK3B和槲皮素- PPARG之间存在稳定的结合。体外实验表明，肿节风提取物处理后显著抑制PANC-1细胞的生长，并下调GSK3B和PPARG的表达（P < 0.05）。

结论：本研究证明了传统中药肿节风在治疗胰腺癌方面的潜力。这些发现为肿节风活性成分的作用机制提供了见解，为其在临床上的多种应用提供了坚实的理论基础。

背景

胰腺癌（pancreatic cancer, PC）是男性和女性癌症相关死亡的第三大原因，5年生存率仅为13%，是所有肿瘤中最低的。根据中国的一份统计报告，2022年，PC是第八大最常见的癌症，也是癌症相关死亡的第六大原因，这表明发病率和死亡率之间存在密切的一致性。男性PC的发病率和死亡率高于女性，表明性别差异。到2030年，PC预计将成为美国癌症相关死亡的第二大原因，高收入国家的疾病负担最高。PC的预后不良主要归因于缺乏特定的早期症状和有效的筛查方法，因此大多数患者被诊断为晚期。尽管手术成功，但超过80%的患者最终会出现局部复发或转移。尽管PC的常规化疗，放疗和姑息治疗取得了进展，但早期诊断和及时干预对于降低死亡率是必要的。鉴于驱动PC进展的分子机制仍然难以捉摸，识别潜在的分子特征对于理解这些机制和开发有前途的药物至关重要。

除手术和放疗外，化疗通常用于治疗恶性肿瘤。然而，化疗药物有副作用，且随着时间的推移患者可能产生耐药性。因此，寻找毒性较小且更有效的抗肿瘤药物至关重要。中医药可有效预防和治疗恶性肿瘤，缓解临床症状，减少放疗副作用，逆转耐药性，提高生活质量。肿节风（Sarcandra glabra）是一种中草药，已被证明可以控制癌症的发展，改善患者的生活质量，缓解临床症状。现代药理学研究表明，S.glabra具有多种生物学特性，包括抗氧化、抗菌、抗病毒、抗疟、抗血栓细胞减少、抗肿瘤、抗炎、免疫调节、保肝、降血糖和降血脂特性。然而，肿节风在PC中的治疗潜力的研究相对较少。

2007年，霍普金斯引入了“网络药理学”的概念，该概念整合了系统生物学、基因组学、蛋白质组学和其他学科的原理。这种方法涉及使用高通量基因组数据分析，计算机模拟和网络数据库来揭示药物、基因、靶标和疾病之间的密切相互作用。了解这些相互作用可能有助于确定药物的作用机制，评估其疗效，并预测其不良反应，以确定有效且毒性较小的药物。鉴于肿瘤的复杂性，将网络药理学和中医的结合可能体现了一种更系统和有效的预防和治疗肿瘤的方法。网络药理学的整体性和系统性与中医药的多成分、多靶点和多途径特征非常吻合。因此，近年来利用网络药理学研究中药的作用机制已成为一种普遍的研究策略。例如，在一项研究中，网络药理学分析和实验验证显示TNF、MMP9、STAT3、PIK3CA和ERBB2是淫羊藿苷治疗卵巢癌的关键靶点。此外，GO和KEGG富集分析显示，淫羊藿苷主要通过抑制PI3K/AKT信号通路来抑制卵巢癌细胞的增殖、迁移和侵袭能力。

在这项研究中，使用网络药理学分析来鉴定S.glabra在治疗PC中的活性成分和潜在靶标。构建多组分、多靶标模型以阐明活性成分和靶蛋白之间的复杂相互作用。此外，体外实验验证了S.glabra活性成分在PC中的治疗潜力。本研究首次阐释了S.glabra在PC治疗中的疗效和作用机制。研究结果为进一步研究提供了理论基础，并可能有助于PC新药的鉴定。研究流程图如图1所示。。

图1 S.glabra抗胰腺癌的网络药理学研究流程图

2. 研究方法

2.1 活性成分的虚拟筛选

使用TCMSP的数据鉴定了S.glabra的生物活性成分。根据口服生物利用度（OB）≥30%和药物相似性（DL）≥0.18预测和选择目标。S.glabra的主要药理成分包括在随后的分析中。

