药物组合协同分析（Drug Combination Synergy Analysis）

分析药物组合机制、协同证据与联合开发策略

Install

openclaw skills install @yuanzhian-patsnap/drug-combination-synergy

适用场景

两种小分子药物（天然产物、化学药、中药单体）的协同抗肿瘤/抗炎/抗菌等作用探究
需要快速梳理联用文献证据、ADMET互补性、机制靶点覆盖差异
需要生成实验设计方案（体外CI测定→体内动物模型→制剂优化）
需要输出可直接投递或汇报的Word文档报告

输入参数

参数	说明	示例
`drug_A`	药物A名称（中英文均可）或SMILES	`肉桂酸` / `Cinnamic Acid`
`drug_B`	药物B名称（中英文均可）或SMILES	`黄连素` / `Berberine`
`indication`	探究的适应症/疾病领域	`抗肿瘤` / `anti-tumor`
`tumor_types`（可选）	具体肿瘤类型，逗号分隔	`肝癌, 乳腺癌, 肺癌`
`output_lang`	报告语言	`cn`（中文，默认）/ `en`

工作流步骤

Step 1：实体标准化与SMILES获取

工具：mcp_virtual-mcp-pharma-intelligence__ls_ner_nor_normalize

输入两个药物名称，获取标准化实体ID、规范英文名
若用户仅提供名称而非SMILES，通过结构检索获取SMILES

操作要点：

text

user_input = "{drug_A} {drug_B} {indication}"
→ 提取 Drug / Disease 实体
→ 记录 normalized_id 供后续检索

Step 2：化学结构检索与SMILES获取

工具：mcp_virtual-mcp-pharma-intelligence__ls_drug_fetch
备用：mcp_tool-collection-chemical-molecular__ls_structure_search

通过标准化药物名或ID获取 canonical SMILES
渲染分子结构（在报告中用 ```smiles 代码块展示）

Step 3：ADMET 预测对比

工具：mcp_tool-collection-chemical-molecular__ls_admet_predict

输入两个分子的 SMILES，获取并对比以下核心属性：

属性组	具体指标
物化性质	`molecular_weight`, `logP`, `tpsa`, `Solubility_AqSolDB`
吸收	`Bioavailability_Ma`, `Caco2_Wang`
分布	`BBB_Martins`, `VDss_Lombardo`
代谢	`CYP1A2_Veith`, `CYP2C9_Veith`, `CYP3A4_Substrate_CarbonMangels`
排泄	`Clearance_Hepatocyte_AZ`, `Clearance_Microsome_AZ`
毒性	`AMES`, `hERG`

分析重点：识别互补性（一方弥补另一方短板）与叠加风险（两者共同的毒性）。

Step 4：文献检索（多源并行）

并行调用以下工具：

4a. 学术文献
mcp_virtual-mcp-pharma-intelligence__ls_paper_search

text

drug=[drug_A, drug_B], disease=[indication]
→ 检索两药联用直接证据

4b. 语义文献搜索
mcp_virtual-mcp-pharma-intelligence__ls_paper_vector_search

text

query="{drug_A} AND {drug_B} synergistic {indication} mechanism"
lang="EN"

4c. 专利检索
mcp_patent-search__patsnap_search

text

keywords=[drug_A, drug_B, indication, "combination", "synergy"]
search_strategy=["keyword", "filter"]

4d. 转化医学证据
mcp_virtual-mcp-pharma-intelligence__ls_translational_medicine_search

text

drug=[drug_A, drug_B], disease=[indication]

检索结果处理：

筛选直接联用证据（优先）、单药机制证据（次要）
提取 DOI、发表年份、期刊、关键数据
建立 DOI 索引表，供后续内联引用使用

Step 5：协同机制分析

基于 Step 3–4 的数据，从以下维度构建机制矩阵：

5a. ADMET 互补性分析

生物利用度互补（一方高弥补另一方低）
毒性风险互补（联合降低单药剂量以减毒）
代谢通路差异（避免竞争同一 CYP 酶）
溶解度差异对共递送制剂设计的启示

5b. 靶点覆盖矩阵（雷达图）

凋亡通路（Bax/Bcl-2/Caspase）
氧化应激（ROS/GSH/MDA）
炎症信号（NF-κB/IL-6/TNF-α）
增殖信号（PI3K/Akt/mTOR）
细胞周期（G1/S vs G2/M）
血管生成（VEGF/HIF-1α）

