2020-2025年流感相关中药研究进展综述
模块一：中药成分与疾病关键基因识别（系统药理阶段）
中药数据库与靶点预测： 近五年许多研究利用中药化合物数据库和网络药理学方法来预测流感的潜在靶点。常用的平台包括TCMSP、ETCM等数据库获取中药活性成分，以及SwissTargetPrediction等工具预测这些成分可能作用的蛋白靶点。例如，有研究从TCMSP、TCMID等数据库筛选出某复方的193个活性成分，利用SwissTargetPrediction预测出985个潜在靶点，并构建药物成分-靶点网络。同时对成分进行药代动力学过滤（如口服生物利用度OB≥30%、药物类药性DL≥0.14）以提高候选成分可靠性。
表达谱数据挖掘与差异基因：
WGCNA、PPI网络与Hub基因筛选： 为了从大量候选基因中提取核心靶点，研究者采用加权基因共表达网络分析（WGCNA）和蛋白质相互作用网络（PPI）分析等系统生物学方法。WGCNA可根据基因在不同条件下的共表达模式将基因归为模块，从中发现与疾病表型高度相关的基因模块和hub基因。例如，一项针对H1N1流感的研究对感染前后差异基因进行PPI网络构建，扩展得到1725个相互作用基因，然后应用WGCNA将其分成多个模块，最终筛选出60个核心基因作为诊断流感感染的特征。在网络中，利用Cytoscape等软件根据拓扑参数（节点度、介稳中心性等）提取关键节点基因也是常用策略。例如有研究以节点度等指标筛选出27个在网络中居于中心的关键靶点基因，发现其中多个基因与流感的发生发展密切相关。这些hub基因往往涉及机体免疫和炎症通路，对流感的病理过程具有调控作用。
多组学整合锁定关键靶点： 为了更全面地揭示中药抗流感作用机制，近年出现了多组学数据整合的方法。研究者将转录组、蛋白组、代谢组等多种组学的数据结合网络药理学模型，以交叉验证关键靶点的可靠性。例如有学者在分析中药配方抗流感机制时，不仅考察了基因表达和通路富集，还结合代谢产物变化和蛋白网络来佐证核心靶点。这些多组学整合研究表明，中药往往通过多通路、多靶点协同作用发挥抗流感效应，所确定的关键靶点更具生物学意义，为新药开发提供了更可靠的方向。
模块二：AI算法筛选核心靶点基因（智能药理阶段）
特征向量构建： 在智能药理研究中，关键的一步是将生物学特征转化为可供机器学习处理的特征向量。研究者常结合基因的表达水平差异、网络拓扑特征以及生物学注释等构建特征集，用于识别流感相关的核心靶点基因。例如，可将每个基因的差异表达倍数、共表达模块归属、PPI网络中的节点度中心性等作为特征描述基因。一项流感感染诊断模型的研究中，先通过WGCNA找到与感染状态密切相关的基因模块，再提取其中60个核心基因，将这些基因的表达值作为特征用于模型训练。此外，网络药理学分析得到的拓扑指标（如度、介导度、紧密度）也被用来评价基因在网络中的重要性，从而构建靶点基因的特征向量。通过融合多维特征，可以更加全面地刻画基因的重要程度。
机器学习与深度学习模型应用： 构建好特征后，各类机器学习（ML）和深度学习（DL）模型被用于筛选流感的核心靶点基因或进行疾病预测。在过去五年中，随机森林（RF）、支持向量机（SVM）以及深度神经网络（包括CNN等）都有应用。例如，Chen等（2021年）利用差异基因和网络模块信息，训练了随机森林模型来区分流感感染状态。该模型以60个关键基因的表达为特征，构建了一个对于H1N1感染有良好预测性能的分类器，AUC达到较高水平。同时，深度学习也被引入流感易感性预测：Zan等开发了“DeepFlu”模型，采用预暴露基因表达数据训练深度神经网络，预测个体在接触病毒后是否出现症状。结果显示，DeepFlu模型优于传统CNN、RF和SVM模型，H3N2数据集上预测准确率达到73.8%，AUROC约0.84。这些研究证明了机器学习和深度学习在挖掘流感关键基因方面的价值。
AI预测结果的验证： 为确保算法筛选出的核心基因确有生物学意义，研究通常会借助独立数据或公共平台对结果进行验证。一方面，可以在独立的患者队列或公开数据库中检验这些基因的表达差异。例如，将AI筛选的基因放到GEO的其他流感数据集中验证，或查询其在特定组织中的表达水平。另一方面，虽然TCGA和GEPIA主要用于癌症数据分析，但有些研究思路会参考类似的平台验证基因的重要性，例如查询目标基因在正常肺组织与疾病状态下的表达分布，或其与免疫指标的相关性。实际上，前述DeepFlu研究就提到已知的流感易感标志物KLRD1可用于比较，模型预测的基因超过了单基因标志物的效果。总的来说，通过在独立数据集上验证、对比已知标志物等方式，可以增加AI筛选核心靶点的可信度和说服力。
模块三：候选小分子筛选与优化（智能配体筛选阶段）
抗流感小分子库来源与筛选标准： 为寻找抗流感候选化合物，研究者依托多个化合物库进行虚拟筛选和初筛过滤。常用来源包括大型商业或公开数据库，如ZINC库、ChEMBL、PubChem等，它们提供海量可采购的小分子结构。例如，有研究针对流感H9N2病毒，收集了ChEMBL、PubChem等数据库中已知的活性化合物数据，用于机器学习模型训练。在筛选过程中，一般会设定一定的理化和药效学标准（筛选规则），以淘汰不符合条件的分子。典型的过滤包括： (1) PAINS过滤 – 去除泛效应干扰化合物，以避免假阳性；(2) Brenk等子结构过滤 – 剔除含有频繁无效基团的分子；(3) Lipinski“五规则”等药物样性筛选；以及(4) 毒性和代谢预测等。比如某研究通过ADME/T性质预测筛除了不符合药代特性的分子，保留下药代性质良好的候选用于后续研究。GhKGD复方抗流感的研究中也是先采用了OB和DL阈值筛选掉低生物利用度的成分，再进行后续网络分析。经过这些步骤，可以显著提高筛选命中化合物的成药可能性。
分子过滤与ADMET预测工具应用： 在筛选小分子时，应用计算工具预测ADMET（吸收、分布、代谢、排泄和毒性）性质已成为标配。常用的有SwissADME在线平台、QikProp等软件，可快速估计分子的口服吸收度、血脑屏障通透性、肝毒性等参数。例如，某针对流感NS1蛋白的研究在虚拟筛选候选物后，利用QikProp计算了每个候选化合物的ADMET属性，并筛选出药代动力学性质良好的化合物用于后续生物评价。同时，在线PAINS-Remover等工具可自动剔除可能在生物测定中产生假信号的分子。通过这些步骤，研究者在海量分子中精选出符合药物开发要求的先导化合物，大大减少了后续实验筛选的工作量。
AI模型筛选抗流感先导结构： 除了传统虚拟筛选，近年来一些研究利用人工智能模型加速抗流感先导化合物的发现。做法是收集已知活性分子的数据（活性阳性和无效阴性），提取分子指纹等特征，训练机器学习分类模型来预测新化合物的抗病毒活性。例如，有研究针对H9N2亚型流感，汇总了5个关键靶标（HA、NA及三种聚合酶亚基）的已知抑制剂，共得到141个活性化合物和若干无活性对照，通过Morgan分子指纹表征分子结构，采用集成学习训练模型。他们比较了SVM、随机森林、XGBoost等多种算法的效果，最终优化出性能最佳的模型用于虚拟筛选。这些AI模型能够从庞大的化合物空间中优先挑选出可能有效的分子，加速发现新先导物。例如上述模型成功从海量候选中筛选出若干具有抗流感潜力的新化合物，为新药研发提供了候选清单。此外，一些深度学习的QSAR模型也被用于预测小分子的抗流感活性或选择性指数，显示出高通量筛选的智能化趋势。
模块四：蛋白结合与AI虚拟筛选（分子对接与结合预测阶段）
流感靶标蛋白结构来源： 开展分子对接前，需要获得流感病毒或宿主靶标蛋白的三维结构。常见的流感病毒靶标包括：血凝素(HA)和神经氨酸酶(NA)等表面抗原、M2质子通道、核蛋白(NP)、以及RNA依赖RNA聚合酶三亚基PB1、PB2、PA等。这些关键蛋白的大部分晶体结构已被解析并存入PDB蛋白质数据库。例如，PA内切酶结构（PDB 6FS6）已用于设计新型流感聚合酶抑制剂；M2通道的NMR结构帮助筛选离子通道阻断剂；NA的共晶结构广泛用于对接评估新抑制剂的结合模式。近年来的网络药理学研究也常将中药成分与主要病毒蛋白进行分子对接验证，例如一项针对黄芩的研究就将其富含的黄酮类成分对接到HA、NA、NP、M1、M2等八种甲型流感主要蛋白，结果所有蛋白的对接结合能均低于-5 kJ/mol，显示出较强的亲和力。由此可见，利用PDB提供的流感靶标结构，可以有效模拟中药分子与病毒蛋白的相互作用。
AI结合亲和力预测模型： 除传统对接打分外，人工智能技术也被用于预测配体-蛋白的结合亲和力。典型的模型如DeepDTA、GraphDTA等深度学习算法，它们通过学习大量已知药物-靶标的结合数据，来预测给定化合物与蛋白之间的结合常数或亲和评分。DeepDTA模型使用分别针对配体分子序列和蛋白序列的卷积神经网络，能够在不依赖三维结构的情况下直接从序列信息预测结合强度。GraphDTA则引入图神经网络，将分子和蛋白结构以图形式输入模型，以捕捉更丰富的结构信息。虽然目前文献中将DeepDTA/GraphDTA专门应用于流感靶点的报道不多，但已有研究将改进的DeepDTA用于预测药物与流感聚合酶蛋白的结合力，并结合对接结果进行交叉验证。总的来说，这类AI模型可作为分子对接的补充，提高结合预测的准确性，并有望发现传统打分函数遗漏的候选分子。
分子对接工具在抗流感开发中的应用： 分子对接仍是抗流感药物开发的重要手段。AutoDock Vina、Schrödinger的Glide、MOE以及Discovery Studio等对接软件被广泛用于筛选和评估候选配体。在近五年的研究中，这些工具常与高通量虚拟筛选结合使用。例如，有研究针对流感A病毒NS1蛋白，设计了多步筛选流程：首先对数万个天然产物库化合物进行Vina虚拟筛选打分，然后对顶尖化合物进一步进行更精细的对接模式分析。对接结果不仅用于评分排序，还用来分析配体与靶标关键氨基酸的相互作用，如氢键、疏水作用等，从而推断作用机制。为了确保对接预测可靠，一些研究还采用多种对接方案并行验证。例如Cao等（2021）同时使用多种对接程序对流感聚合酶PB1进行了平行虚拟筛选，比对各方案中候选物的一致性。最终筛选出的化合物往往会进入后续的分子动力学模拟和体外实验验证环节。总体来说，AutoDock、Vina等对接工具在抗流感中药和小分子开发中发挥了基础且关键的作用，为后续的实验研究提供了有力的线索。
