التنبؤ بعلم الأدوية الشبكي والتحقق من صحة الأيض لآلية Fructus Phyllanthi ضد فرط شحميات الدم
April 7th, 2023
يصف هذا البروتوكول استراتيجية متكاملة لاستكشاف الأهداف والآليات الرئيسية ل Fructus Phyllanthi ضد فرط شحميات الدم بناء على التنبؤ بعلم الأدوية الشبكي والتحقق من الأيض.
يتضمن بحثنا تقنية تجريبية تسلسلية ويحتوي البروتوكول على هذه التفاصيل الضرورية للقراء لفهم أساليبنا. طريقتنا المتكاملة تعوض عن عيوب علم الأدوية الشبكي والأيض ، ويمكن استخدامها للتحليل التلوي العلاجي للطب الطبيعي. تستخدم هذه الطريقة لفحص المركب النشط من مكونات الشركة وبدلة الركض ذات التركيب الكيميائي الهائل ، مثل الطب الصيني التقليدي.
للبدء ، حدد المكونات النشطة والأهداف الرئيسية من خلال البحث عن الكلمة الرئيسية phyllanthi fructus في قاعدة بيانات علم الأدوية لأنظمة الطب الصيني التقليدي. للحصول على قائمة المكونات النشطة المرشحة وأهداف fructus phyllanthi ، أو FP ، ابحث عن الكلمة الرئيسية hyperlipidemia في قاعدة بيانات بطاقات الجينات ، وقاعدة بيانات الميراث المندلي على الإنترنت في الإنسان ، وقاعدة البيانات المستهدفة العلاجية للحصول على الأهداف المرشحة المعنية لفرط شحميات الدم. قم بتنزيل جداول بيانات أهداف المرض واحفظها في مجلد واحذف الأهداف المتكررة للحصول على قائمة أهداف فرط شحميات الدم.
ثم انسخ قوائم المكونات النشطة FP وأهداف FP وأهداف فرط شحميات الدم في جدول بيانات جديد. استخدم وظيفة تحديد البيانات المكررة في شريط الأدوات للحصول على أهداف التقاطع. استيراد قائمة هدف التقاطع إلى قاعدة معارف UniProt لتوحيد أسماء الجينات والبروتينات.
لإنشاء شبكة تفاعل بروتين البروتين ، الصق قائمة هدف التقاطع ل FP ضد فرط شحميات الدم في مربع حوار قائمة الأسماء في قاعدة بيانات السلسلة 11.5. حدد الإنسان العاقل في الكائنات الحية. انقر فوق بحث ثم متابعة.
بمجرد توفر النتائج ، قم بتمكين العقد العالية غير المتصلة في الشبكة في الإعدادات المتقدمة. اضبط أعلى ثقة على 0.900 في الحد الأدنى من نقاط التفاعل المطلوبة. ثم انقر فوق زر التحديث.
انقر فوق الصادرات في شريط العنوان وقم بتنزيل النص الجدولي القصير لشبكة تفاعل بروتين البروتين بتنسيق PNG و TSV. لإنشاء شبكة هدف مرض مكون دوائي، افتح Cytoscape 3.9.1 واستورد ملف تنسيق TSV. قم بتحسين لون عقد الشبكة وخطها وجانبها من خلال شريط الأنماط في لوحة التحكم.
باستخدام وظيفة تحليل الشبكة لتحليل طوبولوجيا الشبكة ، والحصول على جينات المحور في CytoHubba في Cytoscape ، وإنشاء شبكة المرض المستهدف لمكونات الدواء. لإجراء تحليل التخصيب GO و KEGG ، افتح موارد المعلوماتية الحيوية ل Dav. انقر فوق بدء التحليل والصق القائمة المستهدفة في مربع الحوار الأيسر.
حدد رمز الجين الرسمي في معرف محدد والإنسان العاقل في أنواع محددة. ثم قم بتمكين قائمة الجينات في نوع القائمة وانقر فوق إرسال القائمة. بعد ذلك ، انقر فوق تجميع التعليقات التوضيحية الوظيفية ضمن تحليل قائمة الجينات أعلاه باستخدام إحدى أدوات ديفيد.
قم بتمكين مصطلح GO BP المباشر ومصطلح GO CC المباشر ومصطلح GO MF المباشر وأنطولوجيا الجينات لتحليل إثراء وظيفة GO. تمكين مسار KEGG في مسارات لتحليل إثراء مسار KEGG. انقر فوق مخطط التعليقات التوضيحية الوظيفية لعرض النتائج.
استخدم برنامج SIMCA P للتحليل الإحصائي متعدد المتغيرات للقيم المتكاملة التي تم الحصول عليها من نتائج LCMS. استخدم التحليل التمييزي للمربعات الصغرى الجزئية المتعامدة ، أو OPLSDA ، لبيانات المركز المتوسط ونمذجة فئات العينة. بعد اختبار OPLSDA ، ضع في اعتبارك المستقلبات ذات الأهمية المتغيرة المتكاملة في الإسقاط ، أو قيم VIP ، أكبر من واحد وقيمة P أقل من 0.05 من اختبار T للطالب باعتبارها المستقلبات التفاضلية المحتملة.
