基于网络药理学探究滇黄精抗疲劳作用及其机制
基于网络药理学探究滇黄精 (Polygonatum kingianum) 潜在的抗疲劳机制。
使用中药系统药理学数据库与分析平台 (TCMSP)、CNKI和DrugBank数据库搜寻滇黄精的主要活性成分，并利用SwissTargetPrediction数据库预测各活性成分的作用靶点；通过Disgenet数据库获取与疲劳有关的靶点；借助Venny 2.1.0和Cytoscape v3.9.0构建滇黄精—活性成分—抗疲劳靶点网络，根据其节点度值筛选滇黄精的主要活性成分。通过String数据库构建蛋白质互作（protein-protein interaction，PPI）网络，通过节点度值筛选滇黄精抗疲劳的关键靶点。使用DAVID数据库对筛选的关键靶点进行基因本体论(gene ontology，GO)分析及京都基因与基因组百科全书(Kyoto encyclopedia of genes and genomes，KEGG)通路富集分析。使用AutoDock Vina软件对滇黄精的主要活性成分与抗疲劳关键靶点进行分子对接。
获得滇黄精活性成分38种；预测得到滇黄精抗疲劳靶点30个；筛选出滇黄精抗疲劳的主要活性成分3个，分别是3′-甲氧基大豆苷元、黄芩素和β-谷甾醇。PPI网络分析结果表明：EGFR、STAT3、PTPN11、ERBB2、ESR1和JAK2为滇黄精抗疲劳的关键靶点。GO分析和KEGG通路分析表明：滇黄精抗疲劳作用主要涉及68个条目和39个通路。分子对接结果显示：滇黄精的主要活性成分与抗疲劳关键靶点结合稳定。
本研究通过网络药理学构建了滇黄精—活性成分—抗疲劳拓扑网络，挖掘出滇黄精抗疲劳的主要活性成分及抗疲劳关键靶点，并对主要活性成分与关键靶点进行分子对接。研究结果为滇黄精的抗疲劳功效提供了理论依据。
Antifatigue Effect and Mechanism of Polygonatum kingianum Based on Network Pharmacology
To investigate the potential antifatigue mechanism of Polygonatum kingianum based on network pharmacology.
The main active ingredients of P. kingianum were searched from Traditional Chinese Medicine Systems Pharmacology Database and Analysis Platform (TCMSP), CNKI and DrugBank databases, and the potential targets of these active ingredients of P. kingianum were predicted by the SwissTargetPrediction database. The network of the active ingredients and antifatigue targets of P. kingianum was contructed through Venny 2.1.0 and Cytoscape v3.9.0, and the key active ingredients of P. kingianum were screened according to the degree values of nodes. The protein-protein interaction (PPI) network was constructed by the String database, and the key antifatigue targets of P. kingianum were screened by the degree values of nodes. Gene Ontology (GO) analysis and Kyoto Encyclopedia of Genes and Genomes (KEGG) pathway enrichment analysis were performed on the obtained the key targets using the DAVID database. Molecular docking of key ingredients to the key targets was performed using AutoDock Vina software.
A total of 38 active ingredients, and 30 potential antifatigue targets of P. kingianum were obtained. Three main active ingredients (3′-methoxydaidzein, baicalein and beta-sitosterol) of P. kingianum were screened. The PPI network showed that EGFR, STAT3, PTPN11, ERBB2, ESR1, and JAK2 were the key targets of antifatigue effects of P. kingianum. GO analysis and KEGG pathway analysis showed that the antifatigue effects of P. kingianum involved 68 items and 39 pathways. The results of molecular docking showed that the main active ingredients of P. kingianum bound stably to the key targets of antifatigue.
A topological network of P. kingianum-active ingredients-antifatigue is constructed through network pharmacology in this study. The main active ingredients and the key antifatigue targets of P. kingianum are explored, and the molecular docking between the main active ingredients and the key targets is carried out. The results provide a theoretical basis for the antifatigue efficacy of P. kingianum.
