下载:
下载:
-
随着人口老龄化进程加快，以脑、脊髓结构或功能损伤导致的中枢神经系统（CNS）疾病的发病率和病死率逐年上升[1]。尽管对CNS疾病病因的认识已有重大进展，但是新药研发进程依旧进展缓慢，主要原因是CNS疾病发病机制复杂，以及在药物研发阶段缺少可靠有效的评价手段[2]。随着系统生物学技术的不断发展，1999年Nicholson等[3]提出的代谢组学通过研究生物体受到外界刺激或基因缺陷所导致的代谢终产物的变化情况，为研究疾病的发病机制和药物疗效评估提供了一种新手段。来源于患者或疾病动物模型的生物体样本，如血液、尿液、组织提取液等的代谢组学研究是目前的主要研究方向，但是实验研究需要大量样本数据支持，且受到伦理以及生物体内外混杂因素的影响，具有一定的局限性。细胞是构成生物体结构和功能的基本单位，体外细胞模型可建立单一症状的疾病模型、具有可控性强、有利于进行大规模药物筛选等特点而备受研究人员青睐。细胞代谢组学是以细胞为研究对象，通过现代分析方法监测细胞反应及药物作用于细胞后的代谢变化，在探寻CNS疾病的病理生理机制及治疗干预效果中展现出巨大潜力[4]。本文拟从细胞代谢组学的研究流程及其在中枢神经系统疾病中的应用进行综述，以期为从细胞层面探索中枢神经系统疾病发病机制和新药研发提供参考。
-
细胞代谢组学通过现代分析方法对细胞新陈代谢后产生的差异代谢物进行定性、定量研究。介于细胞内和细胞外代谢之间的密切关系，完整的细胞代谢组学研究包括细胞内指纹(细胞内所有代谢物)和细胞外足迹(细胞外介质所有代谢物)两部分[5]，其主要流程为细胞培养、样品前处理、分析检测、代谢组学数据处理（图1）。
图 1 细胞代谢组学工作流程[6]
-
细胞类型和培养方法的选择对模拟疾病状态和深入了解疾病的代谢框架至关重要。来源于生物体的原代细胞是疾病研究的理想细胞模型，但其寿命有限，纵向研究具有一定挑战性。因此，能够快速分裂的癌细胞和永生化细胞被广泛用于体外模型的构建中。有研究表明，体外和体内细胞培养条件不同易导致细胞特性的改变[7]。为了能更准确地模拟体内微环境，自20世纪初建立以来，改进细胞培养技术的尝试从未停止，如在二维单层培养的基础上，研发出三维培养技术、旋转式细胞培养系统、多细胞共培养等培养模式，更加贴近细胞在生物体的生存环境[8-10]。
提取目标代谢物是细胞代谢组学分析的关键步骤。一些代谢物在样品前处理过程中受到干燥-重构的影响易产生损失或变异，因而优化样品前处理方法、建立细胞代谢组学标准化分析流程显得尤为重要[11]。Wilkins等[12]比较胰蛋白酶消化、刮刀刮取、−80 ℃甲醇淬灭以及−80 ℃甲醇淬灭后去除甲醇这4种常用的细胞代谢物提取方法，结果显示，−80 ℃甲醇快速淬灭得到的细胞代谢物稳定性和富集程度较好，且样品在−80 ℃甲醇条件下可以储存长达1个月而没有明显的代谢物降解。Ser等[13]发现温度和添加剂对细胞代谢物的影响很小，而使用磷酸盐缓冲溶液或水洗涤样品对代谢物影响较大，并提出用冷甲醇提取且不经任何洗涤可以满足绝大多数代谢物的提取。随着质谱等检测仪器的不断开发和进步，不经任何前处理将采集到的细胞代谢物直接进样分析也成为了可能[14]。
-
核磁共振波谱法（NMR）和质谱法（MS）是细胞代谢组学研究的常用分析方法。NMR可追踪代谢物流动来识别活跃的代谢途径、测量代谢通量或相应的示踪剂代谢变化，所需样品量少，具有出色的重现性、定量以及鉴定未知代谢物的能力。Saborano等[15]提出一种基于NMR法的哺乳动物细胞系和原代细胞系代谢研究框架，可用于糖酵解、戊糖磷酸循环等多种代谢途径分析。具体工作流程为将含有13C或15N标记的前体物质引入细胞培养基中培养细胞，使用甲醇-氯仿-水提取代谢物，通过异核单量子相干谱（HSQC）、二维NOE谱（NOESY）等技术采集带标记代谢物的光谱信息，探寻细胞系中健康和疾病状态的代谢差异。然而，NMR相对较低的灵敏度使其无法测量低丰度的代谢物。越来越多新型NMR方法包括多维NMR技术、快速脉冲NMR技术、核磁共振显微技术等也逐渐应用于细胞代谢组学研究，为生物标志物的寻找提供了有力手段。
MS的优势在于其灵敏度高、覆盖面广、可与多种色谱技术联用实现代谢物的有效分离。气相色谱-质谱联用法(GC-MS）可用于氨基酸、核苷酸和脂肪酸等挥发性代谢物的分析，具有较强的针对性。为简化样品制备过程中对挥发性代谢物的衍生化步骤，Araujo等[16]优化了一种基于顶空固相微萃取（HS-SPME）结合GC-MS方法，通过纤维涂层对细胞外代谢物中挥发性组分萃取后直接进样分析，可实时监测挥发性有机物的代谢过程。液相色谱-质谱联用法(LC-MS)包括反相液相色谱（RPLC）和亲水作用液相色谱（HILIC）与MS的联用，其中RPLC总体上表现出比HILIC更好的适用性和重复性，被广泛应用于细胞代谢物的分析中，尤其适用于非极性和弱极性代谢物，而HILIC对亲水性、极性和离子性代谢物如糖、氨基酸和核酸有更好的分离效果[17]。Sun等[18]采用UHPLC-QQQ/MS法对细胞外代谢物进行分析，液相分离条件的优化分别考察了7根反相UHPLC柱和5根HILIC柱，以峰面积、半峰宽、拖尾因子、峰面积CV（%）、保留时间及其SD值共6个指标评价分离效果，最终选择了其中的1根反相UHPLC柱和流动相，单次检测时间仅17 min，实现了同时检测氨基酸、糖类等93种代谢物，为开展实时监测细胞代谢物水平变化提供了可能性。
考虑到细胞间存在异质性，为获得更加丰富的细胞代谢物信息，现代生命科学研究将目光投向了单个细胞。微流控芯片可以在与细胞大小相当的微通道内进行细胞培养、样品制备、分离检测等一系列操作，是单细胞代谢组学分析的重要技术平台[19]，相比于LC-MS，微流控芯片质谱法操作简单，可直接进样分析，但存在选择性差和离子抑制等问题，Xu等[20]将微流控芯片与纳米电喷雾电离质谱相联用，通过对金纳米颗粒进行特异性标记，大大提高单细胞水平内源代谢物检测的灵敏度和兼容性。得益于质谱成像仪器的快速发展，空间分辨代谢组学技术可以对目标代谢物在细胞中的分布进行定位，提供多维度代谢组学信息，是目前单细胞代谢组学研究的强有力工具[21]。
-
代谢物的存在和浓度变化可以直接体现细胞对周围化学和物理微环境的反应，具有高度动态性和未知性，庞大的数据集使得细胞代谢组学的数据分析和解释需借助生物信息学[22]。基于R、Python、C/C++ 等编程语言的代谢组学数据处理的软件资源有很多，但是尚未研发出通用的数据处理软件，需要用户根据分析目的对多种软件程序整合后优化使用[23]。Zhou等[24]在IP4M代谢组学数据分析集成平台的基础上，开发出IMAP集成代谢组学分析平台，不仅可以实现一站式完整的代谢组数据分析，而且有多种可供选择的分析方法和工作流程，可用于建立和验证预测模型以及相关的网络构建和分析，适用于批量或有特殊要求的数据分析。孙海涛等[25]提出了一种基于开源软件Mzmine和谱峰预识别算法，多个计算资源并行的云计算代谢组学数据处理方法，所提出的并行数据处理方法与单计算节点相比，计算速度得到显著提升且大大降低了研究费用，可满足海量代谢组学的数据处理需求。