2.2 筛选潜在的靶基因

NCBI使用搜索词“胰腺癌”从Gene Expression Omnibus（GEO）数据库获得了三个微阵列数据集（GSE15471，GSE28735和GSE62452）。选择这些数据集是因为它们包含了来自健康个体和PC患者的组织样本。R中的limma软件包用于处理数据并鉴定差异表达基因（DEG），P.adj ＜ 0.05，log2（FC）≥1，确定的DEG被认为是潜在的PC相关目标。生成维恩图以识别感兴趣的重叠目标。为了将UniProt ID标准化为官方基因符号，在UniProt数据库中特别选择了物种“Homo sapiens”。

2.3 功能注释和途径分析

为了研究肿节风在PC中的治疗机制所涉及的生物学过程和途径，使用公开可用的DAVID数据库进行了GO功能注释和KEGG途径富集分析(https://david.ncifcrf.Gov/tools.jsp)。搜索的重点是“Homo sapiens”中常见的靶基因符号。富集分析包括生物过程（BP），细胞成分（CC），分子功能（MFs）和KEGG途径，P.adj < 0.05表明显著富集。使用R中的ggplot2软件包可视化结果。

2.4 互作网络构建

检索相互作用基因的搜索工具（STRING）（版本12.0）平台用于建立S.glabra针对PC的目标的PPI网络。只有经过实验验证的综合得分≥0.4的相互作用被认为是显着的。使用Cytoscape软件（版本3.7.2）可视化PPI网络。鉴定了S.glabra的前10个中枢靶基因，并使用Cytohubba插件鉴定抗PC以构建调控网络。

2.5 TCGA数据库中中枢基因表达的验证

使用来自TCGA和GTEx的RNA-seq数据验证了中枢基因的表达。该数据集包括来自GTEx的167个正常组织样本，来自TCGA的4个副肿瘤组织样本和来自TCGA的179个肿瘤组织样本。所有数据均来自XENA数据库，并使用Toil工具进行统一处理(https://gdc.xenahubs.net)。使用Wilcoxon秩和检验进行统计分析，P ＜ 0.05表示统计学显著性。

2.6 生存、突变和免疫浸润分析

生存包用于为每个中枢基因构建比例风险回归模型。进行拟合生存回归，并使用survminer和ggplot2软件包将结果可视化。通过基于其表达水平的生存分析评估特定基因的预后价值。使用R软件包绘制Kaplan–Meier（KM）曲线，以评估中枢基因与PC患者总生存率之间的相关性。P ＜ 0.05的中枢基因被认为具有统计学意义。通过使用“maftools”R软件包检测包含体细胞变异的突变数据，然后计算TMB。R软件中的ssGSEA算法用于评估每个样本TME内的24种免疫细胞类型。

2.7 中枢基因的预后和诊断价值分析

使用从TCGA获得的RNA测序数据验证了可能与PC的诊断和预后相关的中枢基因的表达。Xanto工具用于实施对数秩检验，P ＜ 0.05表示统计学显著。估计了危险比（HR）和95%置信区间（CI），并在使用Xanto工具生成的森林图上可视化了结果。绘制受试者工作特征（ROC）曲线，并使用Sendo工具计算曲线下面积，以评估中枢基因的诊断价值。诊断准确性定义如下：低，AUC值为0.5-0.7；中等，AUC值为0.7-0.9；高，AUC值 ＞ 0.9。

2.8 分子对接

从PPI网络中鉴定出的中枢靶标和具有诊断价值的基因分别被选为分子对接的受体和配体。从RCSB PDB数据库获得受体蛋白的晶体结构，并使用PyMOL（版本2.4.1）软件去除水分子。将优化的受体蛋白导入AutoDock Tools（版本1.5.6）软件中进行氢化和电荷计算，并以pdbqt格式保存输出文件。配体的2D结构是从PubChem数据库获得的，并使用ChemBio3D Ultra（版本17.0）软件转换为3D结构。配体的3D结构以mol2格式保存，导入AutoDock工具，并以pdbqt格式保存。使用AutoDock Vina（版本1.1.2）软件进行分子对接，并使用PyMOL对结果进行分析和可视化。

