基于網絡藥理學探討降壓通脈方的作用機制

張帆 韓琳 宋林梅 李冰 沈一凡 郭維琴 秦建國

摘要 目的：運用網絡藥理學理念和方法探討名中醫效方降壓通脈方的可能靶點及作用機制，加深對名中醫效方的理解。方法：通過檢索ETCM及BATMAN-TCM數據庫獲取降壓通脈方成分及預測靶基因;采用STRING、Cytoscape軟件及插件構建網絡并分析。利用DAVID工具對關鍵靶點進行基因本體論（GO）功能富集分析、KEGG通路富集分析以及疾?。―O）富集分析。結果：從降壓通脈方中篩選出關鍵化合物112個，Hub靶標113個，模塊29個。主要涉及在炎性反應、信號轉導、免疫、糖脂代謝等生物學過程中的多條信號通路。結論：初步揭示了降壓通脈方主要活性成分、靶點及作用機制，為進一步深入探討其藥理學作用提供了參考。

關鍵詞 降壓通脈方;名醫經驗;網絡藥理學;靶點;信號通路;生物功能

Study on the Action Mechanism of Jiangya Tongmai Formula Based on Network Pharmacology

ZHANG Fan1，HAN Lin2，SONG Linmei3，LI Bing1，SHEN Yifan1，GUO Weiqin4，QIN Jianguo5

（1 Graduate School，Beijing University of Chinese Medicine，Beijing 100029，China; 2 College of Traditional Chinese Medicine，Beijing University of Chinese Medicine，Beijing 102488，China; 3 Capital Medical University Yanjing Medical College，Beijing 101300，China; 4 Dongzhimen Hospital，Beijing University of Chinese Medicine，Beijing 100700，China; 5 Nephrology Department，Dongfang Hospital，Beijing University of Chinese Medicine，Beijing 100078，China）

Abstract Objective：To investigate the possible action mechanism of Jiangya Tongmai Formula based on network pharmacology.Methods：By searching the ETCM and BATMAN-TCM databases，the components of Jiangya Tongmai Formula and the predicted target genes were obtained; the network was constructed and analyzed by STRING，Cytoscape software and plug-ins.DAVID tools was used to perform gene ontology（GO）function enrichment analysis，KEGG pathway enrichment analysis，and disease（DO）enrichment analysis on key targets.Results：From Jiangya Tongmai Formula，112 key compounds，113 Hub targets and 29 modules were screened.It mainly involved multiple signal pathways in the biological processes of inflammation，signal transduction，immunity，and glucose and lipid metabolism，and many other signal path.Conclusion：The main active ingredients，targets and mechanism of Jiangya Tongmai Formula are initially revealed，which provides a reference for further in-depth study of its pharmacological effects.

Keywords Jiangya Tongmai Decoction;Experience of famous doctor;Network pharmacology;Targets;Signaling pathway;Biological functions

中圖分類號：R285文獻標識碼：Adoi：10.3969/j.issn.1673-7202.2020.23.014

降壓通脈方是著名中醫藥學家郭士魁先生創制的效方[1]，主要用于治療冠心病合并高血壓病的患者。該方以丹參為君藥，配伍紅花、郁金及雞血藤涼血活血，行氣通絡止痛，合用珍珠母平肝潛陽，黃芩、菊花等清肝瀉火，諸藥合用共奏活血祛瘀、平肝潛陽之功[1-2]。異病同治是中醫治療的一大特點，基于對疾病證候的認識，諸多醫家將其應用于治療高血壓心臟病、高血壓腎損害等病癥的治療，取得了良好的臨床療效。目前已基于此進行了一系列的臨床及實驗研究[2-12]，證實該方能增強左室舒張功能、左室收縮功能、調控血管活性物質的表達、防止心肌細胞肥大從而防治左室肥厚、保護腎臟功能等作用。臨床實踐依據及基礎實驗依據皆表明降壓通脈方在對高血壓靶器官的保護方面有很大的臨床發展優勢與潛力，但目前對于該方的藥效作用物質基礎與機制闡釋尚不明確，需要進一步研究與挖掘。

