本發(fā)明屬于生物信息技術(shù)領(lǐng)域。具體而言，本發(fā)明涉及復(fù)雜生物分子網(wǎng)絡(luò)如蛋白質(zhì)相互作用網(wǎng)絡(luò)、基因表達(dá)調(diào)控網(wǎng)絡(luò)、藥物代謝和藥物靶點(diǎn)等網(wǎng)絡(luò)中的模塊在經(jīng)藥物干預(yù)后由一種構(gòu)象轉(zhuǎn)變?yōu)榱硪环N構(gòu)象的量化方法。

背景技術(shù)：

網(wǎng)絡(luò)結(jié)構(gòu)分析是將一個(gè)感興趣的系統(tǒng)表示成網(wǎng)絡(luò)，進(jìn)而采用量化指標(biāo)來(lái)研究該網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)特性的過(guò)程。模塊作為網(wǎng)絡(luò)結(jié)構(gòu)層次的中等粒度，代表了網(wǎng)絡(luò)的局部特征和網(wǎng)絡(luò)構(gòu)成。因此，可以將網(wǎng)絡(luò)拓?fù)鋮?shù)度量方法用于對(duì)模塊拓?fù)涮卣鞯拿枋觥?/p>

網(wǎng)絡(luò)藥理學(xué)認(rèn)為當(dāng)生物系統(tǒng)為穩(wěn)態(tài)和平衡態(tài)時(shí)，機(jī)體處于健康狀態(tài)。當(dāng)生物系統(tǒng)(生物網(wǎng)絡(luò))的平衡(健康狀態(tài))被擾亂或破壞時(shí)，則會(huì)導(dǎo)致病理或疾病狀態(tài)。而藥物對(duì)疾病的治療作用可以看作生物系統(tǒng)或生物網(wǎng)絡(luò)對(duì)外部擾動(dòng)信息的應(yīng)答，即有效藥物的作用將使平衡向能夠減弱這種改變的方向移動(dòng)，在于重建生物系統(tǒng)的平衡或減輕平衡被破壞的程度。然而，藥物的影響是否能有效地體現(xiàn)在網(wǎng)絡(luò)的全局改變上還值得商榷，有研究認(rèn)為聚焦于網(wǎng)絡(luò)局部及片段(模塊)的改變可能會(huì)更直接有效地評(píng)估藥物的影響。

既往研究對(duì)模塊改變程度的測(cè)量多從某一個(gè)或幾個(gè)拓?fù)鋮?shù)分別進(jìn)行量化分析，忽略了對(duì)模塊整體(多維)構(gòu)象改變程度的綜合定量分析。因此目前本領(lǐng)域仍然需要提供能夠綜合量化模塊整體構(gòu)象變化程度的新方法。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述技術(shù)問(wèn)題，本發(fā)明提供一種能夠定量分析生物分子網(wǎng)絡(luò)中模塊整體構(gòu)象變化程度的新方法，該方法整合模塊不同維度(即屬性)的拓?fù)鋮?shù)，構(gòu)建模塊綜合評(píng)價(jià)體系，能夠定量分析藥物干預(yù)前后模塊整體構(gòu)象的變化程度。

定義

本文采用的術(shù)語(yǔ)“生物分子網(wǎng)絡(luò)”是指在生物系統(tǒng)中以不同組織形式存在的生物系統(tǒng)網(wǎng)絡(luò)，其由代表各種生物分子的節(jié)點(diǎn)與代表該生物分子之間的相互作用關(guān)系的邊組成。常見(jiàn)的生物分子網(wǎng)絡(luò)包括蛋白質(zhì)相互作用網(wǎng)絡(luò)、基因共表達(dá)網(wǎng)絡(luò)、基因轉(zhuǎn)錄調(diào)控網(wǎng)絡(luò)、生物代謝網(wǎng)絡(luò)、表觀遺傳網(wǎng)絡(luò)、表型網(wǎng)絡(luò)、信號(hào)傳導(dǎo)網(wǎng)絡(luò)等。

本文采用的術(shù)語(yǔ)“節(jié)點(diǎn)”是指生物分子網(wǎng)絡(luò)中不同的個(gè)體生物分子。如蛋白質(zhì)相互作用網(wǎng)絡(luò)中，網(wǎng)絡(luò)中的節(jié)點(diǎn)表示個(gè)體蛋白質(zhì)。