2.9 分子动力学模拟

Gromacs（版本2022.3）软件用于分子动力学模拟。对于小分子的预处理，AmberTools22用于应用GAFF，而高斯16W用于氢化和RESP的计算。所得数据被整合到分子动力学系统的拓扑文件中。模拟是在300K的恒温和1巴的大气压下进行的。使用Amber99sb ildn力场，水分子作为溶剂。使用最速下降法对模拟系统进行能量最小化，然后在等温等容系综（NVT）和等温等压系综（NPT）中平衡100000步，耦合常数为0.1 ps，持续时间为100 ps。随后，进行了100 ns的自由分子动力学模拟，包括5000000步，步长为2 fs。模拟后，使用软件的内置工具分析轨迹并计算参数，例如均方根偏差（RMSD），均方根波动（RMSF），每个氨基酸轨迹的蛋白质旋转半径，自由能（MMGBSA）和自由能地形。

2.10 S.glabra提取物的制备

将整个S.glabra用85%乙醇进行三轮回流提取。使用旋转蒸发器浓缩合并的提取物以获得无溶剂提取物。随后，将提取物真空干燥以获得粉末，其被称为S.glabra提取物。对于随后的实验，称取0.5g S.glabra提取物并与1mL高压灭菌蒸馏水混合以达到0.5g/mL的浓度。将所得溶液过滤、灭菌，并保存在4℃的冰箱后续使用。

2.11 细胞培养

PC细胞系PANC-1购自BeiNaChuangLian Biotechnology Co.，Ltd.（中国河南）。将细胞在补充有10%FBS的DMEM培养基中培养，并在37℃下保持在含有5%CO2的培养箱中。只有指数生长的细胞用于后续实验。细胞培养基购自HyClone。

2.12 CCK-8测定

将PANC-1细胞以1×104个细胞/孔的密度接种在96孔板中。用不同浓度的S.glabra提取物（0,5,10,20,40和80μg/mL）处理细胞48 h。随后，向每个孔中加入10μL Cell counting kit-8（CCK-8）试剂（Dojindo，Kyushu，Japan）。将板在37℃下孵育3 h，并在450 nm的波长下测量吸光度。

2.13 qRT-PCR检测

用浓度为30μg/mL的S.glabra提取物处理PANC-1细胞24小时。使用氯仿和Trizol（Invitrogen，USA）从细胞中提取总RNA。根据制造商的说明，提取的RNA用于合成cDNA。使用SYBR premix试剂盒（Vazyme Biotech Co.，Ltd，China）将cDNA用于实时聚合酶链反应（qPCR）。每个实时逆转录聚合酶链反应（qRT-PCR）实验重复至少三次。

3. 结果

3.1 活性成分的鉴定及其靶标的预测

在筛选，过滤和去除重复物后，鉴定出S.glabra的总共20种活性成分，包括β-谷甾醇、谷甾醇、脱水淫羊藿素、槲皮素、白术内酯III，香草酸等（表1）。OB值≥30%表明这些成分在食用后可以被身体吸收和利用。虽然东莨菪醇和富马酸的OB值小于30%，但文献检索显示这些成分具有显着的抗癌活性。利用TCMSP数据库共鉴定出20种活性成分的394个潜在靶基因(https://old.tcmsp-e.com/tcmsp.php)。随后，从GEO数据库中获得了与PC相关的靶基因(https://www.ncbi.nlm.nih.gov/gds)。在GSE15471数据集中，21655个基因中有1401个符合筛选标准，包括1212个上调基因和189个下调基因。在GSE28735数据集中，28869个基因中有443个符合筛选标准，包括172个上调基因和271个下调基因。在GSE62452数据集中，33297个基因中有323个符合筛选标准，包括120个上调基因和203个下调基因。随后，构建了维恩图，将活性成分的靶基因与PC相关靶基因相交，以鉴定重叠基因。最终，鉴定出总共70个针对PC的S.glabra靶标（表2），并选择这些靶标和相应的活性成分进行后续分析（图2A，B）。

