Mechanismen der Qu-Formel 3 zur Verbesserung der endometrialen Rezeptivität bei PCOS: Eine Kombination aus Netzwerkpharmakologie und molekularer Dynamiksimulation

Zusammenfassung

Dieses Protokoll zielt darauf ab, den Mechanismus zu erforschen, durch den QUF3 die endometriale Rezeptivität bei PCOS durch Netzwerkpharmakologie, Andocken und MD-Simulation verbessert.

Zusammenfassung

Eine beeinträchtigte endometriale Rezeptivität ist eine Hauptursache für Unfruchtbarkeit beim polyzystischen Ovarialsyndrom (PCOS). Qu's Formula 3 (QUF3) ist eine chinesische pflanzliche Formel, die klinisch eingesetzt wird, um die endometriale Rezeptivität bei Patienten mit PCOS zu verbessern. Diese Studie nutzte Netzwerkpharmakologie, molekulares Andocken und Molekulardynamik (MD)-Simulationen, um die zugrunde liegenden Mechanismen zu untersuchen. Aktive Bestandteile von QUF3 wurden mithilfe der TCMSP-Datenbank identifiziert, und potenzielle Ziele im Zusammenhang mit endometrialer Rezeptivität und PCOS wurden von DrugBank und anderen Ressourcen abgerufen. Ein Verbindungs-Ziel-Interaktionsnetzwerk und ein Protein-Protein-Interaktionsnetzwerk (PPI) wurden über Cytoscape aufgebaut, um Schlüsselziele zu identifizieren. Kernziele wurden GO- und KEGG-Anreicherungsanalysen unterzogen. Molekulares Andocken, MD-Simulationen, Hauptkomponentenanalyse (PCA), freie Energielandschaft (FEL) und dynamische Kreuzkorrelationsmatrix (DCCM) wurden zur Bewertung von Bindungsinteraktionen verwendet. Von 91 Wirkstoffen und 294 potenziellen Arzneimittelzielen wurden 60 krankheitsbezogene Ziele identifiziert. Luteolin und Sesamin gehörten zu den wichtigsten pharmakodynamischen Komponenten. Zehn Kernziele wurden identifiziert: AKT1, EGFR, TNF, TP53, IL6, BCL2, ESR1, IL1B, STAT3 und MMP9. Die KEGG-Anreicherung zeigte 132 Signalwege, und die GO-Analyse identifizierte 678 Einträge. MD-Simulationen zeigten, dass die Bindung zwischen den fünf wichtigsten aktiven Bestandteilen und ihren jeweiligen Zielen stabil war. PCA, FEL und DCCM zeigten zudem eine hohe thermodynamische Stabilität und strukturelle Steifigkeit dieser Komplexe. Zusammenfassend verbessert QUF3 die endometriale Rezeptivität bei PCOS durch Multikomponent-, Multitarget- und Multipathway-Interaktionen. Diese Studie bietet aus rechnergestützter Simulationsperspektive eine theoretische Grundlage für die Entwicklung gezielter chinesischer Kräutermedizin-Therapien gegen PCOS-bedingte Unfruchtbarkeit und könnte positive Auswirkungen auf die Verbesserung der Schwangerschaftsergebnisse bei Frauen mit PCOS in Zukunft haben.

