본 논문은 뇌허혈 질환에 활용하는 한의학 처방인 소속명탕(小續命湯, Xiaoxuming Decoction)의 신경보호 성분을 추측하고 이를 바탕으로 소속명탕의 작용 기전을 추측하였으며, 2019년 BioMed Research International (IF 2.583)에 출판되었습니다. 본 슬라이드에서는 위 논문을 국문으로 요약하고 리뷰하였습니다.

1. Evaluation and Identification of the
Neuroprotective Compounds of Xiaoxuming
Decoction by Machine Learning:
A Novel Mode to Explore the Combination Rules in
Traditional Chinese Medicine Prescription
발표 : 장동엽(가천대학교 한의과대학 생리학교실)
2019.09.05.
1
https://www.ncbi.nlm.nih.gov/pubmed/31360720

2. BioMed Research International
2

3. Authors
• 1st : Shilun Yang
• Corr : Chunfu Wu, Guanhua Du
• School of Life Science and
Biopharmaceutics, Shenyang
Pharmaceutical University
3

4. Guanhua Du
• President of the Chinese Pharmacological Society
• a member of the Asia Pacific Federation of Pharmacologists Executive Committee
• Director of National Centre for Pharmaceutical Screening
• Ph.D. degree from Peking Union Medical College (1995)
• Dr. Du is mainly engaged in drug discovery and development, screening methods and
strategy, and drug effect and mechanism research in cerebrovascular and
neurodegenerative disease.
4

5. Introduction
5

6. 소속명탕(小續命湯)
• 출전 : 비급천급요방(備急千金要方, 손사막 저, 7C)
• 감초, 마황, 방기, 방풍, 백작약, 부자, 육계, 인삼, 천궁, 행인, 황금
• 처방 내용에는 서적마다 차이가 있음
• 중풍(中風) 치료에 사용하며 현대에는 뇌허혈 rat에서의 in-vivo 실험
결과가 보고됨
• 그러나 multi herb-multi compound의 특성 때문에 그 기전에 대한
연구는 이루어지지 않음
• 따라서 다양한 본초들의 compatibility를 명확히 해야 하며, 추가적인
연구를 위해 본 연구에서는 ‘phenotypic-based’로 접근할 것
6

7. Phenotypic-based screening
http://www.biochemsoctrans.org/content/42/6/1756
+ Virtual screening (VS) methods
(ex machine learning)
이와 같은 형태의 연구가 다수 이루
어지고 있으나 TCM 처방을 평가하고
뇌허혈 보호 성분을 발견하기 위해
시행된 연구는 부족
7

8. Ischemic stroke
H2O2 : most essential
ingredient of ROS
https://n.neurology.org/content/79/13_Supplement_1/S44
8

9. Methods
9

10. Workflow
10
① Neuroprotective compound를 발견하
는 모델 학습시킴
② XXMD의 성분들이 neuroprotective
compound인지 예측(Virtual screening)

11. Data Collection from XXMD Compounds
• Compounds from twelve herbs in XXMD from
• Chinese natural product chemical composition database
• TCM-Database
• TCMSP
• PubChem
• 여러 본초에 동시에 들어 있는 성분을 제외하고 1484개의 성분
수집
11

12. Collection and Preparation of Training
Set and Test Set
• ChEMBL에서 two phenotypes (anti-hypoxia, anti-oxidant)한
compounds 수집(IC50<10uM)하여 active datasets 구축
• It is noteworthy that compounds collected from the ChEMBL
database did not overlap with compounds in the XXMD dataset.
• Active dataset의 4배로 inactive datasets 구축 (automatically
generated by the DUD-E online database)
• 파이썬의 RDKit package 사용하여 Morgan fingerprints (4096
bits, radius = 2) 생성하고 t-SNE, PCA 적용하여 2차원으로 투
사
12

13. against hypoxia-induced
neurotoxicity
against H2O2-induced
neurotoxicity 13

14. Collection and Preparation of Training
Set and Test Set
• Train : Test = 3 : 1
• Active : Inactive = 1 : 4
14

15. Molecular Descriptors(2D)
• 앞선 compounds들을 2D-Descriptors로 설명하고 이를 바탕으
로 모델 학습시키기
• 1D-descriptors : atom, bond counts
• 2D-descriptors : topological indices, fragment counts
• 256(DS 2016) +185(MOE 2014.9) = 441
• SciTegic extended-connectivity fingerprints (FCFP and ECFP),
Daylight-style path-based fingerprints (FPFP and EPFP) were
also calculated with DS 2016.
15