3.2 网络分析

Cytoscape（版本3.7.2）用于构建和可视化PPI网络，以阐明肿节风在PC治疗中的多靶点作用机制（图2）。该网络由97个节点和223个边缘组成，节点代表目标基因及其相应的活性成分，边缘代表节点之间的相互作用。对网络的分析表明，槲皮素在网络中表现出最高的相互作用（59），其次是β-谷甾醇（15），咖啡酸（13），脱水淫羊藿素（12），东莨菪碱（7），ZINC00391893（6），植物醇（4），东莨菪醇（4），香草酸（3）。发现每种活性成分都有多个靶标，表明这些成分对PC具有协同作用。随后，使用STRING数据库构建了79个重叠基因的PPI网络。该网络证明了疾病进展过程中以节点表示的各种靶基因之间的密切相互作用（表3）。值得注意的是，没有靶基因与网络中的其他基因直接相关，这支持了靶基因之间的密切关系。CytoHubba分析显示CASP3（34），CCND1（27），CASP8（23），BCL2L1（21），GSK3B（29），PPARG（28），STAT1（20），MMP2（22），ERBB2（26）和IL1A（22）作为中枢靶基因（图2C）。

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

Table 2 Potential targets of ZJF and pancreatic cancer.

图2 收集S.glabra的活性化合物并预测PC的关键治疗靶点。A：S.glabra和PC的靶基因的维恩图。B：S.glabra成分靶点网络图。C：靶点之间的相互作用网络。D：使用CytoHubba确定的10个核心基因。

3.3 GO和KEGG富集分析

进行GO功能注释和KEGG途径富集分析，以研究S.glabra在PC治疗中的作用机制。根据P.adj ＜ 0.05，共鉴定出717个BP，25个CC，58个MFs和77个KEGG途径。结果在气泡图上可视化（图3A）。根据GO分析，S.glabra的靶基因与BP相关，例如对氧水平的反应、激酶活性、血管生成的调节、活性氧反应和γ辐射的反应。靶基因位于细胞质、细胞核、质膜和其他CC中。此外，靶基因参与MFs，例如核因子结合、泛素样蛋白连接酶结合、转录因子活性和丝氨酸水解酶活性（图3B）。此外，KEGG分析表明，靶基因与癌症中的转录失调，癌症中的蛋白聚糖、糖尿病心肌病、胰腺癌、细胞周期、IL-17信号通路、p53信号通路、EB病毒感染、细胞衰老、麻疹、丙型肝炎、EGFR酪氨酸激酶抑制剂耐药性、甲型流感、脂质和动脉粥样硬化、膀胱癌和酒精性肝病有关（图3C）。

图3 S.glabra靶标富集分析的结果。A：GO富集分析。B:KEGG富集分析。C：成分-目标-途径相互作用网络构建。

3.4 生存和突变分析

绘制KM曲线以评估中枢靶基因与PC患者生存率之间的关系。结果显示STAT1、ERBB2、GSK3B、PPARG、CCND1和CASP3表达差异患者的生存率存在显著差异（P ＜ 0.05），表明这些基因可能参与PC患者的生存（图4）。计算AUC值以验证这些基因在PC中的预后值（图5）。此外，这些基因的表达水平在TCGA的正常组和PC组之间表现出显着差异（图6A）。这些基因的相关性分析显示正相关（图6B）。遗传图谱显示了与六个基因相关的拷贝数变异（CNV）基因的染色体位置（图6C）。值得注意的是，ERBB2表现出高扩增，而CASP3表现出更高的缺失频率（图6D）。此外，我们评估了中枢基因之间的SNP改变，并观察到突变频率为1.73%。STAT1、ERBB2和GSK3B比PPARG、CCND1和CASP3具有更高的SNP改变（图6E）。24种类型的免疫细胞与存活相关基因之间的相关性如图6F所示，突出了它们的显着相关性，特别是与STAT1的显著相关。

