藥物——疾病復雜網絡的模塊化解構

張瑩瑩，陳寅螢，王 忠，王永炎

(中國中醫科學院中醫臨床基礎醫學研究所，北京 100700)

單靶點治療在面對多基因復雜疾病時已顯示出明顯不足［1］，網絡模型表明，抑制多個靶標可以比單一抑制更加有效［2］。由此，強調多靶點聯合的網絡藥理學為干預復雜疾病帶來新的機遇。生物數據集及其內部關系被以網絡圖的形式表示［3］，網絡分析作為一種新的工具，用以整合藥物與疾病之間的復雜關系［4］，這將有可能系統地揭示藥物作用的復雜機制［5］。但大量組學數據所構建的生物網絡極為復雜，故此，解碼該網絡給研究者帶來了極大挑戰。

證據顯示生物系統的網絡具有模塊(module)組織結構［6］，即網絡中一些分子共同執行某種生物學功能，這一結構的識別可使復雜網絡降維，被認為是理解生物系統的一個關鍵因素［4］。基于此，模塊藥理學(modular pharmacology，MP)［7］概念框架被提出，認為復雜疾病的治療需要一種模塊化設計來影響多個靶點。本文希望通過向大家傳遞模塊相關基礎信息，以便更好地理解此框架應用優勢。

1 模塊的概念

模塊性(modularity)是復雜網絡一個非常重要的特性(Fig 1)，是生物系統普遍存在的現象［6］，然而，其標準化語義注釋的提供是十分緊迫的。拓撲模塊(topological module)顯示成簇的節點，在拓撲結構上表現為模塊內部的節點連接比較稠密，模塊之間連接比較稀疏［8］，即內聚度大于耦合度。功能模塊(functional modules)是指由許多不同的分子組成的，在功能上和形態上相對獨立的實體［9］，它源于注釋為一定功能的拓撲模塊，是具有共識性的。此外，Barabási等［10］提出在疾病網絡中，與疾病相關的基因會聚集成疾病模塊。由于組件共享，疾病模塊與拓撲模塊、功能模塊是緊密相關的，疾病被認為通常是一個特殊的功能模塊崩潰的結果，暗示了疾病模塊是一種特殊的功能模塊。Winther將模塊劃分為3種不同的理論類型:結構模塊(structural modules)、發育模塊(developmental modules)和生理模塊(physiological modules)［11］。當然，不同類型模塊的概念并不一定是相互排斥的，這基于不同領域專家不同的視角，但目的相同。

除此，文獻中還出現了許多與模塊概念相似的稱謂，如亞網絡或子網絡(subnetworks)［12］、蛋白質復合物(protein complexes)［13］、模體(motifs)［14］、基本流量模式(elementary flux modes)［12］、社團結構 (community structure)［15］、通路(pathway)［14］、回路(circuit)［14］、子集(subset)［14］等，這些亞結構對理解網絡拓撲結構、功能和動力學也具有重要意義。

Fig 1 Schematic diagram of network and modules

2 模塊識別方法

在生物網絡里，功能模塊的識別是理解細胞結構、功能和動力學的第一步。目前，研究者已經提出了多種模塊識別方法，我們將其歸為6類:網絡聚類、啟發式/精確計算、網絡拓撲結構、種子擴展、矩陣分解和其他方法等。

2.1 網絡聚類算法網絡聚類算法以層次聚類、K-means等為代表。聚類算法是模塊識別或網絡劃分中最常用的方法，其優點在于即使我們對網絡內的單個節點一無所知，通過聚類的方法也能夠揭示網絡內部的結構。但這種方法過多地依賴于被識別出的模塊的功能注釋以及某些參數或測量標準，模塊隨參數改變而發生變化，故需要對所選參數進行評價。

2.2 網絡拓撲結構網絡中分子依靠相互作用，從而執行某種生物學功能，這一過程往往是連續性的，故模塊內組件在結構上要保持一定的緊密性［16］。基于網絡拓撲結構進行模塊識別的方法較多，主要依據拓撲屬性，如節點的度(degree)、節點或邊的介數(betweenness)、邊的聚集系數(clustering coefficient)等。這種方法通常能把圖論或聚類算法和某些拓撲屬性結合起來去識別模塊［17］。

2.3 啟發式和精確計算該類方法把模塊識別看作是一個優化問題:首先計算一個模塊的得分作為得分函數，然后采用精確計算或啟發式識別亞網絡［18］。兩者的區別在于，精確計算能夠找到最佳的和其次的亞網絡，而后者只能識別出高分亞網絡［19］，無法明確首選者。

2.4 種子擴展種子擴展需要先提出一個概率模型為節點分配權重，再提取相對小的、高分的節點集合或種子，采用啟發式算法(如貪婪算法)優化初始種子。最后，通過增加節點、模塊合并、刪除或重新分配節點［20］等方法將初始種子擴增為功能模塊。相關計算程序已被開發，如CEZANNE［20］。