Einleitung

Das polyzystische Ovarialsyndrom (PCOS) ist eine der häufigsten endokrinen Erkrankungen bei Frauen¹. Seine Hauptmerkmale umfassen chronische anhaltende ovulatorische Dysfunktion, klinische oder biochemische Hyperandrogenemie sowie polyzystische Ovarialmorphologie mit klinischen Manifestationen wie Amenorrhö, Unfruchtbarkeit, Hirsutismus, Akne und Fettleibigkeit. In den letzten Jahren haben Fortschritte in der Eisprunginduktion und der assistierten Fortpflanzungstechnologie (ART) die Schwangerschaftsraten bei PCOS-Patienten signifikant verbessert; Allerdings bleiben die Schwangerschaftsergebnisse schlechter als bei gesunden Frauen ^2,3. Die endometriale Rezeptivität ist ein Schlüsselfaktor, der ART-Ergebnisse^{beeinflusst 4}. Endometriumrezeptivität bezeichnet die Fähigkeit des Endometriums, einen Embryo in einem bestimmten physiologischen Stadium aufzunehmen, was eine entscheidende Rolle bei der Embryonenimplantation und der anschließenden Entwicklung^{spielt 5,6}. Pathologische Erkrankungen, die häufig bei PCOS beobachtet werden, wie Fettleibigkeit, Insulinresistenz und chronische Entzündungen, können die Endometriumempfänglichkeit beeinträchtigen, die Implantation befruchteter Eizellen und die Embryonalentwicklung behindern und letztlich zu Unfruchtbarkeit und Fehlgeburten führen ^7,8. Dennoch bleiben die regulatorischen Mechanismen, die der endometrialen Rezeptivität bei PCOS zugrunde liegen, weitgehend unklar, und das Interaktionsnetzwerk zwischen verschiedenen einflussreichen Faktoren ist noch nicht aufgeklärt. Qus Formel 3 (QUF3), eine chinesische Kräutermedizinformel, die klinisch zur Verbesserung der endometrialen Rezeptivität bei Patienten mit PCOS eingesetzt wird, wird durch solide klassische Theorien der traditionellen chinesischen Medizin (TCM) in der Gynäkologie gestützt. Die Formel besteht aus Paeoniae Radix Alba (Baishao), Rehmanniae Radix Praeparata (Shudihuang), Cuscutae Semen (Tusizi), Fructus Ligustri Lucidi (Nvzhenzi), Herba Taxilli (Sangjisheng), Radix Salviae (Danshen) und Cornus Officinalis Sieb. et Zucc. (Shanzhuyu) im Verhältnis 2:4:3:4:3:3:2:2, hergestellt durch Ethanol-Reflux-Extraktion. QUF3 bewirkt synergetische Effekte mehrerer Kräuter, stärkt die Niere, bereichert die Essenz, nährt das Blut und fördert die Durchblutung^. Seine klinische Wirksamkeit zur Verbesserung der endometrialen Rezeptivität bei PCOS-Patienten ist gut belegt, aber die wesentlichen pharmakologischen Mechanismen müssen noch weiter untersucht werden.

Netzwerkpharmakologie ist ein systembiologisch basierter analytischer Ansatz, der mehrstufige "Kräuterkomponenten-Zielkrankheit"-Netzwerke konstruiert, um aus ganzheitlicher Perspektive die Interventionswirkungen von Medikamenten auf Krankheitsnetzwerke aufzuzeigen. Im Gegensatz zum traditionellen Modell "Single Drug-Single Target" kann die Netzwerkpharmakologie die synergistischen Eigenschaften von "Multi-Komponenten-, Multi-Target- und Multi-Pathway"-Wirkungen von TCM-Formeln umfassend erfassen, was sie besonders geeignet macht, um die komplexen Mechanismen der TCM zu untersuchen. Die molekulare Dynamik (MD) Simulation hingegen ist eine rechnergestützte Technik, die auf der Newtonschen Mechanik basiert und auf atomarer Ebene die Konformationsänderungen und das dynamische Verhalten von Protein-Liganden-Komplexen im Laufe der Zeit simuliert. Im Vergleich zum statischen molekularen Andocken kann die MD-Simulation dynamische Parameter wie Bindungsstabilität, freie Energielandschaften und strukturelle Steifigkeit bewerten und so eine realistischere Bewertung der Wechselwirkungen zwischen Arzneimittelmolekülen und Zielproteinen ermöglichen. Die Netzwerkpharmakologie eignet sich für die weltweite Screening potenzieller Ziele und Wege von TCM-Formeln, während MD-Simulation die Bindungsstabilität zwischen Schlüsselkomponenten und Zielproteinen dynamisch bewerten kann. Die Kombination dieser beiden Ansätze ermöglicht eine zuverlässigere Analyse der mehrkomponenten- und multi-Ziel-synergistischen Mechanismen von TCM-Formeln. Basierend auf dieser Begründung verwendete diese Studie einen kombinierten Ansatz der Netzwerkpharmakologie und MD-Simulation, um systematisch die potenziellen pharmakologischen Mechanismen zu erforschen, die der Verbesserung der endometrialen Rezeptivität durch QUF3 bei PCOS-Patienten zugrunde liegen.