-
CNS疾病影响着全球数百万患者的生命健康，其发病机制复杂，涉及神经细胞凋亡、神经炎症、氧化应激、兴奋性损伤等多种病理特征，给疾病的早期诊断和预后评估带来了很大的困难。构建单一病理状态的体外细胞模型，可以进行大规模的靶向研究和药物筛选，大大缩短了新药研发时间[26]。尽管已有各种类型的CNS疾病体外细胞模型，但其中只有少数被用于代谢组学研究。随着细胞代谢组学在探索CNS疾病发病机制以及药物作用特点中的作用日益突出，越来越多潜在的生物标志物被发现。表1归纳了2015年以来有关细胞代谢组学在CNS疾病研究的一些应用实例，包括常见CNS疾病相应的细胞模型构建、细胞代谢组学分析手段、差异代谢物筛选、通路分析及药物干预结果等。
表 1 细胞代谢组学在中枢神经系统疾病药物研究中的应用
疾病 研究对象 研究药物 检测手段 主要研究结果 参考文献 阿尔茨海默病 PC12细胞
（Aβ25~35）柚皮苷 GC-MS 筛选出甘氨酸、谷氨酸等27种AD差异代谢物，影响氨基酸代谢、碳水化合物代谢及脂质代谢等代谢通路 [27] 脑微血管内皮细胞（Aβ1~42） 丹参 UHPLC-QTOF- MS 发现了33个差异代谢物，涉及精氨酸和脯氨酸代谢、谷胱甘肽代谢等多条代谢通路 [28] SH-SY5Y细胞
（冈田酸）丹参、知母 UHPLC-QTOF- MS 发现了色氨酸、苯丙氨酸等45个潜在AD生物标志物，涉及12条代谢通路，筛选出与丹参相关的30种差异代谢物，与知母相关的7种差异代谢物 [29] SH-SY5Y细胞
（谷氨酸）人参皂苷 Rb1 1H NMR 发现谷氨酸、牛磺酸等7种差异代谢物，涉及5条不同的代谢通路 [30] 帕金森病 SH‐SY5Y细胞
（MPP+）胶质细胞源性神经营养因子 LC‐MS/MS 三酰甘油、磷脂酰胆碱等多种脂质代谢物受到影响 [31] SH-SY5Y细胞
（6-OHDA）花茶 UPLC-TOF-MS 发现多种与神经保护作用相关的代谢物 [32] SH-SY5Y细胞
（A53T基因突变）L-天冬酰胺酶 GC-MS/MS 可以调节谷氨酰胺代谢起到神经保护作用 [33] 抑郁症 PC12细胞
（皮质酮）阿魏酸 UPLC-QTOF-MS 发现24个差异代谢物，涉及氨基酸代谢、能量代谢和甘油磷脂代谢等代谢通路 [34] PC12细胞
（皮质酮）甘草苷 LC-MS 鉴定出谷氨酸、谷胱甘肽等11种潜在差异代谢物，涉及8条不同的代谢通路 [35] PC12细胞
（皮质酮）香附 UPLC-Q-TOF-MS 发现鞘磷脂、甘油磷脂等11种潜在差异代谢物 [36] PC12细胞 氯胺酮、羟基去甲氯胺酮对映体 GC-MS和CE-MS 发现甘油酸盐、柠檬酸盐、亮氨酸等49种潜在生物标志物 [37] 星形胶质细胞 氟西汀 1H NMR 发现17种潜在生物标志物，涉及脂质和氨基酸代谢通路 [38] 星形胶质细胞 文拉法辛 1H NMR 发现赖氨酸、酪氨酸、谷氨酸等31 种涉及能量、氨基酸和脂质代谢的差异代谢物 [39] -
阿尔茨海默病（AD）是一种常见于老年人的神经退行性疾病，临床表现为记忆力减退、认知和交流功能障碍[40]。常用的AD细胞模型有：β淀粉样蛋白（Aβ）诱导神经毒性模型、Tau蛋白异常磷酸化模型、氧化应激模型和基因转染模型[41]。Aβ聚集沉积易使细胞产生突触受损、线粒体功能障碍以及促进Tau蛋白病理化，当前AD防治的研究热点也集中于Aβ[42]。Aβ是由淀粉样前体蛋白(APP)经分泌酶水解产生，APP的异常突变与AD的发展密切相关，Xiong等[43]对APP过表达的转基因(N2a/APP695swe)细胞用作AD体外模型的可行性进行验证，并将其应用于缬氨霉素改善AD的作用机制研究，GC-MS结果显示，缬氨霉素作用N2a/APP695swe细胞3 h后Aβ1~42和Aβ1~40水平降低，此时，三磷酸腺苷(ATP)水平和柠檬酸、苹果酸、丙酮酸等ATP相关代谢产物显著增加。但是6~12 h其ATP代谢产物却呈现水平下降趋势，提示缬氨霉素的作用时间应加以控制，才能有效促进ATP产生，起到改善AD的作用。有研究指出载脂蛋白E（APOE）不同亚型携带者患AD的风险不尽相同，可能与影响大脑葡萄糖摄取有关。为了解构成APOE相关遗传风险的分子机制，Williams等[44]采用稳定同位素示踪技术探究APOE中3种亚型基因产生的星形胶质细胞葡萄糖代谢差异，结果显示，相较于E2和E3，受E4影响的星形胶质细胞葡萄糖摄取受损，相应的糖代谢、三羧酸循环以及戊糖磷酸途径发生变化，谷胱甘肽合成增加，详见图2所示。与人类APOE表达E4基因的小鼠模型的研究结果相印证[45]，证实了AD发病与遗传基因的相关性。为深入了解E4和代谢损伤对大脑影响的生物学基础，进一步阐明AD的发病机制提供了科学依据。
图 2 不同亚型的载脂蛋白E对星形胶质细胞葡萄糖代谢的影响[44]
-
帕金森病（PD）为第二大中枢神经退行性疾病，患者常出现运动迟缓、静止性震颤和强直等症状。PD 是一种由遗传、环境和生活方式等多因素共同作用的疾病，其病理特征表现为黑质多巴胺能神经元损伤丢失和α-突触核蛋白聚集[46]。神经毒素如百草枯、6-羟基多巴胺(6-OHDA)、1-甲基-4-苯基-四氢吡啶离子（MPP+）可诱导细胞多巴胺能神经元变性死亡，从而产生类似帕金森的病理特征，所建立的细胞模型可操作性强、重复性好，是目前最常用的PD细胞造模方法。Lei等[47]采用NMR与直接输注电喷雾电离质谱（DI-ESI-MS）联用的代谢组学方法探究百草枯诱导SH-SY5Y细胞产生的代谢谱变化，结果显示，磷酸戊糖途径中6-磷酸葡萄糖、6-磷酸果糖等代谢物增加，糖酵解与TCA 循环受到抑制。Xicoy等[48]运用LC-MS法研究6-OHDA诱导的SH-SY5Y细胞的脂类代谢变化，结果发现除了磷脂酰丝氨酸水平降低外，磷脂酰胆碱、磷脂酰甘油、磷脂酰肌醇和胆固醇水平变化情况均与PD患者血浆代谢组学结果相同[49]。进一步探究降胆固醇他汀类药物对该PD模型的神经保护作用，发现他汀类药物未展现相应的保护作用，反而是低剂量的胆固醇使SH-SY5Y细胞免受6-OHDA毒性，提示该细胞模型不适用于胆固醇参与的PD发生发展机制的研究。星形胶质细胞是人脑中含量最丰富的细胞类型，在维持PD患者大脑胆固醇稳态扮演着重要角色[50]。近年来，星形胶质细胞在PD发病机制中作用开始被发现。Sonninen等[51]通过UPLC-Q-TOF-MS法探究星形胶质细胞的代谢变化，发现LRRK2和GBA基因突变的PD星形胶质细胞出现α-突触核蛋白生成增加、钙水平升高、溶血磷脂酰乙醇胺等多种氨基酸代谢改变。