2.5 矩陣分解矩陣分解要求首先為網絡構建模塊性矩陣，尋找主要特征值和特征向量。利用模塊性矩陣和特征值，把網絡劃分成兩部分，并采用迭代計算。如果在任一階段，此劃分對整體模塊性的貢獻度為0或負值時，相應子圖將不再被劃分，算法即終止［15］。

2.6 其他方法模塊劃分方法呈多元化趨勢來自于對數據的適應性分析。Wang等［21］提出一種基于過程的網絡分解方法揭示骨干模體的結構，從描述所有可能的網絡空間特征開始，識別出其中最小的網絡(具有最少的邊)，若刪除小網絡任意一條邊都會破壞其性能，這個最小網絡就形成了一個巨大的骨干模體。Saez-Rodriguez等［22］提出基于模塊間追溯效力的缺乏這一標準，自動地把生物化學網絡分解成模塊。所謂追溯效力是指網絡中下游元件對上游元件狀態的影響。使用該方法定義模塊是利用模塊間追溯的相互連接的數量最小化，類似以探索模塊間弱連接為基點，適合大型網絡分析，特別是對網絡結構的先驗知識了解較少時使用。

3 模塊結構特點

即使不同方法劃分模塊結果不盡相同，但由于網絡具有自相似性特性［23］，故模塊結構也存在相似特點。橋接結構(Fig 2a)連接了網絡中相鄰的兩個模塊，與樞紐(hub)相比，有較少的鄰居，它可以通過與之連接的節點而獨立調節兩個模塊。如果橋接在模塊之間占據了一個獨特的、壟斷的位置，則被稱為“瓶頸”(Fig 2b)，網絡幾乎所有的信息傳遞都必須通過這些節點［4］。重疊模塊結構是網絡劃分后普遍存在的，鑒于基因或蛋白質分子個體多具有超過一個以上的生物學功能，這使得不同模塊可以擁有共用組件。模塊的重疊(Fig 2c)是網絡擾動的主遞質，可依靠重疊區域進行信息的交流和傳遞，是網絡合作的主要決定因素［24］。研究表明這種重疊可使高層次的細胞功能從低層次的模塊中進行信息整合以解決合作與沖突［25］。可見，以上結構在生物網絡中信號轉導、網絡協作等行為中起到重要作用。同時，也提示我們在病理狀態下的網絡，這些結構作為潛在的藥物靶標的重要性，并重申多靶點藥物聯合攻擊的必要性［24］。網絡具有層次化結構特點(Fig 2d)，模塊亦是如此，兩者的概念無須完全對立。事實上，模塊本身即為網絡分層的一種方法［26］，可對網絡進行收縮或降維，而模塊分層有助于對模塊特征的理解及模塊聯合機制的探索，這種認識將超越結構水平之上。

Fig 2 Schematic diagram of the important structural relationship between modules

4 模塊化分析方法在疾病——藥物網絡中的應用

系統生物學的觀點認為生命體是多種分子相互作用形成的復雜網絡。不論病理、生理還是藥物干預都要依賴細胞組件執行生物學功能。復雜疾病是通過多個基因或其產物功能紊亂導致調控網絡失衡的結果［10］，并發現相同或表型相似的疾病，其致病基因通常存在于相同的功能模塊里［27－28］(Fig 3)，而且刪除單個節點對疾病網絡幾乎是沒有影響的［29］。因此，尋求多模塊聯合打靶是模塊藥理學所強調的。傳統中藥方劑在藥物聯合干預模式下取得了突出的成績，許多經典方劑作為反向藥理學背景下研究聯合治療的模型是再適合不過。針對上述具有靶標模塊疾病網絡，采用具有模塊式靶點干預的藥物聯合，分析藥物干預前后模塊變化特點，尋找病理模塊間結構弱點，從分子水平探索內源活性物質簇，揭示藥物聯合作用機制。需要強調的是，疾病與藥物模塊之間存在著彌散性的斗爭和融合，是一種中間狀態。所以，理清靶標、靶點、中間狀態之間模塊關系在明確藥理機制和指導藥物應用中占據重要地位。

Fig 3 Schematic diagram of pathogenic or drug interventional network as well as contained modules

5 意義與展望

模塊化分析方法使網絡降維，又不失信息整合，為模塊藥理學的提出打下堅實基礎。我們以此為出發點，利用模塊藥理學理論框架，已經開展對中藥有效組分配伍干預復雜疾病研究。目標是使藥物組分明確化、作用靶點具體化，組方機制清晰化。局部與整體，結構與功能，探索與控制是未來模塊藥理學研究的重點，它將為復雜疾病治療和藥物研發提供一個良好的契機。

［1］ Kola I，Landis J.Can the pharmaceutical industry reduce attrition rates［J］?Nat Rev Drug Discov，2004，3(8):711 －5.

［2］ Karasavvas K A，Baldock R，Burger A.A criticality-based framework for task composition in multi-agentbioinformatics integration systems［J］.Bioinformatics，2005;21(14):3155 －63.

［3］ Barabasi A L，Oltvai Z N.Network biology:understanding the cell's functional organization［J］.Nat Rev Genet，2004，5(2):101 －13.