تحديد المستقلبات المضطربة والمسارات الأيضية من خلال مصادر قاعدة البيانات المفتوحة ، بما في ذلك الأيض البشري ، وموسوعة كيوتو للجينات والجينوم ، و MetaboAnalyst 5.0. تصور طرق عرض النتائج بواسطة MetaboAnalyst 5.0 ومنصة Wokong. قم بتنزيل بنية 3D لمكونات FP المحددة من قاعدة بيانات علم الأدوية لأنظمة الطب الصيني التقليدي.
ابحث في أسماء المكونات في مربع البحث عن الأسماء الكيميائية وقم بتنزيل ملفات بنية 3D المقابلة بتنسيق MOL اثنين. بعد ذلك ، قم بتنزيل الهياكل البلورية للأهداف الرئيسية من قاعدة بيانات بنية بروتين أضعاف ألفا. ابحث عن الأسماء المستهدفة في مربع البحث وقم بتنزيل ملفات البنية البلورية المقابلة بتنسيق PDB.
ثم قم باستيراد المكونات وملفات البنية المستهدفة إلى برنامج أدوات AutoDock. انقر فوق تحرير وحذف الماء لحذف جزيئات الماء. ثم انقر فوق تحرير الهيدروجين وأضفه لإضافة الهيدروجين.
اضبط المكونات على أنها الليجند وقم بإجراء الالتحام الأعمى عن طريق تحديد الأهداف بأكملها كمستقبلات. أدخل قيمة في المربع خلف المركز والحجم لضبط المساحة المطورة حديثا ، مما يجعل من الممكن تضمين الرباط والمستقبل بالكامل. احفظ ملفات الليجند والمستقبلات بتنسيق PDBQT.
استخدم AutoDock Vina لإجراء الإرساء الجزيئي. اضبط شريط المستقبل على اسم نقطة المستقبل PDBQT وشريط ligand على اسم نقطة ligand PDBQT. الحصول على الموقع الأمثل لربط الرباط بالمستقبل وتسجيل قيمة طاقة الربط في الموضع الأمثل.
قم باستيراد ملفات الإرساء إلى منشئ ملفات تعريف تفاعل ليجند البروتين للحصول على نموذج النظام المرئي. قم بتنزيل ملفات النموذج بتنسيق PSC واستيرادها إلى برنامج PyMOL لإنشاء مزيد من التصور. من خلال علم الصيدلة الشبكي ، تم العثور على ما مجموعه 19 مكونا و 134 هدفا متعلقا بالمكونات ل FP.
بعد مطابقة الأهداف المتعلقة ب FP مع الأهداف المتعلقة بفرط شحميات الدم ، تم تحديد 62 كأهداف محتملة ل FP ضد فرط شحميات الدم. تم بناء شبكة تفاعل البروتين البروتيني بواسطة String و Cytoscape. أشارت نتائج إثراء GO إلى أن العمليات البيولوجية ل FP والوظيفة الجزيئية ضد فرط شحميات الدم كانت مرتبطة بشكل أساسي بالتعبير الجيني وربط البروتين.
أثبت إثراء KEGG أن FP يمكن أن يتدخل في استقلاب الدهون وتصلب الشرايين. تم استخدام تحليل OPLSDA لاستكشاف فصل الأيض بين مجموعات الفئران الضابطة والنظام الغذائي عالي الدهون والجرعة العالية من FP ، والتي أظهرت أن نفس عينات المجموعة متجمعة معا وعينات المجموعة المختلفة تميزت بشكل جيد. تم تحديد ما مجموعه 16 وستة مستقلبات على أنها مستقلبات تفاضلية في FP تؤثر على الفئران HFD في البلازما والكبد.
أظهرت الخرائط الحرارية التي رسمها MetaboAnalyst 5.0 أن جميع المستقلبات التفاضلية في البلازما والكبد قد تغيرت في مجموعة النظام الغذائي عالي الدهون وتم عكس معظمها في مجموعة FP. تأثر استقلاب التربتوفان بشكل كبير في البلازما. تأثر استقلاب التورين والهيبوتورين بشكل كبير في الكبد.
تم استيراد المستقلبات التفاضلية إلى المكون الإضافي MetScape في Cytoscape ومطابقة الجينات المحورية المحددة في علم الأدوية الشبكي لجمع شبكات جينات إنزيم التفاعل المركب. علاوة على ذلك ، تم بناء شبكة مسارات المستقلبات المستهدفة للمكونات المسكية. تم استخدام الالتحام الجزيئي لتحليل تفاعلات موقع الرباط النشط.
هذه التكنولوجيا هي طريقة شاملة لبدء المكونات الوراثية الدوائية للطب الصيني التقليدي. يوفر فكرة جديدة للبحث الذي يتضمن أدوية ذات مكونات كاملة.
