基于人工智能和组学数据驱动的中药潜在机制新型分析预测方法

doi:10.12307/2025.968

中国组织工程研究 ›› 2025, Vol. 29 ›› Issue (35): 7552-7561.doi: 10.12307/2025.968

• 组织构建实验造模 experimental modeling in tissue construction • 上一篇下一篇

基于人工智能和组学数据驱动的中药潜在机制新型分析预测方法

江启煜1，曾慧妍2

1广州中医药大学，广东省广州市 510006；2广东省中医院，广东省广州市 510120

收稿日期:2024-11-15 接受日期:2024-12-23 出版日期:2025-12-18 发布日期:2025-05-06
通讯作者: 曾慧妍，博士，主任医师，广东省中医院，广东省广州市 510120
作者简介:江启煜，男，1984年生，广东省广州市人，汉族，硕士，讲师，主要从事中医药人工智能的研究。
基金资助:
国家自然科学基金项目(82374233)，项目负责人：曾慧妍；广东省自然科学基金(2414050003181)，项目负责人：曾慧妍

A novel analysis and prediction method for potential mechanisms of traditional Chinese medicine based on artificial intelligence and omics data-driven approach

Jiang Qiyu1, Zeng Huiyan2

1Guangzhou University of Chinese Medicine, Guangzhou 510006, Guangdong Province, China; 2Guangdong Provincial Hospital of Traditional Chinese Medicine, Guangzhou 510120, Guangdong Province, China

Received:2024-11-15 Accepted:2024-12-23 Online:2025-12-18 Published:2025-05-06
Contact: Zeng Huiyan, MD, Chief physician, Guangdong Provincial Hospital of Traditional Chinese Medicine, Guangzhou 510120, Guangdong Province, China
About author:Jiang Qiyu, Master, Lecturer, Guangzhou University of Chinese Medicine, Guangzhou 510006, Guangdong Province, China
Supported by:
National Natural Science Foundation of China, No. 82374233 (to ZHY); Natural Science Foundation of Guangdong Province, No. 2414050003181 (to ZHY)

摘要/Abstract

摘要：

文题释义：
空间转录组(Spatial Transcriptomics)：是一种结合了组织切片技术、单细胞测序技术和传统转录组学的高新技术。它能够在保持组织空间结构的同时，分析基因在特定空间位置的表达情况，从而提供高分辨率的基因表达信息。空间转录组技术旨在分析基因在组织特定空间位置的表达量。
深度自编码神经网络(Deep Autoencoders)：是一种特殊的神经网络架构，属于无监督学习的一种，其核心目标是通过对输入数据进行压缩和重建，学习输入数据的本质特征。深度自编码器通常由多层编码器和解码器组成。

背景：中药对疾病的治疗是一个复杂的多靶点调控过程。如何利用人工智能、单细胞转录组、空间转录组以及生物信息学等多个领域的技术相结合，探索中药的多靶点整合效应具有重要意义。
目的：基于人工智能和组学数据驱动提出一种有别于网络药理学的中药潜在机制新型分析预测方法，并以探索大柴胡汤治疗高脂血症及动脉粥样硬化的潜在机制为例。
方法：①通过TCMSP数据库收集大柴胡汤组成药物的药效蛋白靶点，在Genecards、NCBI、TTD等数据库获取高脂血症的疾病靶点。②从GEO数据库获取高脂血症单细胞转录组[第一组为野生型(WT)、Apoe基因敲除、Ldlr基因敲除小鼠的主动脉瓣单细胞数据样本；第二组为Ldlr基因敲除小鼠高胆固醇喂食与正常喂食的单细胞数据样本]及人冠脉粥样硬化组织切片空间转录组样本。构建深度计数自编码网络，将转录组测序数据进行编码，并利用单细胞转录组及空间转录组技术将整合编码值(MTIS)映射到单细胞水平及空间组织水平上，进行样本对比统计分析，并进行主要效应细胞与效应基因的识别。
结果与结论：①大柴胡汤对WT型与Apoe基因敲除型小鼠之间、WT型与Ldlr基因敲除型小鼠之间的MTIS均存在数据形态以及统计学上的差异(P < 0.000 1)；②大柴胡汤对Apoe基因敲除型小鼠的潜在效应细胞是主动脉瓣间质细胞，而对Ldlr基因敲除型小鼠的潜在效应细胞是白细胞、纤维细胞、血管内皮细胞；潜在效应基因是Vcam1、Fn1、Mmp2；③大柴胡汤对Ldlr敲低型小鼠高胆固醇喂食样本与正常喂食样本的MTIS存在数据形态以及统计学上的差异(P < 0.000 1)，潜在效应细胞是巨噬细胞；潜在效应基因是Fn1、F7、Ptgs1、IL6、App；④人类冠脉切片的空间转录组MTIS对比表明，MTIS高值细胞似乎在血管以及硬化斑块区域都有分布，而MTIS低值细胞似乎主要集中于血管内皮以及硬化斑块区域等病变区域。结论：该新型分析方法实现了单细胞水平以及器官空间组织水平上中药多靶点整合潜在效应的量化分析，探索了大柴胡汤治疗高脂血症及动脉粥样硬化的潜在机制。
https://orcid.org/0009-0002-4358-0212(江启煜)

