DOI: https://doi.org/10.3389/fmed.2025.1709969
PMID: https://pubmed.ncbi.nlm.nih.gov/41625758
تاريخ النشر: 2026-01-16
المؤلف: Khoa Nguyen Tran وآخرون
الموضوع الرئيسي: تحليل الطب الصيني التقليدي
نظرة عامة
تقدم هذه القسم نظرة شاملة على المفهوم الناشئ لـ “علامات الجودة” (Q-markers) في تقييم الأدوية العشبية التقليدية، مع معالجة التناقضات المنهجية ونقص التوحيد القياسي الذي أعاق التقدم في هذا المجال. يقوم الاستعراض بتنظيم وتقييم استراتيجيات اختيار Q-markers المنشورة بين يناير 2020 وديسمبر 2024 بشكل منهجي، مع تحديد أربع منهجيات بارزة: التحقق المدفوع بالآلية، نمذجة ارتباط الملف-التأثير، التصفية الأولية باستخدام الحاسوب، وإطارات اتخاذ القرار متعددة المعايير. كل استراتيجية تظهر نقاط قوة فريدة، حيث أن ارتباط الملف-التأثير والتحقق المدفوع بالآلية هما الأكثر انتشارًا، ومع ذلك غالبًا ما تفتقر إلى الاتساق وقابلية التكرار عند تطبيقها بشكل مستقل.
يكشف التحليل أن متوسط عدد Q-markers المحددة يختلف عبر الاستراتيجيات، حيث أن التصفية باستخدام الحاسوب تحقق أعلى متوسط (8.25) وارتباط الملف-التأثير يحقق أدنى متوسط (6.61). لتعزيز موثوقية وفعالية تحديد Q-markers، يقترح المؤلفون نهجًا متكاملًا ومتدرجًا يجمع بين اختيار المركبات المعتمد على التوافر الحيوي، وتحديد المؤشرات الحيوية ذات الصلة بالمرض، ونمذجة الارتباط، ونظام تقييم متعدد الأبعاد يعتمد على مبادئ الطب الصيني التقليدي (TCM). يهدف هذا الاستراتيجية المتكاملة إلى تحسين اكتشاف Q-markers ذات الصلة الوظيفية ودعم مراقبة الجودة في الطب التقليدي، وبالتالي معالجة التحديات التي تم تحديدها في المنهجيات الحالية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الإمكانات العلاجية للوصفات العشبية التقليدية (THPs)، التي تتكون من مركبات طبيعية معقدة يمكن دمجها في الطب الحديث. ومع ذلك، فإن التباين الفطري في تركيب THP – الناتج عن العوامل البيئية وتقنيات المعالجة – يمثل تحديات كبيرة لمراقبة الجودة والتوحيد القياسي. غالبًا ما تعطي الاستراتيجيات التقليدية الأولوية للمكونات النشطة ذات المحتوى العالي، والتي لا تتوافق بالضرورة مع الفعالية العلاجية بسبب التفاعلات المعقدة بين المكونات المختلفة.
لمعالجة هذه التحديات، قدم ليو وآخرون مفهوم علامات الجودة (Q-markers) في عام 2016، والذي يأخذ في الاعتبار مجموعة أوسع من العوامل، بما في ذلك النشاط البيولوجي، ومعدل الامتصاص، والتوافق، بدلاً من التركيز فقط على المركبات الرئيسية. لقد تقدم هذا النهج في مجال الطب العشبي التقليدي من خلال تحسين مراقبة الجودة وتقييم الفعالية. تشير الورقة إلى تطوير تقنيات متنوعة لتحديد Q-markers، بما في ذلك الطرق الحسابية والاختبارات المخبرية، كل منها له مزاياه وقيوده الخاصة. ومع ذلك، فإن تنوع هذه المنهجيات أدى إلى عدم اتساق في مبادئ التقييم، وهناك نقص في الإرشادات الشاملة لاختيار الاستراتيجيات المناسبة. تهدف الدراسة إلى مراجعة منهجيات تحديد Q-markers بشكل منهجي من السنوات الخمس الماضية، وتقديم توصيات للبحوث المستقبلية وتعزيز توحيد THPs.
