中药靶点筛选实战指南:已知成分新适应症验证 vs. 未知成分高通量筛选,LiP-MS 关键破局!

引言

中药活性成分是新药研发的“富矿”,但“不知道成分如何起效、找不到直接作用靶点”一直是制约中药现代化的关键瓶颈。近年来,随着质谱技术的发展,有限蛋白酶解 - 质谱联用技术(LiP-MS) 为中药活性成分的靶点筛选提供了高效解决方案。

今天带大家通过两篇顶刊研究 —— 分别聚焦“已知中药活性成分的新适应症验证” 和“未知中药活性成分的高通量筛选“,拆解中药靶点筛选的两种核心思路,顺便看看 LiP-MS 技术如何成为连接中药成分与疾病机制的“桥梁”。

已知活性成分的“新适应症”验证 —— 草豆蔻靶向钙调蛋白治疗MASLD

研究背景与核心目标

代谢相关脂肪性肝病(MASLD,含MASH)是全球第一大慢性肝病,但获批药物极少。山东大学团队(《Advanced Science》,2025)聚焦传统中药草豆蔻(Alpinia katsumadai Hayata)的活性成分 —— Alnustone(阿尔诺酮) 。此前研究已证实它有抗炎、抗菌、抗癌活性,且其同类成分(如姜黄素)已被报道可改善 MASLD。

因此,团队的核心目标不是 “筛选新成分”,而是验证 Alnustone 对 MASLD/MASH 的治疗潜力,并找到其直接作用靶点

筛选与验证逻辑:“先疗效,后靶点”的精准验证

Alnustone 已有明确生物活性基础,研究跳过了 “化合物库筛选” 步骤,直接进入体内外多模型验证,全程围绕 “疗效 - 机制 - 靶点” 展开:

1. 体内:覆盖 4 种 MASLD/MASH 模型,验证疗效普适性

构建饮食诱导、遗传缺陷、纤维化共 4 种 MASLD/MASH 小鼠模型,排除模型特异性干扰。结果显示,Alnustone 经腹腔注射或口服均能降低血清甘油三酯、减少肝脂沉积、逆转肝纤维化,对雌雄小鼠均有效且无副作用。

2. 体外:锁定肝细胞,解析代谢机制

在小鼠及人类肝细胞的脂肪变性模型中,明确 Alnustone 通过促进线粒体脂肪酸 β- 氧化减少甘油三酯堆积,排除其他代谢机制干扰。

3. 靶点筛选:LiP-SMap + 多技术验证,锁定钙调蛋白

采用有限蛋白酶解 - 小分子映射(LiP-MS)技术筛选潜在靶点,后续通过多方法验证:

▶ LiP-SMap 分析:从差异蛋白中筛选出钙调蛋白,其为调控细胞内 Ca²⁺信号的关键蛋白;

▶ 结合特性验证:通过分子对接、表面等离子共振(SPR)、微量热泳动(MST),确认 Alnustone 直接结合钙调蛋白的 Ca²⁺结合位点;

▶ 功能必要性验证:构建肝脏特异性钙调蛋白敲除小鼠,发现 Alnustone 的降脂、抗纤维化效果完全消失,证实钙调蛋白是其必需作用靶点。


未知活性成分的 “高通量筛选”—— 紫堇灵靶向 PSMA2 抗胰腺纤维化

研究背景与核心目标

慢性胰腺炎(CP)的核心病理特征是胰腺纤维化,但目前尚无有效逆转药物。海军军医大学团队(《Journal of Gastroenterology》,2024)从大量中药单体中,筛选出能抑制胰腺纤维化的“未知活性成分”,并明确其靶点。

筛选与验证逻辑:“先筛成分,再证疗效,最后找靶点”

由于胰腺纤维化的中药活性成分研究较少,无明确 “同类有效成分” 参考,团队采用 “无偏向性高通量筛选” 策略:

1. 第一步:构建 80 种中药单体库,体外预筛选

构建 80 种中药单体库,用 TGF-β1 刺激人胰腺星状细胞(HPSCs,胰腺纤维化关键细胞)模拟病理过程,通过细胞活力检测筛选出候选成分紫堇灵(Corynoline)。

2. 第二步:验证成分特异性,排除非特异性细胞毒性

检测 Corynoline 对其他胰腺细胞(胰腺导管细胞、腺泡细胞)的影响,确认其仅靶向抑制 HPSCs 的活化、迁移及胶原合成,对其他胰腺细胞无毒性。

3. 第三步:体内验证,确认抗纤维化疗效

在雨蛙肽诱导的 CP 小鼠模型中,Corynoline 可改善胰腺形态、恢复胰内外分泌功能、抑制 NF-κB 炎症通路。

4. 第四步:靶点筛选,LiP-SMap 结合 DARTS 验证 PSMA2

▶ LiP-SMap 分析:差异蛋白富集于 “蛋白酶体核心复合物” 通路,其中蛋白酶体 20S α2 亚基(PSMA2)的肽段差异最显著;

▶ 结合验证:通过 DARTS 证实 Corynoline 可保护 PSMA2 不被蛋白酶降解,确认两者直接结合;

▶ 功能验证:敲低 PSMA2 后,Corynoline 的抗纤维化效果完全消失,证实 PSMA2 是其必需作用靶点。。


两种筛选思路的核心异同:已知 vs 未知

LiP-MS 技术:中药靶点筛选的 “破局者”

两篇研究均选择 LiP-MS 技术(LiP-SMap)筛选靶点,正是因为它完美解决了中药成分靶点筛选的两大痛点:

