Chinese Medicine（IF 7.4）：高脂细胞添加剂（PA/OA）诱导HepG2建立体外肝细胞脂质超载模型以研究药物降脂功效

1. 研究背景

随着代谢性疾病，尤其是非酒精性脂肪性肝病（NAFLD）、肥胖相关代谢紊乱以及脂质异常积累等疾病发生率不断升高，建立稳定、可靠、可重复的细胞脂质积累模型成为药物筛选和机制研究的重要基础。传统药物发现模式通常依赖明确分子靶点，但复杂疾病往往涉及多通路、多靶点调控过程，因此基于疾病表型变化进行药物发现逐渐受到关注。本文研究围绕表型驱动药物发现理念，利用人工智能辅助预测体系筛选潜在活性成分，并进一步通过细胞实验验证其改善脂质代谢异常的作用。

表型药物发现因不依赖已知靶点且临床转化成功率较高，近年来在新药研发领域重新受到重视。中医药历经数千年临床实践，其基于性味与功效的分类体系本质上是一种天然的临床表型筛选，为现代药物发现提供了独特的视角。然而，传统网络药理学在解析中医药理论时存在显著局限性。一方面，现有靶点预测工具多基于传统机器学习或简单相似性策略，对结构多样且新颖的中药化合物特征表征不足；另一方面，研究多局限于“化合物-靶点”层，缺乏与中药性味功效及现代药理效应的深度耦合。这种数据整合的不足导致传统网络药理学常陷入同质化困境，频繁富集到槲皮素、IL-6等常见化合物和广谱靶点，难以有效指导具有特定表型背景的候选药物发现。因此，亟待开发一种能够深度融合多层级信息、精准预测靶点并系统解码中药性味功效的AI驱动框架，以突破现有瓶颈。

2. 技术路线与实验思路

为突破上述瓶颈，本研究构建了FuTCM-PDD（多层级信息融合框架），旨在实现基于表型的中药药物发现。该框架的核心技术路线由三部分组成：首先，建立了基于柯尔莫哥洛夫-阿诺德网络（KAN）并采用Circle Loss优化的SYSTCM-TNet模型，用于高精度的药物-靶点相互作用（DTI）预测；其次，利用基于OPTUNA的AutoML框架，整合168种机器学习算法组合，构建了预测中药性味和功效的36个优化模型；最后，将7141种中药、30731个化合物、4321个靶点、40种药理效应、18种性味和18种功效的809,645个关联整合，构建了以中药性味功效为核心的多层生物网络。通过拓扑度量、信息流建模和随机扰动嵌入分析，验证了网络的生物学意义。为了验证该计算框架的实用性，研究团队以表型-功效驱动策略为导向，预测并体外验证了羌活（NRR）及其活性化合物的降脂作用。

如图1所示，图中展示了FuTCM-PDD的整体工作流及实验验证路径，底部明确呈现了从羌活到表型功效驱动网络，再到新型降脂候选药物及活性化合物的发现过程。该图将计算预测与细胞验证连接起来，说明本研究并非停留在网络拓扑层面，而是通过体外高脂细胞模型对预测结果进行了功能学检验。结合图2E的油红O染色结果，可以看到Control组细胞脂滴稀少，Model组经500 μM OA和250 μM PA诱导后出现大量红色脂滴，而NRRE、AIP、BA和GMOC处理组脂滴明显减少，其中BA和GMOC的降脂趋势尤为明显。这一结果与图2C、图2D中功效驱动网络优先富集出的化合物高度一致，形成了“表型功效预测—网络排序—细胞表型验证”的闭环证据链。

图1. FuTCM-PDD的整体工作流及实验验证路径

3. 人肝癌细胞系HepG2高脂细胞模型

为了验证该计算框架所预测的羌活降脂功效及其活性化合物的实际药理活性，研究团队进一步开展了系统的体外细胞学实验。实验选用人肝癌细胞系HepG2作为研究对象，通过高脂细胞添加剂（油酸OA和棕榈酸PA）诱导建立体外肝细胞脂肪变性模型。在细胞实验中，首先采用CCK-8法评估羌活提取物（NRRE）及三种候选活性化合物（5-geranoxy-7-methoxycoumarin, GMOC；alloisoimperatorin, AIP；Bornyl Acetate, BA）对HepG2细胞的毒性，确定最大非细胞毒性浓度。随后，通过油红O染色观察细胞内脂质积累情况，并利用RT-qPCR检测脂质代谢相关基因FABP1和CYP51A1的表达水平。实验结果表明，经功效驱动网络优先筛选出的候选化合物能够有效减少HepG2细胞内的脂质积累，且BA处理能显著逆转由高脂添加剂诱导的FABP1和CYP51A1基因表达下调。这一系列的细胞实验不仅验证了计算预测的准确性，也证实了整合表型功效信息在挖掘中药特异性活性成分方面的优势。