-
Keywords:
- Polygonatum kingianum /
- antifatigue /
- network pharmacology /
- molecular docking
-
随着控烟力度和消费者对健康关注度的不断增强，“减害降焦”已成为烟草行业的发展趋势[1]。卷烟烟气中的氢氰酸(HCN)主要由氨基酸及相关化合物在700~1 000 ℃下裂解产生[2]，HCN虽在烟气中的含量很低[3]，但却是烟气中最具纤毛毒性的物质，是几种呼吸酶中非常活跃的抑制剂，对人体极为有害[4]。随着中国加入《国际烟草控制框架公约》，HCN已成为“Hoffmann 44种有害成分”和“Health Canada 46种有害成分”[5]名单中的重要成员，也是最具代表性的7种卷烟烟气有害成分之一[6]。降低卷烟烟气中HCN含量显得越来越重要，卷烟主流烟气中氢氰酸的测定尤为重要。目前行业内主要采用YC/T 253—2008[7]推荐的方法，通过捕集卷烟主流烟气测定氢氰酸，比较耗时。
卷烟中70%以上原料由烟叶构成，原料的组成很大程度上决定了卷烟有害成分的释放情况。目前，已有较多研究开始关注烟叶与烟气成分之间的关系[8]。但是，这些研究主要集中在烟叶物理、化学参数，或是物理、化学参数与部分常规主流烟气(如CO、焦油、烟碱、水分、总粒相物)的相关性[9-11]。针对常规化学成分与HCN的研究报道[12-14]相对较少。根据烟叶常规成分对烟气中氢氰酸含量进行预测的研究则未见报道。
反向传播人工神经网络(BP-ANN)是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，网络自身通常都是对自然界某种算法或者函数的逼近。本研究通过进行烟草、烟气成分的分析测试，应用人工神经网络，预测烤烟主流烟气中氢氰酸的释放量。研究成果对简化或省略卷烟主流烟气成分的测试、低危害烟草制品的设计生产、提高烟草的吸食安全性等具有重要意义。
1. 材料与方法
1.1 材料
47个产地9个品种的上、中、下3个部位烟叶共182个2009年初烤烟叶样品。初烤烟叶原料统一加工、统一编码，单一原料分别切丝并卷制成单料烟支，不加料加香。
1.2 主流烟气氢氰酸释放量及初烤烟叶化学成分测定方法
选取25种初烤烟叶化学成分(总糖、还原糖、氯、钾、总氮、烟碱、挥发碱、水分、蛋白质、挥发酸、纤维素、绿原酸、莨菪亭、芸香苷、总多酚、草酸、丙二酸、丁二酸、苹果酸、柠檬酸、棕榈酸、亚油酸、油酸、亚麻酸、硬脂酸)作为研究指标。其依据是：(1)研究报告[15]，部分烟草化学成分是生成烟气成分的前体化合物(如碳水化合物、含氮化合物、有机酸、酚类等)，其含量对烟气氢氰酸释放量影响较大；(2)选取的25种成分的定量检测分析方法均通过云南省计量测试技术研究院实验室认证，其分析检测结果可靠。
采用流动法测定主流烟气中氢氰酸释放量[7]，测定出的烟气氢氰酸释放量换算为每克烟丝的烟气氢氰酸释放量，单位：μg/g；光度法测定烟碱[16]；返滴定法测定挥发碱[17]；烘箱法测定水分[18]；克达尔法测定蛋白质[19]；高效液相色谱法测定多酚化合物(绿原酸、莨菪亭、芸香苷、总多酚)[20]；采用文献[21]的方法测定挥发酸，文献[22]的方法测定纤维素，文献[23]的方法测定非挥发性有机酸(草酸、丙二酸、丁二酸、苹果酸、柠檬酸、棕榈酸、亚油酸、油酸、亚麻酸、硬脂酸)。
1.3 变量筛选
变量筛选一方面可以简化模型，另一方面是把对烟气成分影响较小的变量剔除，使模型的预测能力更强、稳健性更好。采用文献[24]所介绍的方法，分析所选取的25个初烤烟叶化学成分对氢氰酸的贡献度。遗传算法参数设置为：遗传代数200，种群大小50，交叉率0.7，变异率0.001，回归方法：NIPALS，PLS成分数3，变量选择率0.5。
1.4 离阈值筛选
离阈值的检验方法采用文献[25]中介绍的样本蒙特卡洛采样法，经1 000次运算后，通过样本在较大误差组出现的频率除以样本在较小误差组出现的频率获得。
1.5 统计分析
试验数据的统计分析采用R-2.15.3和Matlab 2012软件进行。
2. 结果与分析
2.1 变量筛选与异常样品筛选
图1是遗传算法的变量选择结果。其中，成分所对应的棒越长，表明其对氢氰酸的贡献程度越大。由图1所示：成分丙二酸、挥发酸、水分、氯、总糖和钾的含量对氢氰酸的含量解释信息较大，可用来作为神经网络建模的变量组成。
异常样品是远离模型整体的样品，对模型的回归分析影响明显，图2是经重复运算得到的样本离域程度，选择阈值为1.2，最终确定的进入建模的样本有137个。
2.2 建模参数优化
选择烟丝水分、氯、丙二酸、挥发酸、钾、总氮6个化学成分指标作为网络输入，建立主流烟气中氢氰酸释放量的网络预测模型。网络的输入层单元数为6，输出层单元数为1。隐层单元数利用重复抽样方法对权衰减系数和隐含层节点数进行优化选择，最终参数确定为表1~3。