View the full transcript and gain access to thousands of scientific videos
نظرة عامة
يحدد هذا البروتوكول نهجًا شاملًا للتحقيق في آليات واستهداف Fructus Phyllanthi في علاج فرط شحوم الدم، باستخدام صيدلة الشبكات والتمثيل الغذائي. تعالج الطريقة المتكاملة قيود المنهجيات التقليدية ويمكن تطبيقها لتحليل علاجات الأدوية الطبيعية.
مكونات الدراسة الرئيسية
مجال العلوم
- صيدلة
- التمثيل الغذائي
- الطب الطبيعي
الخلفية
- Fructus Phyllanthi هو دواء تقليدي صيني.
- فرط شحوم الدم هو حالة تتميز بمستويات مرتفعة من الدهون.
- صيدلة الشبكات تساعد في تحديد الأهداف العلاجية المحتملة.
- التمثيل الغذائي يوفر رؤى حول التغيرات الأيضية.
غرض الدراسة
- استكشاف المركبات الفعالة من Fructus Phyllanthi.
- تحديد الأهداف الرئيسية المتعلقة بفرط شحوم الدم.
- تطوير طريقة لتحليل العلاجات الأيضية للأدوية الطبيعية.
الطرق المستخدمة
- اختيار المكونات النشطة باستخدام قواعد بيانات الطب الصيني التقليدي.
- تحديد أهداف فرط شحوم الدم من قواعد بيانات جينية مختلفة.
- تجميع وتصفية الأهداف المرشحة لإنشاء قائمة أهداف فرط شحوم الدم.
- دمج صيدلة الشبكات والتمثيل الغذائي للتحليل.
النتائج الرئيسية
- تحديد المركبات الفعالة الرئيسية من Fructus Phyllanthi.
- تجميع قائمة شاملة بأهداف فرط شحوم الدم.
- التحقق من فعالية الطريقة المتكاملة.
- رؤى حول الإمكانات العلاجية لـ Fructus Phyllanthi.
الاستنتاجات
- تعزز النهج المتكامل فهم تأثيرات Fructus Phyllanthi.
- يمكن تطبيق هذه الطريقة على الأدوية الطبيعية الأخرى.
- يمكن للبحوث المستقبلية البناء على هذه النتائج للتطبيقات العلاجية.
الأسئلة الشائعة
Executive Industry Relevance
Integrating network pharmacology with metabolomics enables systematic de-risking of natural product mechanisms in early discovery, supporting predictive confidence for target and pathway selection in metabolic disease portfolios. This approach provides actionable insights for triaging multi-component therapeutics and aligning discovery outputs with translational research requirements. The workflow enhances enterprise decision-making by linking compound-target interactions to quantifiable metabolic outcomes.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of multi-component therapeutic hypotheses through network-based target mapping.
- Supports biological de-risking by identifying hub genes and pathway enrichment relevant to disease modulation.
- Facilitates predictive confidence in target selection by integrating compound, target, and pathway data.
Screening & Assay Development
- Prepares validated biological networks for downstream screening of natural product libraries.
- Standardizes quantitative metabolite readouts for reproducible assay development.
- Enables scalable evaluation of compound-target interactions using molecular docking and network analysis.
Translational & Preclinical Research
- Aligns metabolomic signatures with disease-relevant pathways for translational biomarker identification.
- Supports continuity from discovery to preclinical validation by linking metabolic changes to target engagement.
- Provides mechanistic de-risking for natural product candidates in metabolic disease models.
Pipeline & Workflow Integration
This integrated method bridges early discovery, lead identification, and preclinical research by connecting compound-target networks with metabolomic validation in disease models.
- Discovery Biology: Supports hypothesis testing and pathway clarification through network pharmacology and enrichment analysis.
- Screening: Delivers reproducible, quantitative metabolite outputs for assay readiness and compound evaluation.
- Analytics: Provides statistical outputs (VIP values, p-values) for robust comparison of intervention effects.
- Translational Research: Links metabolic pathway modulation to disease-relevant biomarkers for preclinical alignment.
- Enterprise Reuse: Establishes a reusable workflow for multi-component natural product evaluation across therapeutic areas.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in natural product discovery.
- Operational Value: Standardizes data integration and analysis for reproducibility and scalability.
- Strategic Value: Informs go/no-go decisions and capital allocation by connecting molecular interactions to functional outcomes.
- Portfolio Impact: Enables risk-adjusted prioritization of multi-target candidates for metabolic disease pipelines.
Implementation Considerations
- Requires expertise in network pharmacology, metabolomics, and bioinformatics analysis.
- Demands access to compound, target, and metabolite databases, as well as analytical instrumentation for LC-MS and molecular docking.
- Necessitates cross-team standardization of data processing and statistical thresholds (e.g., VIP >1, p<0.05).
- Adaptable to diverse natural product libraries and disease models with appropriate data integration.
- Dependent on quality and completeness of public and proprietary database resources.