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

关键词: 人工智能, 单细胞转录组, 空间转录组, 生物信息学, 网络药理学, 多靶点, 中药, 基因敲除, 组学, 药理

Abstract: BACKGROUND: The treatment of diseases with traditional Chinese medicine is a complex multi-target regulatory process. It is of great significance to explore the multi-target integration effect of traditional Chinese medicine by combining technologies from multiple fields such as artificial intelligence, single-cell transcriptomics, spatial transcriptomics, and bioinformatics.
OBJECTIVE: To propose a novel analytical prediction method for potential mechanisms of traditional Chinese medicines, which is different from network pharmacology, based on artificial intelligence and omics data driven, with an example of exploring the potential mechanisms of Dachaihu Decoction for treating hyperlipidemia and atherosclerosis.
METHODS: (1) The pharmacodynamic protein targets of the constituent drugs of Dachaihu Decoction were collected through TCMSP database, and the disease targets of hyperlipidemia were obtained in Genecards, NCBI, and TTD. (2) The single-cell transcriptome samples of hyperlipidemia (the first set of single-cell data samples from aortic valves of wild-type, Apoe knockout, and Ldlr knockout mice; the second set of single-cell data samples from Ldlr knockout mice fed with high cholesterol versus normal feeding) and spatial transcriptome samples from human coronary atherosclerosis tissue sections were obtained from the GEO database. A deep neural network autoencoder model was developed to encode the transcriptome sequencing data, and the integrated coded values (MTIS) were mapped to the single-cell level and spatial organization level using single-cell transcriptome and spatial transcriptome technologies for comparative statistical analyses of the samples and identification of the main effector cells and effector genes.
RESULTS AND CONCLUSION: (1) There were significant differences in the data morphology and statistics of MTIS between wildtype and Apoe-knockout mice treated with Dachaihu Decoction (P < 0.000 1), as well as between wildtype and Ldlr-knockout mice treated with Dachaihu Decoction (P < 0.000 1). (2) The main effector cells of Dachaihu Decoction in Apoe-knockout mice were aortic valve stromal cells, while the main effector cells in Ldlr-knockout mice were white blood cells, fibroblasts, and vascular endothelial cells. Except for Ldlr and Apoe, the main effector genes are Vcam1, Fn1, and Mmp2. (3) There were statistically significant differences (P < 0.000 1) in MTIS between high cholesterol fed samples and normal fed samples of Ldlr-knockout mice treated with Dachaihu Decoction. The main effector cells were macrophages, and the main effector genes were Fn1, F7, Ptgs1, IL6 and App. (4) The spatial transcriptome comparisons of MTIS in human coronary artery slices showed that high MTIS value cells appeared to be distributed in both blood vessels and atherosclerotic plaque areas, while low MTIS value cells appeared to be mainly concentrated in the endothelial cells and atherosclerotic plaque areas. To conclude, this new analytical method achieves quantitative analysis of the multi-target integration effects of traditional Chinese medicine at the single-cell level and organ spatial tissue level, which is used to explore the potential mechanism of Dachaihu Decoction in treating hyperlipidemia and atherosclerosis.

Key words: artificial intelligence, single cell transcriptome, spatial transcriptome, bioinformatics, network pharmacology, multi-target, traditional Chinese medicine, knockout, omics, pharmacology

中图分类号:

江启煜, 曾慧妍. 基于人工智能和组学数据驱动的中药潜在机制新型分析预测方法[J]. 中国组织工程研究, 2025, 29(35): 7552-7561.

Jiang Qiyu, Zeng Huiyan. A novel analysis and prediction method for potential mechanisms of traditional Chinese medicine based on artificial intelligence and omics data-driven approach[J]. Chinese Journal of Tissue Engineering Research, 2025, 29(35): 7552-7561.