網絡藥理學基于人體是一個由眾多基因或其產物相互作用從而構成的一個復雜的生物網絡，網絡的失衡是疾病發生的本質[13]的理念，提出運用網絡分析的方法分析藥物、疾病及靶點間復雜的相互作用關系[14]，可以更好的揭示非單一靶點的藥物的作用特點[15]。網絡藥理學對疾病本質的認識與中醫“以平為期”的治療觀點基本吻合。運用網絡藥理學的方法研究復方中藥可以揭示藥物與作用靶點間的相互關系，闡釋中藥活性成分間的協同作用機制，確證中藥藥效的微觀生物學基礎[16]。

基于以上分析，本研究基于網絡藥理學方法，對降壓通脈方的預測靶點進行相關網絡與生物功能分析，從而加深對該方的作用機制的認識與理解，為進一步的實驗驗證及臨床拓展應用提供依據。

1 材料與方法

1.1 材料 中醫藥百科全書數據庫ETCM（http：//www.nrc.ac.cn：9090/ETCM/）;BATMAN-TCM在線分析工具（http：//bionet.ncpsb.org/BATMAN-TCM-tcm/）;STRING在線數據庫（https：//string-db.org/）;Cytoscape軟件（版本3.7.2）及CytoNCA、cytohubba、MCODE、Enrichment Map及AutoAnnotate插件;David 6.8生物信息學分析數據庫（https：//david.ncifcrf.gov）;R語言（版本3.6.1）。

1.2 降壓通脈方活性成分的篩選及靶點的預測 降壓通脈方由丹參、瓜蔞、紅花、郁金、雞血藤、薤白、香附、黃芩、菊花、草決明及珍珠母共11味藥物組成。其中珍珠母運用BATMAN-TCM在線分析工具獲取活性成分及靶點，其余10味藥物運用ETCM數據庫獲取活性成分及預測靶標。

BATMAN-TCM[17]（http：//bionet.ncpsb.org/BATMAN-TCM-tcm/）是一個在線生物信息學分析工具，具有成分靶點預測、生物功能分析等功能。本研究以“珍珠母”為關鍵詞檢索BATMAN-TCM數據庫，以得分≥20與P<0.05為臨界值，分別進行化合物篩選及作用靶點預測，并刪去未預測到靶點的化合物。

ETCM數據庫[18]是由中國工程院院士黃璐琦研究員帶領中國中醫科學院中藥研究所、中藥資源中心、北京大學中藥學院等單位共同打造的具有自主知識產權的在線開源中醫藥數據平臺，采用Pipeline Pilot ADMET、QED、MedChem Studio（3.0版）等多種權威算法計算藥物動力學參數、藥物相似度及預測作用靶點，并給出Tanimoto評分>0.8分的高相關性作用靶點。本研究運用ETCM檢索降壓通脈方中除珍珠母外的10味藥物的活性成分及預測靶標，并刪去未預測到靶點的化合物。

整合以上檢索結果，最終得到降壓通脈方的活性成分及潛在靶點。

1.3 “藥物-活性成分-靶點”相互作用網絡的構建與分析 將“1.2”中篩選出的活性成分與潛在靶點數據導入Cytoscape 3.7.2軟件構建“藥物-活性成分-靶點”相互作用網絡。利用Cytoscape 3.7.2軟件的Network Analyzer工具及CytoNCA插件計算網絡拓撲參數，得到上述網絡關系中的自由度（Degree）、介度中心性、（Betweeness Centrality，BC）、接近中心性（Closeness Centrality，CC）、特征向量中心性（Eigenvector Centrality，EC）等指標。篩選標準：1）DC值大于所有節點DC值中位數2倍的重要節點;2）其他幾個指標大于所有節點中位數的節點，即得到關鍵節點，構成Hub節點靶標基因集，簡稱Hub集。

1.4 降壓通脈方蛋白相互作用網絡構建與分析?? String數據庫[19]（http：//string-db.org/cgi/input.pl，Version：11.0）是目前公認的查詢下載蛋白相互作用關系的在線數據庫，其收集了大量被實驗證實及預測得到的蛋白相互作用關系的數據，共涉及24.6百萬個蛋白，>2 000百萬個相互作用。采用STRING在線數據庫查詢下載蛋白相互作用網絡（PPI）數據（得分>0.9），結果導入Cytoscape 3.7.2軟件繪制相互作用網絡。利用Cytoscape 3.7.2軟件的cytohubba插件選用最大團中心性（Maximal Clique Centrality，MCC）[20]計算方法獲得得分前100位的關鍵靶標，構成MCC關鍵節點靶標基因集，簡稱MCC集。