模块五：实验验证（体外-体内验证链条）
分子动力学模拟验证结合稳定性： 在获得候选分子后，研究者常使用分子动力学（MD）模拟来评估配体-蛋白复合物的稳定性和相互作用细节。利用GROMACS等MD软件，可以模拟配体与靶标蛋白在溶液环境中的运动，从而观察结合口袋的适配性以及关键键接的稳固程度。例如，有研究筛选出一株可能干扰PB1-PB2相互作用的小分子后，进行了100 ns的GROMACS分子动力学模拟，结果发现该分子在PB1结合位点能保持稳定结合构象，并通过MM/PBSA计算得到有利的结合自由能。又如对天然产物芦丁与NS1蛋白的模拟显示，复合物在模拟过程中主要氢键保持，占据口袋稳定。此外，上文提到的NS1抑制剂筛选研究也在对接后进行了分子动力学微扰，以筛除结合不稳定的假阳性配体。通过MD模拟能够验证虚拟筛选结果的可靠性，并为优化先导化合物提供依据（如观察配体哪部分易于脱靶以指导化学修饰）。
中药先导化合物合成可行性分析： 针对从中药中发现的先导化合物，评估其化学合成或获取的可行性是药物开发的重要一步。许多传统中药活性成分结构复杂、手性中心多，可能面临合成难度。研究人员会参考文献或借助软件计算合成可及性评分，并设计可能的合成路线。过去几年有报道将找到的天然先导通过半合成或类似物合成来优化活性。例如，生物信息学分析曾提示莽草酸（shikimic acid）可能是流感的重要代谢抑制剂；莽草酸本身即来源于八角茴香，是抗流感药物奥司他韦合成的关键中间体。这一案例体现出从中药天然产物到可合成药物的转化思路。同样地，对于网络药理学筛出的其它先导化合物，研究者会考察现有化学文献（如是否已有类似结构报道合成）或尝试简化结构以提高可合成性。一些论文还专门讨论了中药活性成分的结构修饰策略，以提高稳定性和口服有效性。在抗流感中药研究中，引入化学合成和药物化学评估能够确保实验筛选出来的先导物具有继续开发的实际可能性。
SPR/BLI结合实验验证： 为了直接证明候选分子与靶标蛋白的结合，表面等离子共振（SPR）和生物层干涉（BLI）技术被应用于抗流感药物研究中。这些技术无需标记，通过实时检测分子结合引起的光学信号变化，定量测定结合亲和力和动力学常数。例如，一项研究利用SPR验证了一株广谱抗体FNI9对流感病毒神经氨酸酶(NA)的结合，结果显示其与多亚型NA具有高亲和力。同理，对于小分子抑制剂，也可将靶标蛋白（如NA或M2离子通道）固定于芯片表面，流过候选化合物以测定结合曲线，从而获得KD值。BLI技术类似，被用于检测中药提取物中活性成分与流感HA蛋白的结合情况，有助于筛选出真正有直接结合作用的成分。SPR/BLI实验的引入，使得计算预测的分子-靶标相互作用在体外获得了直接证据，大大增强了研究结论的可信度。
细胞与动物模型中的抗流感机制研究： 最终，验证链条会延伸到细胞和动物水平的功能实验，阐明中药抗流感的作用效果与机制。在细胞实验中，常用MDCK、A549等细胞系建立流感病毒感染模型，评估中药或化合物对病毒复制和宿主细胞反应的影响。例如，王玉涛等（2023年）在A549细胞中验证了青解退热颗粒(QT Granule)对流感病毒的作用，发现QT处理可显著抑制H1N1感染诱导的STAT1/3信号通路过激活和炎症趋化因子表达。Western blot结果表明QT干预降低了感染细胞中磷酸化STAT1水平，qPCR显示多种促炎细胞因子表达被下调。这些结果支持该中药通过调节宿主抗病毒免疫途径发挥作用。同样地，许多中药提取物被证明能减少流感感染细胞的凋亡率，减轻病毒引发的细胞损伤（例如抑制过度的活性氧和线粒体凋亡通路）。在动物实验方面，小鼠流感感染模型是最常用的体内验证手段。有代表性的如赖燕妮等（2020年）评价了感霍抗感汤(GHKGD)在小鼠感染模型中的效果：给予感染H1N1的小鼠该中药后，小鼠体重下降显著减少，肺组织的炎症病理损伤减轻，并且肺中病毒滴度和病毒NP蛋白表达量显著低于对照组。机制分析显示，给予中药的小鼠肺内RIG-I样受体信号通路受到抑制，关键炎症介质如NF-κB、STAT1的表达降低。这证明了中药通过降低炎症因子风暴和改善抗病毒免疫来保护宿主。此外，一些研究观察到中药还能促进感染小鼠体内抗炎细胞因子（如IL-10）的产生，或调节免疫细胞亚群比例，从整体上改善感染结局。综上，体外细胞试验和体内动物试验共同构建了从计算预测到实际功效验证的完整链条，阐明了中药抗流感作用的分子机制（如抑制病毒复制、减轻炎症和细胞凋亡等），为中药抗流感新药研发提供了有力依据。
参考文献：
Li et al. Front. Pharmacol. 2020 – Traditional Chinese Medicine in Treating Influenza: From Basic Science to Clinical Applications
Xiong et al. Front. Pharmacol. 2020 – 应用网络药理学和体内实验研究感霍抗感汤治疗流感的作用机制
Wang et al. Heliyon 2023 – Network pharmacology结合实验验证研究青解退热颗粒抗流感的机制，聚焦STAT1/3信号通路
Chen et al. BioCell 2021 – 多维生物信息学分析鉴定H1N1流感关键基因并构建随机森林诊断模型
Zan et al. Comput. Methods Programs Biomed. 2022 – 深度学习模型DeepFlu根据宿主基因表达预测流感易感性（比较DNN、CNN、RF、SVM）
Lai et al. Front. Pharmacol. 2020 – 感霍抗感汤研究筛选出17个核心靶点和116个活性成分，并通过小鼠实验验证其抗炎抗病毒作用
Wang et al. Symmetry 2022 – 利用ChEMBL、PubChem数据训练机器学习模型（SVM, RF, XGBoost等）筛选H9N2禽流感活性化合物
Asadi-Samani et al. J. Herbmed Pharmacol. 2022 – 分子对接结合GROMACS分子动力学模拟研究小檗碱抑制流感NA酶的作用
Yu et al. Int. J. Mol. Sci. 2022 – 综述计算机辅助药物设计（CADD）*在抗流感药物发现中的应用进展，介绍了*PAINS过滤、虚拟筛选、SPR等方法
Cao et al. Viruses 2021 – 虚拟筛选发现一个干扰PB1-PB2相互作用的流感抑制剂，并通过MD模拟和ADMET预测验证其稳定性和可行性
Zhu et al. Front. Pharmacol. 2022 – 综述多组学技术在中药抗疾病机制研究中的应用，强调了组学数据整合和网络分析对阐释中药多靶点作用的重要性
Su et al. Ann. Transl. Med. 2022 – 基于网络药理学和分子对接研究黄芩抗甲型流感机制，发现黄芩活性成分与HA、NA、M2等病毒蛋白均有较强结合
2020-2025年流感相关中药研究进展综述
模块一：中药成分与疾病关键基因识别（系统药理阶段）
中药数据库与靶点预测： 近五年许多研究利用中药化合物数据库和网络药理学方法来预测流感的潜在靶点[xiahepublishing.com](https://xiahepublishing.com/m/2835-6357/FIM-2024-00030#:~:text=We imported the potential therapeutic,The MCODE (Molecular Complex)。常用的平台包括TCMSP、ETCM等数据库获取中药活性成分，以及SwissTargetPrediction等工具预测这些成分可能作用的蛋白靶点。例如，有研究从TCMSP、TCMID等数据库筛选出某复方的193个活性成分，利用SwissTargetPrediction预测出985个潜在靶点，并构建药物成分-靶点网络。同时对成分进行药代动力学过滤（如口服生物利用度OB≥30%、药物类药性DL≥0.14）以提高候选成分可靠性。
表达谱数据挖掘与差异基因： 系统药理研究还结合基因表达谱数据来确定流感相关的疾病基因。通常做法是从GEO等数据库获取流感感染患者与正常对照的转录组数据，应用差异表达分析（如limma包或GEO2R在线分析）筛选差异表达基因(DEGs)。例如，有研究利用GEO数据集GSE68310的血样本比较，鉴定出510个与流感感染相关的差异基因。此外还可结合GeneCards、DisGeNET等数据库检索已知的流感相关基因。将这些疾病基因与中药成分作用的预测靶点取交集，可以获得中药可能调控的“潜在治疗靶点”。这种方法帮助确定中药活性成分作用于流感的关键基因列表[xiahepublishing.com](https://xiahepublishing.com/m/2835-6357/FIM-2024-00030#:~:text=We imported the potential therapeutic,The MCODE (Molecular Complex)。
WGCNA、PPI网络与Hub基因筛选： 为了从大量候选基因中提取核心靶点，研究者采用加权基因共表达网络分析（WGCNA）和蛋白质相互作用网络（PPI）分析等系统生物学方法。WGCNA可根据基因在不同条件下的共表达模式将基因归为模块，从中发现与疾病表型高度相关的基因模块和hub基因。例如，一项针对H1N1流感的研究对感染前后差异基因进行PPI网络构建，扩展得到1725个相互作用基因，然后应用WGCNA将其分成多个模块，最终筛选出60个核心基因作为诊断流感感染的特征。在网络中，利用Cytoscape等软件根据拓扑参数（节点度、介稳中心性等）提取关键节点基因也是常用策略[xiahepublishing.com](https://xiahepublishing.com/m/2835-6357/FIM-2024-00030#:~:text=We imported the potential therapeutic,The MCODE (Molecular Complex)。例如有研究以节点度等指标筛选出27个在网络中居于中心的关键靶点基因，发现其中多个基因与流感的发生发展密切相关。这些hub基因往往涉及机体免疫和炎症通路，对流感的病理过程具有调控作用。