Dieser kombinierte rechnergestützte Arbeitsablauf eignet sich am besten für die anfängliche Erforschung der mehrkomponentigen, mehrzieligen Mechanismen chinesischer Kräuterrezepturen oder Naturprodukte, insbesondere für komplexe Systeme, in denen die Wirkstoffe und Ziele weitgehend unbekannt sind. Nutzer sollten über grundlegende Bioinformatikkenntnisse verfügen, einschließlich Datenbanksuche und Netzwerkanalyse, sowie die Fähigkeit, grundlegende computergestützte biologische Analysen wie molekulares Andocken und Molekulardynamik-Simulationen mit gängigen Softwarepaketen durchzuführen. Eine Linux-basierte Rechenumgebung mit mindestens 16 GB RAM wird empfohlen, ebenso wie Zugang zu relevanten öffentlichen Datenbanken wie der Traditional Chinese Medicine Systems Pharmacology Database and Analysis Platform (TCMSP), PubChem und UniProt. Alle in diesem Workflow verwendete Software (z. B. Cytoscape, AutoDockTools, GROMACS) ist Open Source oder kostenlos für akademische Zwecke, und Leser können sie über die im Materialtabellenverzeichnis bereitgestellten Informationen abrufen.

Protokoll

Screening aktiver Bestandteile und potenziellen Ziele von QUF3
Die aktiven chemischen Bestandteile von Baishao, Shudihuang, Tusizi, Nvzhenzi, Sangjisheng, Danshen und Shanzhuyu im Medikament QUF3 wurden am 1. April 2025 mit dem TCMSP identifiziert. Die Wirkstoffe wurden vorläufig auf Grundlage der oralen Bioverfügbarkeit (OB) ≥30 % und der Arzneimittelähnlichkeit (DL) ≥ 0,18¹¹ getestet. Diese Schwellenwerte wurden als standardmäßige empirische Kriterien gewählt, um eine ausreichende Absorption und arzneimittelähnliche Eigenschaften sicherzustellen. Die kanonische SMILS-Sequenz jeder Verbindung wurde in der PubChem-Datenbank durchsucht, und die resultierende Sequenz wurde verwendet, um die Verbindungsziele in der Swiss Target Prediction Online-Datenbank vorherzusagen, gefolgt von der Sammlung von Zielproteingennamen und UniProt-IDs aus der ^{UniProt-Datenbank} 12,13,14. Als Zwischenkontrollpunkt wurde die Anzahl der nach der Deduplizierung erzielten eindeutigen Ziele erfasst.

Identifikation von Aktionszielen für die endometriale Rezeptivität bei PCOS
Die Schlüsselwörter "polyzystisches Ovarialsyndrom" und "endometriale Rezeptivität" wurden als Suchbegriffe in den Datenbanken Online Mendelian Inheritance in Man (OMIM), DrugBank, Therapeutic Target Database (TTD) und GeneCards verwendet, um potenzielle Ziele zu identifizieren 15,16,17,18. Für GeneCards wurden nur Ziele mit einem Relevanzwert >5 beibehalten; Für die anderen Datenbanken wurden alle abgerufenen Ziele enthalten. Nach dem Zusammenführen und Entfernen der doppelten Einträge wurde die Anzahl der eindeutigen krankheitsassoziierten Ziele als Zwischenausgabe erfasst.