الطرق
تم إجراء المراجعة المنهجية وفقًا لإرشادات PRISMA 2020، مع التركيز على المنشورات من 2020 إلى 2024 المتعلقة بعلامات الجودة في الأدوية العشبية التقليدية. استخدم الباحثون قواعد بيانات Web of Science وPubMed، معتمدين على مصطلح بحث محدد: “[(q-marker) OR (quality marker)] AND [(herbal) OR (traditional Chinese medicine) OR (extract) OR (prescription)] NOT (review).” بعد إزالة التكرارات باستخدام Microsoft Excel، تضمنت عملية الفحص الأولي تقييم العناوين والملخصات وفقًا لمعايير تتطلب من الدراسات استخدام الوصفات التقليدية، والتحقيق في علامات الجودة، واقتراح استراتيجيات لاختيارها.
في مرحلة الفحص الثانية، تم تقييم النصوص الكاملة بناءً على معايير الاستبعاد التي استبعدت الدراسات التي لم تذكر علامات الجودة بشكل صريح، أو التي استخدمت استراتيجية خطوة واحدة، أو التي تفتقر إلى نصوص كاملة متاحة. تم تعريف استراتيجية خطوة واحدة على أنها استخدام طريقة واحدة فقط لتحديد علامات الجودة، مثل بصمة HPLC. تم تضمين الدراسات التي استخدمت استراتيجية متعددة الخطوات، والتي تدمج عدة طرق تحليلية (مثل الفحص الحسابي والتحقق التجريبي). تضمنت عملية استخراج البيانات النهائية تجميع المعلومات حول أسماء الوصفات، والأهداف، واستراتيجيات اختيار علامات الجودة، والعلامات المحددة، مع إشراف عمليتين مستقلتين وباحث ثالث لحل الخلافات.
النتائج
في هذه المراجعة المنهجية، تم الحصول على إجمالي 1,638 سجلًا من Web of Science و2,234 من PubMed، تغطي الفترة من يناير 2020 إلى ديسمبر 2024. بعد إزالة 990 تكرارًا وفحص 2,882 ملخصًا، تم استبعاد 2,787 بناءً على معايير أهلية محددة، بما في ذلك الشرط الذي يتطلب من الدراسات استخدام وصفة، والتركيز على Q-markers في الطب الصيني التقليدي (TCM)، وتفصيل استراتيجية لتحديد Q-markers. أدى تقييم النصوص الكاملة اللاحق إلى استبعاد 35 دراسة إضافية، مما أسفر عن اختيار نهائي لـ 60 دراسة للمراجعة.
تم تصنيف الدراسات المختارة إلى أربع استراتيجيات منهجية: التحقق المدفوع بالآلية (22 دراسة، 36.67%)، ارتباط الملف-التأثير (24 دراسة، 40.00%)، التصفية الأولية باستخدام الحاسوب (8 دراسات، 13.33%)، وإطار اتخاذ القرار متعدد المعايير (6 دراسات، 10.00%). من الجدير بالذكر أن متوسط عدد Q-markers المحددة يختلف عبر هذه الاستراتيجيات، حيث حددت استراتيجية التحقق المدفوع بالآلية متوسط 7.23 Q-markers، بينما حققت استراتيجية ارتباط الملف-التأثير 6.61، وأظهرت استراتيجية التصفية الأولية باستخدام الحاسوب أعلى متوسط عند 8.25، وسجلت استراتيجية إطار اتخاذ القرار متعدد المعايير 7.50 Q-markers. أشارت توزيع المنشورات على مر السنين إلى اهتمام متزايد، مع أعلى عدد من الدراسات المنشورة في عام 2024.