本文采用的術(shù)語(yǔ)“邊”是指生物分子網(wǎng)絡(luò)中不同的個(gè)體生物分子(節(jié)點(diǎn))之間具有的某種特定的關(guān)系，在生物分子網(wǎng)絡(luò)中兩個(gè)個(gè)體生物分子之間的關(guān)系用邊表示。如蛋白質(zhì)相互作用網(wǎng)絡(luò)中，蛋白質(zhì)(節(jié)點(diǎn))之間相互關(guān)聯(lián)、相互影響的關(guān)系通過(guò)它們之間的邊來(lái)表示。

本文采用的術(shù)語(yǔ)“模塊”是指生物分子網(wǎng)絡(luò)中由至少三個(gè)不同的生物分子(節(jié)點(diǎn))組成的，在功能上和形態(tài)上相對(duì)獨(dú)立的實(shí)體。在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)上，模塊內(nèi)部的節(jié)點(diǎn)連接表現(xiàn)為相對(duì)稠密，而模塊與模塊之間的節(jié)點(diǎn)連接表現(xiàn)為相對(duì)稀疏。模塊具有獨(dú)立的功能，這些功能來(lái)源于組成它們的個(gè)體生物分子(節(jié)點(diǎn)，例如蛋白質(zhì)、DNA、RNA和小分子)之間的相互作用。

本文采用的術(shù)語(yǔ)“模塊變化”是指在不同的時(shí)空間(如藥物干預(yù)前后)，模塊由于外界擾動(dòng)(例如藥物干預(yù))而進(jìn)行的改變(如分裂、合并、減縮、增長(zhǎng)等)。

本文采用的術(shù)語(yǔ)“(模塊的)維度”是指模塊拓?fù)浣Y(jié)構(gòu)的不同屬性，可以用參數(shù)如鄰居節(jié)點(diǎn)、網(wǎng)絡(luò)密度、網(wǎng)絡(luò)中心性、介數(shù)中心性等進(jìn)行描述。在本文中，“維度”與“屬性”可互換使用。

本文采用的術(shù)語(yǔ)“變化模塊對(duì)”是指由分別來(lái)自藥物干預(yù)前的生物分子網(wǎng)絡(luò)的一個(gè)模塊及藥物干預(yù)后的生物分子網(wǎng)絡(luò)的一個(gè)模塊共同組成的模塊對(duì)，所述兩個(gè)模塊至少有一個(gè)節(jié)點(diǎn)(≥1)重疊。

本文采用的術(shù)語(yǔ)“有效變化模塊對(duì)”是指藥物干預(yù)前后其變化程度超過(guò)一定閾值的變化模塊對(duì)。

本文采用的術(shù)語(yǔ)“非有效藥物”是指在具體目標(biāo)病理狀態(tài)下，應(yīng)用后未達(dá)到預(yù)期改善效果的藥物。

本發(fā)明的具體技術(shù)方案如下。

本發(fā)明提供了一種用于定量分析藥物干預(yù)前后生物分子網(wǎng)絡(luò)中模塊變化的方法，所述方法包括以下步驟：

(1)以節(jié)點(diǎn)數(shù)目≥3為標(biāo)準(zhǔn)，分別對(duì)藥物干預(yù)前和藥物干預(yù)后的生物分子網(wǎng)絡(luò)進(jìn)行模塊識(shí)別，以獲得藥物干預(yù)前的生物分子網(wǎng)絡(luò)的一組模塊和藥物干預(yù)后的生物分子網(wǎng)絡(luò)的一組模塊；

優(yōu)選地，進(jìn)行模塊識(shí)別的方法選自下述中的一種或多種：MCODE、MCL、CFinder、CPM、SPC、G-N algorithm、ModuLand、WGCNA、DME、MINE、SVD等。根據(jù)本發(fā)明的具體實(shí)施方式，在本發(fā)明的方法中進(jìn)行模塊識(shí)別的方法為MCODE或WGCNA。

優(yōu)選地，所述生物分子網(wǎng)絡(luò)為蛋白質(zhì)相互作用網(wǎng)絡(luò)、基因共表達(dá)網(wǎng)絡(luò)、基因轉(zhuǎn)錄調(diào)控網(wǎng)絡(luò)、生物代謝網(wǎng)絡(luò)、表觀遺傳網(wǎng)絡(luò)、表型網(wǎng)絡(luò)、信號(hào)傳導(dǎo)網(wǎng)絡(luò)等。更優(yōu)選地，所述生物分子網(wǎng)絡(luò)為蛋白質(zhì)相互作用網(wǎng)絡(luò)或基因共表達(dá)網(wǎng)絡(luò)。

(2)將經(jīng)步驟(1)識(shí)別的藥物干預(yù)后的生物分子網(wǎng)絡(luò)的一組模塊與藥物干預(yù)前的生物分子網(wǎng)絡(luò)的一組模塊相匹配，獲得一個(gè)或多個(gè)變化模塊對(duì)。