图4：低表达或高表达水平下药物靶点的K-M生存分析。A：STAT1；B：ERBB2；C：GSK3B；D：PPARG；E：CCND1；F：CASP3。

图5组件目标基因对1年、3年、5年生存率的ROC曲线。A：STAT1；B：ERBB2；C：GSK3B；D：PPARG；E：CCND1；F：CASP3。

图6 S.glabra的靶基因在PC中的表达。A：TCGA前列腺腺癌样本中正常组织与肿瘤组织的表达对比。B：基因间的Spearman相关性分析，蓝色表示负调控，红色表示正调控。C：S.glabra的靶基因在染色体上的分布情况。D：PC标本中靶基因的拷贝数变异值。E：173个PC标本中6个靶基因的突变频率。F：免疫浸润与靶基因之间的相关性。*P ＜ 0.05

3.5 核心基因与活性成分的分子对接

基于微阵列数据和存活分析，在生存相关的STAT1，ERBB2，GSK3B，PPARG，CCND1和CASP3与小分子活性成分槲皮素，脱水淫羊藿素和β-谷甾醇之间进行分子对接。通常，低于-4.25，-5.0或-7.0 kcal/mol（1 kcal=4.2 kJ）的结合能分别表示受体和配体之间的一些，良好或强的结合活性。较低的结合能表明受体-配体相互作用具有较高的亲和力和稳定性。上述三种活性成分表现出氢键，Pi-Pi堆积和范德华与受体蛋白的相互作用。如图7所示，脱水淫羊藿素能够稳定地与GSK3B蛋白结合，结合亲和力为-8.653 kJ/mol，通过与ASN A：95和ARG A：96的侧链形成氢键，并与PHE A：67进行π-π堆积。同样，β-谷甾醇能够稳定地与CASP3蛋白结合，结合亲和力为-7.737 kJ/mol，通过与PHE A：256、TRP A：206、TRY A：204、CYS A：163和HIS A：121的侧链形成氢键，促进π-π堆积（图7B)。槲皮素能够稳定地与PPARG蛋白结合，结合亲和力为-8.742 kJ/mol，通过与SER A：342和GLU A：259的侧链形成氢键，与ILE A：341和ARG A：288进行π-烷基相互作用，以及与PHE A：264进行π-π堆积（图7C)。槲皮素能够稳定地与CCND1蛋白结合，结合亲和力为-7.189 kJ/mol，通过与PHE A：78、CYS A：73和GLU A：74的侧链形成氢键，与CYS A：68和ALA A：187的侧链进行π-烷基相互作用。此外，它还与GLU A：69的侧链进行π-烷基相互作用，形成π-阴离子（图7D)。槲皮素能够稳定地与STAT1蛋白结合，结合亲和力为-7.57 kJ/mol，通过与ASP A：365和VAL A：362的侧链形成氢键，并与ILE A：382和LYS A：379的侧链产生π-烷基相互作用。此外，槲皮素还与HIS A：386的侧链形成π-π堆积（图8A)。槲皮素能够稳定地与ERBB2蛋白结合，结合亲和力为-7.758 kJ/mol。它与HIS B：267、ARG A：258、GLN A：281、HIS A：248、THR B：273和TRY B：274相互作用，与PRO B：269、ARG A：258和ALA B：270的侧链形成氢键。此外，槲皮素还与HIS A：248的侧链产生π-烷基和π-π堆积相互作用，并与ARG A：258的侧链产生π-阳离子相互作用（图8B)。槲皮素能够稳定地与CASP3蛋白结合，结合亲和力为-6.659 kJ/mol，通过与PHE A：275、ASP A：228、LEU A：223和LYS A：224的侧链形成氢键，并与ALA A：227的侧链产生π-烷基相互作用，形成π-阴离子（图8C)。这些结果提示，核心基因是S.glabra治疗PC的有希望的靶点，未来的研究应着重于确定S.glabra活性成分在核心基因中的结合位点。

图7展示了S.glabra组分与目标蛋白之间的相互作用。左侧以三维形式展示这些相互作用，右侧则以二维形式呈现。A：GSK3B与脱水淫羊藿素；B：CASP3与β-谷甾醇；C：PPARG与槲皮素；D：CCND1与槲皮素。

图8展示了槲皮素与目标蛋白的相互作用。左侧以三维形式展示这些相互作用，右侧则以二维形式呈现相同内容。A：STAT1/槲皮素；B：ERBB2/槲皮素；C：CASP3/槲皮素。