-
缺血性脑卒中（IS）是中风的一种常见形式，涉及神经炎症、氧化应激、兴奋性中毒等病理机制，患病后易导致脑损伤或残疾，严重者将危及生命，对人类健康构成极大威胁[52]。IS患者因急性血管闭塞所引起的脑组织缺血、缺氧，易使细胞自由基受损、钙离子超载、能量代谢紊乱，因此保护细胞免受缺氧缺糖的影响，是体外研究IS的思路之一。脑微血管内皮细胞是IS中损伤最严重的细胞，韩晨阳等[53]采用HPLC法发现该细胞在体外缺氧缺糖环境下产生ATP、二磷酸腺苷(ADP）含量降低，磷酸腺苷(AMP）含量增加等异常能量代谢变化，而这些病理变化与IS造成的细胞损伤相似。进一步探究丁苯酞对该模型的作用机制发现，丁苯酚可以有效调节细胞在氧糖剥离条件下产生的能量紊乱、钙离子超载。Wang等[54]运用GC-MS法研究杜仲防治IS的作用，采用缺氧缺糖条件下的脑微血管内皮细胞造模，发现杜仲具有促进苯丙氨酸代谢，抑制线粒体活性氧产生的作用。上述IS体外细胞模型的构建采用的是物理方法，即将细胞置于缺糖或缺血培养基与缺氧环境下培养，对设备要求较高，需将连二亚硫酸钠（Na2S2O4)、氯化钴(CoCl2)等化学性缺氧试剂用于IS模型的构建。王宇翔[55]在PC12细胞的无糖培养基中加入Na2S2O4建立氧糖剥离模型，采用HPLC法探究染料木黄酮对所构建细胞模型的保护作用，通过测定细胞神经递质类氨基酸随时间含量变化情况，发现染料木黄酮可逆转缺氧缺糖所引起的谷氨酸、天冬氨酸等兴奋性氨基酸水平变化，发挥神经保护作用。
-
抑郁症是一种复杂的精神障碍疾病，以持续的心境低落为主要临床特征。谷氨酸循环和糖皮质激素浓度异常与抑郁症的发生发展密切相关，目前体外实验主要使用皮质酮、谷氨酸诱导细胞产生神经损伤构建抑郁症细胞模型。Zhang等[56]采用超高效液相色谱结合四极杆飞行时间质谱法（UPLC-QTOF-MS）探究皮质酮对PC12细胞的细胞毒性机制，鉴定出15种潜在生物标志物，涉及甘油磷脂代谢、鞘脂代谢、脂肪酸氧化、甘油脂代谢和甾醇脂物在内的5种代谢途径，为后续实验研究提供了有力支撑。何小燕等[57]运用1H-NMR法探究谷氨酸和皮质酮诱导下PC12细胞的代谢差异，结果显示两种刺激方式产生的代谢物不同，但影响的代谢通路却无显著差别，提示将差异代谢物与其代谢通路结合分析的重要性。中医药具有多层次、多靶点的整体调控作用，在防治抑郁症方面具有独特优势。但由于相关中医学证候模型的缺乏，在一定程度上制约了中医药防治抑郁症的进一步发展。付爽等[58]使用含10%肝郁脾虚证的血清诱导肝癌HepG2细胞构建抑郁症证候模型，对所建立的抑郁症肝郁脾虚证细胞模型与肝郁脾虚证血清进行代谢组学分析，发现了溶血磷脂酰胆碱、卵磷脂、甘油磷酰胆碱等19个相同的代谢差异物，涉及9条代谢通路，该证候细胞模型的建立为中医药辩证治疗的科学性和有效性提供了依据。
-
细胞代谢组学通过“细胞模型-生物标志物-疾病机制/作用功效”的对应关系，对细胞代谢产物进行分析，从细胞水平认识疾病，为中枢神经系统疾病的防治打开一扇新的大门。但是仍面临着一些挑战：①理想的细胞模型应该与相应疾病有高度的相似性、可重复性和可操作性，但是疾病的发生发展往往与多个细胞相关，因此需要在确保研究结果可靠的基础上选择合适的细胞造模方法。②细胞代谢物丰富但是含量少，虽然使用液氮或低温有机溶剂对细胞进行萃取可以最大程度上减少代谢物的损失，但是不同细胞模型所采用的前处理方法不尽相同，目前尚未有标准化前处理流程可以适用所有细胞代谢物的提取分析。③细胞代谢组学的分析对象是相对分子质量小于1 000的代谢物，需要不断更新、优化高通量和高分辨率的分析仪器，提高代谢物的检测灵敏度，以获取更多的细胞代谢物数据。④细胞代谢组学隶属于体外研究的范畴，与生物体复杂的代谢变化存在着一定的差异，为提高研究结果的准确性和可靠性，未来细胞代谢组学的研究方向需整合多组学和多学科的信息，以期更加全面的了解CNS病理机制，获取疾病相关生物标志物信息，进一步评价药物的药效，从而为CNS疾病的新药研发提供参考依据[59-60]。相信随着更多细胞模型的构建以及分析技术的不断发展，细胞代谢组学在CNS疾病研究中将会有更广阔的应用前景。
Application of cellular metabolomics in central nervous system diseases
-
摘要: 细胞代谢组学是代谢组学的重要分支，通过细胞代谢组学技术可以动态监测细胞反应及药物作用于细胞后的代谢变化，寻找具有潜在价值的生物标志物，阐明疾病的病理生理机制及药物治疗干预效果，近年来已被广泛应用于疾病机制、药效评价、新药研发等领域。综述细胞代谢组学的研究流程及其在中枢神经系统疾病中的应用，以期为深入研究中枢神经系统疾病的发病机制和药物防治提供理论依据。Abstract: Cell metabolomics is an important branch of metabolomics, which could dynamically monitor cell response and metabolic changes after drugs acting on cells, and look for potential biomarkers. Cell metabolomics has been widely used in illustration of disease mechanism, evaluation of drug efficacy and development of new drug through elucidating the pathophysiological mechanism of the disease and the effect of drug treatment intervention. The researches process of cellular metabolomics and its application in central nervous system diseases were reviewed in order to provide theoretical basis for in-depth study of the pathogenesis and prevention and treatment of central nervous system diseases.