图/表（结果） 8

2.1 第一组单细胞转录组数据分析结果
2.1.1 药-疾靶点集KEGG富集分析研究获取的药-疾靶点集包括LDLR，APOB，CCL2，MMP3，VEGFA，IL6，VCAM1，PTGS1，VEGFA等40余个基因。图1A所示，对药-疾靶点集进行KEGG富集处理，获取其中P < 0.01的前5位通路，具体包括AGE-RAGE通路、Fluid shear stress and atherosclerosis通路、HIF-1通路、Lipids and atherosclerosis通路以及Non?alcoholic fatty liver disease通路。除了HIF-1通路外，AGE-RAGE通路与糖尿病糖脂代谢有关，其余3条通路均与高血脂、动脉粥样硬化以及脂肪肝有关，这说明收集的药-疾靶点集是大柴胡汤治疗高脂血症以及动脉粥样硬化的代表性靶点，这些靶点的整合效应能够反映大柴胡汤的治疗作用。
2.1.2 MTIS比较分析基于正常组(WT型)与异常组(基因敲除)之间的MTIS差异推测大柴胡汤对高脂血症的潜在机制推理过程如下：由于实验和临床已经证明大柴胡汤对高脂血症有作用是事实，而MTIS是药物和疾病多个共同靶点的整合映射值，MTIS差异的本质是药物与疾病共性靶点在正常组和疾病组中的表达水平差异，因此MTIS的变化在一定程度上反映了药物对疾病的潜在机制。如果在3组小鼠MTIS的均值对比中，正常组的MTIS值比其余两组的MTIS值要低，那么可以推测，高MTIS值为异常值，大柴胡汤此时的作用应该在于降低MTIS值，因此大柴胡汤的作用可能以MTIS负性效应为主，也就是说，大柴胡汤的潜在机制在此时应该是激活MTIS负相关的靶基因，或者抑制MTIS正相关的靶基因，当然也不能排除同时存在一些相反的作用，但应该不是大柴胡汤此时的主要效应。反之，如果在3组MTIS的均值对比中，正常组的MTIS值比其余两组的MTIS值要高，那么可以推测，低MTIS值为异常值，此时大柴胡汤的作用可能以MTIS正性效应为主，大柴胡汤的潜在机制在此时应该是激活MTIS正相关的靶基因，或者抑制MTIS负相关的靶基因。
将第一组3个样本单细胞转录组数据与药-疾靶点集的基因交集表达数据分别输入deep count autoencoder network后为每个细胞生成MTIS并进行统计学检验，结果如图1B所示，WT型与Apoe_knock型之间的MTIS值存在数据形态以及统计学上的差异(P < 0.000 1)，WT型与Ldlr_knock型之间的MTIS值亦存在数据形态以及统计学上的差异(P < 0.000 1)。
在图1B中，WT型的MTIS正负数据基本平衡，这说明WT型的不同细胞中对药-疾靶点集的表达量各有差异，而且比较平均，这可能提示大柴胡汤对WT型的正常小鼠没有明显的效应。而相对于WT型而言，Ldlr_knock型和Apoe_knock型的数据形态与WT型明显不同，Ldlr_knock型和Apoe_knock型的MTIS均值均比WT组小，这表明大柴胡汤对Ldlr_knock型和Apoe_knock型小鼠的作用以MTIS正性效应为主，大柴胡汤对Ldlr_knock型和Apoe_knock型的潜在机制在此时应该是激活MTIS正相关的靶基因，或者抑制MTIS负相关的靶基因。
2.1.3 潜在效应基因图1C展示了与3种类型小鼠MTIS之间的主要相关基因，相对于WT型，Apoe_knock型中MTIS负相关系数增加的基因是Vcam1，而Ldlr_knock型中MTIS负相关系数显著增加的是Fn1。Ldlr_knock型和Apoe_knock型两组中MTIS负相关系数均有明显增加的是Mmp2。与WT型对比，其余两组似乎没有MTIS正相关系数明显增加的基因。因此，大柴胡汤对于Ldlr_knock型和Apoe_knock型的潜在效应基因可能是Vcam1，Fn1，Mmp2，并且可能以抑制效应(对上述基因负调控作用)为主。
2.1.4 聚类簇差异基因表达使用FindClusters算法聚类后通过VlnPloth函数观察基因Vcam1、Fn1、Mmp2、Mmp3在各聚类簇上的表达情况。根据图2A-D上4个基因在不同聚类簇上表达进一步表明，Vcam1和Mmp2在簇4中均有比较明显的表达，也就是说Vcam1和Mmp2可能存在直接或间接的协同调控作用。而3个基因至少其中2个在第1，3，4，6，7簇都有交集，图2E展示了图2A-D交集簇的差异表达基因，例如Flt4基因为血管内皮生长因子调控基因，参与动脉粥样硬化。
2.1.5 潜在效应细胞经过UMAP算法降维处理后，第一组单细胞转录组数据在二维平面上的聚类分布如图3所示，图3A为主要细胞类型的分布，包括白细胞、平滑肌细胞、血管内皮细胞以及主动脉瓣间质细胞。图3B-D为3种类型小鼠的MTIS密度分布，可知3种类型的MTIS分布是明显不同的。与WT型小鼠的MTIS密度分布对比，Apoe_knock型小鼠的暗色区域与图3A中主动脉瓣间质细胞的区域重合，而在WT型小鼠中该区域是光亮的，表明Apoe_knock型小鼠在主动脉瓣间质细胞区域暗淡了。由于大柴胡汤对Apoe_knock型小鼠和WT型小鼠的MTIS在主动脉瓣间质细胞存在差异，而MTIS差异的本质是药物与疾病共性靶点在正常组和疾病组中的表达水平差异，因此大柴胡汤对Apoe_knock型小鼠的潜在效应细胞可能是主动脉瓣间质细胞。同理，Ldlr_knock型小鼠的暗色区域与白细胞、平滑肌细胞、血管内皮细胞的区域重合，说明大柴胡汤对Ldlr_knock型小鼠的潜在效应可能主要作用于这3种细胞。
2.2 第二组单细胞转录组数据分析结果
2.2.1 MTIS比较分析见图4。High_Cholesterol组的靶基因原始表达明显高于Normal组，这说明MTIS对数据形态的映射是正确的。将第二组两个样本单细胞转录组数据与药-疾靶点集的基因交集表达数据分别输入deep count autoencoder network后为每个细胞生成MTIS并进行统计学检验，结果如图4所示，Ldlr基因敲除小鼠高胆固醇喂食(High_Cholesterol)与正常喂食(Normal)的MTIS存在差异，其数据形态明显不同，High_Cholesterol组的MTIS均值高于Normal组(P < 0.000 1)。
2.2.2 潜在效应基因根据上述基于正常组与异常组之间的MTIS差异推测大柴胡汤对高脂血症的潜在机制的推理方法，可知相对于Normal型小鼠而言，大柴胡汤对High_Cholesterol型小鼠的作用以MTIS负性效应为主，在此时潜在机制是抑制MTIS正相关的靶基因，或者激活MTIS负相关的靶基因。在图5中，两组靶点与MTIS之间的Pearson相关分析对比表明，相对于Normal型小鼠，在High_Cholesterol型小鼠中，Fn1、F7、Ptgs1、IL6，App与MTIS正相关系数显著增加，但High_Cholesterol型似乎没有负相关系数明显增加的基因。因此可以推测，大柴胡汤对于High_Cholesterol型的潜在效应基因可能是Fn1、F7、Ptgs1、IL6，App，并且可能以抑制效应(对上述基因负调控作用)为主。它们与细胞黏附，凝血以及炎症过程有关。
2.2.3 潜在效应细胞两组的MTIS在各种细胞类型的累积值对比，可见High_Cholesterol型的MTIS正性累积值占主导地位的是巨噬细胞，而MTIS差异的本质是药物与疾病共性靶点在正常组和疾病组中的表达水平差异，这表明大柴胡汤对High_Cholesterol型小鼠的潜在效应可能主要集中于巨噬细胞，可能涉及免疫反应过程。
在经过UMAP算法降维处理后，第二组单细胞转录组数据在二维平面上的聚类分布如图6所示。相对于Normal型小鼠MTIS的分布(图6B)，High_Cholesterol型小鼠MTIS高值区域(图6C)与图6A的巨噬细胞区域重合，印证了巨噬细胞可能是大柴胡汤对High_Cholesterol型小鼠的效应细胞。从图6D-F观察可得知，Fn1、F7、Ptgs1三个基因的共性密度亮区亦出现在巨噬细胞的部分区域中，再次佐证了上述推测。因此，大柴胡汤对Ldlr基因敲除小鼠高胆固醇喂食的潜在效应可能与血管内皮损伤以及免疫介导有关。
经过上述分析可知，大柴胡汤治疗高脂血症的关键效应基因包括Fn1、Vcam1、Mmp2、IL6、Ptgs1，App等。大柴胡汤的潜在效应基因表明其机制可能主要以抗血管内皮细胞黏附，血管内皮炎症以及免疫反应调控为主。
2.3 空间转录组数据分析将空间转录组细胞测序数据与药-疾靶点集的基因交集表达数据输入deep count autoencoder network后为每个细胞生成MTIS。
2.3.1 MTIS分布冠脉组织的空间转录组MTIS对比如图7所示，MTIS高值细胞似乎在血管以及硬化斑块区域都有分布，但在血管区域的密度稍高，而MTIS低值细胞似乎主要集中于血管内皮以及硬化斑块区域等病变区域。这说明大柴胡汤对人类冠脉粥样硬化的潜在作用可能以调控MTIS低值细胞的靶基因为主。由于病变血管的斑块主要由吞噬了低密度脂蛋白的泡沫细胞侵袭到血管内皮并进一步导致内膜纤维组织增生及变性坏死而形成，因此可以推测MTIS低值细胞中的靶基因可能与泡沫细胞聚集到血管内皮，血管内膜纤维增生，纤维斑块变性坏死等病理过程有关，大柴胡汤通过调控这些病理过程，或许可减轻动脉粥样硬化的进程。
2.3.2 聚类簇的空间分布使用FindClusters算法确定细胞聚类簇后，进一步探索了主要的细胞聚类簇在冠脉切片上的空间分布情况，如图7所示。图7D-F展示了细胞聚类簇第0，2，3簇的细胞在冠脉切片上的空间分布情况，可见第2簇和第3簇主要集中在硬化斑块区域。这些聚类簇的前5位Marker基因(差异基因)如表1所示，第2簇和第3簇的Marker基因为APOE.2、CD74.2、FTL.2、C1QB.1、CTSD.1、HBA1.1、HBA2.1、AZIN2、TRIT1、WARS2、FAM20B。由于实验已证实大柴胡汤对动脉粥样硬化存在一定的作用，且上述表明MTIS低值细胞似乎主要集中于血管内皮以及硬化斑块区域等病变区域，而这些Marker基因也主要集中于硬化斑块区域，因此这些Marker基因与大柴胡汤部分靶点可能存在一定的联系，但具体存在何种相互作用值得进一步探索。