高脂细胞添加剂（货号KC006）包含独立包装的棕榈酸（钠）、油酸（钠）及溶剂对照，试剂为无菌液体，能够直接使用。与其他现有品牌的棕榈酸相比，具有溶剂无毒、常温无析出、冻融无析出、无需加热助溶、浓度准确、能够呈现清晰的剂量依赖性趋势等显著优势。实际使用时，只需要将高脂细胞添加剂按照比例添加至完全培养基（含10% FBS，1% P/S）中即可，无需额外操作，处理时间上可通过镜下观察细胞状态初步判断，一般24-72小时为宜。需要说明的是，棕榈酸（钠）可以用来诱导细胞损伤和炎症，油酸（钠）可以用来诱导细胞代谢异常。两者联合诱导更加符合人体环境，适用于多数常见细胞，可用于诱发细胞脂毒性、诱导内质网应激、氧化应激、线粒体损伤、细胞凋亡等。

4. 部分实验内容和注意细节

如图2所示，图中展示了实验验证的完整流程与结果。其中，图2A展示了羌活相关靶点与高脂血症疾病靶点之间的韦恩交集，其中羌活对应1179个靶点，高脂血症对应3369个靶点，二者共享316个共同靶点。这一交集为后续构建羌活抗高脂血症网络提供了靶点基础，也说明羌活并非仅通过单一靶点起效，而是可能通过多靶点网络发挥脂质调节作用。进一步结合图2B传统网络分析可见，常规网络药理学方法倾向于将油酸、蛇床子素、视黄醇、D-柠檬烯和亚油酸等广泛分布于多种中药中的泛在代谢物排在前列，这类成分虽有一定生物学活性，但特异性不足，难以体现羌活本身的表型功效特征。

如图2C所示，图中展示了表型功效驱动的网络分析结果，该网络在传统“化合物-靶点”关系基础上进一步叠加了“祛湿”功效信息，优先富集出5-geranoxy-7-methoxycoumarin、alloisoimperatorin、bornyl acetate、xanthotoxol和osthenol等候选成分。与图2B所示的传统网络相比，这些成分在功效驱动网络中的度中心性排名明显上升，说明引入中药表型功效信息后，网络能够从大量泛在代谢物中筛选出更具特异性的活性化合物。图2D进一步以定量方式展示了这种排名变化，其中横坐标比较了功效网络与传统网络，纵坐标为度中心性log10值，结果显示多个候选成分在功效驱动网络中显著上移，统计学差异达到P=1.2×10⁻⁶，证明表型功效约束确实能够重塑化合物优先级。

图2.FuTCM-PDD确定NRR/NRRE及其化合物为高脂血症的候选表型疗法

需要说明的是，体外细胞实验中，首先将HepG2细胞接种于96孔板中，密度为3×10⁴个/孔，并在含有10%胎牛血清和1%青霉素-链霉素的DMEM培养基中，于37℃、5% CO₂条件下培养24小时。随后，为了模拟高脂环境，研究人员使用了高脂细胞添加剂——油酸（OA）和棕榈酸（PA）。根据实验设计，脂质超载模型是通过向培养基中加入终浓度为500 μM的油酸和250 μM的棕榈酸共同诱导24小时而建立的（该浓度组合既能够形成稳定的脂质蓄积表型，又尽量避免过度细胞毒性干扰后续药物评价）。在这一过程中，油酸和棕榈酸作为游离脂肪酸，能够有效促使HepG2细胞发生脂质蓄积，形成体外脂肪变性模型。

需要进一步说明的是，诱导结束后，吸弃含脂肪酸培养基，换成含NRRE、AIP、BA或GMOC的新鲜培养基，以最大非细胞毒性浓度继续处理24小时。最大非细胞毒性浓度通过CCK-8法在450 nm处测定细胞存活率确定。药物处理结束后，一部分细胞用于油红O染色，另一部分用于RT-qPCR。油红O染色时，细胞经4%多聚甲醛固定20分钟、PBS洗涤三次、60%异丙醇短暂冲洗后，加入油红O工作液避光染色15分钟，随后PBS清洗并于光镜下拍照，红色脂滴面积通过ImageJ半定量。RT-qPCR则检测FABP1和CYP51A1，其中FABP1为功效驱动网络中的关键靶点，CYP51A1为脂质代谢相关下游基因。结果显示，OA/PA诱导后两基因表达下降，BA处理可显著逆转这一趋势。这些操作细节说明，油酸与棕榈酸不仅是诱导剂，更是决定模型成败的关键试剂。