［4］ Csermely P，Korcsmaros T，Kiss H J，et al.Structure and dynamics of molecular networks:A novel paradigm of drug discovery:A comprehensive review［J］.Pharmacol Ther，2013，138(3):333 －408.

［5］ 陶 麗，范方田，劉玉萍，等.中藥及其組分配伍的整合作用研究實踐與進展［J］.中國藥理學通報，2013，29(2):153－6.

［5］ Tao L，Fan F T，Liu Y P，et al.Research development on the integration effect of traditional Chinese medicine and its prescriptions［J］.Chin Pharmacol Bull，2013，29(2):153 －6.

［6］ Lorenz D M，Jeng A，Deem M W.The emergence of modularity in biological systems［J］.Phys Life Rev，2011，8(2):129 －60.

［7］ Wang Z，Liu J，Yu Y，et al.Modular pharmacology:the next paradigm in drug discovery［J］.Expert Opin Drug Discov，2012，7(8):667－77.

［8］ Tornow S，Mewes H W.Functional modules by relating protein interaction networks and gene expression［J］.Nucleic Acids Res，2003，31(21):6283－9.

［9］ Hartwell L H，Hopfield J J，Leibler S，et al.From molecular to modular cell biology［J］.Nature，1999，402(6761 Suppl):C47－C52.

［10］ Barabási A-L，Gulbahce N，Loscalzo J.Network medicine:A network-based approach to human disease ［J］.Nat Rev Genet，2011，12(1):56－68.

［11］ Winther R G.Varieties of modules:kinds，levels，origins，and behaviors［J］.J Exp Zool，2001，291(2):116 －29.

［12］ Conradi C，Flockerzi D，Raisch J，et al.Subnetwork analysis reveals dynamic features of complex(bio)chemical networks［J］.PNAS，2007，104(49):19175 －80.

［13］ Spirin V，Mirny L A.Protein complexes and functional modules in molecular networks［J］.PNAS，2003，100(21):12123 －8.

［14］ Wang Z，Wang Y Y.Modular pharmacology:deciphering the interacting structural organization of the targeted networks［J］.Drug Discov Today，2013，18(11 －12):560 －6.

［15］ Newman M E.Modularity and community structure in networks［J］.PNAS，2006，103(23):8577－82.

［16］ Chin C H，Chen S H，Ho C W，et al.A hub-attachment based method to detect functional modules from confidence-scored protein interactions and expression profiles［J］.BMC Bioinformatics，2010，11 Suppl 1:S25.

［17］ Yoon J，Si Y，Nolan R，et al.Modular decomposition of metabolic reaction networks based on flux analysis and pathway projection［J］.Bioinformatics，2007，23(18):2433 －40.

［18］ Gu J，Chen Y，Li S，et al.Identification of responsive gene modules by network-based gene clustering and extending:application to inflammation and angiogenesis［J］.BMC Syst Biol，2010，4(1):47.

［19］ Wu Z K，Zhao X M，Chen L N.Identifying responsive functional modules from protein-protein interaction network ［J］.Mol Cell，2009，27(3):271－7.

［20］ Ulitsky I，Shamir R.Identifying functional modules using expression profiles and confidence-scored protein interactions［J］.Bioinformatics，2009，25(9):1158 －64.

［21］ Wang G，Du C，Chen H，et al.Process-based network decomposition reveals backbone motif structure［J］.PNAS，2010，107(23):10478－83.

［22］ Saez-Rodriguez J，Gayer S，Ginkel M，et al.Automatic decomposition of kinetic models of signaling networks minimizing the retroactivity among modules［J］.Bioinformatics，2008，24(16):i213 －9.

［23］ Song C，Havlin S，Makse H A.Self-similarity of complex networks［J］.Nature，2005，433(7024):392 －5.

［24］ Farkas I J，Korcsmáros T，Kovács I A，et al.Network-based tools for the identification of novel drug targets［J］.Sci Signal，2011，4(173):pt3.

［25］ Hao D，Ren C，Li C.Revisiting the variation of clustering coefficient of biological networks suggests new modular structure［J］.BMC Syst Biol，2012，6:34.

［26］ Palla G，Barabási A L，Vicsek T.Quantifying social group evolution［J］.Nature，2007，446(7136):664 －7.

［27］ Wu X B，Jiang R，Zhang M Q，et al.Network-based global inference of human disease genes［J］.Mol Syst Biol，2008，4:189.

［28］鐘詩龍，伍 虹，楊 敏，等.用權重基因共表達網絡分析識別心臟重構關鍵節點基因［J］.中國藥理學通報，2011，27(10):1358－62.

［28］ Zhong S L，Wu H，Yang M，et al.Identification of hub genes of cardiac remodeling by weighted gene co-expression network analysis［J］.Chin Pharmacol Bull，2011，27(10):1358 －62.

［29］ Hopkins A L.Network pharmacology:the next paradigm in drug discovery［J］.Nat Chem Biol，2008，4(11):682 －90.