打破常规认知——网络药理学纯生信还能发到7分+！与肿瘤预后完美融合，焕发新生机！
中医药领域的朋友，大家对 “网络药理学”的常规认知是什么？是纯生信发不了高分文章了？还是很多期刊不接受纯网药的文章了？ 其实小云之前的认知也是这样的，毕竟看到的高分文章确实都是干湿结合，所以小云前面也推荐了几篇干湿结合高分文章（比如网药+实验+组学简单测序或者网药+功能实验+机制实验）。但今天分享这篇文章真的做到了打破认知，小云刚看到的时候也大吃一惊，原来网药还可以这么做！ 网药和常规预后分析目前发表高分纯生信的难度都比较高，但文章大开脑洞——将网药与肿瘤预后分析完美融合，避开主要阵地（非肿瘤疾病），再搭配上免疫热点和单细胞数据分析的加分buff，将2个目前都不好发纯生信的方向成功盘活了，直接拿下7分+文章！看完这个思路设计，小云真是不得不拍案称绝，简直太适合中医药领域的朋友们了，小伙伴赶快来领取吧，换上自己研究的中药和疾病，马上就又出一篇高分！
（ps：对这个方向感兴趣的话可以持续关注文章推送哦，小云会持续更新的！）
l 题目：结合网络药理学和生物信息学分析探讨薏苡附子败酱散治疗结直肠癌免疫炎症表型的潜在机制
杂志：
Computers in Biology and Medicine
影响因子：IF=7.7
发表时间：2023年8月
研究背景
结直肠癌（CRC）的发生发展与其复杂的肿瘤微环境(TME)密切相关，对免疫细胞浸润 (ICI) 模式的评估将有助于增加关于TME浸润特征的知识。已有研究表明，薏苡附子败酱散（YYFZBJS）对肠癌免疫微环境的调节具有积极作用，然而其药理学靶点和分子机制仍有待阐明。
数据来源
研究流程
作者首先基于免疫细胞浸润通过无监督聚类将TCGA队列中的480例CRC样本分为三种不同的ICI模式，并根据ssGSEA和GSVA分析区分的这三种聚类的免疫学特征进一步鉴定284例免疫炎症表型(IIP)样本。通过比较高和低免疫或基质评分组间的差异基因，获得CRC微环境DEGs。接下来从TCMSP收集YYFZBJS的活性成分，并通过TCMSP和Swiss Target Prediction获取药物靶点。利用DisGeNet 和 DigSee数据库挖掘CRC的潜在治疗靶点，将药物靶点、CRC靶点与CRC微环境DEGs取交集获得35个基因。基于这35个基因在TCGA队列中利用LASSO Cox和多因素Cox回归建立包含11个基因的CRC预后模型，并进行生信分析和模型评估验证。然后针对11个预后基因进行PPI网络分析、GO和KEGG富集分析，并构建草药-化合物-靶标网络。最后利用TISCH2数据库在单细胞水平上分析了TME预后特征基因的细胞亚群分布和表达。
主要结果
1. CRC中ICI模式的鉴定和分析
首先在TCGA队列中通过CIBERSORT评估每个患者样本的免疫浸润丰度，并基于免疫浸润利用无监督聚类分析识别每个样本的不同ICI模式，确定了三种不同的ICI模式（图1A）。针对3个ICI模式进行ssGSEA免疫浸润分析，结果显示簇A中有相当多的先天免疫细胞浸润，而簇B在所有样品中具有最低的ICI分数，为免疫“冷”表型，簇C比簇A有更高水平的巨噬细胞、肥大细胞、中性粒细胞等浸润（图1B）。进一步的GSVA富集分析确定了3种ICI模式的生物学特征(图2C-D)，簇A中富集了与完全免疫激活相关的途径，簇B与趋化因子信号通路和产生IGA的肠道免疫网络负相关，簇C明显富含基质和致癌激活途径。由此作者将簇A归类为IIP，其特征为免疫激活和适应性ICI；簇B为免疫沙漠表型，以免疫抑制为特征；簇C为免疫排斥表型，其特征在于先天免疫细胞浸润和基质活化。
图1 CRC中ICI模式的鉴定和分析
2. 网络药理学分析和IIP预后模型的建立
作者利用ESTIMATE计算CRC样本的免疫和基质评分，进一步鉴定了在高和低免疫评分组和高和低基质评分组之间显著差异表达的基因，取两组之间的交叉基因得到1328个DEGs。接下来在TCMSP中筛选YYFZBJS中3种草药（薏苡仁、附子和败酱草）的活性成分，并进一步在TCMSP和Swiss Target Prediction筛选药物靶点，共得到744个YYFZBJS靶标。在DisGeNet 和 DigSee 数据库中收集1008个CRC靶标。然后将药物靶点、CRC靶点与CRC微环境DEGs取交集获得35个基因（图2A）。作者接下来要了利用这个35个基因建立IIP患者预后模型，先274名IIP患者分为训练组和测试组，在训练组中针对35个基因进行LASSO回归和多因素COX回归分析，建立了一个包含11个基因的预后模型（图2B）。随后进行KM生存分析，并利用ROC曲线评估模型性能，结果显示训练队列中，高风险组患者的OS明显短于低风险组患者，ROC曲线显示该预后模型具有较高的敏感性、特异性和可信度，AUC值为0.84(图2C)。测试队列中，高风险组的生存率也明显短于低风险组，AUC值为0.793（图2D）。
图2网络药理学分析和IIP预后模型的建立
3. 药效物质基础和分子机制分析
作者基于11个预后基因利用String构建PPI网络，MCODE分析显示，MMP9、TGFB1、CAV1、PTGS2和SERPINE1构成了PPI网络的核心模块（图3A）。随后针对11个预后基因进行KEGG富集分析，显示预后基因主要富集在癌症中蛋白聚糖，花生四烯酸代谢、代谢途径和IL-17信号途径（图3B）。最后建立了草药-化合物-靶标网络，其中YYFZBJS的三种草药(薏苡仁、附子和败酱草)、草药的关键活性化合物(分别为5、8和11种化合物)和相应的靶标(分别为2、7和6种靶标)相互映射，该网络清晰地描述了三味药、24个关键化合物和11个预后基因之间的多边隶属和靶向关系（图3C）。
图3 药效物质基础和分子机制分析
4. 细胞亚群中预后基因的表达分析
为了探索预后基因在TME细胞中的表达分布，作者利用TISCH2数据库在单细胞水平上分析了预后基因的表达（图4）。结果显示，PRF1和PIK3CG主要表达于CD4/CD8 +T细胞， C5AR1和MMP9主要表达于单核/巨噬细胞，HPGDS和PTGS2主要表达于单核/巨噬细胞和肥大细胞。SERPINE1显著表达于内皮细胞和肠道神经胶质细胞，而CAV1和TGFB1不仅在以上两种类型的细胞中大量检测到，而且还分别在肌成纤维细胞(CAV1)和CD4/CD8+ T细胞和单细胞/巨噬细胞(TGFB1)中明显表达。
文章小结
这篇文章将中药网络药理学分析和常规肿瘤预后模型进行了完美地有机结合，分析并不复杂，单纯靠出其不意的思路设计来突出文章创新性，打造出一篇7分+的纯生信文章！这个思路对于中医药方向的小伙伴就是大大的福利，两者的结合使网药和肿瘤预后这2个不太好发高分纯生信的方向焕发新的生机，小云真诚建议大家赶紧抄作业，换个中药和疾病下一篇发表高分网药分析文章的就是你！