(3)對(duì)于經(jīng)步驟(2)獲得的一個(gè)或多個(gè)變化模塊對(duì)，采用整體綜合指標(biāo)k值對(duì)模塊變化程度進(jìn)行量化，其中，整體綜合指標(biāo)k值由描述不同維度的拓?fù)鋮?shù)及其權(quán)值計(jì)算得到，計(jì)算公式如下：

所述公式中n為選擇的拓?fù)鋮?shù)的個(gè)數(shù)，i為1至n的整數(shù)，a_i為模塊組中藥物干預(yù)前的模塊的第i個(gè)拓?fù)鋮?shù)的空間向量特征，b_i為模塊組中藥物干預(yù)后的模塊的第i個(gè)拓?fù)鋮?shù)的空間向量特征，di為第i個(gè)拓?fù)鋮?shù)的空間向量特征在藥物干預(yù)前后的距離，w_i為每個(gè)拓?fù)鋮?shù)的權(quán)值。

其中，本發(fā)明方法的步驟(3)中構(gòu)建量化模塊變化的整體綜合指標(biāo)的不同維度拓?fù)鋮?shù)可以選自表1：

表1：模塊不同維度拓?fù)鋮?shù)

優(yōu)選地，n≥5，優(yōu)選n≥8，更優(yōu)選n≥10。

其中，可以用層次分析法、特爾斐法法、因子分析權(quán)數(shù)法、信息量權(quán)數(shù)法、主成分分析法、熵權(quán)法、優(yōu)序圖法、標(biāo)準(zhǔn)離差法等確定權(quán)值。根據(jù)本發(fā)明的具體實(shí)施方式，用分層次分析法確定權(quán)值。

上述方法的技術(shù)路線圖見(jiàn)圖8。

另一方面，本發(fā)明提供一種用于鑒定藥物干預(yù)前后生物分子網(wǎng)絡(luò)中有效變化模塊對(duì)的方法，所述方法包括以下步驟：

(A)執(zhí)行上述方法的步驟(1)至步驟(3)，以獲得表示模塊變化程度的整體綜合指標(biāo)k值；

(B)采用非有效藥物的物質(zhì)替換步驟(1)中的藥物，重復(fù)上述方法的步驟(1)至步驟(3)，以獲得一個(gè)或多個(gè)變化模塊對(duì)中表示模塊變化程度的整體綜合指標(biāo)k值，選擇最大k值作為閾值；

(C)將步驟(A)中獲得的k值與步驟(B)中獲得的閾值相比較，如果k值≥閾值，則將具有所述k值的變化模塊對(duì)鑒定為有效變化模塊對(duì)。

本發(fā)明的模塊變化量化方法可以用于生物網(wǎng)絡(luò)分析、新藥研發(fā)設(shè)計(jì)、藥理機(jī)制研究等領(lǐng)域。例如根據(jù)本發(fā)明的具體實(shí)施方式，采用精制清開(kāi)靈的五個(gè)有效組分干預(yù)小鼠腦缺血模型，可以獲得疾病狀態(tài)下與藥物干預(yù)后的分別的生物分子網(wǎng)絡(luò)，通過(guò)本發(fā)明的方法進(jìn)行模塊識(shí)別、匹配、模塊變化的量化，以及與非有效藥物珍珠母進(jìn)行比較，可以獲得藥物干預(yù)前后的變化模塊對(duì)與有效變化模塊對(duì)，為藥物開(kāi)發(fā)與藥理機(jī)制研究提供相關(guān)信息。

附圖說(shuō)明

以下，結(jié)合附圖來(lái)詳細(xì)說(shuō)明本發(fā)明的實(shí)施方案，其中：

圖1為實(shí)施例1中各組網(wǎng)絡(luò)構(gòu)建結(jié)果。網(wǎng)絡(luò)中節(jié)點(diǎn)表示基因或蛋白質(zhì)，節(jié)點(diǎn)之間的連線表示蛋白質(zhì)之間的相互作用。a.Vehicle組；b.BJ組；c.JU組。

圖2為實(shí)施例1中采用MCODE方法對(duì)各個(gè)網(wǎng)絡(luò)進(jìn)行模塊識(shí)別的結(jié)果。a.Vehicle組；b.BJ組；c.JU組。

圖3為實(shí)施例1中藥物干預(yù)前(A狀態(tài))到藥物干預(yù)后(B狀態(tài))模塊變化的整體綜合指標(biāo)k值的計(jì)算公式。

