研究人员开发了一种名为Meta-DEP的新算法，旨在革新从复杂混合物中识别活性成分的方法。这种创新模型通过药物-蛋白质-疾病异质网络，利用潜在关系来预测药物疗效，展现了极高的准确性。
Meta-DEP代表基于元路径的药物疗效预测。该模型的独特之处在于它利用元路径——即药物靶点和疾病相关蛋白之间的最短路径——通过测量药物-疾病网络中的接近度来预测治疗潜力。研究表明，Meta-DEP在预测药物-疾病相互作用方面比传统的网络分析方法更为有效。
研究人员将Meta-DEP应用于探究传统中药单体成分的关系，数据来源于中国传统药系统药理学数据库（TCMSP）。结果显示，Meta-DEP准确预测了该数据库中大多数药物-疾病对，表明其具有相关性和可靠性。
Meta-DEP是在传统药物发现方法面临越来越多挑战的背景下开发的，尤其是在处理像中药这样复杂的天然产物时。通过整合大规模数据集的信息，如人类互作组数据集、药物-基因相互作用数据库（DGIdb）和DisGeNET，研究人员构建了Meta-DEP所需的功能性药物-蛋白质和疾病-蛋白质相互作用网络。
具体而言，研究发现Meta-DEP在准确评分药物-疾病关联和基于现有临床药理学证据识别关键靶点方面非常有益。此外，该模型还展示了揭示各种药物针对特定疾病的机制作用的新见解，为制药行业采用此类计算方法提供了有力证据。
通过实例，研究人员成功利用Meta-DEP从中药中挖掘活性化合物，并结合疾病转录组数据进行分析。结果表明，Meta-DEP平均准确识别了82.3%的相关药物-疾病对，超过了之前的网络邻近算法，后者仅达到76.3%的准确性。
Meta-DEP的一个重要应用是对名为新己尔康（XJEK）的中药复方进行分析，据报道该复方可以保护心肌缺血。研究结果揭示了与抗炎和减轻线粒体损伤相关的活性化合物，展示了该模型连接分子靶点与治疗效果的能力。
实验验证了Meta-DEP的结果，引入了新己尔康的一种单体成分双酚酸，在氢过氧化物暴露测试中提高了细胞活力。用双酚酸处理的细胞显示出较低的线粒体活性氧水平、改善的线粒体膜电位和较低的凋亡指数，表明双酚酸具有治疗潜力。
该研究不仅突显了Meta-DEP的独特优势，还在多种治疗情境中展示了其有效性。例如，该模型成功预测了多种协同药物组合的效果，使其成为首批仅基于异质网络预测结果的模型之一。
研究人员预计，Meta-DEP的应用将超越中药领域，其框架可以适应更广泛的药物设计和制药研究。先进机器学习技术与传统药理学方法的成功结合可能会显著加速新型疗法的开发，尤其是考虑到还有大量未被探索的天然产物。
总体而言，Meta-DEP的引入标志着自然化合物研究领域的一项关键进展，提供了高效和有效的药物发现方法。这些发现不仅证明了人工智能在医学科学中的适应性，还为传统实践与现代技术的融合开辟了新的途径，推动了创新治疗方法的发展。
(全文结束)