3.6 分子动力学模拟

为了研究PPARG、GSK3B及其对接复合物的可及性，使用Gromacs软件进行了100纳秒的分子动力学模拟。通过该模拟，我们观察到了小分子在模拟过程中构象位置的变化情况。在这项研究中，所有分析的复合物都表现出内在稳定性（见图9和图10)。研究中使用了RMSD这一动力学指标，从热力学角度分析了蛋白质-配体结合的稳定性。结果显示，所有复合物的RMSD值在0至100纳秒内逐渐增加，波动较小。GSK3B与脱水淫羊藿素的相互作用在前50纳秒内RMSD值较高，随后趋于稳定（见图9A)。同样，PPARG与槲皮素的相互作用在最初的15纳秒内RMSD值较高，之后也趋于稳定（见图10A)。RMSD值始终保持在一个较小的波动范围内，表明蛋白质-小分子结合相对稳定。MM/GBSA方法用于计算结合自由能及多种其他能量，特别是范德华（VDWAALS）相互作用、静电势能（EEL）和溶剂化自由能（ΔGsolv）。如表3所示，脱水淫羊藿素表现出更强的EEL和VDWAALS相互作用。特别是，VDWAALS相互作用占主导地位，促进了脱水淫羊藿素与GSK3B的结合。此外，槲皮素表现出更强的VDWAALS相互作用和ΔGgas，支持其与PPARG的结合。计算结果显示，GSK3B与脱水淫羊藿素以及PPARG与槲皮素复合物的结合自由能较低，表明小分子与蛋白质之间成功结合。在GSK3B-脱水淫羊藿素复合物中，Phe67和Arg96的EMM值最高（图9B)。在PPARG槲皮素复合物中，铰链区的His266和Ile341的EMM值最高（图10B)。

为了分析GSK3B-脱水淫羊藿素复合物和PPARG-槲皮素复合物中活性口袋位点关键残基的波动性和稳定性，计算了这些复合物中主链原子的RMSF值。结果显示，两种复合物的RMSF值均小于0.5 nm，其中GSK3B-脱水淫羊藿素复合物的RMSF值更小。总体而言，RMSD值保持在一个狭窄的范围内，表明蛋白质与小分子之间具有较强的结合稳定性（图9C和10C)。

在分子动力学模拟中，回转半径（Rg）是一个关键参数。本研究分析了蛋白质-小分子复合物的Rg曲线。GSK3B-脱水淫羊藿素复合物在20至100 ns内稳定，波动范围在2.92至2.98之间，没有显著变化（图9D)。同样，PPARG-槲皮素复合物在40至100 ns内达到平衡，波动范围在1.93至1.96之间，变化很小（图10D)。这些结果表明，小分子与蛋白质之间具有较高的结合亲和力。

自由能景观（FELs）是生物分子相互作用的图形表示，其中能量陷阱表现为分子结合时形成的谷。GSK3B-脱水淫羊藿素和PPARG-槲皮素复合物均表现出单一的能量陷阱。在最低能量陷阱中，这两种复合物的构象都处于紧密结合状态（图9E和10E)。此外，FEL显示这两种复合物具有更稳定的结合，表明来自S.glabra的脱水淫羊藿素和槲皮素可能是治疗胰腺癌的有潜力药物。

分子动力学模拟显示，溶剂可及表面积（SASA）与蛋白质稳定性之间存在相关性。GSK3B-脱水淫羊藿素复合物的SASA在约20 ns时达到稳定状态，平衡值约为333 nm2（图9F)。同样，PPARG-槲皮素复合物的SASA在约40 ns时达到稳定状态，平衡值约为144 nm2（图10F)。这些发现表明，小分子与蛋白质之间的相互作用有助于蛋白质结构的稳定性。

氢键对蛋白质结构的稳定性有显著影响。GSK3B-脱水淫羊藿素和PPARG槲皮素复合物的氢键图（图9G和10G)显示，蛋白质与小分子之间形成了大量氢键，主要涉及蛋白质的关键残基和小分子的重要基团。这些发现强调了氢键在促进小分子与蛋白质相互作用中的关键作用。