圖4為實(shí)施例1中Vehicle-BJ組有效變化模塊對(duì)。

圖5為實(shí)施例1中Vehicle-JU組有效變化模塊對(duì)。

圖6為實(shí)施例4中Vehicle-black與JA-cyan變化模塊對(duì)的k值。

圖7為實(shí)施例4中Vehicle-violet與JA-lightyellow、Vehicle-violet與JA-red、Vehicle-violet與JA-yellow變化模塊對(duì)的k值。

圖8為本發(fā)明的技術(shù)路線圖。

具體實(shí)施方式

以下參照具體的實(shí)施例來(lái)說(shuō)明本發(fā)明。本領(lǐng)域技術(shù)人員能夠理解，這些實(shí)施例僅用于說(shuō)明本發(fā)明，其不以任何方式限制本發(fā)明的范圍。

本發(fā)明的目的是量化不同狀態(tài)下(如藥物干預(yù)前(有可能為疾病狀態(tài))和藥物干預(yù)后的生物分子網(wǎng)絡(luò))模塊的變化程度，從而識(shí)別出對(duì)藥物干預(yù)起到貢獻(xiàn)性響應(yīng)的有效變化模塊，為指導(dǎo)疾病治療和藥物研發(fā)提供依據(jù)。以下的實(shí)施例證明了本發(fā)明方法的有效性和可行性。這些實(shí)施例是非限制性的，本發(fā)明的方法還可以應(yīng)用其他類型的網(wǎng)絡(luò)。

下述實(shí)施例中的實(shí)驗(yàn)方法，如無(wú)特殊說(shuō)明，均為常規(guī)方法。下述實(shí)施例中所用的藥材原料、試劑材料等，如無(wú)特殊說(shuō)明，均為市售購(gòu)買產(chǎn)品。

實(shí)施例1采用清開(kāi)靈有效組分干預(yù)小鼠腦缺血模型，量化蛋白質(zhì)相互作用網(wǎng)絡(luò)中模塊的變化，以及識(shí)別有效變化模塊對(duì)(10個(gè)拓?fù)鋮?shù)融合)

數(shù)據(jù)來(lái)源

本實(shí)施例數(shù)據(jù)來(lái)源于：利用精制清開(kāi)靈五個(gè)有效組分即黃芩苷(BA)、梔子苷(JA)、膽酸(UA)、黃芩苷+梔子苷(BJ；BA+JA)、梔子苷+膽酸(JU；JA+UA)及無(wú)效組分珍珠母(CM)對(duì)小鼠腦缺血再灌注損傷模型進(jìn)行干預(yù)后，采用Ingenuity Pathway Analysis(IPA)對(duì)其顯著差異表達(dá)基因進(jìn)行分析，提取IPA生物功能富集結(jié)果中與生物功能注釋相關(guān)的有統(tǒng)計(jì)學(xué)意義的基因集。其中模型組(Vehicle)包含149個(gè)有統(tǒng)計(jì)學(xué)意義的基因，BA組74個(gè)，JA組121個(gè)，UA組104個(gè)，BJ組70個(gè)，JU組107個(gè)，CM組40個(gè)。將這7個(gè)組的基因作為目標(biāo)基因分別映射于全局背景(全局的小鼠基因和蛋白質(zhì)相互作用數(shù)據(jù))。

本實(shí)施例用模型組作為藥物干預(yù)前的數(shù)據(jù)，具有加合效應(yīng)的BJ組與具有協(xié)同效應(yīng)的JU組作為藥物干預(yù)后的數(shù)據(jù)。

參見(jiàn)圖1，腦缺血模型組(Vehicle組)的蛋白質(zhì)相互作用網(wǎng)絡(luò)(圖1-a)，由3750個(gè)節(jié)點(diǎn)和9162條邊組成；

BJ組的蛋白質(zhì)相互作用網(wǎng)絡(luò)(圖1-b)，由2968個(gè)節(jié)點(diǎn)和6273條邊組成；

JU組的蛋白質(zhì)相互作用網(wǎng)絡(luò)(圖1-c)，由3429個(gè)節(jié)點(diǎn)和8111條邊組成。

藥物干預(yù)前后模塊變化的定量分析過(guò)程如下：

步驟1，采用MCODE方法(模塊節(jié)點(diǎn)數(shù)目≥3)對(duì)各個(gè)網(wǎng)絡(luò)進(jìn)行模塊識(shí)別，結(jié)果如圖2所示：由腦缺血模型組(Vehicle)的蛋白質(zhì)相互作用網(wǎng)絡(luò)識(shí)別的模塊見(jiàn)圖2-a。由BJ組的蛋白質(zhì)相互作用網(wǎng)絡(luò)識(shí)別的模塊見(jiàn)圖2-b，由JU組的蛋白質(zhì)相互作用網(wǎng)絡(luò)識(shí)別的模塊見(jiàn)圖2-c。