表 1 模型参数、权重数及网络结构Table 1. Model parameter, number of weights and network structure模型参数
model parameters权衰减系数
weight attenuation factor隐含层节点数
number of hidden layer nodes初始化权重种子数
initialize the weight of the seed0.0001 11 32 网络权重数
number of network weights89 网络结构
network structure6-11-1 表 2 输入层到隐含层各节点系数值Table 2. Input layer to hidden layer value coefficient of each mode系数名称
coefficient name节点1
node 1节点2
node 2节点3
node 3节点4
node 4节点5
node 5节点6
node 6节点7
node 7节点8
node 8节点9
node 9节点10
node 10节点11
node 11W水分 2.575 6 0.727 5 −0.275 4 29.545 6 −44.723 5 −11.219 8 −8.448 1 19.727 −3.258 8 10.559 6 −2.245 7 W氯 0.336 6 0.010 3 0.414 −10.947 8 −105.746 8 −1.084 5 −0.378 6 −28.167 −0.113 6 1.045 7 −0.188 4 W丙二酸 0.893 2 0.040 2 1.374 9 18.541 2 −166.864 7 −3.074 6 −2.668 2 −61.814 9 −0.81 3.464 4 −0.905 8 W挥发酸 −0.088 2 −0.290 2 −1.261 6 3.731 5 82.094 1 −0.098 −0.180 7 −185.263 4 0.017 0.140 7 −0.244 2 W钾 1.040 8 1.196 8 −0.419 5 16.281 3 110.032 8 −3.746 1 −2.466 7 −16.346 6 −1.547 4 3.900 8 −0.85 W总氮 0.839 6 −1.404 8 0.313 5 8.616 5 386.279 8 −2.881 8 −2.179 120.381 4 −0.837 4 2.989 1 −0.510 8 W输入偏置 0.417 −1.180 4 −0.387 5 6.737 6 −112.558 9 −1.700 1 −1.539 7 −82.535 4 −0.471 4 1.648 2 −0.233 1 表 3 输出层系数值Table 3. Output formation value系数名称
coefficient name系数符号
coefficient symbol输出层系数值
output layer coefficient values隐含层1节点
hidden layer 1 nodeW1 18.128 4 隐含层2节点
hidden layer 2 nodeW2 18.116 1 隐含层3节点
hidden layer 3 nodeW3 155.990 1 隐含层4节点
hidden layer 4 nodeW4 10.664 9 隐含层5节点
hidden layer 5 nodeW5 −19.352 隐含层6节点
hidden layer 6 nodeW6 14.235 8 隐含层7节点
hidden layer 7 nodeW7 13.636 8 隐含层8节点
hidden layer 8 nodeW8 22.329 5 隐含层9节点
hidden layer 9 nodeW9 −0.223 隐含层10节点
hidden layer 10 nodeW10 6.935 1 隐含层11节点
hidden layer 11 nodeW11 0.518 2 隐含层偏置
hidden layer biasW0 18.715 9 隐含层网络值按式(1)计算。
${x_j} = Z{W_{{\text{输入}}}}\;\;\;j = 1,2, \ldots ,11$
(1) This page contains the following errors:
error on line 1 at column 1: Start tag expected, '<' not foundBelow is a rendering of the page up to the first error.