1. 无需修饰化合物,保留天然活性

传统靶点筛选(如亲和色谱)需对中药成分进行化学修饰(如生物素标记),但修饰可能破坏成分的天然结构和活性,导致 “假阴性”。

 LiP-MS 无需修饰:药物与靶点的结合是 “天然状态”,仅通过蛋白酶解敏感性差异即可锁定靶点 —— 这对结构复杂的中药成分尤为重要。

2. 覆盖 “全蛋白组”,无偏向性

中药成分常存在 “多靶点作用”,但 LiP-MS 可一次性检测数千种蛋白的差异肽段,避免 “预设靶点” 的局限性。例如 Alnustone 的研究中,团队最初推测其作用于线粒体相关蛋白,最终却通过 LiP-MS 发现靶点是钙调蛋白,修正了研究方向

3. 结合多技术验证,确保靶点可靠性

两篇研究均未仅凭 LiP-MS 下结论,而是搭配:

▶ 结构验证:分子对接(预测结合位点);

▶ 亲和力验证:SPR/MST(量化结合强度);

▶ 功能验证:基因敲除 / 过表达(证实靶点必需性);

▶ 补充技术:Corynoline 研究用 DARTS 进一步确认结合,降低假阳性。

总结:中药研究的“思路选择指南”

▶ 若探索已知活性中药成分的新适应症:直接通过 “体内多模型 + 体外细胞” 验证疗效,再用 LiP-MS 锁定靶点,聚焦 “疗效 - 机制 - 靶点” 闭环。

▶ 若挖掘中药全新活性成分:先构建单体库,经体外病理细胞模型高通量初筛,验证特异性后推进体内实验及 LiP-MS 靶点筛选。

无论哪种思路,LiP-MS 都是中药靶点筛选的核心工具:它不仅能破解中药“多成分、多靶点”的复杂性,还能为中药活性成分的“现代化阐释”提供直接证据 —— 让中药的“有效”不再是“黑箱”,而是可量化、可重复的科学结论。未来,随着 LiP-MS 技术的普及,相信会有更多中药活性成分的作用靶点被解析,为中药新药研发提供“从传统到现代”的桥梁。

参考文献

[1]Wang P, Huang B, Liu Y, et al. Corynoline protects chronic pancreatitis via binding to PSMA2 and alleviating pancreatic fibrosis. J Gastroenterol. 2024;59(11):1037-1051. doi:10.1007/s00535-024-02145-4
[2]Hu S, Liang X, Qin Y, et al. Alnustone Ameliorates Metabolic Dysfunction-Associated Steatotic Liver Disease by Facilitating Mitochondrial Fatty Acid β-Oxidation via Targeting Calmodulin. Adv Sci (Weinh). Published online June 5, 2025. doi:10.1002/advs.202411984

C语言-光伏MPPT算法:电导增量法扰动观察法+自动全局搜索Plecs最大功率跟踪算法仿真内容概要:本文档主要介绍了一种基于C语言实现的光伏最大功率点跟踪(MPPT)算法,结合电导增量法与扰动观察法,并引入自动全局搜索策略,利用Plecs仿真工具对算法进行建模与仿真验证。文档重点阐述了两种经典MPPT算法的原理、优缺点及其在不同光照和温度条件下的动态响应特性,同时提出一种改进的复合控制策略以提升系统在复杂环境下的跟踪精度与稳定性。通过仿真结果对比分析,验证了所提方法在快速性和准确性方面的优势,适用于光伏发电系统的高效能量转换控制。; 适合人群:具备一定C语言编程基础和电力电子知识背景,从事光伏系统开发、嵌入式控制或能源技术研发的工程师及高校研究人员;工作年限1-3年的初级至中级研发人员尤为适合。; 使用场景及目标:①掌握电导增量法与扰动观察法在实际光伏系统中的实现机制与切换逻辑;②学习如何在Plecs中搭建MPPT控制系统仿真模型;③实现自动全局搜索以避免传统算法陷入局部峰值问题,提升复杂工况下的最大功率追踪效率;④为光伏逆变器或太阳能充电控制器的算法开发提供技术参考与实现范例。; 阅读建议:建议读者结合文中提供的C语言算法逻辑与Plecs仿真模型同步学习,重点关注算法判断条件、步长调节策略及仿真参数设置。在理解基本原理的基础上,可通过修改光照强度、温度变化曲线等外部扰动因素,进一步测试算法鲁棒性,并尝试将其移植到实际嵌入式平台进行实验验证
【无人机协同】动态环境下多无人机系统的协同路径规划与防撞研究(Matlab代码实现)​ 内容概要:本文围绕动态环境下多无人机系统的协同路径规划与防撞问题展开研究,提出基于Matlab的仿真代码实现方案。研究重点在于在复杂、动态环境中实现多无人机之间的高效协同飞行与避障,涵盖路径规划算法的设计与优化,确保无人机集群在执行任务过程中能够实时规避静态障碍物与动态冲突,保障飞行安全性与任务效率。文中结合智能优化算法,构建合理的成本目标函数(如路径长度、飞行高度、威胁规避、转弯角度等),并通过Matlab平台进行算法验证与仿真分析,展示多机协同的可行性与有效性。; 适合人群:具备一定Matlab编程基础,从事无人机控制、路径规划、智能优化算法研究的科研人员及研究生。; 使用场景及目标:①应用于灾害救援、军事侦察、区域巡检等多无人机协同任务场景;②目标是掌握多无人机系统在动态环境下的路径规划与防撞机制,提升协同作业能力与自主决策水平;③通过Matlab仿真深入理解协同算法的实现逻辑与参数调优方法。; 阅读建议:建议结合文中提供的Matlab代码进行实践操作,重点关注目标函数设计、避障策略实现与多机协同逻辑,配合仿真结果分析算法性能,进一步可尝试引入型智能算法进行优化改进。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值