步驟2，追蹤藥物干預(yù)前后網(wǎng)絡(luò)模塊的變化情況，在本實(shí)施例中，將藥物組模塊(BJ、JU)分別與Vehicle組模塊相匹配，至少有一個(gè)節(jié)點(diǎn)的重疊定義為一個(gè)變化模塊對(duì)(modular reconstructional pairs)。最終，BJ、JU與Vehicle組變化模塊對(duì)匹配結(jié)果如表2、3所示：

表2-Vehicle與BJ變化模塊對(duì)匹配

表3-Vehicle與JU變化模塊對(duì)匹配

步驟3，應(yīng)用量化模塊變化的整體綜合指標(biāo)(多個(gè)指標(biāo)的融合，同時(shí)組合表示具體拓?fù)鋮?shù)的重要程度的權(quán)重，形成綜合的模塊拓?fù)鋮?shù)指標(biāo))對(duì)模塊的變化程度進(jìn)行量化分析。在本實(shí)施例中，采用非重疊節(jié)點(diǎn)、非重疊邊、重疊節(jié)點(diǎn)、重疊邊、平均鄰居節(jié)點(diǎn)、網(wǎng)絡(luò)密度、網(wǎng)絡(luò)中心性、平均介數(shù)中心性、網(wǎng)絡(luò)平均權(quán)重、最短路徑這10個(gè)代表模塊不同維度的拓?fù)鋮?shù)進(jìn)行融合(在排除不同參數(shù)間共線性的基礎(chǔ)上還可以選擇其他參數(shù))。將在藥物干預(yù)前(Vehicle組)，模塊A的結(jié)構(gòu)設(shè)置為a，對(duì)于它的拓?fù)錉顟B(tài)，應(yīng)用這10個(gè)參數(shù)(不同屬性變量)將它的空間向量特征描述為a₁、a₂、a₃……a₁₀；藥物干預(yù)后(BJ或JU組)，模塊A的拓?fù)浣Y(jié)構(gòu)發(fā)生變化，轉(zhuǎn)變?yōu)槟KB，相對(duì)應(yīng)的拓?fù)浣Y(jié)構(gòu)b描述為b₁、b₂、b₃……b₁₀。同時(shí)組合表示不同參數(shù)的重要程度的相應(yīng)的權(quán)值(層次分析法)，如表4所示。將模塊從A到B的綜合拓?fù)鋮?shù)變化用k值表示，如圖3所示。k取值在0-1之間，越小證明兩個(gè)模塊的整體差異越?。环粗?，k值越大證明兩個(gè)模塊間的差異越大。

表4各變量代表參數(shù)及權(quán)值(10個(gè)參數(shù))

應(yīng)用圖3描述的k值方法，對(duì)模塊從藥物干預(yù)前的疾病狀態(tài)到藥物干預(yù)后狀態(tài)的變化程度表述如下，見(jiàn)表5(Vehicle--BJ)、表6(Vehicle--JU)

表5Vehicle--BJ變化模塊對(duì)k值(10個(gè)參數(shù))

可以看出，Vehicle—BJ各變化模塊對(duì)中最大k值為0.587(Vehicle4-BJ7)，最小k值為0.180(Vehicle2--BJ2)，平均0.355。k值大部分在0.3-0.5之間。

表6Vehicle--JU變化模塊對(duì)k值(10個(gè)參數(shù))

Vehicle--JU各變化模塊對(duì)中最大k值為0.556(Vehicle12--JU15)，最小k值為0.137(Vehicle16--JU4)，平均0.326。

步驟4，本實(shí)施例中，在經(jīng)步驟3對(duì)Vehicle--BJ、Vehicle--JU模塊變化程度量化分析的基礎(chǔ)上，利用閾值k₀來(lái)識(shí)別出能夠?qū)λ幬锔深A(yù)疾病網(wǎng)絡(luò)產(chǎn)生貢獻(xiàn)性響應(yīng)的有效變化模塊。其中閾值k₀通過(guò)如下方式獲得：

利用無(wú)效藥物珍珠母(CM)干預(yù)腦缺血網(wǎng)絡(luò)后，與模型組相比，珍珠母組模塊變化的最大k值為0.456，將其作為閾值，Vehicle--BJ、Vehicle--JU中任意變化模塊對(duì)ki≥0.456，則認(rèn)為是有效變化模塊對(duì)。

表7Vehicle--CM變化模塊對(duì)k值(10個(gè)參數(shù))