隐含层第j个节点处的网络值。
${O_j} = \frac{1}{{1 + {{\rm{e}}^{ - {x_j}}}}}\;\;\;\;j = 1,2, \cdots ,11$
(2) 式中，e为自然对数的底数。Oj为隐含层第j个节点输出值。若xj值大于15时，Oj按1计，若xj值小于–15时，Oj按0计。
输出层输出值按式(3)计算。
${Y_{{\text{氢氰酸}}}} = {O_j}{W_{{\text{输出}}}}$
(3) 式中，Oj表示隐含层输出值向量(O1，O2，O3，O4，O5，O6，O7，O8，O9，O10，O11，b)，其中b为输出层偏置值，其值为1。W输出为输出层系数向量(W1，W2，W3，W4，W5，W6，W7，W8，W9，W10，W11，W0)，详见表3。Y氢氰酸为输出层输出值，即烟气氢氰酸的释放量预测值。
2.3 模型内部性能评价
采用预测模型的决定系数(R2)和预测标准偏差(SEC)评价预测模型内部性能，决定系数(R2)越大，预测标准偏差(SEC)越小，则模型越好。本研究建立的预测模型，其校正标准误差SEC的值为12.505 7，决定系数R2为0.774 8。
由图3可知：构建的神经网络模型其预测值与实测值的线性相关线斜率为0.992，R2为0.774 8，说明神经网络模型预测值与实测值吻合度较好。由图4可知：预测值与实测值之间的误差大多分布在±30 μg/g范围内，且没有任何趋势，模型误差范围适中。因此，所建立的神经网络预测模型具有一定的泛化能力及适用性。
![]()
图 4 HCN神经网络模型内部验证残差图Figure 4. Neural network model for internal residual figure of HCN2.4 模型外部验证
采用28个外部验证样品对模型的预测能力进行验证，通过SEP/SEC、RPD、配对t检验、平均预测相对偏差4种参数来对模型的泛化能力和适用性进行验证。由表4可知：SEP与SEC的比值小于1.2，不存在过拟合现象，模型稳定性好。验证集R2值较高，RPD>2，表明模型的预测结果可以接受且准确度适中。配对t检验显著性水平大于0.05，测量值与预测值之间没有显著性差异。
表 4 模型外部验证情况汇总Table 4. Collect model external validation status指标
index平均预测相对偏差/%
average predicted relative deviationSEP/SEC 验证集R2
verification set R2RPD 配对t检验显著性水平
paired t test significance level氢氰酸 hydrocyanic acid 7.88 1.182 3 0.780 2 2.13 0.406 7 由图5和表5可知：模型平均预测相对偏差为7.88%，大部分样品预测偏差小于10%，个别在10%~20%之间。验证结果表明：该预测模型预测精度良好，对于不同的烤烟样品具有广泛的适用性。
![]()
图 5 HCN神经网络模型验证样品预测值与实测值比值图Figure 5. The ratio figure samples predicted using this neural network model of HCN and the measured values表 5 HCN神经网络模型28个验证样品预测相对偏差统计表Table 5. The statistics of the prediction relative deviation of 28 validation samples using this neural network model of HCN项目
item<10% ≥10%~20% ≥20%~30% ≥30% 平均预测相对偏差/%
average predicted relative deviation/%数量 quantities 21 6 1 0 7.88 3. 讨论
行业内目前采用的是连续流动分析法测定卷烟主流烟气中的氢氰酸[26-27]，由于氢氰酸的剧毒性，会对环境造成较大危害[28]，同时，在实际操作过程中也容易形成对人员的安全隐患。但是氢氰酸作为卷烟主流烟气7项危害性指标之一，其含量测定对于表征卷烟主流烟气的危害性起着至关重要的作用[29]。因此，如何通过一种相对环保和绿色的方式来测定是烟草行业从业人员值得深入研究和探讨的领域。