作為一個復雜的自適應系統，生物網絡由一組相互作用的單元“模塊”組成，這些單元被認為是最小的功能實體[21]。探索這“模塊”以及它們如何協同工作來執行復雜的功能導致表型改變，可能是闡明這種多成分中藥復方的藥理機制的一個很有希望的機會[22]。MCODE是cytoscape中一個基于聚類算法的插件，它可以根據拓撲結構對給定的網絡進行聚類，找到密切聯系的功能“模塊”。其優勢在于具有一種定向模式，允許在不考慮網絡其余部分的情況下對感興趣的簇進行微調，并允許檢查與蛋白質網絡相關的簇互連性[23]。利用Cytoscape 3.7.2軟件的MCODE插件進行關鍵模塊的識別，參數設置采用默認值。

1.5 基因功能和信號通路分析 使用DAVID在線分析工具對Hub集、MCC集及模塊進行GO及KEGG Pathways分析。通過統計學P值和FDR值來評估富集結果，其中GO分析分為生物過程（Biological Process，BP），分子功能（Molecular Function，MF）和細胞組成（Cellular Component，CC）3大模塊進行基因功能注釋。保存結果后，閾值設置為Pvalue<0.01，FDR<0.01進行顯著性富集結果篩選。對模塊GO分析結果運用Cytoscape 3.7.2軟件的Enrichment Map插件[24]進行網絡構建及分析，對其中代表主要生物學主題的類似通路的簇使用AutoAnnotate插件，一個自動運行clusterMaker2以生成群集并根據所選屬性的單詞頻率自動生成集群標簽的插件，自動集群及定義其生物學主題。

2 結果

2.1 降壓通脈方活性成分的篩選及靶標預測 在ETCM數據庫中，分別以“丹參”“瓜蔞、“紅花”“郁金”“雞血藤”“薤白”“香附”“黃芩”“菊花”及“決明子”為關鍵詞進行檢索，整合檢索結果，并刪去未得到高相關性的靶點靶點的化合物，最終結果顯示（截止到2019年7月）：共篩選出成分224種，其中丹參34個，紅花20個，雞血藤5個，決明子24個，菊花10個，黃芩51個，薤白21個，香附11個、郁金5個，瓜蔞43個，去掉其中重復的成分13種，共211種;共預測到靶點602個。

通過BATMAN-TCM工具檢索到珍珠母成分共8種，為鋁、鋅、銅、錳、鐵、硅、碳酸鈣、鍶，其中3個化合物鋅、錳、鍶未通過BATMAN-TCM在線工具預測到得分≥20的靶點，其余5個化合物共得到靶點32個，重復的靶點26個。

綜上所述，降壓通脈方全方共篩選出成分216種，預測到靶點608個。

2.2 “藥物-活性成分-靶點”相互作用網絡分析?? 通過Cytoscape 3.7.2軟件繪制降壓通脈方的“藥物-活性成分-靶點”相互作用網絡圖。見圖1。圖中正多邊形代表藥物，菱形代表活性成分，圓形代表作用靶點，且具有相互作用關系的節點間用直線連接，節點顏色的深淺與度值相對應。此網絡結構中包含了835個節點和11 411條邊，835個節點中包括11味藥物、216種活性成分及608個作用靶點。圖中藥物所包含的成分成方陣排列在對應藥物下方，而兩味或多味藥物共有的8個成分單獨成行排列，其中丹參和黃芩共有的成分為黃芩苷和豆甾醇，紅花和黃芩共有的成分為棕櫚酸，紅花和瓜蔞共有的成分為月桂酸、亞麻酸及硬脂酸，丹參、紅花及黃芩三味藥共有的成分為β-谷甾醇。對該網絡的拓撲學性質進行分析（見表1）及篩選，篩選策略為：Degree>18且EC>0.01且BC>21.61且CC>0.28，共發現關鍵節點230個（見圖2）。其中藥物5味，按度值降序依次為黃芩、瓜蔞、丹參、薤白及紅花;成分112個（見表2，僅提供度值排名前20位的成分信息）;靶標113個，構成Hub靶標集（簡稱Hub集）。