-
Key words:
- cellular metabolomics /
- central nervous system diseases /
- cell model /
- biomarkers
-
人口老龄化、慢性病发病率增加、高价新药持续推出等因素使得全球医疗卫生支出迅速增长。为了控制药品费用，降低医疗费用开支，各国政府纷纷出台鼓励仿制药品研发和使用的政策[1]。研究显示，2003年—2012年，仿制药的替代为美国节省了超过1.5万亿美元的费用[2]。2018年，我国三级医院的患者门诊年人均费用为322.1元，其中药品费用占42.2%[3]，通常发达国家药品费用占20%[4]。而我国，广大公众的医疗消费水平还不高，质优价廉的仿制药仍是满足我国公众基本用药的重要来源和手段。近年来，国务院从国家战略层面提出开展仿制药质量一致性评价，以提高仿制药质量和用药可及性。尤其是在2018年11月，为了降低医疗开支，控制药品费用，国家组织了在北京、天津、上海、重庆4个直辖市和沈阳、大连、厦门、广州、深圳、成都、西安7个城市(简称“4+7”城市)试点药品集中带量采购。各试点城市委派代表组成联合采购办公室，代表公立医疗机构实施集中采购，兼顾药品采购数量和中标价格，通过以“量”换“价”的方式，促进仿制药替代原研药使用，达到合理降低药品费用的目的[5]。2019年2月29日，上海市发布了《关于本市执行“4+7”城市药品集中采购中选结果的通知》，正式公布了“4+7”中选品种及执行时间，要求上海市所有医保定点医疗机构于3月20日正式统一执行。
本研究通过评估该政策实施对上海市某公立三级综合医院门诊治疗心血管疾病的仿制药与原研药的利用情况的影响，分析仿制药替代策略带来的经济效益，为完善相关药物政策提供实证依据。
1. 资料与方法
1.1 目标疾病与目标药物
本研究根据《中国高血压防治指南2018年修订版》[6]中常用降压药及《冠心病合理用药指南第2版》[7]中常用治疗冠心病药对照该院药品使用目录，选择使用比例高，既有仿制药又有对应原研药的口服固体制剂品种。由于缓、控释剂型与普通制剂成本不同，所以本研究均选取相同剂型药物。另外，为了进行对比，单独选取了中选带量采购品种的原研药福辛普利作为对照（该药品没有对应仿制药品种），分析其在带量采购政策实施前后的药物利用状况的变化，并与其他仿制药进行比较。
共选取高血压和冠心病的目标药物11种，分别是治疗高血压的降压药物：硝苯地平、氨氯地平、缬沙坦、厄贝沙坦氢氯噻嗪、坎地沙坦、替米沙坦、替米沙坦氢氯噻嗪、奥美沙坦；治疗冠心病的药物：氯吡格雷、阿托伐他汀、瑞舒伐他汀。其中氨氯地平、厄贝沙坦氢氯噻嗪、氯吡格雷、阿托伐他汀、瑞舒伐他汀5个仿制药品种为带量采购目录品种（其对应原研药未中选带量采购），即中选品种，其余6个仿制药及其对应的原研药品种均为非带量采购目录品种，即未中选品种。
1.2 数据来源
数据来源于上海市某三级医院的药品信息管理系统，分别抽取2018年4月1日至9月30日及2019年4月1日至9月30日该院用药数据，包括药品使用量、销售金额等。本研究采用世界卫生组织（WHO）官方网站提供的药物限定日剂量（defined daily dose, DDD）确定各药物的DDD值。因为高血压的复方制剂厄贝沙坦氢氯噻嗪和替米沙坦氢氯噻嗪无法在WHO网站直接查询到DDD值，所以根据WHO发布的《ATC分类和DDD分配指南（2020）》[8]分配原则，可以采用日维持剂量，且DDD值为每日给药的片数。
1.3 方法
1.3.1 使用数量和使用金额占比
医院药品零加成后，医院销售价等于采购价，统一采用药品采购价作为研究对象。研究时间分两组：政策实施前（2018年4月至9月）和政策实施后（2019年4月至9月）。研究中某一种药物的使用数量可以标化为该药品的用量(DDDs)，DDDs =某药品的消耗总剂量(mg)/该药DDD值(mg), DDDs反映了某药物的使用人数和人均使用频率，该值越大，表明使用人数越多或人均使用率越高[9]；用一个DDD的购买费用作为该药物的日费用，以此反映该药物的可负担性。日费用(DDDc)=[某药品采购价/该药每盒的剂量(mg)]×该药DDD值(mg)。
中选和未中选原研药或者仿制药的使用数量和金额占比为该组内对应类型原研药或仿制药的DDDs和使用金额，分别除以原研药和仿制药的使用数量总DDDs和使用总金额。原研药或者仿制药的使用数量和金额占比为两种类型的原研或仿制药使用数量和金额占比的总和。
1.3.2 日费用及使用数量
以每组中选和未中选原研药或仿制药DDDc的加权平均费用作为研究对象，观察政策实施前后两种类型原研药及仿制药的日费用和使用数量的变化情况。原研药和仿制药DDDc是所有原研或仿制药DDDc的加权平均价格。
1.3.3 潜在费用节省率
因为药品的品种一直处于动态变化之中，而且每年的就诊人数在不断增长，本研究分别将政策实施前后的仿制药及原研药的数据进行分析，得到每个目标药品的日费用比及潜在费用节省情况。
仿制药与原研药的日费用比=仿制药DDDc/原研药DDDc×100%。
潜在节省的药品费用是指如果药物使用量不变，以仿制药替代原研药可以节省的费用。潜在费用节省率是指某药品节省的费用除以该原研药在4月至9月的使用金额。
节省费用(P)=Σ(原研药DDDc-仿制药DDDc)×原研药DDDs
潜在费用节省率=（P/原研药4月至9月使用金额）×100%
2. 结果
2.1 使用数量和使用金额占比
政策实施前后原研药和仿制药使用数量及使用金额占比见表1。
表 1 带量采购政策实施前后原研药和仿制药使用数量及使用金额占比(%)时间 未中选药品数量占比 中选药品数量占比 未中选药品金额占比 中选药品金额占比 原研 仿制 原研 仿制 原研 仿制 原研 仿制 2018.04-09 38.74 6.08 45.58 9.60 26.44 2.39 59.59 11.59 2019.04-09 33.89 7.95 24.22 33.94 38.93 4.76 39.23 17.07 由表1可知，政策实施后，未中选和中选的原研药使用数量占比都呈现下降趋势，分别下降了12.52%和46.86%。未中选原研药使用金额占比呈现上升趋势，上升了47.24% ，而中选原研药使用金额占比下降了34.17%。未中选和中选的仿制药使用数量占比和金额占比都呈上升趋势，使用数量占比分别上升了30.76%、253.54%，使用金额占比分别上升了99.16%、47.28%。所有目标药物原研药使用数量和使用金额占比呈现下降趋势，使用数量占比下降更快。使用数量占比由84.32%下降至58.12%，降幅为31.07%；使用金额占比由86.02%下降至78.16%，降幅为9.14%。仿制药的使用数量和使用金额占比都呈现上升趋势，其中使用数量占比上升更快，上升了167.09%，使用金额占比上升了56.22%。
2.2 日费用及使用数量
带量采购政策实施前后目标药品原研药和仿制药DDDc、DDDs及使用总金额见表2和表3。
表 2 带量采购政策实施前后原研药和仿制药的日费用(单位：元)时间 未中选药品的DDDc 中选药品的DDDc 仿制药DDDc 原研药DDDc 仿制药/原研药价格比(%) 原研 仿制 原研 仿制 2018.04-09 4.61 2.65 8.83 8.16 6.02 6.89 0.87 2019.04-09 4.46 2.33 6.29 1.95 2.02 5.22 0.39 表 3 带量采购政策实施前后原研药和仿制药的总用量及总金额时间 未中选药品DDDs 中选药品DDDs 仿制药DDDs 原研药DDDs 使用总金额（万元） 原研 仿制 原研 仿制 2018.04-09 633 248 99 460 745 059 156 859 256 319 1 378 307 1 104.35 2019.04-09 611 842 143 490 437 290 612 604 756 095 1 049 132 700.72 由表2和表3可知，政策实施后，总的药品使用数量增加了10.44%，使用总金额却下降了36.55%。11种目标药物原研和仿制品种的DDDc均呈下降趋势，但是仿制药下降幅度更大，降幅达到66.45%，而原研药价格降幅为24.24%；仿制药与原研药在两组中加权平均日费用的比值从0.87下降到0.39，费用差距明显变大。未中选的原研药DDDc下降了3.25%，中选的下降28.77%；而仿制药则分别下降了12.08%、76.10%。相比于政策实施前，原研药使用量呈现下降趋势，下降了23.88%；而仿制药使用量呈现上升趋势，上升了194.98%，仿制药使用率明显提高。其中未中选和中选的原研药使用数量分别下降3.38%、41.31%；仿制药分别增加44.27%、290.54%。对照药品中选原研品种福辛普利的DDDs由3099增加到5451，增加了75.90%，DDDc由4.20元下降至1.26元，下降了70.00%。福辛普利日费用下降幅度与中选仿制药品种相似，且远高于未中选原研药的下降幅度，但其使用量的增加幅度不如中选仿制药品种，可能与该药本身临床应用较少有关。
2.3 仿制药与原研药日费用比和潜在费用节省率
带量采购政策实施前后各目标药物仿制药与原研药日费用比和潜在费用节省率见表4和表5（表格中药企名称为简称）。