本研究采用初烤烟叶中的6个化学成分(烟丝水分、氯、丙二酸、挥发酸、钾、总氮)均属于无毒无害，环境友好的化学指标，避免了直接操作氢氰酸带来的危险。同时这些指标属于常量化学指标，可以通过仪器分析的方式较为准确的定量。基于BP神经网络建立了初烤烟叶主流烟气中氢氰酸释放量的预测模型，外部验证结果表明该预测模型预测精度良好，对于不同的初烤烟叶原料具有广泛的适用性。本研究应用所构建的神经网络预测模型，通过对6个化学成分的分析实现对氢氰酸的预测，可实现通过初烟原料本身化学成分特点和含量组成，指导生产过程中的原料选择。对提高卷烟产品质量安全具有重要的现实意义。
-
![]()
图 1 滇黄精潜在的抗疲劳靶点数
Figure 1. The number of potential antifatigue target of Polygonatum kingianum
![]()
图 2 滇黄精—活性成分—抗疲劳靶点网络
注：菱形代表滇黄精，正方形代表滇黄精抗疲劳活性成分，圆形代表抗疲劳潜在作用靶点。
Figure 2. The target network of P. kingianum-active ingredients-antifatigue targets
Note: The diamond represents P. kingianum, the square represents the antifatigue active ingredients, the round represents the potential antifatigue targets.
![]()
图 3 蛋白互作网络
注：节点代表蛋白，边代表蛋白与蛋白之间的联系，节点的大小和颜色深浅代表该节点在整个蛋白质互作网络中的重要程度。
Figure 3. Protein-protein interaction network
Note: The nodes represent proteins, the edges represent the connections between proteins, the size and color shades of the nodes represent their importance in the overall protein interaction network.
![]()
图 6 滇黄精活性成分(黄芩苷元)与关键靶点分子对接的可视化图
Figure 6. Visualization of molecular docking between active ingredient (baicalein) and core target of P. kingianum
表 1 滇黄精活性成分
Table 1 Active ingredients of Polygonatum kingianum
编号
No.名称
name口服利用度/%
oral bioavailability生物类药性
biological drug property1 甘草素 liquiritigenin 32.76 0.18 2 黄芩苷元 baicalein 33.52 0.21 3 3′-甲氧基大豆苷元 3′-methoxydaidzein 48.57 0.24 4 β-谷甾醇 beta-sitosterol 33.94 0.70 5 谷甾醇 sitosterol 36.91 0.75 6 柚皮素5-O-β-D葡萄糖苷 (2R)-7-hydroxy-2-(4-hydroxyphenyl) chroman-4-one 71.12 0.18 7 薯蓣皂苷元 diosgenin 17.19 0.81 8 5,4′-二羟基黄酮 5,4′-dihydroxyflavone 48.55 0.19 9 无梗五加苷B (+)-syringaresinol-O-beta-D-glucoside 43.35 0.77 10 滇黄精皂苷H kingianoside H — — 11 滇黄精皂苷I kingianoside I — — 12 麦冬皂苷C ophiopogonin C — — 13 滇黄精苷C (25S)-kingianoside C — — 14 滇黄精苷D (25S)-kingianoside D — — 15 滇黄精苷E (25S)-kingianoside E — — 16 滇黄精苷F (25S)-kingianoside F — — 17 滇黄精皂苷E kingianoside E — — 18 滇黄精皂苷F kingianoside F — — 19 滇黄精苷A (25S)-kingianoside A — — 20 滇黄精苷G (25R)-kingianoside G — — 21 滇黄精皂苷K kingianoside K — — 22 纤细薯蓣皂苷 gracillin 27.39 0.06 23 薯蓣皂苷 dioscin 17.75 0.06 24 重楼皂苷 parissaponin — — 