المناقشة
في قسم المناقشة من الورقة البحثية، تم توضيح استراتيجيتين رئيسيتين لتحديد علامات الجودة (Q-markers) في المستخلصات العشبية: استراتيجية التحقق المدفوع بالآلية واستراتيجية ارتباط الملف-التأثير. تشمل استراتيجية التحقق المدفوع بالآلية 22 دراسة تستخدم مجموعة متنوعة من الطرق، بما في ذلك تحليل تركيب المستخلصات، وعلم الميتابولوميات، وعلم الأدوية الشبكية، والربط الجزيئي. تتضمن الخطوة الأولية تحليلًا تفصيليًا لتركيب المستخلصات العشبية باستخدام تقنيات مثل الكروماتوغرافيا السائلة عالية الأداء (HPLC) وقياس الطيف الكتلي (MS)، والتي توفر ملفات كيميائية أساسية لتحديد Q-markers. يلعب علم الأدوية الشبكية دورًا حاسمًا في رسم تفاعلات المركبات والأهداف، وتحديد أولويات المركبات النشطة بناءً على معايير الديناميكا الدوائية وأهداف الجينات ذات الصلة بالمرض. بالإضافة إلى ذلك، يتم دمج التجارب في المختبر وفي الجسم الحي في مراحل مختلفة للتحقق من النشاط البيولوجي والأهمية العلاجية للمركبات المرشحة.
على النقيض من ذلك، تركز استراتيجية ارتباط الملف-التأثير، التي تضم 24 دراسة، على التحليلات الكيميائية والرياضية بدلاً من علم الأدوية الشبكية. تشمل هذه الاستراتيجية طرق فرعية مثل نهج علاقة الطيف-النشاط البيولوجي (SBR)، الذي يربط البيانات الكروماتوغرافية بالنشاط البيولوجي، ورسم الارتباطات بين المستقلبات في المصل ومؤشرات المرض. تستخدم الدراسات تقنيات إحصائية متقدمة، مثل تحليل المكونات الرئيسية (PCA) والشبكات العصبية الاصطناعية (ANN)، لتحديد Q-markers بناءً على علاقاتها مع النتائج العلاجية. تبرز كلتا الاستراتيجيتين أهمية دمج البيانات التجريبية مع التحليلات الحسابية لتحسين اختيار Q-markers، مما يضمن أنها ليست فقط قابلة للاكتشاف ولكن أيضًا ذات صلة علاجية.
DOI: https://doi.org/10.3389/fmed.2025.1709969
PMID: https://pubmed.ncbi.nlm.nih.gov/41625758
Publication Date: 2026-01-16
Author(s): Khoa Nguyen Tran et al.
Primary Topic: Traditional Chinese Medicine Analysis
Overview
The section provides a comprehensive overview of the emerging concept of “quality markers” (Q-markers) in the evaluation of traditional herbal medicines, addressing the methodological inconsistencies and lack of standardization that have hindered progress in this area. The review systematically organizes and evaluates Q-marker selection strategies published between January 2020 and December 2024, identifying four predominant methodologies: mechanism-driven validation, profile-effect correlation modeling, in silico preliminary filtering, and multi-criteria decision frameworks. Each strategy exhibits unique strengths, with profile-effect correlation and mechanism-driven validation being the most prevalent, yet they often lack consistency and reproducibility when applied independently.
The analysis reveals that the average number of Q-markers identified varies across strategies, with in silico filtering yielding the highest average (8.25) and profile-effect correlation yielding the lowest (6.61). To enhance the reliability and effectiveness of Q-marker identification, the authors propose an integrated, stepwise approach that combines bioavailability-based compound selection, disease-relevant biomarker identification, correlation modeling, and a multi-dimensional scoring system based on traditional Chinese medicine (TCM) principles. This integrated strategy aims to improve the discovery of functionally relevant Q-markers and support quality control in traditional medicine, thereby addressing the challenges identified in the current methodologies.
Introduction
The introduction of this research paper highlights the therapeutic potential of traditional herbal prescriptions (THPs), which are composed of complex natural compounds that may be integrated into modern medicine. However, the inherent variability in THP composition—attributable to environmental factors and processing techniques—poses significant challenges for quality control and standardization. Traditional strategies have often prioritized high-content bioactive ingredients, which do not necessarily correlate with therapeutic efficacy due to the intricate interactions among various components.