参考文献

[1] 王志杰,樊薛津,王豫骞,等.机器学习方法在中医药研究中的应用进展[J].药物评价研究,2024,47(8):1906-1913.
[2] 邓乐,丁长松,黄辛迪,等.基于多层前馈神经网络的中药药性量化研究[J].中草药,2020,51(16):4277-4283.
[3] 姜皓,张冰,张晓朦,等.基于4种机器学习算法的妊娠期中药“禁忌慎”判别[J].中草药,2021,52(24):7596-7605.
[4] CHEN C, LI SX, WANG SM, et al. A support vector machine based pharmacodynamic prediction model for searching active fraction and ingredients of herbal medicine: Naodesheng prescription as an example. J Pharm Biomed Anal. 2011;56(2):443-447.
[5] 王宁.基于异质网络的中药靶点预测及应用研究[D].北京:北京交通大学, 2022.
[6] ZHANG P, ZHANG D, ZHOU W, et al. Network pharmacology: towards the artificial intelligence-based precision traditional Chinese medicine. Brief Bioinform. 2023; 25(1):bbad518.
[7] 杨鹏挥,金丽君,廖杰,等.基于单细胞组学的中药现代研究：技术及思路[J].中国中药杂志,2022,47(15):3977-3985.
[8] 陈嘉鋆,郭秋岩,徐承超,等.中药现代化研究的崭新模式:单细胞药理学[J].药学学报,2021,56(12):3300-3312.
[9] RU J, LI P, WANG J, et al. TCMSP: a database of systems pharmacology for drug discovery from herbal medicines. J Cheminform. 2014;6:13.
[10] STELZER G, ROSEN N, PLASCHKES I, et al. The GeneCards Suite: From Gene Data Mining to Disease Genome Sequence Analyses. Curr Protoc Bioinformatics. 2016;54:1.30.1-1.30.33.
[11] GEER LY, MARCHLER-BAUER A, GEER RC, et al. The NCBI BioSystems database.Nucleic Acids Res. 2010;38(Database issue):D492-496.
[12] ZHOU Y, ZHANG Y, ZHAO D, et al. TTD:Therapeutic Target Database describing target druggability information. Nucleic Acids Res. 2024;52(D1):D1465-D1477.
[13] 梁天坚,李黎明,李本杰,等.基于网络药理学分析大柴胡汤治疗高脂血症的作用机制[J].中成药,2021,43(6):1645-1652.
[14] LEE SH, KIM N, KIM M, et al. Single-cell transcriptomics reveal cellular diversity of aortic valve and the immunomodulation by PPARγ during hyperlipidemia.Nat Commun. 2022;13(1):5461.
[15] VAN KUIJK K, MCCRACKEN IR, TILLIE RJHA, et al. Human and murine fibroblast single-cell transcriptomics reveals fibroblast clusters are differentially affected by ageing and serum cholesterol. Cardiovasc Res. 2023;119(7):1509-1523.
[16] KAWAI K, SAKAMOTO A, MOKRY M, et al. Clonal Proliferation Within Smooth Muscle Cells in Unstable Human Atherosclerotic Lesions. Arterioscler Thromb Vasc Biol. 2023;43(12):2333-2347.
[17] ERASLAN G, SIMON LM, MIRCEA M, et al. Single-cell RNA-seq denoising using a deep count autoencoder. Nat Commun. 2019;10(1):390.
[18] BAHL E, CHATTERJEE S, MUKHERJEE U, et al. Using deep learning to quantify neuronal activation from single-cell and spatial transcriptomic data. Nat Commun. 2024;15(1):779.
[19] 刘恺.大柴胡汤治疗高脂血症的临床研究[J].内蒙古中医药,2023,42(8):82-84.
[20] 宋伟.大柴胡汤治疗高脂血症50例[J].实用中医药杂志,2022,38(5):735-736.
[21] 杨荣来,王凤荣,史海蛟,等.以“痰瘀毒”立论探讨大柴胡汤防治动脉粥样硬化的炎症反应[J].辽宁中医药大学学报,2020,22(8):94-96.
[22] 郑娴,王凤荣.大柴胡汤对动脉粥样硬化家兔血脂及炎性因子表达的影响[J].中医杂志,2013,54(19):1681-1685.
[23] 温尔刚,高杰,丁怡铭,等.巨噬细胞MED1缺失促进雌性ApoE和LDLR敲除小鼠动脉粥样硬化发展[J].西安交通大学学报(医学版),2023,44(1):89-94.
[24] 曹盼夏,彭紫凝,刘珊珊,等.腺苷酸活化蛋白激酶介导巨噬细胞脂肪酸氧化：中药防治动脉粥样硬化的途径[J].中国组织工程研究,2025,29(18):3906-3914.
[25] 郭泽浩.家族性高甘油三酯血症外泌体lncRNA表达特点及调控通路探究[D].北京:北京协和医学院,2020.
[26] 阚昊.高脂肪饮食对小鼠主动脉细胞组成和功能的影响及机制研究[D].无锡:江南大学,2023.
[27] 杨珺,殷鹏,郑中华.水苏碱激活自噬改善高脂喂养小鼠动脉粥样硬化的作用机制[J].中国组织工程研究,2025,29(24):5140-5147.
[28] 杨牧祥,马全庆,田元祥,等.脂调康胶囊对高脂血症大鼠血清IL-6的影响[J].中国中医基础医学杂志,2003,9(9):12-13.
[29] 黄汝哨.血清MMP-2及基因多态性对颈动脉斑块易损性及动脉粥样硬化性脑梗死的影响[D].福州:福建医科大学,2021.
[30] 毛萍,吕方超,徐晨凯,等.冠心宁通过TNFAIP3-ASK1/JNK通路对动脉粥样硬化血管平滑肌细胞表型转换的调控作用[J].心脑血管病防治,2024, 24(10):5-9+18.
[31] 刘燕,高茸,汤小涵,等.基于网络药理学和细胞实验探讨柚皮苷抗动脉粥样硬化的作用机制[J].空军航空医学,2024,41(3):236-242.
[32] Azevedo Martins JM, Rabelo-Santos SH, do Amaral Westin MC, et al. Tumoral and stromal expression of MMP-2,MMP-9,MMP-14,TIMP-1,TIMP-2,and VEGF-A in cervical cancer patient survival:a competing risk analysis. BMC Cancer. 2020;20(1):660.
[33] 李洪涛.环氧合酶与动脉粥样硬化[J].心血管病学进展,2004,25(1):62-65.
[34] 姚明鹤,闫海峰,王静,等.基于网络药理学探讨荷丹片治疗高脂血症的作用机制[J].天津中医药大学学报,2021,40(6):783-789.
[35] 吴佩洋.Apoe~(-/-)和Ldlr~(-/-)小鼠动脉粥样硬化发生发展及造血系统变化的对比研究[D].上海:上海师范大学,2024.
[36] 曾静,花雷,阳勇,等.异功散通过调控脑水液代谢改善APP/PS1转基因小鼠的学习记忆能力[J].南方医科大学学报,2024,44(10):2015-2023.