Netzwerkkonstruktion von Komponenten und Zielen
Die Schnittziele wurden generiert, indem die möglichen Ziele für QUF3, PCOS und endometriale Rezeptivität in ein Online-Venn-Diagramm-Tool eingegeben wurden. Diese Schnittziele wurden als die Schlüsselziele betrachtet, durch die QUF3 seine Wirksamkeit zur Verbesserung der endometrialen Rezeptivität bei PCOS ausübt. Anschließend wurde ein "Herb-Constituent-Target" (H-C-T) Netzwerk erstellt, indem diese Schnittziele mit den aktiven Bestandteil-Ziel-Daten von QUF3 mittels Cytoscape¹⁹ abgeglichen wurden. Das Netzwerk wurde mit dem Werkzeug "Network Analyzer" visualisiert.

Aufbau des Protein-Protein-Interaktionsnetzwerks (PPI)
Potenzielle Zielgene von QUF3 zur Verbesserung der endometrialen Rezeptivität bei PCOS wurden als Eingabe an die STRING-Datenplattform²⁰ eingereicht. Die Spezies wurde auf "Homo sapiens" gesetzt, und die Konfidenzschwelle auf "mittlere Konfidenz (0,4)", was eine TSV-Datei mit Protein-Protein-Interaktionsdaten ergab. Diese Datei wurde dann in eine Netzwerkanalysesoftware importiert, um das PPI-Netzwerk²¹ zu erstellen und zu analysieren. Die Knoten-Bedeutung im Netzwerk wird durch den "Degree"-Wert angezeigt: Ein höherer Degree-Wert zeigt einen bedeutenderen Knoten an. Anschließend wurden die primären Wirkstoffe nach Abschluss sortiert, und die Top 10 Kernziele wurden anhand der Abschlussrangfolge ausgewählt.

Genontologie (GO) und Kyoto-Enzyklopädie der Gen- und Genom-Weganreicherung (KEGG) Analyse
GO- und KEGG-Signalanreicherungsanalysen wurden mit der DAVID-Datenbank durchgeführt, um die biologischen Wege und Mechanismen zu untersuchen, durch die QUF3 die endometriale Rezeptivität bei PCOS²² verbessert. Die Art wurde auf "Homo sapiens" gesetzt, und die Signifikanzschwelle wurde auf P < 0,05 gesetzt. Die GO-Analyse umfasste biologische Prozesse (BP), zelluläre Komponenten (CC) und molekulare Funktion (MF)²³. Die Ergebnisse wurden nach der Anzahl der angereicherten Ziele sortiert. Wege, die mit dem menschlichen Stoffwechsel und Krankheiten zusammenhängen, wurden anschließend ausgeschlossen, und die 20 besten KEGG-Signalwege wurden für die Visualisierung ausgewählt. Ein multidimensionales Netzwerk "Component-Disease-KEGG" wurde anschließend mit Netzwerkanalysesoftware aufgebaut.

Molekulare Andockanalyse
Die Top 10 wichtigsten aktiven Bestandteile und die Top 10 Kernziele wurden für die molekulare Andockanalyse mit der AutoDockTools und der PyMOL-Software ^24,25 ausgewählt. PDB-Dateien der wichtigsten Ziele wurden aus einer Proteinstrukturdatenbank²⁶ heruntergeladen, und SDF-Dateien der wichtigsten aktiven Komponenten wurden aus einer chemischen Datenbank²⁷ bezogen. Die Proteinmoleküle wurden anschließend mit molekularer Andocksoftware vorverarbeitet, die Entsalzung, Hydrierung und Ladungsberechnung umfasste. Das halbflexible Andocken wurde mit einer Gitterbox durchgeführt, die die gesamte Proteinbindungsstelle abdeckte. Der Andockprozess galt als erfolgreich, wenn die Bindungsenergie negativ war und die Wurzel-Mittel-Quadrat-Abweichung (RMSD) der oberen Pose ≤ 2,0 Å betrug. Nach dem Andocken wurden die Ergebnisse für die wichtigsten aktiven Komponenten von QUF3 mit den Kernzielen mit molekularer Visualisierungssoftware visualisiert.