To address these challenges, Liu et al. introduced the concept of quality markers (Q-markers) in 2016, which consider a broader range of factors, including biological activity, absorption rate, and compatibility, rather than focusing solely on major compounds. This approach has advanced the field of traditional herbal medicine by improving quality control and efficacy evaluation. The paper notes the development of various techniques for identifying Q-markers, including computational methods and laboratory testing, each with its own advantages and limitations. However, the diversity of these methodologies has led to inconsistencies in evaluation principles, and there is a lack of comprehensive guidelines for selecting appropriate strategies. The study aims to systematically review Q-marker identification approaches from the past five years, providing recommendations for future research and enhancing the standardization of THPs.
Methods
The systematic review was conducted following the PRISMA 2020 guidelines, focusing on publications from 2020 to 2024 related to quality markers in traditional herbal medicines. The researchers utilized the Web of Science and PubMed databases, employing a specific search term: “[(q-marker) OR (quality marker)] AND [(herbal) OR (traditional Chinese medicine) OR (extract) OR (prescription)] NOT (review).” After removing duplicates with Microsoft Excel, the initial screening involved evaluating titles and abstracts against criteria that required studies to utilize traditional prescriptions, investigate quality markers, and propose strategies for their selection.
In the second screening phase, full texts were assessed based on exclusion criteria that disqualified studies not explicitly naming quality markers, employing a single-step strategy, or lacking accessible full texts. A single-step strategy was defined as using only one method for quality marker identification, such as HPLC fingerprinting. Only studies employing a multi-step strategy, integrating multiple analytical approaches (e.g., computational screening and experimental validation), were included. The final data extraction involved compiling information on prescription names, targets, strategies for selecting quality markers, and the specific markers identified, with the process overseen by two independent researchers and a third for resolving disagreements.
Results
In this systematic review, a total of 1,638 records were sourced from the Web of Science and 2,234 from PubMed, covering the period from January 2020 to December 2024. After removing 990 duplicates and screening 2,882 abstracts, 2,787 were excluded based on specific eligibility criteria, including the requirement for studies to utilize a prescription, focus on Q-markers in traditional Chinese medicine (TCM), and detail a strategy for Q-marker identification. A subsequent full-text evaluation led to the exclusion of 35 additional studies, resulting in a final selection of 60 studies for review.
The selected studies were categorized into four methodological strategies: Mechanism-driven validation (22 studies, 36.67%), Profile-Effect correlation (24 studies, 40.00%), In silico preliminary filtering (8 studies, 13.33%), and Multi-criteria decision framework (6 studies, 10.00%). Notably, the average number of Q-markers identified varied across these strategies, with the Mechanism-driven validation strategy identifying an average of 7.23 Q-markers, the Profile-Effect correlation strategy yielding 6.61, the In silico preliminary filtering strategy showing the highest average at 8.25, and the Multi-criteria decision framework strategy reporting 7.50 Q-markers. The distribution of publications over the years indicated a growing interest, with the highest number of studies published in 2024.
Discussion
In the discussion section of the research paper, two primary strategies for identifying quality markers (Q-markers) in herbal extracts are outlined: the mechanism-driven validation strategy and the profile-effect correlation strategy. The mechanism-driven validation strategy encompasses 22 studies that utilize a variety of methods, including extract composition analysis, metabolomics, network pharmacology, and molecular docking. The initial step involves detailed composition analysis of herbal extracts using techniques such as high-performance liquid chromatography (HPLC) and mass spectrometry (MS), which provide chemical profiles essential for identifying Q-markers. Network pharmacology plays a crucial role in mapping compound-target interactions and prioritizing bioactive compounds based on pharmacokinetic parameters and disease-related gene targets. Additionally, in vitro and in vivo experiments are integrated at various stages to validate the biological activity and therapeutic relevance of candidate compounds.
Conversely, the profile-effect correlation strategy, comprising 24 studies, emphasizes chemometric and mathematical analyses over network pharmacology. This strategy includes sub-methods like the spectrum-bioactivity relationship (SBR) approach, which correlates chromatographic data with biological activity, and the plotting of correlations between serum metabolites and disease biomarkers. The studies employ advanced statistical techniques, such as principal component analysis (PCA) and artificial neural networks (ANN), to identify Q-markers based on their relationships with therapeutic outcomes. Both strategies highlight the importance of integrating experimental data with computational analyses to refine the selection of Q-markers, ensuring they are not only detectable but also therapeutically relevant.