引言

整体观念与辨证论治是祖国医学的核心特性，中药能够同时对多个靶蛋白进行复合调控是中医整体观念的重要体现，因此中药的多靶点整合效应是中药研究的基本研究方向。但如何在单细胞水平以及器官空间组织水平上量化分析中药的多靶点整合潜在效应，是困扰学界已久的难题。人工智能、单细胞转录组技术、网络药理学在近年来得到前所未有的发展，已有学者将这些方法应用于中药药理的研究，例如基于深度学习(DL)、支持向量机(SVM)、聚类算法等方法探索中药药性、中药配伍、中药毒性分析等多个领域[1-4]，以及利用智能算法进行中药靶点预测以及分子网络构建[5-6]，亦有学者阐述了单细胞组学在中药现代化的研究思路[7-8]。但目前为止，基于人工智能深度学习结合新兴组学技术探索中药的潜在机制的问题仍没有解决。因此，此次研究基于人工智能深度学习提出一种有别于网络药理学的新型分析方法，通过构建人工智能深度计数自编码网络(deep count autoencoder network)，将中药多个靶点的表达量进行整合量化编码，利用单细胞转录组及空间转录组技术将整合编码值映射到单细胞水平及空间组织水平上，直观显示中药在各个细胞及器官组织不同区域上的多靶点整合作用效应及潜在分布。相对于现有的网络药理学方法无法在单细胞水平以及空间组织水平上进行中药靶点的量化分析而言，此次研究构建的模型能够计算中药对每个细胞的多靶点整合作用潜在效应，能够在单细胞水平以及空间组织水平上量化分析和揭示中药的多靶点潜在效应，并能够量化比较中药对不同真实组学数据样本之间的不同作用效应，确定关键的潜在效应细胞与器官组织效应区域。
高脂血症和动脉粥样硬化是中老年人常发疾病，是导致心肌梗死、脑梗死等严重疾病的重要原因。大柴胡汤是《伤寒杂病论》中的著名方剂，由柴胡、黄芩、大黄、枳实、半夏、白芍、大枣、生姜构成，已被临床和实验证实对高脂血症和动脉粥样硬化有一定的疗效。为了展示此次研究新型分析方法的可行性，研究将以大柴胡汤为例，分析大柴胡汤在高脂血症的单细胞多靶点整合潜在效应，并进一步探索大柴胡汤在冠脉粥样硬化的空间组织多靶点整合潜在效应分布。