2.3 降壓通脈方蛋白相互作用網絡構建與分析?? 蛋白相互作用網絡結果詳見圖2，圖中節點表示蛋白，邊表示蛋白之間的關聯，節點顏色的深淺與度值相對應。圖中共涉及457個節點，1 900條邊，其中有160個靶標包括1.3中篩選出的113個靶點中的25個（SLC22A1、SLC22A3、SLC22A8、CYP3A43、SLC22A7、SERPINA6、SLC10A6、CYP27A1、IGHG1、ATP1A1、SLCO2B1、SLCO4A1、SLCO1B3、SLCO1C1、GLTP、SLC22A6、SLC16A1、PMP2、SLCO2A1、SEC14L2、SLC22A11、NQO2、GPER、PIM1、UGT3A1）未在數據庫中找到與其他蛋白相互作用評分>0.9的相互作用關系，這160個蛋白不在相互作用網絡中體現，另MT-CO2、MT-ATP6、MT-CO1、SLC51B、NOS2、ENSG00000196689、GPER1、PTGDR2、SLC51A不在預測到的靶標蛋白序列中，通過STRING數據庫補充。使用cytohubba插件中MCC方法計算后篩選出得分排在前100的靶點，構成MCC靶標集（簡稱MCC集），結果如圖3所示。

利用MCODE進行模塊識別，得到29個模塊。其中最大的模塊為模塊6，包含38個靶標，147個相互作用關系，評分7.946分;評分最高的模塊為模塊1，包含15個靶標，105個相互作用關系，評分15分;評分最低的模塊為模塊29，包含4個靶標，4個相互作用關系，評分2.667分。詳見表3（僅提供評分>5分的模塊信息）。

29個模塊共涉及靶點247個，其中48個靶點與Hub集重疊，99個靶點與MCC集重疊，3種方法共同篩選出的靶點有22個，具體包括：CYP3A4、CYP3A5、CYP3A7、GABRB3、CYP1A1、RXRA、CYP2E1、CYP1A2、CYP2B6、CYP19A1、GABRA2、GABRA1、GABRA4、GABRA3、CYP2C9、GABRA6、GABRA5、CYP2C19、SULT2B1、AKR1C3、AKR1C1、CYP2A6。

2.4 基因功能和信號通路分析 使用DAVID數據庫對Hub集、MCC集及模塊涉及的靶標基因進行GO及KEGG Pathways富集分析，閾值設置為Pvalue<0.01，FDR<0.01。

通過GO富集分析發現，Hub集顯著富集在30個BP、23個MF和10個CC中，MCC集顯著富集在28個BP、28個MF和20個CC中。見圖4。圖4中橫坐標為富集的Enrichment值，縱坐標為-log10PValue，圓點表示Hub集富集到的GO基因注釋信息，三角形表示MCC集富集到的基因注釋信息，圖形的顏色與大小由FDR值和相關聯的基因數量決定。其中Hub集主要富集在類固醇代謝過程、氧化還原、陰離子運輸、一元羧酸運輸、藥物代謝過程、有機陰離子轉運、對有機物的反應、對營養水平的反應、離子輸運、維生素D代謝過程等生物學過程，膜組分、不溶性組分、細胞碎片、微粒體、泡狀部分、外模、氯通道絡合物、內質網膜、內質網、核膜-內質網等細胞組分及脂質結合、血紅素結合、以還原黃素為組分的氧化還原酶活性、四吡咯結合、類固醇結合、芳香化酶活性、配體依賴性核受體活性、類固醇激素受體、有機陰離子跨膜轉運活性、電子載流子活性等分子功能上;MCC集主要富集在氧化還原、γ-氨基丁酸信號途徑、類固醇代謝過程、甾體生物合成過程、翻譯延伸、細胞激素代謝過程、G蛋白偶聯受體蛋白信號途徑、第二信使介導的信號轉導、藥物代謝過程、激素生物合成過程等生物學過程，突觸后膜、微粒體、泡狀部分、氯通道絡合物、突觸部分、大核糖體亞單位、突觸、細胞器膜、內質網膜、核膜-內質網等細胞組分及GABA受體活性、GABA-A受體活性、血紅素結合、四吡咯結合、電子載流子活性、以還原的黃色蛋白為組分的氧化還原酶活性、氧結合、鐵離子結合、類固醇脫氫酶活性、細胞外配體門控離子通道活性等分子功能上。兩者共同富集到的基因注釋信息有26個，包塊類固醇代謝過程、氧化還原、藥物代謝過程、細胞激素代謝過程、激素代謝過程、激素水平的調節劑及γ-氨基丁酸信號途徑7個生物學過程，膜組分、不溶性組分、細胞碎片、微粒體、泡狀部分、氯通道絡合物、內質網膜、內質網、核膜-內質網9個細胞組分及血紅素結合、以還原的黃色蛋白為組分的氧化還原酶活性、四吡咯結合、芳香化酶活性、電子載流子活性、氧結合、陰離子跨膜轉運蛋白活性、鐵離子結合、GABA-A受體活性、GABA受體活性10個分子功能。

