1、中药制剂成分组成
药方：某复方
基于客户提供的中药名称，使用TCMSP数据库获得药物成分信息，包括此味药包含多少种成分、成分分子名称(MoleculeName)、分子质量(MW)、脂水分配系数（AlogP)、氢键供体受体数(Hdon/Hacc)、口服生物利用度(OB)、肠上皮渗透率(Caco-2)、血脑屏障(BBB)、药物相似性(DL)、药物半衰期(HL)等。
2、药物有效成分筛选
使用ADME[2,3]参数筛选出可能的药物小分子，ADME数据来源于TCMSP数据库。ADME参数包括口服生物利用度（OralBioavailability,OB），药物相似性（Drug-Likeness,DL）以及药物半衰期（Half-Life,HL）等。这些参数均为预测值，TCMSP推荐筛选阈值(可调整)：
OB:≥**%;
DL≥**;
BBB:＜-0.*isnon-penetrating(BBB-),from-0.3to+0.3,moderatepenetrating
(BBB±),and＞0.3strongpenetrating(BBB+);
HL:Drughalf-life≤4hours:fast-eliminationgroup,between4-8hoursare
mid-eliminationgroupand≥8hoursareslow-eliminationgroup;
本分析使用主要常规参数进行药物成分筛选，阈值为OB≥**%；DL≥**。
3、成分靶蛋白预测筛选
基于TCMSP和DRUGBANK数据库[4](https://www.drugbank.ca/)，预测化学小分子对应的靶蛋白,DrugBank数据库提供的是已经实验验证、临床或者已经上市药物的相关信息，结果准确可靠。靶蛋白名称为全称，通过uniprot数据库(https://www.uniprot.org/)的uniprotID对应至基因简称genesymbol。
4、靶蛋白交叉验证
MountDesertIslandBiologicalLaboratory已经公开了CTD2018update（ComparativeToxicogenomicsDatabase，http://ctdbase.org/）[5]，旨在促进对环境风险如何影响人类健康的了解，它提供了关于化学-基因/蛋白质相互作用、化学-疾病和基因-疾病关系的信息，以帮助制定关于环境影响的疾病机制。在CTD数据库中以“***”为关键词搜索某**炎相关基因，并与上一步所预测的靶蛋白取交集以缩小靶蛋白范围。
5、成分靶蛋白GO功能分析、通路分析
基于cytoscape插件ClueGO+CluePedia[6]对靶蛋白进行GO功能[7]分析，设置选GObiologicalProcess，显著性阈值设为P.adjust≤0.**。并用cytoscape做靶蛋白功能网络图。clueGO插件算法中，由于GO树（有向无环图）结构的复杂性，GO项可以分为若干层次。在使用没有层次结构（KEGG，BioCarta）的数据的情况下，将其级别指定为-1。第一个GO级别（1-3），GO数据非常常见，有很多相关基因，这些条目提供一般的生物学信息；GO级别（9-14）开始为特定术语，只有很少的相关基因，但是信息量大、更具研究价值。Kappa系数用于一致性检验，也可以用于衡量分类精度，但kappa系数[8]的计算是基于混淆矩阵的。ClueGO插件中，Kappa系数显示了基于重叠基因的GO术语之间的关系，基于kappa系数对GO功能进行分组。kappa系数越高，术语关联强度越强。
基于R包clusterProfiler对靶蛋白进行通路富集分析，显著性阈值设为P≤0.05，做气泡图进行可视化。
6、成分靶蛋白互作分析
我们利用STRING（version：10.0,http://www.string-db.org/）数据库[9]对mRNA进行蛋白质与蛋白质相互作用关系分析(Protein-ProteinInteraction，PPI)，选择RequiredConfidence(combinedscore)>0.*为蛋白质与蛋白质相互作用关系的阈值，并下载相关**格式文件。得到PPI关系对文件后，使用Cytoscape软件对其进行网络图构建。
7、网络药理学网络构建
基于成分-靶蛋白-通路利用cytoscape构建药理学网络。展示某复方中重要成分的某**炎相关靶蛋白的通路调控机制。
8、靶蛋白GEO数据集验证
取一套GEO数据库某**炎mRNA芯片数据，数据集编号GSE5****，该数据集3*例样本，其中1*例为某**炎患者样本，1*例为控制对照组膝软骨样本。下载GSE5****数据集原始数据文件，利用R包affy包（Version1.50.0,http://www.bioconductor.org/packages/release/bioc/html/affy.html）进行读取，以RMA（robustmulti-arrayaverage）方法进行标准化预处理，包括背景校正、标准化、归一化。利用平台注释文件对探针进行注释，去除没有匹配到基因（Genesymbol）的探针；对于不同探针映射到同一基因，我们取不同探针的均值作为这个基因最终的表达值。
将样本分为两组，疾病组和健康组，对**（疾病）vsCtrl（健康）样本的表达，利用limma包[10]（Version3.26.9）（http://bioconductor.org/packages/release/bioc/html/limma.html）计算表达差异性p值和表达FoldChange值。选取P.Value<0.05且|log2FC|>0.585（1.5倍关系）作为筛选显著差异表达mRNA的阈值。
9、关键靶蛋白-成分分子对接预测
与靶蛋白取交集，通过PDB数据库[11]搜索关键靶蛋白的PDBID，PDB数据库提供关于蛋白质、核酸和复杂组件的3D形状的信息，帮助研究人员理解生物医学和农业方面的生物学信息。我们通过pymol(Version2.1.1,https://pymol.org/dokuwiki/?id=)软件对关键蛋白进行3D结构展示，通过SystemsDock在线工具[12,13]预测与某复方重要成分的对接模型得分pKd/pKi（实验离解/抑制常数值），即预测的结合亲和力，得分区间（1~10）得分越高表示，绘制蛋白质-配体相互作用示意图。某复方重要成分化学式从Drugbank数据库下载。
产品描述