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

材料方法

1 资料和方法 Data and methods 1.1 设计人工智能和组学数据的中药多靶点整合效应分析。 1.2 时间及地点于2024年7-8月在计算机上完成分析。 1.3 数据收集 1.3.1 药-疾靶点集大柴胡汤由黄芩、柴胡、白芍、半夏等中药构成，通过TCMSP数据库(中药系统药理数据库和分析平台)收集大柴胡汤组成药物的药效蛋白靶点[9]，在Genecards[10]、NCBI[11]、TTD等数据库获取高脂血症(hyperlipidemia)的疾病靶点[12]，两者取交集形成药-疾靶点集，与现有文献的靶点获取方法基本相同[13]。使用R语言包“org.Hs.eg.db”和“enrichplot”对药-疾靶点集进行KEGG富集处理，以检查药-疾靶点集是否主要富集于高脂血症及动脉粥样硬化相关通路。 1.3.2 单细胞转录组从GEO数据库(基因表达数据库，https://www.ncbi.nlm.nih.gov/geo/)获取高脂血症单细胞转录组样本2组，第一组从GSE180278获取[14]，是野生型(WT)小鼠与Apoe基因敲除小鼠以及Ldlr基因敲除小鼠的主动脉瓣单细胞RNA测序数据样本。Apoe基因以及Ldlr基因是已知的高脂血症重要靶点之一，Apoe基因敲除小鼠以及Ldlr基因敲除小鼠会比正常小鼠更容易产生高脂血症，因此Apoe基因敲除小鼠以及Ldlr基因敲除小鼠通常被认为是高脂血症的动物模型。第二组从GSE196395获取[15]，是Ldlr基因敲除小鼠高胆固醇喂食(High_Cholesterol)与正常喂食(Normal)的单细胞RNA测序数据样本。
1.3.3 空间转录组样本从GEO数据库获GSE243179[16]，为人类冠脉粥样硬化组织切片空间转录组测序数据。
1.4 方法
1.4.1 模型构建与训练深度学习自编码模型的目的是将多个特征值通过神经网络量化(编码)为一个特征值，即相当于特征降维的作用。在深度学习自编码模型的基础上，有学者在《Nature Communication》发文提出了deep count autoencoder network [17]，可用于单细胞测序数据特征的编码降维，并有学者在《Nature Communication》进一步提出，基于deep count autoencoder network进行了神经元细胞活性的量化研究，对于每一个神经元细胞，其通过deep count autoencoder network将与神经元细胞活性相关的多个靶点的表达值量化(编码)为一个特征值，并将此作为该神经元细胞的活性整合分数[18]。基于相似的原理，此次研究基于deep count autoencoder network对每一个细胞中的多个药物-疾病共性靶点的表达值进行量化(编码)，生成每一个细胞对应的一个特征值，以此表征每个细胞中药物对疾病的多靶点整合潜在效应分数。因此，所研究的原理思路是合理可行的。具体在研究中，该模型除输入层和输出层外，模型的核心主要由3层构成：编码层-中间层-解码层。将药-疾靶点集在测序数据样本上各个细胞的基因表达值作为模型的输入，编码层负责将输入层的数据进行编码，形成中间层的编码表示值，解码层将中间层的编码表示值进行解码还原，输出层将解码层的解码值进一步变换输出，并输出一些网络的分布参数，由于真实的RNA测序数据满足ZINB(Zero Inflation Negative Binomial)分布[17]，因此输出层同时输出ZINB分布的3个参数矩阵[16]。模型的训练目的是力求使神经网络输出值尽可能相似于输入值或者相似于去噪声后的输入值分布。在此研究中编码层以及解码层均由64个神经元构成，由于需要将药-疾靶点集的表达数据编码映射为一个值，中间层由1个神经元构成。模型训练时epochs设为300，学习率设为0.001。该模型的编码训练计算公式如下：

其中X为药-疾靶点集在测序数据样本上各个细胞的基因表达值；We为编码层权重矩阵；Wm为中间层权重矩阵；Wd为解码层权重矩阵；ReLu以及Sigmoid为神经网络激活函数；Pa、Pb、Pc为模型输出的ZINB分布的3个参数矩阵；Wa、Wb、Wc为模型输出的ZINB分布的3个参数矩阵权重。模型通过计算ZINB(X，Pa，Pb，Pc)分布值获取模型Loss值，从而更新模型的神经元权重以及ZINB分布的3个参数矩阵权重[17]。等待模型训练完毕后，公式(1)的值即为研究需要的多靶点整合效应编码值。在Python环境下处理上述模型与数据。
1.4.2 单细胞转录组及空间转录组数据处理在R语言环境下使用Seurat包处理单细胞与空间转录组测序数据。以每个细胞至少200个基因、每个基因至少存在于3个细胞为参数，过滤单细胞数据进行初步质量控制，使用SCTransform完成数据的预处理以及标准化归一化，通过PCA计算细胞数据的主成分，基于FindClusters算法进行细胞数据的聚类，然后通过UMAP算法进行降维可视化分析。第一组单细胞样本数据自带细胞类型注释，无需另行处理，第二组使用SingleR包进行细胞类型注释；第三组空间转录组测序数据的基本处理与上述类似。
1.4.3 多靶点整合潜在效应分析
(1)第一组单细胞转录组数据分析：选取第一组单细胞测序数据与药-疾靶点集的基因交集表达数据，将3个样本[WT型(野生型)，Apoe_knock型，Ldlr_knock型小鼠]的基因交集表达数据输入上述深度学习模型进行模型训练编码，获取3个样本各个细胞的多靶点整合效应值(Multi_target_ integration_score，MTIS)(编码值)，即通过模型计算每个细胞的MTIS。使用scale函数进行数据标准化，通过Wilcoxon检验计算WT型与Apoe_knock型小鼠，以及野生型与Ldlr_knock型小鼠之间的MTIS是否存在统计学差异，如果P < 0.05则认为组间差异有显著性意义。将3个样本的基因交集表达数据与MTIS做Pearson相关分析，以确定3个样本中分别与MTIS存在正负相关性的基因，即确定主导MTIS变化的相关基因，并通过正常与异常组之间MTIS均值升降对比，推测大柴胡汤对Apoe_knock型与Ldlr_knock型的潜在效应基因与调控方向。分别绘制WT型、Apoe_knock型、Ldlr_knock型在UMAP降维下的MTIS密度图，进行对比分析，并推测大柴胡汤对Apoe_knock型与Ldlr_knock型小鼠的潜在效应细胞。
(2)第二组单细胞转录组数据分析：第二组单细胞测序数据样本有2个(Normal型，High_Cholesterol型)，分析过程基本与第一组相似，此外绘制了Normal与High_Cholesterol的MTIS在各种细胞类型的累积值对比图。利用四分位数将MTIS分为4个水平，绘制Normal型与High_Cholesterol型的不同MTIS水平分布图，同时绘制MTIS_Principal_Gene的分布图，进行对比分析。推测大柴胡汤对High_Cholesterol型的潜在效应基因与调控方向，以及潜在效应细胞。
(3)空间转录组数据分析：通过模型计算的空间转录组样本数据的MTIS，将空间转录组细胞测序数据与药-疾靶点集的基因交集表达数据输入deep count autoencoder network后为每个细胞生成MTIS，利用四分位数将MTIS分为高值和低值2个水平。经过UMAP算法降维处理后，使用SpatialFeaturePlot函数与SpatialDimPlot函数可视化，绘制冠脉切片组织的不同MTIS空间分布图，同时绘制不同细胞聚类簇的空间分布图进行对比分析；并计算不同聚类簇的Marker基因。
1.5 主要观察指标 ①大柴胡汤对Apoe_knock型与Ldlr_knock型的潜在效应基因与调控方向，以及潜在效应细胞；②大柴胡汤对High_Cholesterol型的潜在效应基因与调控方向，以及潜在效应细胞；③空间转录组数据分析。
1.6 统计学分析应用R语言软件4.3.2版本处理，考虑到数据不一定遵循正态分布的问题，使用Wilcoxon检验方法，靶基因与MTIS之间的相关性采用Pearson相关分析，该文的统计学部分已请相关领域的专家审核。