表 4 带量采购政策实施前11种药物仿制药与原研药日费用比及潜在费用节省率药品名 仿制药DDDc（元） 原研药DDDc（元） 原研药企 仿制药/原研药日费用比 原研药DDDs 潜在节省费用（万元） 硝苯地平控释片 2.64 4.02 拜耳 0.66 151 130 20.79 氨氯地平片① 1.95 4.43 辉瑞 0.44 165 592 41.18 缬沙坦胶囊 2.58 5.17 诺华 0.50 165 494 42.89 厄贝沙坦氢氯噻嗪片① 2.62 4.53 赛诺菲 0.58 70 791 13.52 坎地沙坦酯片 2.18 5.17 武田制药 0.42 51 107 15.26 替米沙坦片 2.00 2.66 勃林格殷格翰 0.75 132 790 8.82 替米沙坦氢氯噻嗪片 4.60 5.49 勃林格殷格翰 0.84 21 644 1.93 奥美沙坦酯片 4.66 6.49 第一三共制药 0.72 111 083 20.30 氯吡格雷片① 10.08 17.13 赛诺菲 0.59 151 375 106.83 阿托伐他汀钙片① 6.12 8.53 辉瑞 0.72 240 765 57.99 瑞舒伐他汀钙片① 6.88 7.53 阿斯利康 0.91 116 536 7.52 潜在节省费用总计 337.03 费用节省率，% 35% 注：①表示该药品为“4+7”带量采购目录中药品 表 5 带量采购政策实施后11种药物仿制药与原研药日费用比及潜在费用节省率药品名 仿制药DDDc（元） 原研药DDDc（元） 原研药企 仿制药/原研药
日费用比原研药DDDs 2019年实际
总节省
费用（万元）潜在节省费用
（万元）硝苯地平控释片 1.62 4.02 拜耳 0.40 172 242 –8.19 41.26 氨氯地平片① 0.59 3.26 辉瑞 0.18 102 340 40.45 27.28 缬沙坦胶囊 2.53 5.01 诺华 0.51 153 188 6.96 37.92 厄贝沙坦氢氯噻嗪片① 2.18 3.67 赛诺菲 0.59 42 280 15.96 6.31 坎地沙坦酯片 2.18 4.45 武田制药 0.49 49 105 4.48 12.56 替米沙坦片 1.54 2.54 勃林格殷格翰 0.61 119 014 3.64 11.82 替米沙坦氢氯噻嗪片 4.60 5.39 勃林格殷格翰 0.85 16 639 1.37 1.31 奥美沙坦酯片 4.59 6.49 第一三共制药 0.71 101 654 3.89 19.27 氯吡格雷片① 3.34 13.10 赛诺菲 0.25 74 032 191.82 72.26 阿托伐他汀钙片① 0.94 6.11 辉瑞 0.15 137 977 123.19 71.29 瑞舒伐他汀钙片① 1.31 5.54 阿斯利康 0.24 80 661 20.07 34.13 节省费用总计 403.63 333.99 费用节省率，% 61% 注：①表示该药品为“4+7”带量采购目录中药品 政策实施前后，11种目标药物仿制药与原研药的日费用比分别在0.42～0.91、0.15～0.85之间。两组中日费用比差异最大的分别是坎地沙坦酯片和阿托伐他汀钙片，最小的是瑞舒伐他汀钙片和替米沙坦氢氯噻嗪片。该政策实施后，原研药和仿制药销售总金额减少了403.63万元。如果将政策实施前后目标药品原研药全部替换成仿制药，则该医院分别可节省潜在费用为337.03、333.99万元；潜在费用节省率为35%、61%。由于带量采购政策实施后，除硝苯地平、替米沙坦、阿托伐他汀和瑞舒伐他汀外，原研药品种使用数量下降，而原研药与仿制药DDDc差值下降并不明显，导致潜在节省费用减少了66.41万元，故政策实施后潜在节省费用下降不是十分明显。因为潜在节省费用变化不大，而原研药使用金额却大幅下降，所以潜在费用节省率相对于政策实施前变化十分明显。
3. 讨论
3.1 带量采购政策对仿制药替代和药品费用的影响
带量采购政策实施后，仿制药使用数量DDDs大幅增加，原研药使用数量下降，患者的药品费用明显减少。仿制药使用数量急剧上升是因为大部分中选品种为仿制药，该政策执行下，医院每月必须要完成约定额度的中选品种使用数量，否则将受到处罚，如政府部门减少对医院改革的奖励资金、取消医院的医保定点资格以及降低医院的等级等[10]。同时对医生处方用药产生一定的行政压力，如医院对未优先使用带量采购药品的医生进行经济惩罚和约谈等，利用行政措施促使医生使用中选品种。由于以量换价政策的实施，药品价格降低，在医生和药师的用药教育下，部分患者愿意接受效果相同而价格更低的仿制药进行治疗。并且中选药品价格下降对未中选的药品产生“波纹效应”[11]，导致药品的整体价格下降。
3.2 带量采购政策对仿制药使用的数量和金额占比产生影响
政策实施后，11种目标药品仿制药使用数量及金额占比上升明显，如仿制药使用金额占比分别由13.98%上升到21.84%，这一结果与北京市85家二、三级公立医院调查的结果相似，其心血管类仿制药金额占比为18.93%[12]。然而，长期以来，在医师和患者中业已形成了仿制药质量和疗效远不及原研药的认知。只有保证仿制药质量和效果与原研药相同，仿制药才能真正的替代原研药，因此我国仍需要加快仿制药一致性评价。研究中发现仿制药使用率低于原研药，可能与医生的处方习惯和患者对仿制药的态度有关。本文未中选品种有一半以上，医生受到的带量采购政策的约束较少，在临床诊疗过程中，可能会优先选择同样治疗心血管疾病且存在原研产品的药物。虽然药监部门宣称仿制药与原研药拥有相同的质量和疗效，但临床疗效评价的真实世界证据的缺乏，使医生和患者对于仿制药的效果仍然有很多顾虑[13]。因此，政府部门应鼓励相关企业和医疗机构开展仿制药与原研药一致性研究，确证仿制药在临床实际使用过程中是否能够真正有效替代原研药，并及时公布相关研究结果。同时，需要制定更详细的临床用药指南来规范医师的处方行为；完善奖励机制，鼓励医生和药师优先使用仿制药，如向医生和患者普及仿制药的相关知识，提高仿制药的替代使用率。对仿制药宣传教育活动进行适当的资金支持；扩大在权威媒体上的宣传；积极进行社区教育，帮助患者了解仿制药和一致性评价制度，减少医患之间的矛盾。
3.3 带量采购政策对原研药与仿制药价格差异的影响
政策实施后11种目标药物的原研药比仿制药价格高出548.03%～17.15%，大部分药品超过了原研与仿制药价格差应在30%以下的规定[14]。这一结果与我国某省198个样本药品调查结果吻合，该省原研药与仿制药价格差异倍数的均值为3.6倍[15]。原研药因其质量优势通常与仿制药实行区别定价，缺乏竞争导致价格水平较高，仿制药竞争激烈导致价格较低。并且带量采购政策实施后，仿制药价格下降明显，原研药价格降幅较小，导致原研药与仿制药价格差进一步增大。因此，政府应该发挥主导作用，加强对原研和仿制药品价格的监管力度；药品企业在降价时，应该以保证药品质量为前提，遵循经济规律，避免出现过去集中招标采购的断供和弃标现象。
综上，带量采购政策实施后，心血管类原研药使用数量和金额下降，仿制药使用数量上升，患者的药品费用支出减少；仿制药的替代率仍然较低，存在很大的费用节省空间；原研药与仿制药价格差距增大。本文中，带量采购政策实施对药物利用的经济性方面产生了积极影响。带量采购的目的，通过促进竞争，推动药品降价和仿制药替代，通过量价挂钩、及时回款降低医药企业销售费用和财务成本，进一步降低药品价格。通过设定质量门槛，让患者以更低廉的价格用上质量高效的药品。本文发现政策实施后药品价格下降，仿制药替代效应明显， DDDc下降的同时DDDs上涨，总体使用金额下降，改革基本达到预期目标。当然，带量采购还面临着如何保障质量、如何提升药品企业参与一致性评价的积极性、医院使用中选药品的积极性等挑战，需要配套政策加以完善。比如，应当进一步加大仿制药替代原研药的政策宣传，扩大政策实施的范围，加快仿制药一致性评价进程和采取措施避免原研药与仿制药价格差距的扩大。
本研究不足之处是在上海市的1家公立三级医院进行的研究，仅选择了治疗心血管疾病的11种药物，分析范围有一定局限性。未来的研究可以进一步扩大研究范围，将该城市不同级别医院都作为研究对象，按照治疗的不同疾病，分析各药品的原研药和仿制药使用情况，提供更全面的参考。
-
表 1 细胞代谢组学在中枢神经系统疾病药物研究中的应用
疾病 研究对象 研究药物 检测手段 主要研究结果 参考文献 阿尔茨海默病 PC12细胞
（Aβ25~35）柚皮苷 GC-MS 筛选出甘氨酸、谷氨酸等27种AD差异代谢物，影响氨基酸代谢、碳水化合物代谢及脂质代谢等代谢通路 [27] 脑微血管内皮细胞（Aβ1~42） 丹参 UHPLC-QTOF- MS 发现了33个差异代谢物，涉及精氨酸和脯氨酸代谢、谷胱甘肽代谢等多条代谢通路 [28] SH-SY5Y细胞
（冈田酸）丹参、知母 UHPLC-QTOF- MS 发现了色氨酸、苯丙氨酸等45个潜在AD生物标志物，涉及12条代谢通路，筛选出与丹参相关的30种差异代谢物，与知母相关的7种差异代谢物 [29] SH-SY5Y细胞
（谷氨酸）人参皂苷 Rb1 1H NMR 发现谷氨酸、牛磺酸等7种差异代谢物，涉及5条不同的代谢通路 [30] 帕金森病 SH‐SY5Y细胞
（MPP+）胶质细胞源性神经营养因子 LC‐MS/MS 三酰甘油、磷脂酰胆碱等多种脂质代谢物受到影响 [31] SH-SY5Y细胞