對MCODE中評分>5的9個模塊分別進行GO富集分析，共得到101個顯著富集的生物學過程、54個顯著富集的細胞組分及81個顯著富集的分子功能，共236個富集結果，其中有38個重復值。對這些結果運用Cytoscape 3.7.2軟件的Enrichment Map插件[24]及AutoAnnotate插件進行集群分析，Enrichment Map插件參數設置Node Cutoff Q-value<0.01，Edge Cutoff（Similarity）>0.375。見圖5。圖5中包含198個節點，2 723條邊，共得到11個功能集群，其中最大的是離子跨膜轉運及信號轉導功能相關集群，共包含80個節點、1 773條邊，最小的是類固醇脫氫酶活性和營養水平刺激相關功能集群，各包含2個節點，1條邊。

此外對Hub集和MCC集進行KEGG分析共得到10條信號通路。見圖7。圖7中圓點圓點表示Hub集富集到的KEGG信號通路，三角形表示MCC集富集到的基因注釋信息，圖形的顏色與大小由Pvalue和相關聯的基因數量決定。對MCODE中評分>5的9個模塊進行KEGG分析共得到17條信號通路，詳見圖6。

3 討論

中醫復方中各藥物之間不是簡單的疊加與堆砌，而是相須相使等通過配伍有機的結合成一個整體，其作用機制是單一成分或靶點難以解釋的。網絡藥理學是一種用聯系的理念看待生物體，結合生物信息學技術和網絡分析、藥理學等的方法來闡釋靶標網絡的協同效應和潛在機制的方法。因其與中醫復方特點與理念高度契合，成為目前較為熱門的中醫復方研究方法。降壓通脈方是名老中醫效方，在對高血壓靶器官的保護方面有良好的應用前景。進一步研究該方的藥效作用物質基礎與機制，有助于加深對該方的作用機制的認識與理解，為進一步的實驗驗證及臨床拓展應用提供依據。

本研究通過網絡藥理學理念和技術，從降壓通脈方全方11味藥物中篩選出成分216個，預測到靶點608個。通過分析以這些成分和靶點構建的網絡模型，共篩選出112個關鍵成分，這些成分中連接度前3名的化合物為β-谷甾醇（Β-Sitosterol）、瀉根醇酸（Bryonolic Acid）及月桂酸（Lauric Acid）。其中β-谷甾醇是一種常見的植物甾醇，有廣泛的藥理作用，如抗氧化、抗高血脂、抗炎、免疫調節、抗腫瘤等，特別是防治心腦血管疾病、降低膽固醇等方面備受關注[25]。瀉根醇酸是一種四環三萜類化合物，具有細胞毒性、抗炎、抗腫瘤、抗氧化等生物活性[26]。月桂酸是典型的中鏈脂肪酸，研究表明[27]可抑制高脂飼喂小鼠脂肪沉積，并在一定程度上緩解小鼠體內的炎性反應。網絡中連接度排名前三的靶點為CYP3A4、ABCB1和ABCG2。CYP3A4中文名為細胞色素P450 3A4酶，是細胞色素P450氧化酶家族成員之一，是藥物在體內代謝的重要影響因素之一。ABCB1中文名為P-糖蛋白、ABCG2中文名為乳腺癌耐藥蛋白，兩者均是膜轉運體ABC超家族的成員，是具有ATP結合區域的苦熬膜蛋白，通過主動運輸的方式轉運多種物質包括藥物，是藥物耐受的重要相關蛋白[28]。