讨论

3.1 大柴胡汤治疗高脂血症及动脉粥样硬化的潜在机制探索大柴胡汤的主要作用是和解少阳、内泻热结。方中柴胡白芍疏肝柔肝、黄芩泻热、半夏燥湿降逆、枳实大黄行气泻浊、生姜大枣益气和胃健脾，可见该方具有多重作用。对于高脂血症和动脉粥样硬化而言，其病机主要是肝郁脾虚，湿热(浊)脾虚，痰湿瘀阻。临床报道和实验研究已经证明大柴胡汤对高脂血症和动脉粥样硬化有一定的作用[19-22]。上述分析表明，大柴胡汤对高脂血症正常组和异常组样本的MTIS存在数据形态以及统计学上的差异
(P < 0.000 1)，且MTIS低值细胞主要集中于动脉粥样硬化样本血管内皮以及硬化斑块区域等病变区域，佐证了大柴胡汤的靶点对高脂血症和动脉粥样硬化存在作用。在各种原因导致的脂质摄入过多或者脂肪分解利用减少的情况下，血液中的三酰甘油、低密度脂蛋白胆固醇等将会升高，引发高脂血症。当血管中被氧化修饰的低密度脂蛋白持续表达过多，沉积于血管内皮并引起血管内皮损伤与炎症，巨噬细胞将会吞噬低密度脂蛋白并侵袭到血管内膜下形成泡沫细胞，泡沫细胞聚集并使平滑肌细胞增殖导致纤维组织增生，纤维组织增生逐渐形成粥样斑块，导致动脉粥样硬化[22-24]。因此，高脂血症和动脉粥样硬化除血脂水平升高的危险因素外，更重要的是对血管内皮的损害。
大柴胡汤治疗高脂血症的关键效应基因包括Fn1、Vcam1、Mmp2、IL6、Ptgs1、App等，潜在效应细胞是巨噬细胞、纤维细胞、血管内皮细胞等。Fn1编码纤连蛋白，主要参与细胞黏附和迁移过程，在家族性高三酰甘油血症中，FN1与低密度脂蛋白胆固醇显著负相关，并且Fn1与家族性高血脂中的外泌体差异基因lncRNA MALAT1存在相关性[25]。Vcam1是血管内皮细胞黏附分子基因，高脂饮食诱导主动脉炎症过程中Vcam1内皮细胞亚群中Klf2是主动脉炎症的关键调控因子，而Vcam1亚群参与淋巴细胞迁移、细胞黏附、血流剪切力和动脉粥样硬化等生物学功能[26-27]。FN1和Vcam1在白细胞及淋巴细胞黏附到血管内皮的过程中有重要的介导作用，这为脂质沉积血管内皮引发内皮损伤的炎症及免疫反应提供了基础，同时在巨噬细胞发挥免疫作用例如吞噬脂质的过程中，会释放白细胞介素6等炎症因子，导致血管炎症和损害的进一步增加。白细胞介素6是重要的免疫炎症相关基因，可能在血管炎症中起着免疫介导作用，中药复方降脂药“脂调康胶囊”可显著降低高脂血症模型大鼠血清白细胞介素6含量[28]，因此可以推测白细胞介素6与高脂血症血管微环境中的免疫介导存在一定的关联。由此可知，Fn1、Vcam1、白细胞介素6可能是大柴胡汤对血管前期病变的主要靶点，并已被证实与高脂血症或动脉粥样硬化存在关系[25-26，28]。基质金属蛋白酶2是基质金属酶蛋白家族的成员，在炎症及心血管疾病中发挥作用。在高脂血症及动脉粥样硬化进展过程中，血清基质金属蛋白酶2表达明显增高，能促进血管斑块形成以及血管堵塞[29]，与动脉粥样斑块的形成及稳定性有关[30-31]，具体机制未十分明确。有文献报道基质金属蛋白酶2能够促进细胞外基质例如胶原蛋白等的降解[32]，可以推测基质金属蛋白酶2可能通过基质降解影响斑块的形成及稳定性。Ptgs1是合成前列腺素以及血栓素的前体基因，一方面可能参与血管炎症反应，另一方面在粥样硬化微环境中可能参与斑块栓塞血管的过程[33]。PTGS1是降脂中药荷丹片治疗高脂血症的核心靶点之一[34]。因此，基质金属蛋白酶2、Ptgs1可能是大柴胡汤对血管后期病变的主要靶点。此外，大柴胡汤治疗高脂血症的直接靶点中包括Ldlr和Apoe，而Ldlr和Apoe是总所周知的血脂相关负向调控基因，并且会促进动脉粥样硬化的进展[35]。可见大柴胡汤在治疗高脂血症与动脉粥样硬化过程中既有调控血管炎症免疫与血管斑块的作用，也有降脂的作用。
与现有的大柴胡汤治疗高脂血症及动脉粥样硬化的机制研究相比较，此次研究的不同之处主要在于：大柴胡汤的潜在效应基因涉及Ptgs1与APP。App编码细胞表面受体和跨膜前体蛋白，目前它对高脂血症及粥样动脉硬化的直接作用鲜有报道。现存的研究主要认为Ptgs2(cox2)与动脉粥样硬化密切相关，Ptgs2主要存在于粥样动脉硬化病变区域，而Ptgs1在正常组织与病变区域皆存在[34]，Ptgs1与Ptgs2在动脉粥样硬化中是否存在相互影响作用及Ptgs1如何具体影响动脉粥样硬化是值得进一步深入研究的。此外，现有文献多报道APP与阿尔茨海默病有关[36]，APP对高脂血症或动脉粥样硬化的影响未见报道。大柴胡汤如何通过Ptgs1、APP影响高脂血症或动脉粥样硬化病变过程的具体机制值得进一步探索。
3.2 此项研究的必要性与创新性目前网络药理学是中药机制的主流分析方法之一，主要通过现有的数据库进行靶点相互作用网络分析及通路富集，从相互作用网络或者分子对接角度分析潜在的标靶及其相互作用，但无法在单细胞水平以及空间组织水平上量化分析和揭示中药的多靶点效应，亦难以刻画中药对不同真实组学数据样本之间的不同作用效应，无法确定关键的潜在效应细胞与器官组织效应区域。为解决上述的问题此次研究尝试提出一种有别于网络药理学的新型分析方法，该方法的创新性和优点主要在于两方面：一是可以弥补网络药理学的不足，能够在单细胞水平和空间转录组水平上实现中药对真实组学数据样本的潜在作用分析；二是可以在单细胞水平和空间组织水平上阐释中医的“整体观念”，揭示中药多靶点的整合效应，并将这种整合效应进行量化分析和可视化，并能够进一步精准分析得到关键效应细胞与效应基因。该新型分析方法为中药动物实验与细胞实验验证提供了潜在的关键效应细胞与效应基因，为中药调控疾病的多靶点效应生物学机制的阐释与临床转化研究提供了新的思路。
3.3 研究的不足之处由于该方法涉及的模型算法与数据处理过程较为复杂，模型对参数选择可能存在一定的敏感性，例如模型不同的学习率，神经元数目可能会影响模型的收敛速度。在样本细胞数据集较小时或者对于一些复杂组织细胞类型，模型是否适用也是值得进一步探索的问题。此外，目前该方法需要依赖于单细胞转录组测序数据或空间转录组测序数据，这些测序技术虽然先进，但价格较为昂贵当前并未普及，这可能限制了该方法的一些应用。在未来的进一步研究中，将考虑采用多参数采样平均编码模型，通过设置不同的模型参数获取多次平均编码值，以进一步提升模型的鲁棒性。
结语：将人工智能、单细胞转录组、空间转录组以及生物信息学等多个领域的技术相结合，探讨中药的多靶点效应是一个有重要意义的主题。祖国医学博大精深，此次研究另辟蹊径，将“整体观念”的特色思维与先进的人工智能深度学习技术，单细胞转录组及空间转录组技术相融合，在新的层次和维度上量化解析了中药的多靶点整合潜在效应，在单细胞水平和空间组织水平上实现了中药多靶点整合效应的量化分析，为阐释中药的多靶点整合效应提供了一种新方法。

