Artículo de método

Farmacología de la red y validación de los mecanismos antidepresivos de Qiangzhifang en un modelo de rata con depresión crónica inducida por estrés

946 vistas

⸱

DOI:

10.3791/68198

⸱

6 de junio de 2025

 ,  ,  , 
1College of Traditional Chinese Medicine, Shandong University of Traditional Chinese Medicine, 2Innovation Research Institute of Traditional Chinese Medicine, Shandong University of Traditional Chinese Medicine, 3Office of Shandong College of Traditional Chinese Medicine

* These authors contributed equally

En este artículo

Resumen

Este estudio evaluó la eficacia antidepresiva de Qiangzhifang en un modelo de rata de depresión inducida por estrés crónico y dilucidó su efecto regulador sobre las vías HIF-1 y JAK-STAT mediante farmacología de red y análisis de acoplamiento molecular.

Resumen

La depresión es un trastorno psiquiátrico complejo que plantea importantes desafíos en el tratamiento. El Qiangzhifang (QZF), un compuesto utilizado en la medicina tradicional china, demuestra una eficacia clínica potencial en el tratamiento de la depresión. Sin embargo, los mecanismos de acción y los ingredientes activos de QZF no se han dilucidado por completo. El objetivo principal de este estudio fue dilucidar los ingredientes activos efectivos y los posibles mecanismos moleculares de QZF para el alivio de la depresión mediante la integración de predicciones farmacológicas en red con validaciones experimentales.

Adoptamos un modelo de rata de estrés crónico por restricción (CRS) y realizamos pruebas de comportamiento como la prueba de campo abierto (OFT), la prueba de preferencia por la sacarosa (SPT) y la prueba de natación forzada (FST) para evaluar los efectos terapéuticos de QZF sobre la depresión. En cuanto a los parámetros conductuales, el grupo QZF exhibió una masa corporal, un índice de preferencia de sacarosa y un tiempo de residencia en la zona central significativamente mayores en comparación con el grupo modelo (P < 0,01, P < 0,01, P < 0,01), y un tiempo de inmovilización significativamente menor en la prueba de natación forzada (P < 0,001). La farmacología de redes y los estudios de acoplamiento molecular sugieren que QZF puede tener efectos antidepresivos al modular las vías HIF-1 y JAK-STAT, con genes diana clave como AKT1, IL-6, MTOR y TP53, implicados en la inflamación, la neuroprotección y la apoptosis. En conclusión, este estudio ofrece nuevos conocimientos sobre la modernización y el desarrollo de los compuestos de la medicina china para el tratamiento integral de la depresión.

Introducción

La depresión, un problema de salud generalizado a nivel mundial, se caracteriza por un estado de ánimo bajo y persistente, una disminución del interés y el placer, y deficiencias cognitivas y neurológicas1. Según lo informado por la Organización Mundial de la Salud, la depresión afecta aproximadamente a 380 millones de personas en todo el mundo, y se espera que esta cifra aumente2. Al ser un trastorno mental complejo y multifactorial, la depresión afecta la calidad de vida de los pacientes y representa una carga económica y médica considerable para la sociedad, caracterizada por altas tasas de incidencia, recurrencia y tasas de discapacidad3.

La etiología de la depresión es compleja y los mecanismos precisos aún no se comprenden completamente. A medida que avanza la investigación en este campo, factores como la neuroinflamación, el estrés oxidativo y la apoptosis han atraído una atención significativa. Los estudios indican que los pacientes con depresión exhiben niveles elevados de citocinas proinflamatorias como el TNF y la interleucina-1β en comparación con los individuos sanos, y se observa una mayor prevalencia de depresión en aquellos con afecciones inflamatorias4. En el estrés oxidativo, las especies reactivas de oxígeno (ROS) se producen en exceso en respuesta a estímulos dañinos, abrumando las defensas antioxidantes del cuerpo y provocando un desequilibrio entre los sistemas oxidativo y antioxidante, causando así daño tisular. El estrés oxidativo elevado en la depresión puede aumentar la peroxidación lipídica y exacerbar el daño a los genes y proteínas celulares, afectando la función neuronal y contribuyendo a la degeneración neuronal, la apoptosis y eldeterioro de la plasticidad. Además, las alteraciones observadas en las presentaciones clínicas, los marcadores bioquímicos y las estructuras cerebrales en pacientes con depresión están relacionadas con la apoptosis. Los estudios de imagen revelan una reducción del volumen del hipocampo y atrofia en pacientes con depresión, con la apoptosis neuronal potencialmente jugando un papel fundamental en estos cambios6.