多组学整合锁定关键靶点： 为了更全面地揭示中药抗流感作用机制，近年出现了多组学数据整合的方法。研究者将转录组、蛋白组、代谢组等多种组学的数据结合网络药理学模型，以交叉验证关键靶点的可靠性。例如有学者在分析中药配方抗流感机制时，不仅考察了基因表达和通路富集，还结合代谢产物变化和蛋白网络来佐证核心靶点。这些多组学整合研究表明，中药往往通过多通路、多靶点协同作用发挥抗流感效应，所确定的关键靶点更具生物学意义，为新药开发提供了更可靠的方向。
模块二：AI算法筛选核心靶点基因（智能药理阶段）
特征向量构建： 在智能药理研究中，关键的一步是将生物学特征转化为可供机器学习处理的特征向量。研究者常结合基因的表达水平差异、网络拓扑特征以及生物学注释等构建特征集，用于识别流感相关的核心靶点基因。例如，可将每个基因的差异表达倍数、共表达模块归属、PPI网络中的节点度中心性等作为特征描述基因[xiahepublishing.com](https://xiahepublishing.com/m/2835-6357/FIM-2024-00030#:~:text=We imported the potential therapeutic,The MCODE (Molecular Complex)。一项流感感染诊断模型的研究中，先通过WGCNA找到与感染状态密切相关的基因模块，再提取其中60个核心基因，将这些基因的表达值作为特征用于模型训练。此外，网络药理学分析得到的拓扑指标（如度、介导度、紧密度）也被用来评价基因在网络中的重要性，从而构建靶点基因的特征向量[xiahepublishing.com](https://xiahepublishing.com/m/2835-6357/FIM-2024-00030#:~:text=We imported the potential therapeutic,The MCODE (Molecular Complex)。通过融合多维特征，可以更加全面地刻画基因的重要程度。
机器学习与深度学习模型应用： 构建好特征后，各类机器学习（ML）和深度学习（DL）模型被用于筛选流感的核心靶点基因或进行疾病预测。在过去五年中，随机森林（RF）、支持向量机（SVM）以及深度神经网络（包括CNN等）都有应用。例如，Chen等（2021年）利用差异基因和网络模块信息，训练了随机森林模型来区分流感感染状态。该模型以60个关键基因的表达为特征，构建了一个对于H1N1感染有良好预测性能的分类器，AUC达到较高水平。同时，深度学习也被引入流感易感性预测：Zan等开发了“DeepFlu”模型，采用预暴露基因表达数据训练深度神经网络，预测个体在接触病毒后是否出现症状。结果显示，DeepFlu模型优于传统CNN、RF和SVM模型，H3N2数据集上预测准确率达到73.8%，AUROC约0.84。这些研究证明了机器学习和深度学习在挖掘流感关键基因方面的价值。
AI预测结果的验证： 为确保算法筛选出的核心基因确有生物学意义，研究通常会借助独立数据或公共平台对结果进行验证。一方面，可以在独立的患者队列或公开数据库中检验这些基因的表达差异。例如，将AI筛选的基因放到GEO的其他流感数据集中验证，或查询其在特定组织中的表达水平。另一方面，虽然TCGA和GEPIA主要用于癌症数据分析，但有些研究思路会参考类似的平台验证基因的重要性，例如查询目标基因在正常肺组织与疾病状态下的表达分布，或其与免疫指标的相关性。实际上，前述DeepFlu研究就提到已知的流感易感标志物KLRD1可用于比较，模型预测的基因超过了单基因标志物的效果。总的来说，通过在独立数据集上验证、对比已知标志物等方式，可以增加AI筛选核心靶点的可信度和说服力。
模块三：候选小分子筛选与优化（智能配体筛选阶段）
抗流感小分子库来源与筛选标准： 为寻找抗流感候选化合物，研究者依托多个化合物库进行虚拟筛选和初筛过滤。常用来源包括大型商业或公开数据库，如ZINC库、ChEMBL、PubChem等，它们提供海量可采购的小分子结构。例如，有研究针对流感H9N2病毒，收集了ChEMBL、PubChem等数据库中已知的活性化合物数据，用于机器学习模型训练。在筛选过程中，一般会设定一定的理化和药效学标准（筛选规则），以淘汰不符合条件的分子。典型的过滤包括： (1) PAINS过滤 – 去除泛效应干扰化合物，以避免假阳性；(2) Brenk等子结构过滤 – 剔除含有频繁无效基团的分子；(3) Lipinski“五规则”等药物样性筛选；以及(4) 毒性和代谢预测等。比如某研究通过ADME/T性质预测筛除了不符合药代特性的分子，保留下药代性质良好的候选用于后续研究。GhKGD复方抗流感的研究中也是先采用了OB和DL阈值筛选掉低生物利用度的成分，再进行后续网络分析。经过这些步骤，可以显著提高筛选命中化合物的成药可能性。
分子过滤与ADMET预测工具应用： 在筛选小分子时，应用计算工具预测ADMET（吸收、分布、代谢、排泄和毒性）性质已成为标配。常用的有SwissADME在线平台、QikProp等软件，可快速估计分子的口服吸收度、血脑屏障通透性、肝毒性等参数。例如，某针对流感NS1蛋白的研究在虚拟筛选候选物后，利用QikProp计算了每个候选化合物的ADMET属性，并筛选出药代动力学性质良好的化合物用于后续生物评价。同时，在线PAINS-Remover等工具可自动剔除可能在生物测定中产生假信号的分子。通过这些步骤，研究者在海量分子中精选出符合药物开发要求的先导化合物，大大减少了后续实验筛选的工作量。
AI模型筛选抗流感先导结构： 除了传统虚拟筛选，近年来一些研究利用人工智能模型加速抗流感先导化合物的发现 testing)。做法是收集已知活性分子的数据（活性阳性和无效阴性），提取分子指纹等特征，训练机器学习分类模型来预测新化合物的抗病毒活性。例如，有研究针对H9N2亚型流感，汇总了5个关键靶标（HA、NA及三种聚合酶亚基）的已知抑制剂，共得到141个活性化合物和若干无活性对照，通过Morgan分子指纹表征分子结构，采用集成学习训练模型。他们比较了SVM、随机森林、XGBoost等多种算法的效果，最终优化出性能最佳的模型用于虚拟筛选。这些AI模型能够从庞大的化合物空间中优先挑选出可能有效的分子，加速发现新先导物。例如上述模型成功从海量候选中筛选出若干具有抗流感潜力的新化合物，为新药研发提供了候选清单。此外，一些深度学习的QSAR模型也被用于预测小分子的抗流感活性或选择性指数，显示出高通量筛选的智能化趋势。
模块四：蛋白结合与AI虚拟筛选（分子对接与结合预测阶段）
流感靶标蛋白结构来源： 开展分子对接前，需要获得流感病毒或宿主靶标蛋白的三维结构。常见的流感病毒靶标包括：血凝素(HA)和神经氨酸酶(NA)等表面抗原、M2质子通道、核蛋白(NP)、以及RNA依赖RNA聚合酶三亚基PB1、PB2、PA等[pmc.ncbi.nlm.nih.gov](https://pmc.ncbi.nlm.nih.gov/articles/PMC9011286/#:~:text=(P,strong affinity with receptor proteins)。这些关键蛋白的大部分晶体结构已被解析并存入PDB蛋白质数据库。例如，PA内切酶结构（PDB 6FS6）已用于设计新型流感聚合酶抑制剂；M2通道的NMR结构帮助筛选离子通道阻断剂；NA的共晶结构广泛用于对接评估新抑制剂的结合模式。近年来的网络药理学研究也常将中药成分与主要病毒蛋白进行分子对接验证，例如一项针对黄芩的研究就将其富含的黄酮类成分对接到HA、NA、NP、M1、M2等八种甲型流感主要蛋白，结果所有蛋白的对接结合能均低于-5 kJ/mol，显示出较强的亲和力[pmc.ncbi.nlm.nih.gov](https://pmc.ncbi.nlm.nih.gov/articles/PMC9011286/#:~:text=(P,strong affinity with receptor proteins)。由此可见，利用PDB提供的流感靶标结构，可以有效模拟中药分子与病毒蛋白的相互作用。
AI结合亲和力预测模型： 除传统对接打分外，人工智能技术也被用于预测配体-蛋白的结合亲和力。典型的模型如DeepDTA、GraphDTA等深度学习算法，它们通过学习大量已知药物-靶标的结合数据，来预测给定化合物与蛋白之间的结合常数或亲和评分。DeepDTA模型使用分别针对配体分子序列和蛋白序列的卷积神经网络，能够在不依赖三维结构的情况下直接从序列信息预测结合强度。GraphDTA则引入图神经网络，将分子和蛋白结构以图形式输入模型，以捕捉更丰富的结构信息。虽然目前文献中将DeepDTA/GraphDTA专门应用于流感靶点的报道不多，但已有研究将改进的DeepDTA用于预测药物与流感聚合酶蛋白的结合力，并结合对接结果进行交叉验证。总的来说，这类AI模型可作为分子对接的补充，提高结合预测的准确性，并有望发现传统打分函数遗漏的候选分子。
分子对接工具在抗流感开发中的应用： 分子对接仍是抗流感药物开发的重要手段。AutoDock Vina、Schrödinger的Glide、MOE以及Discovery Studio等对接软件被广泛用于筛选和评估候选配体。在近五年的研究中，这些工具常与高通量虚拟筛选结合使用。例如，有研究针对流感A病毒NS1蛋白，设计了多步筛选流程：首先对数万个天然产物库化合物进行Vina虚拟筛选打分，然后对顶尖化合物进一步进行更精细的对接模式分析。对接结果不仅用于评分排序，还用来分析配体与靶标关键氨基酸的相互作用，如氢键、疏水作用等，从而推断作用机制。为了确保对接预测可靠，一些研究还采用多种对接方案并行验证。例如Cao等（2021）同时使用多种对接程序对流感聚合酶PB1进行了平行虚拟筛选，比对各方案中候选物的一致性。最终筛选出的化合物往往会进入后续的分子动力学模拟和体外实验验证环节。总体来说，AutoDock、Vina等对接工具在抗流感中药和小分子开发中发挥了基础且关键的作用，为后续的实验研究提供了有力的线索。
模块五：实验验证（体外-体内验证链条）