（6-OHDA）花茶 UPLC-TOF-MS 发现多种与神经保护作用相关的代谢物 [32] SH-SY5Y细胞
（A53T基因突变）L-天冬酰胺酶 GC-MS/MS 可以调节谷氨酰胺代谢起到神经保护作用 [33] 抑郁症 PC12细胞
（皮质酮）阿魏酸 UPLC-QTOF-MS 发现24个差异代谢物，涉及氨基酸代谢、能量代谢和甘油磷脂代谢等代谢通路 [34] PC12细胞
（皮质酮）甘草苷 LC-MS 鉴定出谷氨酸、谷胱甘肽等11种潜在差异代谢物，涉及8条不同的代谢通路 [35] PC12细胞
（皮质酮）香附 UPLC-Q-TOF-MS 发现鞘磷脂、甘油磷脂等11种潜在差异代谢物 [36] PC12细胞 氯胺酮、羟基去甲氯胺酮对映体 GC-MS和CE-MS 发现甘油酸盐、柠檬酸盐、亮氨酸等49种潜在生物标志物 [37] 星形胶质细胞 氟西汀 1H NMR 发现17种潜在生物标志物，涉及脂质和氨基酸代谢通路 [38] 星形胶质细胞 文拉法辛 1H NMR 发现赖氨酸、酪氨酸、谷氨酸等31 种涉及能量、氨基酸和脂质代谢的差异代谢物 [39] 
下载: 导出CSV
-
[1] GRIBKOFF V K, KACZMAREK L K. The need for new approaches in CNS drug discovery: why drugs have failed, and what can be done to improve outcomes[J]. Neuropharmacology,2017,120:11-19. doi: 10.1016/j.neuropharm.2016.03.021 [2] MARTINELLI C, PUCCI C, BATTAGLINI M, et al. Antioxidants and nanotechnology: promises and limits of potentially disruptive approaches in the treatment of central nervous system diseases[J]. Adv Healthc Mater,2020,9(3):e1901589. doi: 10.1002/adhm.201901589 [3] NICHOLSON J K, LINDON J C, HOLMES E. 'Metabonomics': understanding the metabolic responses of living systems to pathophysiological stimuli via multivariate statistical analysis of biological NMR spectroscopic data[J]. Xenobiotica,1999,29(11):1181-1189. doi: 10.1080/004982599238047 [4] CUPERLOVIC-CULF M, BADHWAR A. Recent advances from metabolomics and lipidomics application in Alzheimer's disease inspiring drug discovery[J]. Expert Opin Drug Discov,2020,15(3):319-331. doi: 10.1080/17460441.2020.1674808 [5] BALCERCZYK A, DAMBLON C, ELENA-HERRMANN B, et al. Metabolomic approaches to study chemical exposure-related metabolism alterations in mammalian cell cultures[J]. Int J Mol Sci,2020,21(18):6843. doi: 10.3390/ijms21186843 [6] DOMENICK T M, GILL E L, VEDAM-MAI V, et al. Mass spectrometry-based cellular metabolomics: current approaches, applications, and future directions[J]. Anal Chem,2021,93(1):546-566. doi: 10.1021/acs.analchem.0c04363 [7] ABDEEN A A, LEE J M, KILIAN K A. Capturing extracellular matrix properties in vitro: Microengineering materials to decipher cell and tissue level processes[J]. Exp Biol Med (Maywood),2016,241(9):930-938. doi: 10.1177/1535370216644532 [8] VAN GORSEL M, ELIA I, FENDT S M. 13 C tracer analysis and metabolomics in 3D cultured cancer cells[J]. Methods Mol Biol,2019,1862:53-66. [9] CHEN Z Y, JIANG N, GUO S, et al. Effect of simulated microgravity on metabolism of HGC-27 gastric cancer cells[J]. Oncol Lett,2020,19(5):3439-3450. [10] 杨盛, 何然, 张飞燕, 等. 细胞共培养模型及其在中枢神经系统疾病研究中的应用[J]. 药学学报, 2016, 51(3):338-346. doi: 10.16438/j.0513-4870.2015-0583 [11] MATHON C, BOVARD D, DUTERTRE Q, et al. Impact of sample preparation upon intracellular metabolite measurements in 3D cell culture systems[J]. Metabolomics,2019,15(6):92. doi: 10.1007/s11306-019-1551-0 [12] WILKINS J, SAKRIKAR D, PETTERSON X M, et al. A comprehensive protocol for multiplatform metabolomics analysis in patient-derived skin fibroblasts[J]. Metabolomics,2019,15(6):83. doi: 10.1007/s11306-019-1544-z [13] SER Z, LIU X J, TANG N N, et al. Extraction parameters for metabolomics from cultured cells[J]. Anal Biochem,2015,475:22-28. doi: 10.1016/j.ab.2015.01.003 [14] BODZON-KULAKOWSKA A, CICHON T, GOLEC A, et al. DESI-MS as a tool for direct lipid analysis in cultured cells[J]. Cytotechnology,2015,67(6):1085-1091. doi: 10.1007/s10616-014-9734-z [15] SABORANO R, ERASLAN Z, ROBERTS J, et al. A framework for tracer-based metabolism in mammalian cells by NMR[J]. Sci Rep,2019,9(1):2520. doi: 10.1038/s41598-018-37525-3 [16] ARAÚJO A M, MOREIRA N, LIMA A R, et al. Analysis of extracellular metabolome by HS-SPME/GC-MS: Optimization and application in a pilot study to evaluate galactosamine-induced hepatotoxicity[J]. Toxicol Lett,2018,295:22-31. doi: 10.1016/j.toxlet.2018.05.028 [17] STOLL D R, HARMES D C, STAPLES G O, et al. Development of comprehensive online two-dimensional liquid chromatography/mass spectrometry using hydrophilic interaction and reversed-phase separations