En la actualidad, el tratamiento farmacológico es el enfoque principal para el tratamiento de la depresión, con inhibidores selectivos de la recaptación de serotonina (ISRS) e inhibidores de la recaptación de norepinefrina (NRI) que se emplean con frecuencia en la práctica clínica7. Sin embargo, estos fármacos se acompañan de efectos adversos significativos. Además de los síntomas del sistema nervioso central, como el dolor de cabeza y el insomnio, la mayoría de los antidepresivos también suelen presentar efectos secundarios gastrointestinales, como náuseas y diarrea 8,9. Algunos antidepresivos también pueden causar disfunción sexual10, lo que afecta gravemente los resultados del tratamiento y reduce la adherencia a la medicación entre los pacientes con depresión11. Además, la eficacia de estos fármacos es limitada para algunos pacientes. Estudios metabolómicos recientes han indicado que las diferencias individuales en la microbiota intestinal pueden influir en la eficacia de los fármacos12. Por lo tanto, el desarrollo de tratamientos más seguros y eficaces sigue siendo un enfoque crítico en la investigación de la depresión.

Las formulaciones de la medicina tradicional china (MTC) han demostrado un potencial significativo en el tratamiento de la depresión, atribuido a sus efectos sinérgicos que involucran múltiples componentes, objetivos y vías13. La medicina tradicional china postula que el Yang qi vigoroso es esencial para mantener la vitalidad del cuerpo. Por lo tanto, el profesor Yuanqing Ding, aprovechando los principios únicos del diagnóstico y tratamiento de la medicina tradicional china y una amplia experiencia clínica, propuso que "yang yu shen tui" es la patogénesis fundamental de la depresión. Sobre la base de este concepto, desarrolló Qiangzhifang (QZF) para abordar específicamente esta patogenia14. La aplicación clínica de QZF en el tratamiento de la depresión ha demostrado una eficacia significativa, con una tasa efectiva total del 71,43%15. QZF se compone de varios materiales medicinales tradicionales chinos, incluidos Ramulus cinnamomi (gui zhi, GZ), Polygala tenuifolia (yuan zhi, YZ), Alpinia oxyphylla miq (yi zhi ren, YZR), Paeonia lactiflora (bai shao, BS), Fritillariae cirrhosae bulbus (chuan bei mu, CBM), Panax ginseng (ren shen, RS), Rhodiola rosea L (hong jing tian, HJT) y regaliz (gan cao, GC) (Archivo suplementario 1). Los estudios han demostrado que Polygala tenuifolia es rica en saponinas y exhibe efectos neuroprotectores16. De manera similar, el par de hierbas Ramulus Cinnamomi-Paeonia lactiflora demuestra una eficacia potencial para aliviar el dolor y la depresión17. Además, las saponinas totales del ginseng pueden reducir los niveles de citocinas proinflamatorias del hipocampo, mejorar el comportamiento depresivo y atenuar el daño del nervio del hipocampo en ratas. El regaliz contiene principalmente triterpenoides y flavonoides. Los flavonoides totales (LF) del regaliz pueden desempeñar un papel antidepresivo al mejorar el comportamiento depresivo, modular la vía de señalización BDNF/TrkB y mejorar la plasticidad sináptica. Sin embargo, los mecanismos específicos que subyacen a los efectos antidepresivos de la QZF siguen sin estar claros, lo que limita su aplicación generalizada.