分子动力学模拟验证结合稳定性： 在获得候选分子后，研究者常使用分子动力学（MD）模拟来评估配体-蛋白复合物的稳定性和相互作用细节。利用GROMACS等MD软件，可以模拟配体与靶标蛋白在溶液环境中的运动，从而观察结合口袋的适配性以及关键键接的稳固程度。例如，有研究筛选出一株可能干扰PB1-PB2相互作用的小分子后，进行了100 ns的GROMACS分子动力学模拟，结果发现该分子在PB1结合位点能保持稳定结合构象，并通过MM/PBSA计算得到有利的结合自由能。又如对天然产物芦丁与NS1蛋白的模拟显示，复合物在模拟过程中主要氢键保持，占据口袋稳定。此外，上文提到的NS1抑制剂筛选研究也在对接后进行了分子动力学微扰，以筛除结合不稳定的假阳性配体。通过MD模拟能够验证虚拟筛选结果的可靠性，并为优化先导化合物提供依据（如观察配体哪部分易于脱靶以指导化学修饰）。
中药先导化合物合成可行性分析： 针对从中药中发现的先导化合物，评估其化学合成或获取的可行性是药物开发的重要一步。许多传统中药活性成分结构复杂、手性中心多，可能面临合成难度。研究人员会参考文献或借助软件计算合成可及性评分，并设计可能的合成路线。过去几年有报道将找到的天然先导通过半合成或类似物合成来优化活性。例如，生物信息学分析曾提示莽草酸（shikimic acid）可能是流感的重要代谢抑制剂；莽草酸本身即来源于八角茴香，是抗流感药物奥司他韦合成的关键中间体。这一案例体现出从中药天然产物到可合成药物的转化思路。同样地，对于网络药理学筛出的其它先导化合物，研究者会考察现有化学文献（如是否已有类似结构报道合成）或尝试简化结构以提高可合成性。一些论文还专门讨论了中药活性成分的结构修饰策略，以提高稳定性和口服有效性。在抗流感中药研究中，引入化学合成和药物化学评估能够确保实验筛选出来的先导物具有继续开发的实际可能性。
SPR/BLI结合实验验证： 为了直接证明候选分子与靶标蛋白的结合，表面等离子共振（SPR）和生物层干涉（BLI）技术被应用于抗流感药物研究中。这些技术无需标记，通过实时检测分子结合引起的光学信号变化，定量测定结合亲和力和动力学常数。例如，一项研究利用SPR验证了一株广谱抗体FNI9对流感病毒神经氨酸酶(NA)的结合，结果显示其与多亚型NA具有高亲和力。同理，对于小分子抑制剂，也可将靶标蛋白（如NA或M2离子通道）固定于芯片表面，流过候选化合物以测定结合曲线，从而获得KD值。BLI技术类似，被用于检测中药提取物中活性成分与流感HA蛋白的结合情况，有助于筛选出真正有直接结合作用的成分。SPR/BLI实验的引入，使得计算预测的分子-靶标相互作用在体外获得了直接证据，大大增强了研究结论的可信度。
细胞与动物模型中的抗流感机制研究： 最终，验证链条会延伸到细胞和动物水平的功能实验，阐明中药抗流感的作用效果与机制。在细胞实验中，常用MDCK、A549等细胞系建立流感病毒感染模型，评估中药或化合物对病毒复制和宿主细胞反应的影响。例如，王玉涛等（2023年）在A549细胞中验证了青解退热颗粒(QT Granule)对流感病毒的作用，发现QT处理可显著抑制H1N1感染诱导的STAT1/3信号通路过激活和炎症趋化因子表达。Western blot结果表明QT干预降低了感染细胞中磷酸化STAT1水平，qPCR显示多种促炎细胞因子表达被下调。这些结果支持该中药通过调节宿主抗病毒免疫途径发挥作用。同样地，许多中药提取物被证明能减少流感感染细胞的凋亡率，减轻病毒引发的细胞损伤（例如抑制过度的活性氧和线粒体凋亡通路）。在动物实验方面，小鼠流感感染模型是最常用的体内验证手段。有代表性的如赖燕妮等（2020年）评价了感霍抗感汤(GHKGD)在小鼠感染模型中的效果：给予感染H1N1的小鼠该中药后，小鼠体重下降显著减少，肺组织的炎症病理损伤减轻，并且肺中病毒滴度和病毒NP蛋白表达量显著低于对照组. After the)。机制分析显示，给予中药的小鼠肺内RIG-I样受体信号通路受到抑制，关键炎症介质如NF-κB、STAT1的表达降低. After the)。这证明了中药通过降低炎症因子风暴和改善抗病毒免疫来保护宿主。此外，一些研究观察到中药还能促进感染小鼠体内抗炎细胞因子（如IL-10）的产生，或调节免疫细胞亚群比例，从整体上改善感染结局. After the)。综上，体外细胞试验和体内动物试验共同构建了从计算预测到实际功效验证的完整链条，阐明了中药抗流感作用的分子机制（如抑制病毒复制、减轻炎症和细胞凋亡等），为中药抗流感新药研发提供了有力依据。
参考文献：
Li et al. Front. Pharmacol. 2020 – Traditional Chinese Medicine in Treating Influenza: From Basic Science to Clinical Applications
Xiong et al. Front. Pharmacol. 2020 – 应用网络药理学和体内实验研究感霍抗感汤治疗流感的作用机制
Wang et al. Heliyon 2023 – Network pharmacology结合实验验证研究青解退热颗粒抗流感的机制，聚焦STAT1/3信号通路
Chen et al. BioCell 2021 – 多维生物信息学分析鉴定H1N1流感关键基因并构建随机森林诊断模型
Zan et al. Comput. Methods Programs Biomed. 2022 – 深度学习模型DeepFlu根据宿主基因表达预测流感易感性（比较DNN、CNN、RF、SVM）
Lai et al. Front. Pharmacol. 2020 – 感霍抗感汤研究筛选出17个核心靶点和116个活性成分，并通过小鼠实验验证其抗炎抗病毒作用
Wang et al. Symmetry 2022 – 利用ChEMBL、PubChem数据训练机器学习模型（SVM, RF, XGBoost等）筛选H9N2禽流感活性化合物
Asadi-Samani et al. J. Herbmed Pharmacol. 2022 – 分子对接结合GROMACS分子动力学模拟研究小檗碱抑制流感NA酶的作用
Yu et al. Int. J. Mol. Sci. 2022 – 综述计算机辅助药物设计（CADD）*在抗流感药物发现中的应用进展，介绍了*PAINS过滤、虚拟筛选、SPR等方法
Cao et al. Viruses 2021 – 虚拟筛选发现一个干扰PB1-PB2相互作用的流感抑制剂，并通过MD模拟和ADMET预测验证其稳定性和可行性
Zhu et al. Front. Pharmacol. 2022 – 综述多组学技术在中药抗疾病机制研究中的应用，强调了组学数据整合和网络分析对阐释中药多靶点作用的重要性
Su et al. Ann. Transl. Med. 2022 – 基于网络药理学和分子对接研究黄芩抗甲型流感机制，发现黄芩活性成分与HA、NA、M2等病毒蛋白均有较强结合[pmc.ncbi.nlm.nih.gov](https://pmc.ncbi.nlm.nih.gov/articles/PMC9011286/#:~:text=(P,strong affinity with receptor proteins)
Citations
Xia & He Publishing
https://xiahepublishing.com/m/2835-6357/FIM-2024-00030
Xia & He Publishing
https://xiahepublishing.com/m/2835-6357/FIM-2024-00030
Xia & He Publishing
https://xiahepublishing.com/m/2835-6357/FIM-2024-00030
Xia & He Publishing
https://xiahepublishing.com/m/2835-6357/FIM-2024-00030
Xia & He Publishing
https://xiahepublishing.com/m/2835-6357/FIM-2024-00030
Frontiers | Ganghuo Kanggan Decoction in Influenza: Integrating Network Pharmacology and In Vivo Pharmacological Evaluation
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2020.607027/full
Frontiers | Ganghuo Kanggan Decoction in Influenza: Integrating Network Pharmacology and In Vivo Pharmacological Evaluation
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2020.607027/full
Xia & He Publishing
https://xiahepublishing.com/m/2835-6357/FIM-2024-00030
Xia & He Publishing
https://xiahepublishing.com/m/2835-6357/FIM-2024-00030
Xia & He Publishing
https://xiahepublishing.com/m/2835-6357/FIM-2024-00030
Xia & He Publishing
https://xiahepublishing.com/m/2835-6357/FIM-2024-00030
Integrated analysis of human influenza A (H1N1) virus infection-related genes to construct a suitable diagnostic model
https://www.techscience.com/biocell/v45n4/42354/html
