(一) 课题名称

针对炎-癌转变网络关键节点的药物设计与网络调控机制的研究

(二) 课题的背景、目的及意义

在药物研究领域，长期以来新的药物分子结构的设计主要依赖于药物化学家在经验基础上的判断与推测，并通过实验进行验证。二十世纪六十年代，随着分子药理学、理论与计算化学（分子力学及量子化学等）的发展及计算机技术的进步，合理药物设计（Rational Drug Design）及计算机辅助药物设计（Computer-aided Drug Design）应运而生并得到迅速发展，现已成为药物化学领域的重要组成部分¹。但由于基于单靶标的药物设计存在自身的理论缺陷，且随着组学发展、生物信息网络分析及数据整合研究的深入，基于机理（多靶标）的药物设计开始引起人们的关注。随着计算系统生物学的发展，基于网络的药物设计也逐步渗入到计算机辅助药物设计过程中。

脂质最初被认为是一类能量物质和结构基础，现在逐步发现可以作为信号分子参与调节多种生命活动过程。鞘氨醇磷酸酯（Sphingosine-1-phosphate，S1P）就是目前被广泛研究的一种内源性脂质信号小分子。目前多项研究证明，S1P密切参与肿瘤发生发展的多条信号通路，这其中包括肿瘤抗凋亡、缺氧耐受、转录调控异常、血管生成以及肿瘤的转移与侵袭等。同时，越来越多的研究证实非可控性炎症在肿瘤的各个阶段都起着不可忽视的作用。而S1P作为一种多功能生物活性小分子，也广泛参与到炎症的发生与转化过程中9; 10。研究表明S1P代谢通路可以通过调控TNF-NF-kappa;B通路，显著地抑制非可控性炎症反应的发生。而通过调控S1P代谢通路和TNF-alpha;/NF-kappa;B通路有可能为我们寻找抑制非可控炎症反应提供一个可行之路。

考虑到S1P在肿瘤的产生与炎症反应中都扮演重要的角色，因此，S1P被认为是连接炎症与癌症的关键分子基础。通过对S1P参与的关键信号通路的研究，必将为揭示肿瘤与炎症的生理及病理基础提供重要线索，同时为肿瘤的治疗提供更新、更特异的靶标。

(三) 课题的基本内容

鞘氨醇磷酸酯（Sphingosine-1-phosphate，S1P）是目前研究最热门的脂质信号分子之一，其在肿瘤发生发展及炎症中的作用已成为研究的重点。但S1P代谢过程复杂，且涉及众多的信号通路和生物学过程，因此，常规的单分子、单通路研究很难阐明S1P在炎-癌转化过程中的功能全貌。因此，我们将通过计算系统生物学的方法建立以S1P为核心，连接脂质小分子代谢通路、肿瘤信号通路及炎症通路的复杂网络，探索网络节点蛋白质的动力学行为及非可控性炎症向肿瘤转化过程中的网络调控机制。我们主要关注在TNFalpha;等炎性刺激下，生物网络如何在正常、炎症、肿瘤状态之间转化，寻找炎性刺激与肿瘤增殖信号相耦合的关键分子事件，捕捉炎症状态向肿瘤状态转化的中间过渡态，从分子水平上阐明炎症向癌症转化的机制。进而，我们将通过与生物实验相结合，寻找并验证炎症向肿瘤转化过程中的关键靶标或靶标的组合，筛选和设计与这些靶标都有作用的化合物，开展多靶标药物设计研究，抑制非可控性炎症向癌症的转化。同时，我们将进一步针对该调控网络的重要靶标蛋白质，开展结构生物学研究。这将为发现非可控炎症的标志物、防治非可控性炎症的药物靶点乃至药物发现研究奠定坚实的基础。

(四) 课题的研究方法

1. 网络拓扑结构的建立

有向网络图由节点（node）和有方向的边(edge)组成，其中节点用来描述系统的各个组分，边用来描述各组分间上下游的调控关系。考虑到S1P及TNF-NF-kappa;B信号通路方面已经有大量的生物实验，我们将通过搜索MetaCore6.10等数据库以及开展深入的文献调研，构建出以S1P/TNF（TNFR）为核心的生物网络拓扑结构^2-14。这些节点分别来自肿瘤代谢通路、肿瘤增殖凋亡信号通路及炎症通路，其中每个节点可以代表一个蛋白质、基因或者小分子。连接节点的边可以是正性作用，如转录激活、小分子的产生、蛋白质功能的激活等，也可以是负性作用，如转录抑制、小分子的消耗、蛋白质功能的抑制等。

2. 网络布尔模型的建立

我们将选择可以进行定性分析或半定量分析的布尔网络模型来构建炎癌转化网络的数学模型。在确定网络的节点及相互作用后，对网络中的每个节点建立起相应的布尔函数，每个节点的状态（激活ON或抑制OFF）是由与它直接相关的节点的状态通过逻辑运算符（AND、OR及NOT）连接起来决定的。

接着我们采用BooleanNet软件包以及Python脚本语言对建立好的布尔网络模型进行网络动力学模拟。考虑到转录、翻译、翻译后修饰及酶的激活等都是在不同的时间尺度下发生的，同步更新策略的假设并不合理。为了克服这一局限，我们采用异步更新的方法。选取1000次初始状态，根据布尔函数规则对每一节点采用随机异步的更新方式，对网络状态进行10步的迭代运算。

通过反复地对初步的计算模拟预测结果及实验数据进行比较，进一步改善网络模型的拓扑结构及数学模型，在初步确定网络模型合理的情况下再对网络做适当的模型简化（Model reduction）。