Network medicine framework reveals generic herb-symptom effectiveness of traditional Chinese medicine.
Network medicine framework reveals generic herb-symptom effectiveness of traditional Chinese medicine.
复制标题
网络医学框架揭示了中医药的药证功效。
DOI：
10.1126/sciadv.adh0215
复制
发表时间：
2023-10-27
期刊：
影响因子：
13.6
通讯作者：
Barabasi, Albert-Laszlo
中科院分区：
文献类型：
--
作者：
Gan, Xiao;Shu, Zixin;Wang, Xinyan;Yan, Dengying;Li, Jun;Ofaim, Shany;Albert, Reka;Li, Xiaodong;Liu, Baoyan;Zhou, Xuezhong;Barabasi, Albert-Laszlo
了解自然和传统医学可以导致改变世界的药物发现。尽管个别草药的治疗效果，传统中医（TCM）缺乏科学基础，往往被认为是一个神话。本研究建立了一个网络医学框架，揭示了中医药治疗的一般原理，即疾病症状与中医药靶点在人类蛋白质相互作用组上的拓扑关系。我们发现，与症状相关的蛋白质形成了一个网络模块，一种草药的目标到症状模块的网络接近度可以预测草药治疗症状的有效性。这些发现是使用来自医院的患者数据进行验证的。我们通过预测具有治疗潜力的草药症状治疗来突出我们框架的转化价值。我们的网络医学框架揭示了中医的科学基础，并为理解天然药物的分子基础和预测疾病治疗方法建立了一个范式。传统中医的一般原理植根于蛋白质相互作用网络中蛋白质的邻近性。
Understanding natural and traditional medicine can lead to world-changing drug discoveries. Despite the therapeutic effectiveness of individual herbs, traditional Chinese medicine (TCM) lacks a scientific foundation and is often considered a myth. In this study, we establish a network medicine framework and reveal the general TCM treatment principle as the topological relationship between disease symptoms and TCM herb targets on the human protein interactome. We find that proteins associated with a symptom form a network module, and the network proximity of an herb’s targets to a symptom module is predictive of the herb’s effectiveness in treating the symptom. These findings are validated using patient data from a hospital. We highlight the translational value of our framework by predicting herb-symptom treatments with therapeutic potential. Our network medicine framework reveals the scientific foundation of TCM and establishes a paradigm for understanding the molecular basis of natural medicine and predicting disease treatments. The general principles of traditional Chinese medicine are rooted in the proximity of proteins in the protein interaction network.
登录
查看更多内容
影响因子：
16.6
作者：
Cheng F;Desai RJ;Handy DE;Wang R;Schneeweiss S;Barabási AL;Loscalzo J
通讯作者：
Loscalzo J
DOI：
10.1145/2939672.2939754
发表时间：
2016-08
期刊：
KDD : proceedings. International Conference on Knowledge Discovery & Data Mining
影响因子：
--
作者：
Grover A;Leskovec J
通讯作者：
Leskovec J
影响因子：
0.8
作者：
Dong, Lin;Zhou, Xirong;Fu, Xueyan
通讯作者：
Fu, Xueyan
DOI：
10.1073/pnas.2025581118
发表时间：
2021-05-11
影响因子：
11.1
作者：
Morselli Gysi D;do Valle Í;Zitnik M;Ameli A;Gan X;Varol O;Ghiassian SD;Patten JJ;Davey RA;Loscalzo J;Barabási AL
通讯作者：
Barabási AL
影响因子：
8.1
作者：
Gao, Huimin;Wang, Zhimin;Qian, Zhongzhi
通讯作者：
Qian, Zhongzhi