25 滇黄精皂苷A kingianoside A — — 26 滇黄精皂苷B kingianoside B — — 27 funkioside C — — 28 滇黄精皂苷C kingianoside C — — 29 滇黄精皂苷D kingianoside D — — 30 disporopsin — — 31 N-对香豆酰真蛸胺 N-trans-p-coumaroyloctopamine — — 32 吲哚嗪类生物碱A polygonatine A — — 33 吲哚嗪类生物碱B polygonatine B — — 34 鹅掌楸苦素 liriodendrin 5.19 0.29 35 羟基积雪草苷 hydroxy asiaticoside 9.37 0.06 36 腺苷 adenosine 18.32 0.18 37 水杨酸 salicylic acid 32.13 0.03 38 4-羟甲基糠醛 4-hydroxymethylfurfural 45.07 0.02 注：“—”表示暂无口服利用度和生物类药性数据报道。
Note: “—” indicates oral bioavailability or biological drug property data have not been reported.
下载: 导出CSV
表 2 分子对接结果
Table 2 Results of molecular docking
关键成分
key ingredients核心靶点
core targets结合能/(kcal·mol−1)
binding energy氢键数
number of hydrogen bonds黄芩苷元 baicalein EGFR −5.12 3 STAT3 −5.21 1 PTPN11 −5.45 4 ERBB2 −5.55 2 ESR1 −6.13 2 JAK2 −5.73 2 3′-甲氧基大豆苷元
3′-methoxydaidzeinEGFR −6.05 1 STAT3 −5.27 1 PTPN11 −5.50 1 ERBB2 −5.84 1 ESR1 −5.77 1 JAK2 −5.88 0 β-谷甾醇
beta-sitosterolEGFR −6.89 0 STAT3 −7.91 1 PTPN11 −7.83 0 ERBB2 −7.50 0 ESR1 −6.80 0 JAK2 −6.63 0
下载: 导出CSV
-
[1] 吴名草, 王晶, 沈旭丹, 等. 人参葛根植物饮料对小鼠体力疲劳的缓解作用研究[J]. 粮油食品科技, 2022, 30(5): 212. DOI: 10.16210/j.cnki.1007-7561.2022.05.018. [2] 肖嵋方, 王力, 田皓然, 等. 海洋生物活性物质抗疲劳功能研究进展[J]. 食品与机械, 2022, 38(9): 211. DOI: 10.13652/j.spjx.1003.5788.2022.90214. [3] 徐艺园, 王凯, 王佳音, 等. 疲劳产生相关机制研究进展[J]. 科学技术创新, 2019(23): 50. DOI: 10.3969/j.issn.1673-1328.2019.23.030. [4] 曹晶晶, 杨卫杰, 曹轶. 刺梨多糖的抗氧化和抗疲劳研究[J]. 中国中医基础医学杂志, 2018, 24(4): 474. [5] 肖坤敏, 马佳钰, 王军民, 等. 滇黄精多糖提取工艺及其抗氧化活性研究[J]. 西南林业大学学报(自然科学), 2022, 42(4): 147. DOI: 10.11929/j.swfu.202103016. [6] GU W W, WANG Y F, ZENG L X, et al. Polysaccharides from Polygonatum kingianum improve glucose and lipid metabolism in rats fed a high fat diet[J]. Biomed Pharmacother, 2020, 125(11): 109910. DOI: 10.1016/j.biopha.2020.109910.
[7] YAN H L, LU J M, WANG Y F, et al. Intake of total saponins and polysaccharides from Polygonatum kingianum affects the gut microbiota in diabetic rats[J]. Phytomedicine, 2017, 26: 45. DOI: 10.1016/j.phymed.2017.01.007.