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

基于人工智能和组学数据驱动的中药潜在机制新型分析预测方法

A novel analysis and prediction method for potential mechanisms of traditional Chinese medicine based on artificial intelligence and omics data-driven approach

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 8

参考文献

相关文章 15

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	邓柯淇, 李光第, GOSWAMI ASHUTOSH, 刘星余, 何孝勇. 基于生物信息学对骨关节炎铁超载关键基因的筛选与验证[J]. 中国组织工程研究, 2025, 29(9): 1972-1980.
[2]	刘琳, 刘世轩, 陆馨悦, 王侃. 慢性肌筋膜触发点模型大鼠的尿液代谢组学分析[J]. 中国组织工程研究, 2025, 29(8): 1585-1592.
[3]	赵嘉诚, 任诗齐, 祝秦, 刘佳佳, 朱翔, 杨洋. 原发性骨质疏松潜在生物标志物的生物信息学分析[J]. 中国组织工程研究, 2025, 29(8): 1741-1750.
[4]	陈跃平, 陈锋, 彭清林, 陈荟伊, 董盼锋. 三七治疗骨关节炎机制：基于UHPLC-QE-MS、网络药理学及分子动力学模拟[J]. 中国组织工程研究, 2025, 29(8): 1751-1760.
[5]	章镇宇, 梁秋健, 杨军, 韦相宇, 蒋捷, 黄林科, 谭桢. 新橙皮苷治疗骨质疏松症的靶点及对骨髓间充质干细胞成骨分化的作用[J]. 中国组织工程研究, 2025, 29(7): 1437-1447.
[6]	张昊军, 李泓毅, 张辉, 陈浩然, 张力中, 耿杰, 侯传东, 于琦, 贺培凤, 贾金鹏, 卢学春. 间充质细胞源性骨肉瘤中关键分子标志物鉴定及药物敏感性分析[J]. 中国组织工程研究, 2025, 29(7): 1448-1456.
[7]	王咪, 马书杰, 刘杨, 齐瑞. 缺血性脑卒中铁死亡特征基因NFE2L2的鉴定与验证[J]. 中国组织工程研究, 2025, 29(7): 1466-1474.
[8]	刘雅妮, 杨静欢, 陆慧慧, 易玉芳, 李智翔, 欧阳福, 吴璟莉, 魏兵. 纤维肌痛综合征生物标记物的筛选及免疫细胞浸润分析[J]. 中国组织工程研究, 2025, 29(5): 1091-1100.
[9]	方源, 钱智勇, 何源哈达, 王海燕, 沙丽蓉, 李筱贺, 刘婧, 贺雅超, 张凯, 特木日巴根. 蒙药蓝刺头对血管内皮细胞增殖和血管生成能力的潜在作用机制[J]. 中国组织工程研究, 2025, 29(35): 7519-7528.
[10]	陈莹, 郭晓婧, 莫雪妮, 马威, 武尚志, 李相玲, 谢婷婷. 缺血性脑卒中诊断性生物标志物解析及靶向铜死亡相关基因的实验验证[J]. 中国组织工程研究, 2025, 29(35): 7562-7570.
[11]	朱传喜, 邱龙, 李凌絮, 汲广成 . 中药结合头针运动疗法改善缺血性脑卒中大鼠肢体痉挛[J]. 中国组织工程研究, 2025, 29(35): 7571-7577.
[12]	张艺璇, 李东娜, 刘春艳. 牙周炎的病理过程、炎症反应及相关生物标志物：多组学分析[J]. 中国组织工程研究, 2025, 29(35): 7601-7610.
[13]	王通, 郑宇, 贾承明, 杨虎, 张广飞, 纪垚垚. 基于TCMSP数据库分析葛根麻芪方治疗肩周炎并2型糖尿病的作用机制[J]. 中国组织工程研究, 2025, 29(35): 7669-7678.
[14]	巩月红, 王梦君, 任航, 郑辉, 孙佳佳, 刘军鹏, 张飞, 杨建华, 胡君萍. 机器学习联合生物信息学筛选与自噬相关的肺纤维化关键基因及实验验证[J]. 中国组织工程研究, 2025, 29(35): 7679-7689.
[15]	韩杰, 潘成镇, 尚昱志, 张驰. 激素性股骨头坏死免疫诊断标志物的鉴定与药物筛选[J]. 中国组织工程研究, 2025, 29(35): 7690-7700.