Integrated analysis of human influenza A (H1N1) virus infection-related genes to construct a suitable diagnostic model
https://www.techscience.com/biocell/v45n4/42354/html
Integrated analysis of human influenza A (H1N1) virus infection-related genes to construct a suitable diagnostic model
https://www.techscience.com/biocell/v45n4/42354/html
Xia & He Publishing
https://xiahepublishing.com/m/2835-6357/FIM-2024-00030
Xia & He Publishing
https://xiahepublishing.com/m/2835-6357/FIM-2024-00030
Frontiers | Ganghuo Kanggan Decoction in Influenza: Integrating Network Pharmacology and In Vivo Pharmacological Evaluation
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2020.607027/full
Frontiers | Ganghuo Kanggan Decoction in Influenza: Integrating Network Pharmacology and In Vivo Pharmacological Evaluation
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2020.607027/full
Frontiers | Multi-omics approaches for in-depth understanding of therapeutic mechanism for Traditional Chinese Medicine
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2022.1031051/full
Frontiers | Multi-omics approaches for in-depth understanding of therapeutic mechanism for Traditional Chinese Medicine
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2022.1031051/full
Frontiers | Multi-omics approaches for in-depth understanding of therapeutic mechanism for Traditional Chinese Medicine
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2022.1031051/full
Frontiers | Multi-omics approaches for in-depth understanding of therapeutic mechanism for Traditional Chinese Medicine
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2022.1031051/full
Integrated analysis of human influenza A (H1N1) virus infection-related genes to construct a suitable diagnostic model
https://www.techscience.com/biocell/v45n4/42354/html
Integrated analysis of human influenza A (H1N1) virus infection-related genes to construct a suitable diagnostic model
https://www.techscience.com/biocell/v45n4/42354/html
DeepFlu: a deep learning approach for forecasting symptomatic influenza A infection based on pre-exposure gene expression - PubMed
https://pubmed.ncbi.nlm.nih.gov/34798406/
DeepFlu: a deep learning approach for forecasting symptomatic influenza A infection based on pre-exposure gene expression - PubMed
https://pubmed.ncbi.nlm.nih.gov/34798406/
DeepFlu: a deep learning approach for forecasting symptomatic influenza A infection based on pre-exposure gene expression - PubMed
https://pubmed.ncbi.nlm.nih.gov/34798406/
DeepFlu: a deep learning approach for forecasting symptomatic influenza A infection based on pre-exposure gene expression - PubMed
https://pubmed.ncbi.nlm.nih.gov/34798406/
Machine Learning for the Prediction of Antiviral Compounds Targeting Avian Influenza A/H9N2 Viral Proteins
https://www.mdpi.com/2073-8994/14/6/1114
Machine Learning for the Prediction of Antiviral Compounds Targeting Avian Influenza A/H9N2 Viral Proteins
https://www.mdpi.com/2073-8994/14/6/1114
Recent Advances in Application of Computer-Aided Drug Design in Anti-Influenza A Virus Drug Discovery
https://www.mdpi.com/1422-0067/23/9/4738
Exploring the Antiviral Potential of Natural Compounds against Influenza: A Combined Computational and Experimental Approach
https://www.mdpi.com/1422-0067/25/9/4911
Exploring the Antiviral Potential of Natural Compounds against Influenza: A Combined Computational and Experimental Approach
https://www.mdpi.com/1422-0067/25/9/4911
Frontiers | Ganghuo Kanggan Decoction in Influenza: Integrating Network Pharmacology and In Vivo Pharmacological Evaluation
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2020.607027/full
Exploring the Antiviral Potential of Natural Compounds against Influenza: A Combined Computational and Experimental Approach
https://www.mdpi.com/1422-0067/25/9/4911
Exploring the Antiviral Potential of Natural Compounds against Influenza: A Combined Computational and Experimental Approach
https://www.mdpi.com/1422-0067/25/9/4911
Machine Learning for the Prediction of Antiviral Compounds Targeting Avian Influenza A/H9N2 Viral Proteins
https://www.mdpi.com/2073-8994/14/6/1114
Machine Learning for the Prediction of Antiviral Compounds Targeting Avian Influenza A/H9N2 Viral Proteins
https://www.mdpi.com/2073-8994/14/6/1114
Prediction of the small molecule selectivity index against influenza ...