5c. 协同假说生成（至少3个可检验假说）

H1（主假说）：药效学协同靶点
H2：ADMET/药代动力学互补假说
H3：细胞周期/氧化还原互补假说

Step 6：实验设计方案

第一阶段：体外细胞实验

细胞系选择：基于适应症推荐 3–4 个细胞系
Chou-Talalay CI 法：IC₅₀ 测定 → 剂量矩阵 → CompuSyn 分析
机制验证：凋亡（Annexin V/PI）、细胞周期（PI 染色）、Western Blot 通路蛋白、ROS/GSH 氧化应激

第二阶段：体内动物实验

模型选择：异种移植瘤 / 同系瘤 / Ehrlich 腹水瘤
分组设计：单药组 × 2 + 联合组（低/高剂量）+ 阳性对照 + Vehicle
观察指标：肿瘤体积/重量、体重、TGI、IHC（Ki-67/Caspase-3/VEGF）、血清毒性指标

第三阶段（可选）：制剂优化

基于 ADMET 溶解度/清除率差异，设计 LNP/PLGA 共递送纳米制剂
统一 PK 曲线，实现靶向协同释放

Step 7：质控与安全性警示

根据 ADMET 结果自动生成以下警示（如适用）：

AMES 阳性（> 0.5）→ 建议遗传毒性测试
hERG 风险（> 0.5）→ 建议心电图监测 + 联合减量
CYP 强抑制（> 0.8）→ 提示 DDI 风险，建议检查合并用药
高肝清除率 → 建议制剂改造或频繁给药方案

Step 8：Word 报告导出

工具链：office (plan_workspace → check_runtime → run_builder → render_inspect → finalize)

报告结构：

封面（药物名称、适应症、生成日期）
分子结构与基本信息（含 SMILES 渲染说明）
ADMET 预测对比表（含互补性解读）
协同机制分析（体内直接证据 + 机制矩阵 + 假说）
实验设计方案（三阶段）
质控与安全性警示
完整参考文献列表

格式要求：

中文字体：楷体（KaiTi）
英文字体：Times New Roman
参考文献内联标注：DOI 号，红色上标，嵌入对应段落/表格行末
文末完整参考文献列表与内联标注一一对应

工具调用清单（按顺序）

步骤	工具	必选/可选
Step 1	`ls_ner_nor_normalize`	必选
Step 2	`ls_drug_fetch`	必选
Step 3	`ls_admet_predict`（两个SMILES同批提交）	必选
Step 4a	`ls_paper_search`	必选
Step 4b	`ls_paper_vector_search`	必选
Step 4c	`patsnap_search`（专利）	推荐
Step 4d	`ls_translational_medicine_search`	推荐
Step 5	综合分析（基于上述数据，LLM推理）	必选
Step 6	综合分析（LLM生成实验方案）	必选
Step 7	综合分析（ADMET结果驱动安全警示）	必选
Step 8	`office` 工具链	必选

输出物

输出	格式	说明
协同机制分析	Markdown（聊天内）	含雷达图（ECharts）、机制矩阵表
ADMET 对比	Markdown 表格	含互补性解读
实验设计方案	Markdown（聊天内）	三阶段分层设计
Word 报告	.docx	带DOI内联引用，楷体+TNR字体

示例案例：肉桂酸（Cinnamic Acid）× 黄连素（Berberine）抗肿瘤协同探究

输入

text

drug_A: 肉桂酸（Cinnamic Acid）
SMILES_A: OC(=O)/C=C/c1ccccc1
drug_B: 黄连素（Berberine）
SMILES_B: COc1ccc2cc3ccc(O)c(OC)c3[n+](C)c2c1
indication: 抗肿瘤（anti-tumor）
tumor_types: 肝癌, 乳腺癌, 肺癌, 结直肠癌, Ehrlich实体瘤

ADMET 预测核心结论

属性	肉桂酸	黄连素	协同意义
口服生物利用度	91%	67%	CA弥补BER生物利用度不足
hERG 心脏毒风险	0.005	⚠️ 0.573	联合减量BER可降低心脏毒
AMES 致突变	0.018	⚠️ 0.657	联合降低BER暴露剂量
肝细胞清除率	极低	高（141.4）	CA有助于延缓联用半衰期
水溶性 logS	−2.36	−3.46	CA溶解度更好，利于共递送制剂化