[8] SHI Y, SI D, CHEN D H, et al. Bioactive compounds from Polygonatum genus as anti-diabetic agents with future perspectives[J]. Food Chemistry, 2023, 408(6): 135183. DOI: 10.1016/j.foodchem.2022.135183.
[9] 杨显辉, 代培春, 曾磊, 等. 滇黄精总黄酮抗运动疲劳作用研究[J]. 现代食品, 2019(8): 134. DOI: 10.16736/j.cnki. cn41-1434/ts.2019.08.038. [10] HOPKINS A L. Network pharmacology[J]. Nature Biotechnology, 2007, 25(10): 1110. DOI: 10.1002/pi.1160.
[11] 李非洲, 左刚, 李泽飞, 等. 基于网络药理学的人参养荣汤治疗慢性疲劳综合征机制探索[J]. 时珍国医国药, 2021, 32(12): 2882. DOI: 10.3969/j.issn.1008-0805.2021. 12.16. [12] 高寒, 徐伟, 张宇航, 等. 基于网络药理学的刺五加总苷抗疲劳作用机制研究[J]. 中草药, 2021, 52(2): 9. DOI: 10. 7501/j.issn.0253-2670.2021.02.014. [13] 贺云霞, 程刚, 孙进. 提高口服药物生物利用度制剂方法的研究进展[J]. 中国药剂学杂志(网络版), 2003, 1(4): 33. DOI: 10.14146/j.cnki.cjp.2003.04.012. [14] 杨瑞娟, 王桥美, 庄立, 等. 滇黄精研究进展[J]. 农村实用技术, 2017(6): 50. DOI: 10.3969/j.issn.1673-310X.2017. 06.027. [15] 朱亚南, 杨七妹, 张硕, 等. 黄芩苷与黄芩素药理作用及机制研究进展[J]. 时珍国医国药, 2020, 31(4): 921. DOI: 10.3969/j.issn.1008-0805.2020.04.048. [16] 宋丽, 王跃, 田飞, 等. 黄芩素通过抑制氧化应激与凋亡改善小鼠心肌重构的作用研究[J]. 湖北民族大学学报(医学版), 2022, 39(3): 1. DOI: 10.13501/j.cnki.42-1590/r.2022.03.001. [17] 陈景, 杨磊, 左亚杰, 等. 黄芩苷改善慢性脑低灌注大鼠认知障碍的作用及机制研究[J]. 中南药学, 2021, 19(7): 1333. DOI: 10.7539/j.issn.1672-2981.2021.07.013. [18] XU R J, FEI S H, CHEN L Y, et al. 3'-methoxydaidzein exerts analgesic activity by inhibiting voltage-gated sodium channels[J]. Chinese Journal of Natural Medicines, 2019, 17(6): 413. DOI: 10.1016/S1875-5364(19)30049-4.
[19] LIU B R, KENNETH T K, SUN Q L, et al. Dual high-resolution α-glucosidase and radical scavenging profiling combined with HPLC-HRMS-SPE-NMR for identification of minor and major constituents directly from the crude extract of Pueraria lobata[J]. Journal of Natural Products, 2015, 78(2): 294. DOI: 10.1021/np5009416.
[20] LIU X Y, ZHANG Y B, YANG X W, et al. Simultaneous determination of twenty-five compounds with anti-inflammatory activity in Spatholobi Caulis by using an optimized UFLC-MS/MS method: an application to pharmacokinetic study[J]. Journal of Pharmaceutical and Biomedical Analysis, 2021, 204: 114267. DOI: 10.1016/j.jpba.2021.114267.
[21] 蒋琼凤, 袁志辉, 李进, 等. 蓼蓝中β-谷甾醇的提取及其抗氧化性研究[J]. 食品工业科技, 2015, 36(6): 108. DOI: 10.13386/j.issn1002-0306.2015.06.016. [22] KANG D, TAN Y Y, YANG D, et al. β-sitosterol improves experimental colitis in mice with a target against pathogenic bacteria[J]. Journal of Cellular Biochemistry, 2018, 120(4): 5687. DOI: 10.1002/jcb.27853.