https://link.springer.com/article/10.1007/s11172-025-4579-5
Mechanism of Radix Scutellariae in the treatment of influenza A based on network pharmacology and molecular docking - PMC
https://pmc.ncbi.nlm.nih.gov/articles/PMC9011286/
Recent Advances in Application of Computer-Aided Drug Design in Anti-Influenza A Virus Drug Discovery
https://www.mdpi.com/1422-0067/23/9/4738
Recent Advances in Application of Computer-Aided Drug Design in Anti-Influenza A Virus Drug Discovery
https://www.mdpi.com/1422-0067/23/9/4738
Mechanism of Radix Scutellariae in the treatment of influenza A based on network pharmacology and molecular docking - PMC
https://pmc.ncbi.nlm.nih.gov/articles/PMC9011286/
MGraphDTA: deep multiscale graph neural network for explainable drug–target binding affinity prediction - Chemical Science (RSC Publishing)
https://pubs.rsc.org/en/content/articlelanding/2022/sc/d1sc05180f
MGraphDTA: deep multiscale graph neural network for explainable drug–target binding affinity prediction - Chemical Science (RSC Publishing)
https://pubs.rsc.org/en/content/articlelanding/2022/sc/d1sc05180f
A Deep Learning Approach for Predicting Antigenic Variation of ...
https://onlinelibrary.wiley.com/doi/10.1155/2021/9997669
A Deep Learning Approach for Predicting Antigenic Variation of ...
Virtual screening approach to identifying influenza virus ...
https://pmc.ncbi.nlm.nih.gov/articles/PMC5669956/
Molecular Docking and Virtual Screening of an Influenza Virus ...
https://pmc.ncbi.nlm.nih.gov/articles/PMC8620322/
Combined deep learning and molecular docking simulations ...
https://www.sciencedirect.com/science/article/abs/pii/S001048252100843X
Recent Advances in Application of Computer-Aided Drug Design in Anti-Influenza A Virus Drug Discovery
https://www.mdpi.com/1422-0067/23/9/4738
Exploring the Antiviral Potential of Natural Compounds against Influenza: A Combined Computational and Experimental Approach
https://www.mdpi.com/1422-0067/25/9/4911
Exploring the Antiviral Potential of Natural Compounds against Influenza: A Combined Computational and Experimental Approach
https://www.mdpi.com/1422-0067/25/9/4911
Exploring the Antiviral Potential of Natural Compounds against Influenza: A Combined Computational and Experimental Approach
https://www.mdpi.com/1422-0067/25/9/4911
Exploring the Antiviral Potential of Natural Compounds against Influenza: A Combined Computational and Experimental Approach
https://www.mdpi.com/1422-0067/25/9/4911
Molecular Docking and Virtual Screening of an Influenza Virus Inhibitor That Disrupts Protein–Protein Interactions - PMC
https://pmc.ncbi.nlm.nih.gov/articles/PMC8620322/
Molecular Docking and Virtual Screening of an Influenza Virus Inhibitor That Disrupts Protein–Protein Interactions - PMC
https://pmc.ncbi.nlm.nih.gov/articles/PMC8620322/
Evaluation of berberine inhibitory effects on influenza neuraminidase enzyme: A molecular dynamics study
https://herbmedpharmacol.com/Article/jhp-42334
Evaluation of berberine inhibitory effects on influenza neuraminidase enzyme: A molecular dynamics study
https://herbmedpharmacol.com/Article/jhp-42334
Integrated analysis of human influenza A (H1N1) virus infection-related genes to construct a suitable diagnostic model
https://www.techscience.com/biocell/v45n4/42354/html
Integrated analysis of human influenza A (H1N1) virus infection-related genes to construct a suitable diagnostic model
https://www.techscience.com/biocell/v45n4/42354/html
Development of anti‐influenza agents from natural products
https://onlinelibrary.wiley.com/doi/abs/10.1002/med.21707
A pan-influenza antibody inhibiting neuraminidase via receptor ...
https://www.nature.com/articles/s41586-023-06136-y
A pan-influenza antibody inhibiting neuraminidase via receptor ...
https://www.nature.com/articles/s41586-023-06136-y
Network pharmacology associated anti-influenza mechanism research of Qingjie-Tuire Granule via STAT1/3 signaling pathway - PubMed
https://pubmed.ncbi.nlm.nih.gov/37101493/
Frontiers | Ganghuo Kanggan Decoction in Influenza: Integrating Network Pharmacology and In Vivo Pharmacological Evaluation
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2020.607027/full
Frontiers | Ganghuo Kanggan Decoction in Influenza: Integrating Network Pharmacology and In Vivo Pharmacological Evaluation
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2020.607027/full
Frontiers | Ganghuo Kanggan Decoction in Influenza: Integrating Network Pharmacology and In Vivo Pharmacological Evaluation
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2020.607027/full