蛋白質相互作用網絡結果顯示降壓通脈方的靶點間存在著復雜的相互作用關系，其中聯系更為密切的構成模塊單元發揮作用。經過計算，ANXA1、ADCY1、CHRM2、CNR1、CNR2、HTR1A、ADORA1、PTGER3、PTGDR2、GABBR1、GABBR2、GPER1、SUCNR1、P2RY12、OPRK1等可能是降壓通脈方發揮作用的主要靶蛋白。此外Hub集是通過藥物成分與靶點間的互作關系經計算得到的，一定意義上可以看做是復方藥物直接影響的靶點，MCC集是通過靶點間的相互作用關系計算得到的，一定意義上代表復方藥物對復雜的生物網絡起調節作用的關鍵靶點。通過比較Hub集與MCC集，有22個靶標蛋白相重疊，說明一部分藥物直接作用的蛋白在機體調控中起到重要作用，但更多的藥物作用是通過靶點間的相互作用實現的。

通過富集分析可知，降壓通脈方的靶基因主要富集在類固醇代謝過程、氧化還原、藥物代謝過程、細胞激素代謝過程、激素代謝過程、激素水平的調節劑及γ-氨基丁酸信號途徑等生物學過程，這些生物學過程與免疫、炎性反應、脂代謝等高度相關，可能是其作用廣泛的物質基礎。KEGG通路分析篩選出10條信號通路，主要包括機體內重要的小分子物資代謝通路：亞油酸、視黃醇、花生四烯酸及類固醇激素等，這些物質及代謝產物在機體內發揮重要作用，如在炎性反應、免疫反應、糖脂代謝等方面，而這些方面在心腦血管疾病、腎臟病等高血壓易損傷的靶器官的疾病發生發展過程中均起到重要的作用，提示該方在上述疾病治療中的潛力。此外還涉及到信號傳導的相關通路2條，分別為神經活性配體-受體相互作用通路、PPAR信號通路。其中PPAR信號通路中PPARs是與維甲酸、類固醇和甲狀腺激素相關的配體激活轉錄因子超家族核激素受體成員，主要調節脂肪代謝酶的轉錄，從而調節能量代謝、生長發育等生物功能，還參與細胞生長、分化與凋亡的調節。

通過模塊分析可知，大多數模塊的生物功能相對集中，僅涉及1～2個方面，復雜的中藥復方通過作用靶標間的相互作用形成一個個功能模塊，這些模塊互相影響與調節，協調發揮作用。對其中得分較高的9個模塊進行KEGG信號通路分析，結果發現其除與Hub集及MCC集共同涉及的神經活性配體-受體相互作用、核糖體、類固醇激素生物合成、雄激素與雌激素代謝、氧化磷酸化、PPAR信號通路等信號通路外，還涉及心肌收縮、帕金森病、阿爾茨海默病、肌痿側索硬化癥等疾病的信號通路，此外還涉及糖脂代謝的信號通路：脂肪細胞因子信號通路及胰島素信號通路，與復制和轉錄相關的長期增益效應等及與能量代謝相關的檸檬酸循環。

綜上所述，本研究以名中醫效方降壓通脈方為研究對象，通過網絡藥理學相關理念和方法分析降壓通脈方作用機制。研究表明此方涉及多種信號通路和生物過程，體現了“多成分-多靶點-多途徑”的協同作用特點，為進一步深入研究降壓通脈方藥理作用奠定基礎。

參考文獻

[1]焦東海.郭士魁老中醫冠心?、蛱柗絼摿⒁罁敖涷灧絒J].中成藥，1990，12（3）：23-24.

[2]王亞紅，肖文君，羅斯瓊，等.降壓通脈方對自發性高血壓大鼠血壓及左心室肥厚的影響[J].中華中醫藥雜志，2010，25（3）：369-371.

[3]王琛.降壓通脈方逆轉高血壓左室肥厚的信號轉導通路機制初探[D].北京：北京中醫藥大學，2009.

[4]傅強.降壓通脈方對左室肥厚高血壓患者的臨床及血管活性物質改變的觀察[J].云南中醫中藥雜志，2004，25（4）：15-17.

[5]王亞紅.降壓通脈方對自發性高血壓大鼠血壓及左心室肥厚的影響及對信號轉導通路蛋白表達的影響[C].南昌：第十次中國中西醫結合學會心血管病學術大會暨第五次江西省中西醫結合學會心血管病學術大會論文匯編，2010.

[6]王亞紅.降壓通脈方對自發性高血壓大鼠血壓及左心室肥厚的影響[C].西寧：第四屆全國血脂分析與臨床學術研討會暨第九屆全國脂蛋白學術會議論文匯編，2008.