16. Molecular Descriptors Selection
• 모든 분자가 다 가지고 있는 요소는 지우고(high frequency of
more than 50%)
• 작용과 관계 없는 요소 지우고(which correlation coefficients
had an activity of less than 0.1)
• 비슷한 요소는 작용과 상관관계 큰 것으로 통합(correlation
coefficients between two descriptors was higher than 0.9)
• 남은 2D-descriptors를 모델에서 사용
16

17. Methods for Model Building
Orange Canvas 3.4.1
Discovery Studio 2016
(DS 2016)
17

18. Adaboost
https://www.slideshare.net/freepsw/boosting-bagging-vs-boosting 18

19. Cell-Based Neuroprotective Assay
SH-SY5Y
(neuroblastoma
cell line)
control
(no treatment)
model
(Na2S2O4 or H2O2)
test compounds
(four concentrations)
19
살아 있는 세포가 많을수록 보라색

20. Results
20

21. 3.1. Performance of Classification
Models
against hypoxia-induced neurotoxicity against H2O2-induced neurotoxicity
21
- MCC는 교차표의 4개 cell을 모두 반영하여
계산됨 : data의 imbalance 있을 경우 NPV
와 PPV를 골고루 반영하기 위함
RF, DS+MOE가 우월

22. s-NB classification
fingerprint 뽑는 방법들에 따라 예측 결과 달라졌음 : SciTegic extended-connectivity
fingerprints (FCFP and ECFP), Daylight-style path-based fingerprints (FPFP and EPFP)
22

23. Virtual Screening of Neuroprotective
Agents from XXMD
• 앞서 우수한 성능을 보인 모델로 XXMD의 658개의 anti-
hypoxia, 615개의 anti-oxidant 성분들에 대해 virtual screening
진행
• A total of 398 compounds were ranked by Bayesian scoring
EstPGood (0 ≤ EstPGood ≤ 1)
• EstPGood = EGFR activity, EGFR이 oxidative stress와 연관
• Flavonoid glycosides : anti-hypoxia
• Alkaloids and sterol (in baikal skullcap root and ginseng) : anti-
H2O2
23

24. Virtual Screening of Neuroprotective
Agents from XXMD
24
XXMD가 작용하는 기전은?
각 약물 별로 anti-hypoxia 위주인지, anti-
oxidant 위주인지 확인할 수 있으며,
이를 종합하여 본 처방이 어느 기전을 중심
으로 작용하는지 추측할 수 있음

25. Virtual Screening of Neuroprotective
Agents from XXMD
• 398개의 성분을 Tanimoto distance의 root-mean-square (RMS)
차이를 바탕으로 5그룹으로 클러스터링
• 각 클러스터별로 scaffold novelty와 ‘probability output’을 고려
하여 10개의 XXMD 주요 compound를 선정하여 assay 진행
• scaffold novelty : 얼마나 그 구조가 유사한가? 같은 그룹으로 묶였더
라도 많이 다른 애들은 다른 물질로 봐 줘야 함
• probability output : 진짜 이게 neuroprotective 할까?
• 뽑힌 10개의 compound가 얼마나 타당한지 알아보기 위해
training set에서 Morgan fingerprint 유사한(Dice similarity)
compound와 구조 정성적으로 비교
25

26. Cell-Based Neuroprotective Assay
Results
26

27. Cell-Based Neuroprotective Assay
Results
27

28. Cell-Based Neuroprotective Assay
Results
28
10개 중 가장 잘 나온 2개
결과

29. Discussion
특별한 내용 없어서 넘어감
29

30. 생각해볼 점
• NB에 대한 모식도, 본문설명, table 등이 설명이 충분하지 않음
• 2D-descriptors 뽑는 알고리즘에 따라 score 차이 커짐
• 가장 성적 잘 나온 LPFP6, 다른 데이터에서도?
• 방제를 각 기전별로 시각화한 점은 참고할만 함
• 그러나 현재 그림에서 특정 기전의 비율이 높다고 하더라도, 그 방제가
해당 기전으로 작용한다고 말하기에는 어려움이 있음
• 더 강력하고 확실한 기전의 물질 1개 vs 근거가 빈약한 물질 10개
• 가중치 예측방법 및 더 좋은 시각화 방법이 있을지 고민 필요
30