Frontiers | Traditional Chinese Medicine in Treating Influenza: From Basic Science to Clinical Applications
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2020.575803/full
Frontiers | Traditional Chinese Medicine in Treating Influenza: From Basic Science to Clinical Applications
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2020.575803/full
Frontiers | Ganghuo Kanggan Decoction in Influenza: Integrating Network Pharmacology and In Vivo Pharmacological Evaluation
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2020.607027/full
Network pharmacology associated anti-influenza mechanism research of Qingjie-Tuire Granule via STAT1/3 signaling pathway - PubMed
https://pubmed.ncbi.nlm.nih.gov/37101493/
Frontiers | Ganghuo Kanggan Decoction in Influenza: Integrating Network Pharmacology and In Vivo Pharmacological Evaluation
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2020.607027/full
Frontiers | Ganghuo Kanggan Decoction in Influenza: Integrating Network Pharmacology and In Vivo Pharmacological Evaluation
https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2020.607027/full
Evaluation of berberine inhibitory effects on influenza neuraminidase enzyme: A molecular dynamics study
https://herbmedpharmacol.com/Article/jhp-42334
Recent Advances in Application of Computer-Aided Drug Design in Anti-Influenza A Virus Drug Discovery
https://www.mdpi.com/1422-0067/23/9/4738
Molecular Docking and Virtual Screening of an Influenza Virus Inhibitor That Disrupts Protein–Protein Interactions - PMC
https://pmc.ncbi.nlm.nih.gov/articles/PMC8620322/
2020-2025年流感相关中药研究进展综述
模块一：中药成分与疾病关键基因识别（系统药理阶段）
中药数据库与靶点预测： 近五年许多研究利用中药化合物数据库和网络药理学方法来预测流感的潜在靶点。常用的平台包括TCMSP、ETCM等数据库获取中药活性成分，以及SwissTargetPrediction等工具预测这些成分可能作用的蛋白靶点。例如，有研究从TCMSP、TCMID等数据库筛选出某复方的193个活性成分，利用SwissTargetPrediction预测出985个潜在靶点，并构建药物成分-靶点网络。同时对成分进行药代动力学过滤（如口服生物利用度OB≥30%、药物类药性DL≥0.14）以提高候选成分可靠性。
表达谱数据挖掘与差异基因： 系统药理研究还结合基因表达谱数据来确定流感相关的疾病基因。通常做法是从GEO等数据库获取流感感染患者与正常对照的转录组数据，应用差异表达分析（如limma包或GEO2R在线分析）筛选差异表达基因(DEGs)。例如，有研究利用GEO数据集GSE68310的血样本比较，鉴定出510个与流感感染相关的差异基因。此外还可结合GeneCards、DisGeNET等数据库检索已知的流感相关基因。将这些疾病基因与中药成分作用的预测靶点取交集，可以获得中药可能调控的“潜在治疗靶点”。这种方法帮助确定中药活性成分作用于流感的关键基因列表。
WGCNA、PPI网络与Hub基因筛选： 为了从大量候选基因中提取核心靶点，研究者采用加权基因共表达网络分析（WGCNA）和蛋白质相互作用网络（PPI）分析等系统生物学方法。WGCNA可根据基因在不同条件下的共表达模式将基因归为模块，从中发现与疾病表型高度相关的基因模块和hub基因。例如，一项针对H1N1流感的研究对感染前后差异基因进行PPI网络构建，扩展得到1725个相互作用基因，然后应用WGCNA将其分成多个模块，最终筛选出60个核心基因作为诊断流感感染的特征。在网络中，利用Cytoscape等软件根据拓扑参数（节点度、介稳中心性等）提取关键节点基因也是常用策略。例如有研究以节点度等指标筛选出27个在网络中居于中心的关键靶点基因，发现其中多个基因与流感的发生发展密切相关。这些hub基因往往涉及机体免疫和炎症通路，对流感的病理过程具有调控作用。
多组学整合锁定关键靶点： 为了更全面地揭示中药抗流感作用机制，近年出现了多组学数据整合的方法。研究者将转录组、蛋白组、代谢组等多种组学的数据结合网络药理学模型，以交叉验证关键靶点的可靠性。例如有学者在分析中药配方抗流感机制时，不仅考察了基因表达和通路富集，还结合代谢产物变化和蛋白网络来佐证核心靶点。这些多组学整合研究表明，中药往往通过多通路、多靶点协同作用发挥抗流感效应，所确定的关键靶点更具生物学意义，为新药开发提供了更可靠的方向。
模块二：AI算法筛选核心靶点基因（智能药理阶段）
特征向量构建： 在智能药理研究中，关键的一步是将生物学特征转化为可供机器学习处理的特征向量。研究者常结合基因的表达水平差异、网络拓扑特征以及生物学注释等构建特征集，用于识别流感相关的核心靶点基因。例如，可将每个基因的差异表达倍数、共表达模块归属、PPI网络中的节点度中心性等作为特征描述基因。一项流感感染诊断模型的研究中，先通过WGCNA找到与感染状态密切相关的基因模块，再提取其中60个核心基因，将这些基因的表达值作为特征用于模型训练。此外，网络药理学分析得到的拓扑指标（如度、介导度、紧密度）也被用来评价基因在网络中的重要性，从而构建靶点基因的特征向量。通过融合多维特征，可以更加全面地刻画基因的重要程度。
机器学习与深度学习模型应用： 构建好特征后，各类机器学习（ML）和深度学习（DL）模型被用于筛选流感的核心靶点基因或进行疾病预测。在过去五年中，随机森林（RF）、支持向量机（SVM）以及深度神经网络（包括CNN等）都有应用。例如，Chen等（2021年）利用差异基因和网络模块信息，训练了随机森林模型来区分流感感染状态。该模型以60个关键基因的表达为特征，构建了一个对于H1N1感染有良好预测性能的分类器，AUC达到较高水平。同时，深度学习也被引入流感易感性预测：Zan等开发了“DeepFlu”模型，采用预暴露基因表达数据训练深度神经网络，预测个体在接触病毒后是否出现症状。结果显示，DeepFlu模型优于传统CNN、RF和SVM模型，H3N2数据集上预测准确率达到73.8%，AUROC约0.84。这些研究证明了机器学习和深度学习在挖掘流感关键基因方面的价值。
AI预测结果的验证： 为确保算法筛选出的核心基因确有生物学意义，研究通常会借助独立数据或公共平台对结果进行验证。一方面，可以在独立的患者队列或公开数据库中检验这些基因的表达差异。例如，将AI筛选的基因放到GEO的其他流感数据集中验证，或查询其在特定组织中的表达水平。另一方面，虽然TCGA和GEPIA主要用于癌症数据分析，但有些研究思路会参考类似的平台验证基因的重要性，例如查询目标基因在正常肺组织与疾病状态下的表达分布，或其与免疫指标的相关性。实际上，前述DeepFlu研究就提到已知的流感易感标志物KLRD1可用于比较，模型预测的基因超过了单基因标志物的效果。总的来说，通过在独立数据集上验证、对比已知标志物等方式，可以增加AI筛选核心靶点的可信度和说服力。
模块三：候选小分子筛选与优化（智能配体筛选阶段）
抗流感小分子库来源与筛选标准： 为寻找抗流感候选化合物，研究者依托多个化合物库进行虚拟筛选和初筛过滤。常用来源包括大型商业或公开数据库，如ZINC库、ChEMBL、PubChem等，它们提供海量可采购的小分子结构。例如，有研究针对流感H9N2病毒，收集了ChEMBL、PubChem等数据库中已知的活性化合物数据，用于机器学习模型训练。在筛选过程中，一般会设定一定的理化和药效学标准（筛选规则），以淘汰不符合条件的分子。典型的过滤包括： (1) PAINS过滤 – 去除泛效应干扰化合物，以避免假阳性；(2) Brenk等子结构过滤 – 剔除含有频繁无效基团的分子；(3) Lipinski“五规则”等药物样性筛选；以及(4) 毒性和代谢预测等。比如某研究通过ADME/T性质预测筛除了不符合药代特性的分子，保留下药代性质良好的候选用于后续研究。GhKGD复方抗流感的研究中也是先采用了OB和DL阈值筛选掉低生物利用度的成分，再进行后续网络分析。经过这些步骤，可以显著提高筛选命中化合物的成药可能性。
分子过滤与ADMET预测工具应用： 在筛选小分子时，应用计算工具预测ADMET（吸收、分布、代谢、排泄和毒性）性质已成为标配。常用的有SwissADME在线平台、QikProp等软件，可快速估计分子的口服吸收度、血脑屏障通透性、肝毒性等参数。例如，某针对流感NS1蛋白的研究在虚拟筛选候选物后，利用QikProp计算了每个候选化合物的ADMET属性，并筛选出药代动力学性质良好的化合物用于后续生物评价。同时，在线PAINS-Remover等工具可自动剔除可能在生物测定中产生假信号的分子。通过这些步骤，研究者在海量分子中精选出符合药物开发要求的先导化合物，大大减少了后续实验筛选的工作量。