图2E展示了油红O染色的代表性显微图像（40倍放大），通过对比Control组、Model组、NRRE组以及AIP、BA、GMOC三个化合物处理组，可以清晰观察到，模型组细胞内出现了大量红色脂滴，而经NRRE及候选化合物处理后，红色脂滴的数量和面积显著减少。特别是如图2D所示，图中展示了通过度中心性对传统网络与表型功效驱动网络筛选出的活性成分进行排名对比，揭示了功效驱动网络能更精准地富集出具有特定降脂活性的化合物。

此外，在基因表达验证阶段，研究人员提取细胞RNA并进行RT-qPCR，检测了FABP1（功效驱动网络中的关键靶点）和CYP51A1（脂质代谢相关下游基因）。结果显示，在油酸/棕榈酸诱导的高脂模型中，这两个基因的表达水平均出现下降，而BA处理则显著逆转了这种下调趋势，进一步从分子层面证实了活性化合物的降脂作用。在整个实验过程中，油酸和棕榈酸的作用时间严格控制为24小时诱导，随后给予最大非细胞毒性浓度的药物处理24小时，这种严谨的时间与浓度控制是确保实验重复性和数据可靠性的关键。

5. 总结

基于表型的药物发现因其在一流药物开发中的关键作用和较高的临床转化率而受到越来越多的关注。中药强调属性和疗效，为表型导向的治疗发现提供了独特的框架。首先，开发了一个人工智能驱动的框架Fucm-PDD，它集成了中药、化合物、靶点、通路、药理效应、中药功效和中药性味以实现基于表型的药物发现。对于药物-靶点相互作用(DTI)的预测，建立了基于圆损失（Circle Loss）优化的Kolmogorov-Arnold Network(KAN)模型，在Recall@10中比最好的基线预测高16.14%，并通过文献、数据库和分子对接进行了验证。此外，利用药理学效应来预测中药的性质和疗效，实现了一个集成了168个机器学习算法的自动机器学习(AutoML)框架。通过整合靶点、药理作用、性质和疗效的模型预测，覆盖7141种中药、30,731种化合物、4321个靶点、40种药理作用、18种性质和18种功效的809,645个关联，构建了一个以中药性质和功效为中心的多层次生物网络。通过随机化分析验证了整合网络的有效性，确定了其生物学意义，并通过网络拓扑度量、信息流建模和随机扰动嵌入，实现了跨中药中药、化合物、靶点、药理作用和中药表型概念的定量映射。采用一种不同于传统网络药理学的方法，确定了羌活及其活性成分的降脂药理作用，并通过体外肝脏脂肪变性模型进行了实验验证。FuTCM-PDD提供了一个人工智能辅助的框架，用于通过多层次数据融合从中药中发现基于表型的潜在候选药物，帮助超越传统网络药理学中反复报道的相关性的优先顺序，并支持识别与特定表型背景相关的药理相关候选化合物。

小编有话说

本研究通过高脂细胞添加剂（油酸OA与棕榈酸PA）在HepG2细胞中成功构建了体外脂质超载模型，并以此为基础验证了FuTCM-PDD框架预测的羌活及其活性化合物的降脂功效。本次细胞实验中，500 μM油酸与250 μM棕榈酸联合诱导24小时，随后给予最大非细胞毒性浓度的药物干预24小时，通过油红O染色和RT-qPCR等操作，证实了候选化合物能有效减少细胞内脂质积累并调节相关基因表达。随着表型药物发现对高脂细胞模型需求的不断增加，高品质的油酸与棕榈酸作为构建体外脂质超载模型的关键添加剂，其纯度和稳定性直接决定了实验的可靠性与重复性。未来，鲲创科技将继续致力于为科研工作者提供高纯度、低内毒素的油酸（OA）与棕榈酸（PA）等脂质类产品，助力中药活性成分筛选、代谢疾病机制解析等前沿研究，推动更多像羌活这样具有确切降脂表型的创新药物发现。

参考文献

Wang, Z.; Liu, Y.; Ren, Y.; Li, Q.; Tian, J.; Yu, B.; Zhu, Y.; Wang, J.; Li, M.; Qiao, L. FuTCM-PDD: A Multi-Level Information Fusion Framework Integrating KAN Modeling and AutoML for Phenotype-Based Drug Discovery from Traditional Chinese Medicine. Chinese Medicine 2026, 21 (1). https://doi.org/10.1186/s13020-026-01490-1.