圖4中為Vehicle--BJ組確定的3對(duì)有效變化模塊對(duì)，分別是:a.Vehicle4--BJ2、Vehicle4--BJ7；b.Vehicle11--BJ16。圖5中為Vehicle--JU組確定的3對(duì)有效變化模塊對(duì)，分別是：a.Vehicle12--JU15；b.Vehicle16--JU19；c.Vehicle20--JU13。

實(shí)施例2采用清開(kāi)靈有效組分干預(yù)小鼠腦缺血模型，量化蛋白質(zhì)相互作用網(wǎng)絡(luò)中模塊的變化，以及識(shí)別有效變化模塊對(duì)(8個(gè)拓?fù)鋮?shù)融合)

采用與實(shí)施例1相同的網(wǎng)絡(luò)數(shù)據(jù)。在本實(shí)施例中，步驟1和步驟2與實(shí)施例1相同。

步驟3，采用8個(gè)參數(shù)，即非重疊節(jié)點(diǎn)、非重疊邊、重疊節(jié)點(diǎn)、重疊邊、網(wǎng)絡(luò)密度、網(wǎng)絡(luò)中心性、網(wǎng)絡(luò)平均權(quán)重、最短路徑這8個(gè)代表模塊不同維度的拓?fù)鋮?shù)進(jìn)行融合，同時(shí)各參數(shù)的權(quán)值見(jiàn)表8。應(yīng)用實(shí)施例1中描述的k值方法，對(duì)模塊從疾病狀態(tài)到藥物干預(yù)后JU組狀態(tài)的變化程度表述如下：

表8各變量代表參數(shù)及權(quán)值(8個(gè)參數(shù))

表9Vehicle--JU變化模塊對(duì)k值(8個(gè)參數(shù))

發(fā)現(xiàn)Vehicle-JU各變化模塊對(duì)中擁有最大k值的仍為Vehicle12--JU15；擁有最小k值仍為Vehicle16--JU4，與實(shí)施例1相同，平均0.355。

本實(shí)施例中，采用相同方法利用清開(kāi)靈組分無(wú)效藥物組-珍珠母(CM)得到閾值k₀，識(shí)別出能夠?qū)λ幬锔深A(yù)疾病網(wǎng)絡(luò)產(chǎn)生貢獻(xiàn)性響應(yīng)的有效變化模塊對(duì)。在8個(gè)拓?fù)鋮?shù)標(biāo)融合的量化指標(biāo)中，CM組干預(yù)腦缺血網(wǎng)絡(luò)后模塊變化的最大k值為0.535(表10)，Vehicle--JU中任意變化模塊對(duì)ki≥0.535，則認(rèn)為是有效的變化模塊對(duì)。

表10Vehicle--CM變化模塊對(duì)k值(8個(gè)參數(shù))

Vehicle--JU組確定的3對(duì)有效變化模塊對(duì)分別是Vehicle12--JU15(k＝0.640)、Vehicle16--JU19(k＝0.543)、Vehicle20--JU13(k＝0.573)，與實(shí)施例1確定的有效變化模塊對(duì)相同。

實(shí)施例3采用清開(kāi)靈有效組分干預(yù)小鼠腦缺血模型，量化蛋白質(zhì)相互作用網(wǎng)絡(luò)中模塊的變化，以及識(shí)別有效變化模塊對(duì)(5個(gè)拓?fù)鋮?shù)融合)

采用與實(shí)施例1相同的網(wǎng)絡(luò)數(shù)據(jù)。在本實(shí)施例中，步驟1和步驟2與實(shí)施例1相同。

步驟3，采用5個(gè)參數(shù)，即非重疊節(jié)點(diǎn)、非重疊邊、重疊節(jié)點(diǎn)、重疊邊、網(wǎng)絡(luò)中心性這5個(gè)代表模塊不同維度的拓?fù)鋮?shù)進(jìn)行融合，同時(shí)各參數(shù)的權(quán)值見(jiàn)表11。應(yīng)用實(shí)施例1中描述的k值方法，對(duì)模塊從疾病狀態(tài)到藥物干預(yù)后BJ組狀態(tài)的變化程度表述如下：

表11各變量代表參數(shù)及權(quán)值(5個(gè)參數(shù))

表12Vehicle--BJ變化模塊對(duì)k值(5個(gè)參數(shù))

發(fā)現(xiàn)Vehicle-BJ各變化模塊對(duì)最大k值為0.858(Vehicle11--BJ16)，最小k值為0.255(Vehicle2--BJ7)，平均0.496。