AI模型筛选抗流感先导结构： 除了传统虚拟筛选，近年来一些研究利用人工智能模型加速抗流感先导化合物的发现。做法是收集已知活性分子的数据（活性阳性和无效阴性），提取分子指纹等特征，训练机器学习分类模型来预测新化合物的抗病毒活性。例如，有研究针对H9N2亚型流感，汇总了5个关键靶标（HA、NA及三种聚合酶亚基）的已知抑制剂，共得到141个活性化合物和若干无活性对照，通过Morgan分子指纹表征分子结构，采用集成学习训练模型。他们比较了SVM、随机森林、XGBoost等多种算法的效果，最终优化出性能最佳的模型用于虚拟筛选。这些AI模型能够从庞大的化合物空间中优先挑选出可能有效的分子，加速发现新先导物。例如上述模型成功从海量候选中筛选出若干具有抗流感潜力的新化合物，为新药研发提供了候选清单。此外，一些深度学习的QSAR模型也被用于预测小分子的抗流感活性或选择性指数，显示出高通量筛选的智能化趋势。
模块四：蛋白结合与AI虚拟筛选（分子对接与结合预测阶段）
流感靶标蛋白结构来源： 开展分子对接前，需要获得流感病毒或宿主靶标蛋白的三维结构。常见的流感病毒靶标包括：血凝素(HA)和神经氨酸酶(NA)等表面抗原、M2质子通道、核蛋白(NP)、以及RNA依赖RNA聚合酶三亚基PB1、PB2、PA等。这些关键蛋白的大部分晶体结构已被解析并存入PDB蛋白质数据库。例如，PA内切酶结构（PDB 6FS6）已用于设计新型流感聚合酶抑制剂；M2通道的NMR结构帮助筛选离子通道阻断剂；NA的共晶结构广泛用于对接评估新抑制剂的结合模式。近年来的网络药理学研究也常将中药成分与主要病毒蛋白进行分子对接验证，例如一项针对黄芩的研究就将其富含的黄酮类成分对接到HA、NA、NP、M1、M2等八种甲型流感主要蛋白，结果所有蛋白的对接结合能均低于-5 kJ/mol，显示出较强的亲和力。由此可见，利用PDB提供的流感靶标结构，可以有效模拟中药分子与病毒蛋白的相互作用。
AI结合亲和力预测模型： 除传统对接打分外，人工智能技术也被用于预测配体-蛋白的结合亲和力。典型的模型如DeepDTA、GraphDTA等深度学习算法，它们通过学习大量已知药物-靶标的结合数据，来预测给定化合物与蛋白之间的结合常数或亲和评分。DeepDTA模型使用分别针对配体分子序列和蛋白序列的卷积神经网络，能够在不依赖三维结构的情况下直接从序列信息预测结合强度。GraphDTA则引入图神经网络，将分子和蛋白结构以图形式输入模型，以捕捉更丰富的结构信息。虽然目前文献中将DeepDTA/GraphDTA专门应用于流感靶点的报道不多，但已有研究将改进的DeepDTA用于预测药物与流感聚合酶蛋白的结合力，并结合对接结果进行交叉验证。总的来说，这类AI模型可作为分子对接的补充，提高结合预测的准确性，并有望发现传统打分函数遗漏的候选分子。
分子对接工具在抗流感开发中的应用： 分子对接仍是抗流感药物开发的重要手段。AutoDock Vina、Schrödinger的Glide、MOE以及Discovery Studio等对接软件被广泛用于筛选和评估候选配体。在近五年的研究中，这些工具常与高通量虚拟筛选结合使用。例如，有研究针对流感A病毒NS1蛋白，设计了多步筛选流程：首先对数万个天然产物库化合物进行Vina虚拟筛选打分，然后对顶尖化合物进一步进行更精细的对接模式分析。对接结果不仅用于评分排序，还用来分析配体与靶标关键氨基酸的相互作用，如氢键、疏水作用等，从而推断作用机制。为了确保对接预测可靠，一些研究还采用多种对接方案并行验证。例如Cao等（2021）同时使用多种对接程序对流感聚合酶PB1进行了平行虚拟筛选，比对各方案中候选物的一致性。最终筛选出的化合物往往会进入后续的分子动力学模拟和体外实验验证环节。总体来说，AutoDock、Vina等对接工具在抗流感中药和小分子开发中发挥了基础且关键的作用，为后续的实验研究提供了有力的线索。
模块五：实验验证（体外-体内验证链条）
分子动力学模拟验证结合稳定性： 在获得候选分子后，研究者常使用分子动力学（MD）模拟来评估配体-蛋白复合物的稳定性和相互作用细节。利用GROMACS等MD软件，可以模拟配体与靶标蛋白在溶液环境中的运动，从而观察结合口袋的适配性以及关键键接的稳固程度。例如，有研究筛选出一株可能干扰PB1-PB2相互作用的小分子后，进行了100 ns的GROMACS分子动力学模拟，结果发现该分子在PB1结合位点能保持稳定结合构象，并通过MM/PBSA计算得到有利的结合自由能。又如对天然产物芦丁与NS1蛋白的模拟显示，复合物在模拟过程中主要氢键保持，占据口袋稳定。此外，上文提到的NS1抑制剂筛选研究也在对接后进行了分子动力学微扰，以筛除结合不稳定的假阳性配体。通过MD模拟能够验证虚拟筛选结果的可靠性，并为优化先导化合物提供依据（如观察配体哪部分易于脱靶以指导化学修饰）。
中药先导化合物合成可行性分析： 针对从中药中发现的先导化合物，评估其化学合成或获取的可行性是药物开发的重要一步。许多传统中药活性成分结构复杂、手性中心多，可能面临合成难度。研究人员会参考文献或借助软件计算合成可及性评分，并设计可能的合成路线。过去几年有报道将找到的天然先导通过半合成或类似物合成来优化活性。例如，生物信息学分析曾提示莽草酸（shikimic acid）可能是流感的重要代谢抑制剂；莽草酸本身即来源于八角茴香，是抗流感药物奥司他韦合成的关键中间体。这一案例体现出从中药天然产物到可合成药物的转化思路。同样地，对于网络药理学筛出的其它先导化合物，研究者会考察现有化学文献（如是否已有类似结构报道合成）或尝试简化结构以提高可合成性。一些论文还专门讨论了中药活性成分的结构修饰策略，以提高稳定性和口服有效性。在抗流感中药研究中，引入化学合成和药物化学评估能够确保实验筛选出来的先导物具有继续开发的实际可能性。
SPR/BLI结合实验验证： 为了直接证明候选分子与靶标蛋白的结合，表面等离子共振（SPR）和生物层干涉（BLI）技术被应用于抗流感药物研究中。这些技术无需标记，通过实时检测分子结合引起的光学信号变化，定量测定结合亲和力和动力学常数。例如，一项研究利用SPR验证了一株广谱抗体FNI9对流感病毒神经氨酸酶(NA)的结合，结果显示其与多亚型NA具有高亲和力。同理，对于小分子抑制剂，也可将靶标蛋白（如NA或M2离子通道）固定于芯片表面，流过候选化合物以测定结合曲线，从而获得KD值。BLI技术类似，被用于检测中药提取物中活性成分与流感HA蛋白的结合情况，有助于筛选出真正有直接结合作用的成分。SPR/BLI实验的引入，使得计算预测的分子-靶标相互作用在体外获得了直接证据，大大增强了研究结论的可信度。
细胞与动物模型中的抗流感机制研究： 最终，验证链条会延伸到细胞和动物水平的功能实验，阐明中药抗流感的作用效果与机制。在细胞实验中，常用MDCK、A549等细胞系建立流感病毒感染模型，评估中药或化合物对病毒复制和宿主细胞反应的影响。例如，王玉涛等（2023年）在A549细胞中验证了青解退热颗粒(QT Granule)对流感病毒的作用，发现QT处理可显著抑制H1N1感染诱导的STAT1/3信号通路过激活和炎症趋化因子表达。Western blot结果表明QT干预降低了感染细胞中磷酸化STAT1水平，qPCR显示多种促炎细胞因子表达被下调。这些结果支持该中药通过调节宿主抗病毒免疫途径发挥作用。同样地，许多中药提取物被证明能减少流感感染细胞的凋亡率，减轻病毒引发的细胞损伤（例如抑制过度的活性氧和线粒体凋亡通路）。在动物实验方面，小鼠流感感染模型是最常用的体内验证手段。有代表性的如赖燕妮等（2020年）评价了感霍抗感汤(GHKGD)在小鼠感染模型中的效果：给予感染H1N1的小鼠该中药后，小鼠体重下降显著减少，肺组织的炎症病理损伤减轻，并且肺中病毒滴度和病毒NP蛋白表达量显著低于对照组。机制分析显示，给予中药的小鼠肺内RIG-I样受体信号通路受到抑制，关键炎症介质如NF-κB、STAT1的表达降低。这证明了中药通过降低炎症因子风暴和改善抗病毒免疫来保护宿主。此外，一些研究观察到中药还能促进感染小鼠体内抗炎细胞因子（如IL-10）的产生，或调节免疫细胞亚群比例，从整体上改善感染结局。综上，体外细胞试验和体内动物试验共同构建了从计算预测到实际功效验证的完整链条，阐明了中药抗流感作用的分子机制（如抑制病毒复制、减轻炎症和细胞凋亡等），为中药抗流感新药研发提供了有力依据。
参考文献：
Li et al. Front. Pharmacol. 2020 – Traditional Chinese Medicine in Treating Influenza: From Basic Science to Clinical Applications
Xiong et al. Front. Pharmacol. 2020 – 应用网络药理学和体内实验研究感霍抗感汤治疗流感的作用机制
Wang et al. Heliyon 2023 – Network pharmacology结合实验验证研究青解退热颗粒抗流感的机制，聚焦STAT1/3信号通路
Chen et al. BioCell 2021 – 多维生物信息学分析鉴定H1N1流感关键基因并构建随机森林诊断模型
Zan et al. Comput. Methods Programs Biomed. 2022 – 深度学习模型DeepFlu根据宿主基因表达预测流感易感性（比较DNN、CNN、RF、SVM）
Lai et al. Front. Pharmacol. 2020 – 感霍抗感汤研究筛选出17个核心靶点和116个活性成分，并通过小鼠实验验证其抗炎抗病毒作用
Wang et al. Symmetry 2022 – 利用ChEMBL、PubChem数据训练机器学习模型（SVM, RF, XGBoost等）筛选H9N2禽流感活性化合物
Asadi-Samani et al. J. Herbmed Pharmacol. 2022 – 分子对接结合GROMACS分子动力学模拟研究小檗碱抑制流感NA酶的作用
Yu et al. Int. J. Mol. Sci. 2022 – 综述计算机辅助药物设计（CADD）*在抗流感药物发现中的应用进展，介绍了*PAINS过滤、虚拟筛选、SPR等方法
Cao et al. Viruses 2021 – 虚拟筛选发现一个干扰PB1-PB2相互作用的流感抑制剂，并通过MD模拟和ADMET预测验证其稳定性和可行性
Zhu et al. Front. Pharmacol. 2022 – 综述多组学技术在中药抗疾病机制研究中的应用，强调了组学数据整合和网络分析对阐释中药多靶点作用的重要性
Su et al. Ann. Transl. Med. 2022 – 基于网络药理学和分子对接研究黄芩抗甲型流感机制，发现黄芩活性成分与HA、NA、M2等病毒蛋白
评论
发表评论