图9 GSK3B/脱水淫羊藿素的分子动力学模拟分析结果。A：模拟100 ns过程中小分子和蛋白质的均方根偏差（RMSD）。B：模拟100 ns过程中小分子和蛋白质热残基的能量贡献。C：模拟100 ns过程中小分子和蛋白质的均方根波动（RMSF）。D：模拟100 ns过程中蛋白质主链原子的回转半径（Rg）。E：GSK3B/脱水淫羊藿素的吉布斯能景观。F：GSK3B/脱水淫羊藿素的溶剂可及表面积（SASA）。G：GSK3B/脱水淫羊藿素的氢键数量。

图10 PPARG/槲皮素的分子动力学模拟分析结果。A：模拟100 ns过程中小分子和蛋白质的均方根偏差（RMSD）。B：模拟100 ns过程中小分子和蛋白质热残基的能量贡献。C：模拟100 ns过程中小分子和蛋白质的均方根波动（RMSF）。D：模拟100 ns期间蛋白质主链原子的回转半径（Rg）。E：PPARG/槲皮素的吉布斯能景观。F：PPARG/槲皮素的溶剂可及表面积（SASA）。G：PPARG/槲皮素的氢键数量。

3.7 S.glabra体外抗胰腺癌作用的验证

为了验证S.glabra对PC细胞增殖的抑制效果，进行了体外实验。实验中，在不同浓度的S. glabra提取物作用下，评估了PANC-1细胞在48 h后的存活率。如图11A所示，S. glabra提取物以剂量依赖的方式显著抑制了PANC-1细胞的生长，半抑制浓度值为42.49μg/mL，显示出显著的抗肿瘤效果。此外，还通过qRT-PCR技术进行了进一步的评估。在用S. glabra提取物（浓度为30μg/mL）处理24 h后，PANC-1细胞中两个核心靶基因的表达情况。如图11B所示，S. glabra提取物显著降低了PPARG和GSK3B的表达水平，这表明该提取物通过协同下调这两个基因，有效抑制了前列腺癌细胞的生长。

图11实验验证S.glabra对胰腺癌的体外抑制作用。A：在用不同浓度的S. glabra提取物处理48 h后，测量了细胞活力（n=3）。B：通过qRT-PCR技术检测了PANC-1细胞经30μg/mL S. glabra提取物处理24 h后的GSK3B和PPARG mRNA水平（n=3）。

小结

胰腺癌是一种常见的消化系统恶性肿瘤，由于药物抗性问题，治疗难度大，生存率低。与以往的中药研究不同，该研究采用计算机辅助药物设计方法，对S.glabra的活性成分和靶基因进行了高通量筛选，以寻找治疗胰腺癌的有效成分。通过中药数据库和文献检索，确定了潜在的治疗成分。此外，结合网络药理学和生物信息学分析，揭示了S. glabra在治疗胰腺癌中的作用机制。研究结果通过微阵列数据、生存分析、分子对接、分子动力学模拟和体外实验得到了验证。研究发现，β-谷甾醇、槲皮素和脱水淫羊藿素等是潜在的治疗化合物，其作用目标与胰腺癌患者的生存相关。STAT1、ERBB2、GSK3B、PPARG、CCND1和CASP3被确定为影响胰腺癌患者生存的潜在治疗靶点。总之，该研究强调了S.glabra对胰腺癌具有多靶点和多途径的治疗效果。

参考文献：

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.

译者介绍

刘星，北京友谊医院药剂科，中药分析学专业博士，主管药师，临床药师，执业药师（中药学、药学）。主要研究方向：中药抗肿瘤药理机制研究。发表论文9篇，其中SCI 6篇。

审稿专家

崔向丽，北京友谊医院药剂科副主任，博士，主任药师（执业医师），硕士生导师。

研究方向：肝肾移植药学、药物警戒、药物经济学。1作或通讯发表论文180余篇，SCI 30篇。

添加药学瞭望管理员

进入学术交流群

《药学瞭望》征稿邀请

01.投稿内容

征稿内容不限于：研究进展、团队科研成果、临床用药经验分享、典型病例解读、疾病诊治经验、人文故事等

02.联系人

投稿 | 学术报道 | 合作

投稿联系人：刘老师 15201320201（微信同号）

投稿邮箱：contact@siri.ntesmail.com

（来源：药学瞭望）