Molekulardynamik (MD)-Simulationen
MD-Simulationen des Protein-Liganden-Komplexes wurden mit GROMACS-Software durchgeführt, um die Interaktion zwischen Rezeptoren und Liganden^28,29 zu untersuchen. Das amber99sb-ildn-Kraftfeld und das allgemeine Bernstein-Kraftfeld (GAFF) wurden verwendet, um die Parameter und Topologien von Proteinen bzw. Liganden zu erzeugen. Die Größe der Simulationsbox wurde so eingestellt, dass der Abstand zwischen jedem Proteinatom und der Boxkante größer als 1,0 nm betrug. Die Box wurde mit einem expliziten Lösungsmittel mit dem einfachen Punktladungsmodell (SPC216-Wassermoleküle) gefüllt, und Wassermoleküle wurden durch Na⁺- und Cl⁻-Gegensätze ersetzt, um das Simulationssystem elektrisch neutral zu machen. Das gesamte System wurde mit der steilsten Abstiegsmethode optimiert, um unangemessene Kontakte oder Atomüberlappungen zu reduzieren. Eine ausreichende Vorgleichung des Simulationssystems wurde durch Durchführung von NVT- und NPT-Ensembles mit jeweils 100 ps bei 300 K bzw. 1 bar erreicht. Anschließend wurde eine 100 ns MD-Simulation unter periodischen Randbedingungen durchgeführt, wobei Temperatur (300 K) und Druck (1 bar) mit den V-Reskalierungs- bzw. Parrinello-Rahman-Methoden jeweils³⁰ kontrolliert wurden. Die Newtonschen Bewegungsgleichungen wurden mit dem Leapfrog-Integrator mit einem Zeitschritt von 2 fs gelöst. Langstrecken-elektrostatische Wechselwirkungen wurden mit der Particle Mesh Ewald (PME)-Methode mit einem Fourierabstand von 0,16 nm berechnet, und alle Bindungslängen wurden mit der LINCS-Methode begrenzt. Die VMD-Software wurde verwendet, um Trajektorien³¹ anzuzeigen, zu analysieren und zu animieren. Die bindende freie Energie jeder Verbindung wurde mit einem Bindungsfreien-Energie-Berechnungsskript berechnet.

Hauptkomponentenanalyse (PCA), freie Energielandschaft (FEL) und dynamische Kreuzkorrelationsmatrix (DCCM)-Analyse
PCA wurde mit MD-Simulationssoftware durchgeführt, um die dominanten Konformationsbewegungen von apo- und ligandgebundenen Komplexen zu analysieren. Kovarianzmatrizen der Cα-Atomfluktuationen wurden erzeugt, aus denen Eigenvektoren (Kollektivbewegungen) und Eigenwerte (Bewegungsgröße)³² erhalten wurden. Durch diese Analyse wurden wichtige dynamische Regionen und strukturelle Flexibilität im Zusammenhang mit der Ligandenbindung identifiziert. Molekulare Trajektorien wurden mit dem gmx anaeig-Werkzeug auf die ersten beiden Hauptkomponenten (PC1 und PC2) projiziert, wodurch wesentliche Bewegungen³³ erfasst wurden. Für PCA- und FEL-Berechnungen wurde nur die ausgeglichene Endphase von 100 ns (RMSD-stabile Phase) verwendet. FEL wurde aus den PCA-Daten mit GMX-Sham abgeleitet, um die Gibbs-freie Energie³⁴ zu berechnen, wodurch stabile Konformationen und Energieminima sichtbar wurden, die die Konformationsvielfalt und Zustandsübergänge widerspiegeln. Eine dynamische Kreuzkorrelationsmatrix (DCCM)-Analyse von Cα-Atomen wurde durchgeführt, um die strukturelle Dynamik und die Zwischenrestbewegungskopplung³⁵ zu bewerten. Diese Analyse erläuterte die Stabilität, intermolekularen Wechselwirkungen und kollektiven Bewegungen der Protein-Ligand-Komplexe. Der Kreuzkorrelationskoeffizient Cij zwischen den Resten i und j wurde wie folgt berechnet:

In der Formel repräsentieren die Buchstaben i und j die Cα-Atome zweier Reste. Wenn der Wert von Cij positiv und größer als null ist; Die beiden Atome, die sich in dieselbe Richtung bewegen, gelten als korreliert in Bewegung. Wenn der Wert von Cij negativ und kleiner als null ist, gelten die beiden Atome, die sich in entgegengesetzte Richtungen bewegen, als in antikorrelierter Bewegung. Ein Cij-Wert von null zeigt keine Beziehung zwischen den Bewegungen der beiden Atome an. Darüber hinaus wurden Cij-Werte größer als 0,7 als stark korrelierte (positive) oder stark antikorrelierte (negative) Bewegungen interpretiert. Zur Überprüfung der Konvergenz wurden die RMSD- und Rg-Profile untersucht. Die stabilen Profile bestätigten, dass die letzten 100 ns für die DCCM-Analyse ausreichen. Diese Bewegungsmuster zeigten, wie die Ligandbindung die intramolekulare Kommunikation und Domänenumordnungen moduliert. Um dynamische Stabilität und Konvergenz sicherzustellen, wurden nur die letzten 100 ns ausgeglichener Trajektorien analysiert, und Korrelationskarten wurden visualisiert, um Regionen mit signifikantem dynamischem Wechselspiel hervorzuheben.

Um die Wechselwirkungsenergie zwischen Proteinen und Liganden besser zu erklären, wurde ein Bindungs-Freienergie-Berechnungsskript verwendet, um die Bindungsenergie aller Protein-Liganden-Komplexe im Gleichgewicht zu berechnen. Bei der Anwendung der Bindungsfreienergie-Berechnungsmethode³⁶ wurde die Gesamtbindungsenergie in vier unabhängige Teile zerlegt: elektrostatische Wechselwirkung, van-der-Waals-Wechselwirkung, polare Solvation und unpolare Solvationswechselwirkung. Der unpolare Solvationsterm wird üblicherweise als SASA bezeichnet.

Abschluss des prozeduralen Endpunkts für Ziel- und Pfadauswahl
Am Ende des Workflows wurden die endgültig validierten Ziele und Pfade anhand folgender Kriterien ausgewählt: Kernziele mit den Top 10 Degree-Werten im PPI-Netzwerk und wichtige aktive Bestandteile mit den Top 10 Degree-Werten im H-C-T-Netzwerk. Für KEGG-Signalwege wurden nach Ausschluss derjenigen, die mit dem menschlichen Stoffwechsel und Krankheiten zusammenhängen, die Top 20 Signalwege anhand der Anzahl der angereicherten Ziele bewertet und ausgewählt. MD-Simulationsergebnisse wurden verwendet, um eine stabile Bindung zwischen Top-Bestandteilen und Kernzielen zu bestätigen. Diese Schritte definierten gemeinsam die endgültige Ausgabe des Protokolls.

Ergebnisse

Screening aktiver Bestandteile und potenziellen Ziele von QUF3
Anhand von OB ≥ 30 % und DL ≥ 0,18 als Screeningkriterien identifizierte QUF3 nach Durchsuchung der TCMSP-Datenbank 126 chemische Komponenten. Darunter enthielten Paeoniae Radix Alba (Baishao) 13 aktive Bestandteile, Rehmanniae Radix Praeparata (Shudihuang) 2, Cuscutae Semen (Tusizi) 13, Fructus Ligustri Lucidi (Nvzhenzi) 13, Herba Taxilli (Sangjisheng) 2, Radix Salviae (Danshen) 65, Cornus Officinalis Sieb. Et Zucc. (Shanzhuyu) enthielt 2...