for rapid and deep profiling of therapeutic antibodies[J]. Anal Chem,2018,90(9):5923-5929. doi: 10.1021/acs.analchem.8b00776 [18] SUN Z Y, JI Q Q, EVANS A R, et al. High-throughput LC-MS quantitation of cell culture metabolites[J]. Biologicals,2019,61:44-51. doi: 10.1016/j.biologicals.2019.07.003 [19] PÖHÖ P, LIPPONEN K, BESPALOV M M, et al. Comparison of liquid chromatography-mass spectrometry and direct infusion microchip electrospray ionization mass spectrometry in global metabolomics of cell samples[J]. Eur J Pharm Sci,2019,138:104991. doi: 10.1016/j.ejps.2019.104991 [20] XU S, LIU M, BAI Y, et al. Multi-Dimensional Organic Mass Cytometry: Simultaneous Analysis of Proteins and Metabolites on Single Cells. Angew Chem Int Ed Engl. 2021, 60(4): 1806-1812. [21] LIU R M, YANG Z B. Single cell metabolomics using mass spectrometry: techniques and data analysis[J]. Anal Chim Acta,2021,1143:124-134. doi: 10.1016/j.aca.2020.11.020 [22] SHULAEV V. Metabolomics technology and bioinformatics[J]. Brief Bioinform,2006,7(2):128-139. doi: 10.1093/bib/bbl012 [23] MISRA B B. New software tools, databases, and resources in metabolomics: updates from 2020[J]. Metabolomics,2021,17(5):49. doi: 10.1007/s11306-021-01796-1 [24] ZHOU D, ZHU W J, SUN T, et al. iMAP: a web server for metabolomics data integrative analysis[J]. Front Chem,2021,9:659656. doi: 10.3389/fchem.2021.659656 [25] 孙海涛, 杨志强, 李葆红, 等. 基于LC/MS的代谢组学数据并行处理研究[J]. 质谱学报, 2015, 36(6):535-542. doi: 10.7538/zpxb.2015.36.06.0535 [26] 陈衬心, 张建永, 蒲家志. 细胞代谢组学及其在中药研究中的应用[J]. 遵义医学院学报, 2017, 40(5):583-586. doi: 10.3969/j.issn.1000-2715.2017.05.024 [27] 张悦, 徐占玲, 孙慧峰, 等. 柚皮苷对Aβ25-35诱导PC12细胞保护作用的代谢组学研究[J]. 中成药, 2021, 43(6):1641-1644. [28] ZHANG M Y, LIU Y, LIU M, et al. UHPLC-QTOF/MS-based metabolomics investigation for the protective mechanism of Danshen in Alzheimer's disease cell model induced by Aβ_1–42[J]. Metabolomics,2019,15(2):1-13. [29] 王辉, 蔡颖, 刘敏, 等. 基于UHPLC-QTOF/MS的细胞代谢组学对丹参和知母防治阿尔茨海默病的药效比较研究[J]. 药学学报, 2021, 56(9):2394-2402. [30] 杨银平, 律广富, 张乔, 等. 基于细胞代谢组学技术的人参皂苷Rb1对SH-SY5Y细胞保护机制研究[J]. 分析化学, 2019, 47(1):49-58. [31] MU P P, LIU Y T, JIANG S M, et al. Glial cell line-derived neurotrophic factor alters lipid composition and protein distribution in MPP+-injured differentiated SH-SY5Y cells[J]. J Cell Physiol,2020,235(12):9347-9360. doi: 10.1002/jcp.29738 [32] KATCHBORIAN-NETO A, SANTOS W T, NICÁCIO K J, et al. Neuroprotective potential of Ayahuasca and untargeted metabolomics analyses: applicability to Parkinson’s disease[J]. J Ethnopharmacol,2020,255:112743. doi: 10.1016/j.jep.2020.112743 [33] ZHANG Q X, GAO Y Y, ZHANG J H, et al. L-asparaginase exerts neuroprotective effects in an SH-SY5Y-A53T model of Parkinson's disease by regulating glutamine metabolism[J]. Front Mol Neurosci,2020,13:563054. doi: 10.3389/fnmol.2020.563054 [34] YIN C L, LU R G, ZHU J F, et al. The study of neuroprotective effect of ferulic acid based on cell metabolomics[J]. Eur J Pharmacol,2019,864:172694. doi: 10.1016/j.ejphar.2019.172694 [35] LI X, QIN X M, TIAN J S, et al. Liquiritin protects PC12 cells from corticosterone-induced neurotoxicity via regulation of metabolic disorders, attenuation ERK1/2-NF-κB pathway, activation Nrf2-Keap1 pathway, and inhibition mitochondrial apoptosis pathway[J]. Food Chem Toxicol,2020,146:111801. doi: 10.1016/j.fct.2020.111801 [36] JIA H M, LIU Y, YU M, et al. Neuroprotective effect of cyperi rhizome against corticosterone-induced PC12 cell injury via suppression of Ca2+ overloading[J]. Metabolites,2019,9(11):244. doi: 10.3390/metabo9110244 [37] FACCIO A T, RUPEREZ F J, SINGH N S, et al. Stereochemical and structural effects of (2R, 6R)-hydroxynorketamine on the mitochondrial metabolome in PC-12 cells[J]. Biochim Biophys Acta BBA Gen Subj,2018,1862(6):1505-1515. doi: 10.1016/j.bbagen.2018.03.008 [38] BAI S J, ZHOU C J, CHENG P F, et al. 1H NMR-based metabolic profiling reveals the effects of fluoxetine on lipid and amino acid metabolism in astrocytes[J]. Int J Mol Sci,2015,16(4):8490-8504. [39] SUN L, FANG L, LIAN B, et al. Biochemical effects of venlafaxine on astrocytes as revealed by 1 H NMR-based metabolic profiling[J]. Mol Biosyst,2017,13(2):338-349. doi: 10.1039/C6MB00651E [40] PARASKEVAIDI M, ALLSOP D, KARIM S, et al. Diagnostic biomarkers for Alzheimer's disease using non-invasive specimens[J]. J Clin Med,2020,9(6):1673. doi: 10.3390/jcm9061673 [41] 邓婷, 余志杰, 徐颖, 等. AD细胞模型的建立及评价方法研究进展[J]. 