本實(shí)施例中，采用相同方法利用清開(kāi)靈組分無(wú)效藥物組-珍珠母(CM)得到閾值k₀，識(shí)別出能夠?qū)λ幬锔深A(yù)疾病網(wǎng)絡(luò)產(chǎn)生貢獻(xiàn)性響應(yīng)的有效變化模塊對(duì)。在5個(gè)拓?fù)鋮?shù)標(biāo)融合的量化指標(biāo)中，CM組干預(yù)腦缺血網(wǎng)絡(luò)后模塊變化的最大k值為0.722(表13)，Vehicle-JU中任意變化模塊對(duì)ki≥0.722，則認(rèn)為是有效的變化模塊對(duì)。

表13Vehicle--CM變化模塊對(duì)k值(5個(gè)參數(shù))

Vehicle-BJ組確定的3對(duì)有效變化模塊對(duì)分別是Vehicle4--BJ2(k＝0.733)、Vehicle4--BJ7(k＝0.850)、Vehicle11--BJ16(k＝0.858)。本實(shí)施例確定的有效變化模塊對(duì)與實(shí)施例1確定的有效變化模塊對(duì)相同，只是三個(gè)有效模塊對(duì)的k值大小排序稍有差別：在實(shí)施例1中，三個(gè)有效變化模塊k值從大到小依次為Vehicle4--BJ2、Vehicle11--BJ16、Vehicle4--BJ7；而本實(shí)施例中Vehicle11--BJ16模塊對(duì)的k值大于Vehicle4--BJ7。

實(shí)施例4采用清開(kāi)靈有效組分干預(yù)小鼠腦缺血模型，量化基因共表達(dá)網(wǎng)絡(luò)中模塊的變化

本實(shí)施例以精制清開(kāi)靈有效組分梔子苷(JA)干預(yù)小鼠腦缺血模型的基因表達(dá)譜數(shù)據(jù)為例，具體實(shí)施過(guò)程如下：