Diskussion

Es gibt immer mehr Hinweise darauf, dass das Endometrium von PCOS-Patienten eine beeinträchtigte Funktion aufweist, was mit höheren Raten von Einnistungsversagen und negativen Schwangerschaftsergebnissen korrelieren kann⁴⁰. Endometriumunterschiede bei Frauen mit PCOS sind hauptsächlich durch eine verminderte Expression von Pinopoden, nukleolaren Kanalsystemen, Östrogenrezeptoren und Progesteronrezeptoren während des Einnistungsfensters (WOI)⁴¹

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Traditional Chinese Medicine Systems Pharmacology Database and Analysis Platform (Version 2.3)	Lab of Systems Pharmacology	https://www.tcmsp-e.com/load_intro.php?id=43	Datenbank zum Screening von Wirkstoffkomponenten
Swiss Target Prediction online database (2019 version)	Molecular Modelling Group, University of Lausanne & SIB Swiss Institute of Bioinformatics	http://www.swisstargetprediction.ch/	Online Zielvorhersage-Datenbank
PubChem database	National Library of Medicine, NIH	https://pubchem.ncbi.nlm.nih.gov/	Chemische Datenbank für die Abfrage von SMILES/SDF von Verbindungen
UniProt database	NIH	https://www.uniprot.org/uniprotkb	Protein-Datenbank für UniProt IDs und Gennamen
Online Mendelian Inheritance in Man (OMIM)	Johns Hopkins University	https://www.omim.org/	Krankheitsziel-Datenbank
DrugBank	University of Alberta	https://www.drugbank.ca/	Krankheitsziel-Datenbank
Therapeutic Target Database (TTD)	Zhejiang University	https://ttd.idrblab.cn/	Krankheitsziel-Datenbank
GeneCards (Version 5.26)	Weizmann Institute of Science, LifeMap Sciences	https://www.genecards.org/	Krankheitsziel-Datenbank (Relevanzscore >5)
Venny visualization platform (Version 2.1.0)	Centro Nacional de Biotecnología (CNB-CSIC)	https://bioinfogp.cnb.csic.es/tools/venny/	Online Venn-Diagramm-Tool für die Zielschnittmenge-Visualisierung
Cytoscape (Version 3.10.3)	National Resource for Network Biology, NHGRI	https://cytoscape.org/	Netzwerkanalyse- und Visualisierungssoftware für H-C-T-, PPI- und Pathway-Netzwerke
STRING database (Version 12.0)	STRING Consortium	https://string-db.org/	Protein-Protein-Interaktions-Datenbank für die Konstruktion von PPI-Netzwerken
DAVID database (Version v2025-2)	U.S. Department of Health & Human Services, NIH	https://davidbioinformatics.nih.gov/	Genenrichment-Analyse-Datenbank für GO und KEGG
AutoDockTools (Version 1.5.7)	The Scripps Research Institute	https://autodock.scripps.edu/	Molekulare Docking-Software für Vorverarbeitung und Berechnung
PyMOL software (Version 3.0.3)	Schrödinger	https://pymol.org/	Molekulare Visualisierungssoftware für Docking-Visualisierung
Protein Data Bank (PDB)	RCSB	https://www.rcsb.org/	Proteinstruktur-Datenbank zum Herunterladen von PDB-Zieldateien
GROMACS (Version 2023.2)	GROMACS development team	https://www.gromacs.org/	Software für molekulare Dynamik-Simulation
VMD (Version 1.9.3)	University of Illinois	https://www.ks.uiuc.edu/Research/vmd/	Software für molekulare Visualisierung und Trajektorienanalyse
gmx_MMPBSA	Open-source (GitHub)	https://github.com/Valdes-Tresanco-MS/gmx_MMPBSA	Bindungsfreie Energieberechnungstool aus MD-Trajektorien
Science Data Bank	Chinese Academy of Sciences, Computer Network Information Center	https://www.scidb.cn/	Wissenschaftliches Datenrepositorium für Datenverfügbarkeit und -deposition