[23] FENG S M, DAI Z Q, ANNA B L, et al. Intake of stigmasterol and beta-sitosterol alters lipid metabolism and alleviates NAFLD in mice fed a high-fat western-style diet[J]. Biochimica et Biophysica Acta Molecular and Cell Biology of Lipids, 2018, 1863(10): 1274. DOI: 10.1016/j.bbalip.2018.08.004.
[24] LORENZO F, ELISA C, LORENA C, et al. Immunomodulatory properties of beta-sitosterol in pig immune responses[J]. International Immunopharmacology, 2012, 13(3): 316. DOI: 10.1016/j.intimp.2012.04.017.
[25] WANG X, QU Y D, ZHANG Y F, et al. Antifatigue potential activity of sarcodon imbricatus in acute excise-treated and chronic fatigue syndrome in mice via regulation of Nrf2-mediated oxidative stress[J]. Oxidative Medicine & Cellular Longevity, 2018, 2018(8): 9140896. DOI: 10.1155/2018/9140896.
[26] 李香云, 余剑波. 血红素氧合酶-1/一氧化碳系统对线粒体生物合成的影响[J]. 国际麻醉学与复苏杂志, 2018, 39(3): 282. DOI: 10.3760/cma.j.issn.1673-4378.2018.03. 019. [27] 石鹤坤, 陈锦珊. 微量营养素的抗疲劳作用研究进展[J]. 医药导报, 2012, 31(10): 1340. DOI: 10.3870/yydb.2012.10.030. [28] KOURY J C, DE OLIVEIRA A V J, PORTELLA E S, et al. Zinc and copper biochemical indices of antioxidant status in elite athletes of different modalities[J]. International Journal of Sport Nutrition & Exercise Metabolism, 2004, 14(3): 358. DOI: 10.1123/ijsnem.14.3.358.
[29] 田振军, 张志琪. 小鼠运动性疲劳相关基因筛选的初步研究[J]. 中国运动医学杂志, 2002, 21(1): 4. DOI: 10.16038/j.1000-6710.2002.01.001. [30] 徐莉, 高飞. 活性氧与细胞增殖[J]. 国外医学(肿瘤学分册), 2002, 29(4): 252. DOI: 10.3760/cma.j.issn.1673-42 2X.2002.04.00. [31] 李丹, 胡凯文, 韩丽, 等. 艾灸对癌性疲劳小鼠JAK-STAT信号通路的影响[J]. 环球中医药, 2022, 15(5): 725. DOI: 10.3969/j.issn.1674-1749.2022.05.001. [32] 郭静, 尚海, 马丽炎, 等. 芦荟大黄素衍生物AE-YJ通过PI3K-Akt/NF-κB和MAPK/NF-κB途径抑制LPS诱导RAW264.7细胞炎症介质的释放[J]. 中国药理学通报, 2021, 37(12): 1700. DOI: 10.3969/j.issn.1001-1978.2021. 12.013. [33] PENG F, YIN H Y, DU B, et al. Anti-fatigue activity of purified flavonoids prepared from chestnut ( Castanea mollissima) flower[J]. Journal of Functional Foods, 2021, 79(5): 104365. DOI: 10.1016/j.jff.2021.104365.
-
期刊类型引用(3)
1. 吴宏，孔泽栋，王若方，马松. 基于PCA-BP神经网络的烟叶含水率预测研究. 安徽农业科学. 2024(14): 219-222+241 . 
百度学术
2. 张崇崇，黄亚宇. GA-BP神经网络对片烟结构的预测研究. 电子科技. 2022(06): 35-42 . 百度学术
3. 吴利，柳德江. 基于GA-BP神经网络的玉溪市耕地生态安全评价. 云南农业大学学报(自然科学). 2019(05): 874-883 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 1131
- PDF下载量: 39
- 被引次数: 4