中国药理学通报, 2020, 36(4):470-475. [42] PANZA F, LOZUPONE M, LOGROSCINO G, et al. A critical appraisal of amyloid-β-targeting therapies for Alzheimer disease[J]. Nat Rev Neurol,2019,15(2):73-88. doi: 10.1038/s41582-018-0116-6 [43] XIONG X M, LI S J, HAN T L, et al. Study of mitophagy and ATP-related metabolomics based on β-amyloid levels in Alzheimer's disease[J]. Exp Cell Res,2020,396(1):112266. doi: 10.1016/j.yexcr.2020.112266 [44] WILLIAMS H C, FARMER B C, PIRON M A, et al. APOE alters glucose flux through central carbon pathways in astrocytes[J]. Neurobiol Dis,2020,136:104742. doi: 10.1016/j.nbd.2020.104742 [45] JOHNSON L A, TORRES E R, WEBER BOUTROS S, et al. Apolipoprotein E4 mediates insulin resistance-associated cerebrovascular dysfunction and the post-prandial response[J]. J Cereb Blood Flow Metab,2019,39(5):770-781. doi: 10.1177/0271678X17746186 [46] SOMMER A, WINNER B, PROTS I. The Trojan horse - neuroinflammatory impact of T cells in neurodegenerative diseases[J]. Mol Neurodegener,2017,12(1):78. doi: 10.1186/s13024-017-0222-8 [47] LEI S L, ZAVALA-FLORES L, GARCIA-GARCIA A, et al. Alterations in energy/redox metabolism induced by mitochondrial and environmental toxins: a specific role for glucose-6-phosphate-dehydrogenase and the pentose phosphate pathway in paraquat toxicity[J]. ACS Chem Biol,2014,9(9):2032-2048. doi: 10.1021/cb400894a [48] XICOY H, BROUWERS J F, KALNYTSKA O, et al. Lipid analysis of the 6-hydroxydopamine-treated SH-SY5Y cell model for Parkinson's disease[J]. Mol Neurobiol,2020,57(2):848-859. doi: 10.1007/s12035-019-01733-3 [49] CHAN R B, PEROTTE A J, ZHOU B W, et al. Elevated GM3 plasma concentration in idiopathic Parkinson’s disease: a lipidomic analysis[J]. PLoS One,2017,12(2):e0172348. doi: 10.1371/journal.pone.0172348 [50] WANG C J, YANG T T, LIANG M Y, et al. Astrocyte dysfunction in Parkinson's disease: from the perspectives of transmitted α-synuclein and genetic modulation[J]. Transl Neurodegener,2021,10(1):39. doi: 10.1186/s40035-021-00265-y [51] SONNINEN T M, HÄMÄLÄINEN R H, KOSKUVI M, et al. Metabolic alterations in Parkinson's disease astrocytes[J]. Sci Rep,2020,10(1):14474. doi: 10.1038/s41598-020-71329-8 [52] VIRANI S S, ALONSO A, APARICIO H J, et al. Heart disease and stroke statistics—2021 update[J]. Circulation,2021,143(8):e254-e743. [53] 韩晨阳, 张晓玲, 官俏兵, 等. 丁苯酞对于糖氧剥夺条件下人脑微血管内皮细胞能量代谢的影响及保护作用[J]. 中国临床药理学与治疗学, 2018, 23(12):1329-1334. [54] WANG Y J, GUAN X, GAO C L, et al. Medioresinol as a novel PGC-1α activator prevents pyroptosis of endothelial cells in ischemic stroke through PPARα-GOT1 axis[J]. Pharmacol Res,2021,169:105640. doi: 10.1016/j.phrs.2021.105640 [55] 王宇翔. 染料木黄酮对缺血缺氧PC12细胞生存状态及相关生理生化指标的影响[D]. 天津: 南开大学, 2015. [56] ZHANG H Y, ZHENG H, ZHAO G, et al. Metabolomic study of corticosterone-induced cytotoxicity in PC12 cells by ultra performance liquid chromatography-quadrupole/time-of-flight mass spectrometry[J]. Mol Biosyst,2016,12(3):902-913. doi: 10.1039/C5MB00642B [57] 何小燕, 陈建丽, 向欢, 等. 谷氨酸和皮质酮诱导的PC12抑郁症细胞模型差异性的~1H NMR代谢组学研究[J]. 药学学报, 2017, 52(2):245-252. [58] 付爽, 谢紫烨, 俞婵娟, 等. 血清诱导的肝郁脾虚证细胞模型的建立方法研究[J]. 中国中药杂志, 2018, 43(14):2999-3005. doi: 10.19540/j.cnki.cjcmm.20180327.008 [59] GONZÁLEZ-RIANO C, DUDZIK D, GARCIA A, et al. Recent developments along the analytical process for metabolomics workflows[J]. Anal Chem,2020,92(1):203-226. doi: 10.1021/acs.analchem.9b04553 [60] 徐佳, 刘其南, 翟园园, 等. 细胞代谢组学样品前处理研究进展[J]. 中国细胞生物学学报, 2018, 40(3):418-425. -
点击查看大图
计量
- 文章访问数: 10558
- HTML全文浏览量: 3890
- PDF下载量: 69
- 被引次数: 0