1.數(shù)據(jù)來(lái)源：

將模型組基因表達(dá)譜數(shù)據(jù)作為藥物干預(yù)前的數(shù)據(jù)，JA組基因表達(dá)譜數(shù)據(jù)作為藥物干預(yù)后的數(shù)據(jù)。每組基因表達(dá)譜數(shù)據(jù)都由12個(gè)樣本的374個(gè)基因組成(Tbp、Zeb1、Pou2f1、Foxb1、Creb1、Camk2g、Csf1、F5、Hspd1、Matn2、Mt1、Adamts1、Klf6、Dffa、Rgs18、Rhoa、Kcnmb1、Pdcd11、Pdpk1、Casp8ap2、Mogat1、Rps26、Ak1、Csnk2a2、Dkk2、Ppm1e、Tnfrsf22、Trp53i11、Smpd3、Grin1、Cdk5、Jund、E2f1、Apoe、Il1b、Prkar1b、Il7r、Ngfb、Rela、Ifnar1、Adcy6、Bak1、Fzd6、Prkch、Rgs4、Actg1、Gck、Rgs9、Sox9、Rgs1、Dgke、Rgs20、Map2k2、Pin1、Prkcn、Dgkz、Csnk1g1、Dusp4、Il11、Grb2、Shc1、Syk、Sim2、Ywhah、Fgf13、Bid、Gstm2、Rarg、Pou3f1、Camk2b、Mapkapk2、Tcf4、Sos1、Stat5a、Vegfb、Bad、Etv3、Id1、Lcat、Nf1、Gsn、Bbc3、Clu、Capn9、Ercc5、Comt、Ctsl、Amph、Vegfc、Bax、Cyp51、Sox10、Nfyc、Gata2、Id3、Lef1、Pou6f1、6330503C03Rik、Ech1、Ccl4、Itm2a、Hspa1a、Cbx3、Klf10、Idh3g、Gpx2、Map2k5、Daxx、E2f3、Fgf12、Ikbkg、Btrc、Ikbkap、Ifnar2、Cdk5、Psmb1、Sufu、Gab1、Sox30、Pxn、Pygo2、Ctnnb1、Grin2a、Il5ra、Cdk4、Bcl2l1、Actb、Myb、Prkca、Csf2rb2、Gnaq、B-raf、Wnt6、Adcy7、Cacna1b、Fzd7、Prkcm、Rock1、Adcy8、Prkcc、Sub1、Tuba1b、Rgs6、Plcb1、Mknk1、Diablo、Mef2c、Lrp1b、Dgkg、Rgs12、Serpina5、Hspb1、Ppm1b、Dlk1、Cdc42、Fadd、Mdfi、Fgf11、Map3k4、Klk1b3、Il6ra、Tgfb2、Wnt11、Ccna1、Map2k6、Htr1f、Zmat3、Bnip3、Tsg101、Vim、Srf、D14Abb1e、Cdh11、Vdac2、Tfdp1、Gak、Ccna2、Vegfa、Vegfa、Hdac1、Srebf1、Stch、E2f1、Nfatc1、Gna12、Gna13、Cacnb3、Zic1、Pou4f3、Tcf12、Ldb1、Capns1、Fxyd2、Gcgr、LOC100304588、Syt11、Gadd45a、Pbx2、Ier3、Mapk9、Ctnnbip1、Fgf15、Smad3、Nlk、Mecp2、Sigirr、Rgs18、Ptk2b、Sap30bp、Pcmt1、Tcf3、Braf、Ankrd6、Rgs5、Rap1gap、Adcy1、Grin2b、Gap43、Map2k1、Mapk10、Tgfb1、Lta、Rps6ka1、Wnt3、Rara、Prkcd、Atf4、Adcyap1r1、Cycs、Hint1、Rdx、Src、Adcy9、Prkce、Shcbp1、Elk3、Rgs14、Rgs17、Dusp10、Tubb3、Cyc1、Dusp16、Plcg2、Fzd10、Dgkd、Stat3、Mapk14、Map2k4、Htr1a、Map3k2、Frat1、Casp7、Eef2k、Thbd、Rarb、Camk4、Htr2c、E2f5、Met、Htr7、Camk2b、Stat6、Sod1、Efna4、Vdac3、Adora1、Bmp1、Vdac1、Grb2、Igfbp2、Top2b、Rpl35、Bdnf、Ppp3cb、Raf1、Cpe、Cacnb3、0610007C21Rik、Gna14、Gna11、Tuba1a、Zic3、Mlx、Id4、Ldb2、Sepp1、Prodh、S100a9、Pgam2、Rcan1、Abcc5、Ccr5、Ap1m1、Map3k5、Csnk1e、Axin1、Freq、Sh2b1、Rps6ka4、Wif1、Nkd1、Pam、Crem、Tgm2、Barhl1、Tradd、Plcd4、Ppp2r4、Otud7b、Rgs7、Casp2、Junb、Il2rg、Bad、Il1a、Egr1、Pdgfa、Gapdh、Eif4e、Apc、Prkcz、Parp1、Egfr、Prkcb1、Rgs2、Traf2、Ccr3、Rgs16、Smpd1、Tbp、Dgka、Mos、B230120H23Rik、Eif4e2、Rgs19、Adcy3、Creb5、Taf7、Pik3ca、Stat1、Il15、Atf3、Dvl3、Map3k3、Casp4、Kcnq1、Ptp4a3、fosB、Wnt3a、Calm1、Htr3a、Crkl、Casp3、Lhx1、Camk4、Selenbp2、Tcfe2a、Scg5、Pold3、Mmp2、Farp2、Pold2、Pold1、Gpx4、App、Mlh3、Rbl2、Tpp2、Cdh3、Fmo2、Pold4、Arf1、Sox1、Arhgef1)

2.網(wǎng)絡(luò)構(gòu)建和模塊劃分

用加權(quán)共表達(dá)網(wǎng)絡(luò)分析(WGCNA)工具分別構(gòu)建模型組(Vehicle)及JA組數(shù)據(jù)的基因共表達(dá)網(wǎng)絡(luò)(節(jié)點(diǎn)數(shù)目均為374個(gè))并劃分模塊(將最小模塊設(shè)定為三個(gè)節(jié)點(diǎn))。Vehicle組得到48個(gè)模塊，JA組得到42個(gè)模塊。選擇模型組和JA組的四個(gè)變化模塊對(duì)進(jìn)行k值分析，分別是：Vehicle-black與JA-cyan；Vehicle-violet與JA-lightyellow；Vehicle-violet與JA-red；Vehicle-violet與JA-yellow。應(yīng)用實(shí)施例1中10個(gè)拓?fù)鋮?shù)的融合進(jìn)行模塊變化的量化追蹤，四個(gè)變化模塊對(duì)相應(yīng)的k值如表14、圖7和圖8所示(虛線圓形強(qiáng)調(diào)的節(jié)點(diǎn)為變化模塊對(duì)重疊的節(jié)點(diǎn))。

表14Vehicle-JA部分變化模塊對(duì)k值(基因共表達(dá)網(wǎng)絡(luò))

以上對(duì)本發(fā)明具體實(shí)施方式的描述并不限制本發(fā)明，本領(lǐng)域技術(shù)人員可以根據(jù)本發(fā)明作出各種改變或變形，只要不脫離本發(fā)明的精神，均應(yīng)屬于本發(fā)明所附權(quán)利要求的范圍。