关键文献证据（DOI索引）

DOI	证据内容
10.2174/1871520618666181116162441	Ehrlich 实体瘤模型：BER+CA单独及联合顺铂，肿瘤体积缩小74–92%，Bax/Bcl-2↑74倍，Caspase-3↑14倍
10.3390/cancers16162777	PI3K/Akt/mTOR 通路协同抑制证据（CRPC模型）
10.7150/ijbs.18969	BER逆转缺氧耐药（AMPK-HIF-1α-P-gp轴），CA可减少BER剂量
10.1002/mco2.693	细胞周期与凋亡通路综述（G2/M阻滞BER，G1/S阻滞CA）
10.1124/pr.58.3.10	Chou-Talalay CI法方法学依据
10.3892/or.2014.3520	BER抑制MDA-MB-231细胞侵袭转移
10.1208/s12249-019-1497-6	纳米共递送制剂设计参考（脂质体共载策略）

协同机制矩阵（简版）

机制层面	肉桂酸贡献	黄连素贡献	协同类型
促凋亡	↑Bax/Bcl-2, ↑Caspase-3	↑Bax/Bcl-2, ↑Caspase-3/9	叠加/协同
细胞周期阻滞	G1/S 期	G2/M 期	互补（双期阻滞）
NF-κB 抑制	抑制转录激活	抑制p65核转位	叠加
PI3K/Akt/mTOR	下调p-Akt	抑制p85 PI3K	协同双节点
耐药逆转	减少BER用量	AMPK-HIF-1α-P-gp轴	补强
抗血管生成	抑制VEGF	抑制HIF-1α/VEGF	叠加

核心可检验假说

H1：CA + BER 通过协同调控 PI3K/Akt/NF-κB 轴与线粒体凋亡通路，产生 CI < 1 的药效学协同 [DOI: 10.3390/cancers16162777; 10.2174/1871520618666181116162441]
H2：CA（高生物利用度）弥补 BER 快速肝清除，实现 PK 互补，降低 hERG/AMES 风险剂量 [DOI: 10.2174/1871520618666181116162441]
H3：BER（G2/M）+ CA（G1/S）双重细胞周期阻滞触发更彻底的凋亡瀑布 [DOI: 10.1002/mco2.693]

实验设计要点

体外：HepG2/MCF-7/A549/HCT116；Chou-Talalay CI 法（BER:CA = 1:1, 1:2, 2:1）；Western Blot p-Akt/p-NF-κB/Bax/Bcl-2/Caspase-3
体内：HepG2 皮下异种移植瘤（BALB/c 裸鼠）；6组 × 8只；肿瘤体积/TGI/IHC
制剂：PLGA 或 LNP 共载纳米粒（参考 [DOI: 10.1208/s12249-019-1497-6]）

安全性警示

⚠️ BER AMES = 0.657 → 建议遗传毒性测试（Ames test）
⚠️ BER hERG = 0.573 → 动物实验同步监测 QT 间期，联合设计降低 BER 绝对剂量
⚠️ BER CYP1A2 抑制 = 0.970 → 合并经 CYP1A2 代谢的化疗药时需检查 DDI

输出文档

已生成 Word 报告（v3）：中文楷体 + 英文 Times New Roman，全文 DOI 内联标注，完整参考文献列表

注意事项与局限性

文献证据等级：本工作流优先检索 PubMed/PatSnap 收录文献，部分冷门联用组合可能缺乏直接证据，此时以单药机制推导协同假说，需在报告中明确标注"推断"而非"已证实"
ADMET 为计算预测值：仅用于方向性判断，不替代实验测定；高风险信号（AMES/hERG）须实验验证
DOI 可信度：所有 DOI 来自检索工具返回的元数据；若 DOI 无法解析，在报告中标注"DOI待核实"
图表渲染：雷达图为 ECharts JSON 格式，在 Eureka 聊天界面内可直接渲染；Word 报告中以数据表格替代
字体兼容性：Word 报告依赖系统已安装的楷体（KaiTi）和 Times New Roman；若目标系统无楷体，建议改用宋体（SimSun）

版本历史

版本	日期	说明
v1.0	2026-06-30	初始版本，基于肉桂酸×黄连素抗肿瘤协同探究案例构建