[7]王亞紅.降壓通脈方對自發性高血壓大鼠血壓及左心室肥厚的影響[C].上海：第一屆全國中西醫結合心血管病中青年醫師論壇論文匯編，2008.

[8]曹征.降壓通脈方對自發性高血壓大鼠腎臟損害的實驗及機理研究[D].北京：北京中醫藥大學，2007.

[9]羅斯瓊，王亞紅，王琛.降壓通脈方對血管緊張素Ⅱ誘導心肌細胞肥大的影響[J].中國中醫基礎醫學雜志，2009，15（8）：584-586.

[10]王碩，王碩仁，趙悅茹，等.降壓通脈方對高血壓病左室肥厚患者血管活性物質的影響[J].中國中西醫結合雜志，2002，22（4）：274-276.

[11]秦建國.降壓通脈方對高血壓病腎損害大鼠尿微量白蛋白、NAG酶的調節作用[C].北京：中華中醫藥學會第二十一屆全國中醫腎病學術會議論文匯編，2008.

[12]羅斯瓊.活血鎮心法逆轉高血壓左室肥厚理論及作用機制初探[D].北京：北京中醫藥大學，2008.

[13]Tang F，Tang Q，Tian Y，et al.Network pharmacology-based prediction of the active ingredients and potential targets of Mahuang Fuzi Xixin decoction for application to allergic rhinitis[J].Journal of Ethnopharmacology，2015，176（Complete）：402-412.

[14]Hopkins A L.Network pharmacology[J].Nature Biotechnology，2007，25（10）：1110-1111.

[15]Hong H，Feuers R，Tang K，et al.Drug Repositioning Through Network Pharmacology[J].Current Topics in Medicinal Chemistry，2016，16（30）：3646-3656.

[16]解靜，高杉，李琳，等.網絡藥理學在中藥領域中的研究進展與應用策略[J].中草藥，2019，50（10）：2257-2265.

[17]Zhongyang L，Feifei G，Yong W，et al.BATMAN-TCM：a Bioinformatics Analysis Tool for Molecular mechANism of Traditional Chinese Medicine[J].Scientific Reports，2016，16：6.

[18]Hai-Yu X，Yan-Qiong Z，Zhen-Ming L，et al.ETCM：an encyclopaedia of traditional Chinese medicine[J].Nucleic Acids Research，2019，47（D1）：976-982.

[19]von MC.，Jensen LJ，Snel B，et al.STRING：known and predicted protein-protein associations，integrated and transferred across organisms[J].Nucleic Acids Research，2005，33（Database issue）：D433-D437.

[20]Meghanathan N.Maximal Clique Size Versus Centrality[C].Springer India：A Correlation Analysis for Complex Real-World Network Graphs，New Delhi，2016.

[21]Sales-Pardo，Marta.The importance of being modular[J].Science，2017，357（6347）：128-129.

[22]Wang P，Dai L，Zhou W，et al.Intermodule Coupling Analysis of Huang-Lian-Jie-Du Decoction on Stroke[J].Frontiers in Pharmacology，2019，10：1288.

[23]Bader G D，Hogue C W.An automated method for finding molecular complexes in large protein interaction networks[J].BMC Bioinformatics，2003，4（1）：2.

[24]Daniele M，Ruth I，Oliver S，et al.Enrichment Map：A Network-Based Method for Gene-Set Enrichment Visualization and Interpretation[J].Plos One，2010，5（11）：e13984.

[25]劉威良，姬昱，黃艾祥.β-谷甾醇的研究及開發進展[J].農產品加工，2019，18（1）：83-85.

[26]張勝男，李煌，張玉琴，等.瀉根醇酸對NMDA誘導的PC12細胞損傷的保護作用研究[J].天然產物研究與開發，2015，139（1）：139-142，162.

[27]丁同慶，張楓琳，黃曉剛，等.月桂酸對高脂日糧飼喂小鼠脂肪沉積及炎癥反應的影響[J].養殖與飼料，2019，18（11）：28-31.

[28]李君蕊，付盈菊，趙寶春，等.ABCB1和ABCG2基因多態性與急性藥物中毒性腦病的相關研究[J].中國急救醫學，2014，34（3）：233-237.

（2020-01-08收稿 責任編輯：蒼寧）