Por lo tanto, nuestro estudio tiene como objetivo establecer un modelo de CRS en ratas con depresión, demostrar el efecto terapéutico de QZF sobre la depresión en ratas a través de experimentos conductuales y evaluar sistemáticamente el mecanismo antidepresivo de QZF utilizando farmacología de red y tecnología de acoplamiento molecular20. Al clarificar los componentes activos y los objetivos potenciales de QZF, se pueden localizar con precisión los objetivos principales de la depresión. Creemos que al explorar en profundidad el mecanismo de acción de QZF, no solo podemos proporcionar opciones de tratamiento más seguras y efectivas para los pacientes con depresión, sino que también proporcionamos una base científica para la aplicación de la medicina tradicional china en el tratamiento de la depresión.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Todos los protocolos experimentales fueron aprobados por el Comité de Ética de Experimentos con Animales de la Universidad de Medicina Tradicional China de Shandong (número de aprobación: YYLW2023000327) y cumplieron con la Guía para el Cuidado y Uso de Animales de Laboratorio emitida por los Institutos Nacionales de Salud. En este experimento, utilizamos 40 ratas Wistar macho sanas, grado SPF, con un peso corporal promedio de (140 ± 10) g (Figura 1). Consulte la Tabla de materiales para obtener una lista de todos los materiales, equipos y software utilizados en este protocolo.

1. Modelo de depresión de ratas

  1. Alojamiento y agrupamiento de animales
    1. Entra en la sala de cría con los animales y numéralos con un instrumento de marcado de cola.
    2. Aloje a las ratas individualmente en jaulas, manteniendo una temperatura de 21 ± 2 °C y un ciclo de luz/oscuridad de 12 h/12 h.
    3. Aclimatar a las ratas en el laboratorio durante 7 días, proporcionando acceso ad libitum a la comida y al agua mientras las manipula diariamente para su adaptación.
    4. Después del período de aclimatación, mida el peso corporal y realice las pruebas de preferencia de sacarosa (SPT) y las pruebas de campo abierto (OFT).
    5. Con base en los datos experimentales, divida las ratas en cuatro grupos, asegurándose de que cada grupo conste de 10 ratas: el grupo de control (CON), el grupo modelo (CRS), el grupo QZF y el grupo de fluoxetina (F).
  2. Establecimiento de un modelo de Estrés Crónico por Restricción (CRS) en ratas
    1. Construye el dispositivo de sujeción para ratas. Seleccione un tubo de plástico transparente con un diámetro y longitud adecuados para el tamaño21 de la rata, permitiendo que la rata se pare y gire hacia adentro mientras evita escapar. Use un perforador de orificios de soldador eléctrico para crear orificios en los lados del tubo de plástico y en la tapa para garantizar la circulación de aire adecuada.
    2. Coloque suavemente a las ratas en los dispositivos de retención (excepto las del grupo C) 1 h después de la administración intragástrica diaria del medicamento, asegurándose de que estén en una posición cómoda.
    3. Privar a todos los grupos de ratas de comida y agua durante el período de restricción. Después de que termine el período de restricción, bríndeles abundante comida y agua de manera uniforme. Fijar la duración diaria de la sujeción en 6 h (de 9:30 h a 15:30 h) y mantenerla durante 28 días consecutivos.

2. Intervención farmacológica

  1. Administrar por sonda nasogástrica: 1 mL de solución/100 g de peso corporal, fluoxetina (2,7 mg·kg-1·día-1) y QZF (2 g·kg-1·día-1)22. Proporcionar a los grupos C y CRS solución salina normal equivalente para el control de una sola variable.
    NOTA: La administración diaria del fármaco se realizó a las 08:00 h, iniciándose sincrónicamente con el establecimiento del modelo y persistiendo durante todo el período de modelado de 28 días.

3. Prueba de preferencia de sacarosa (SPT)

  1. Priva a las ratas de comida y agua durante 24 horas antes de que comience el experimento.
  2. Preparar una solución acuosa de sacarosa al 1% y llenar la solución y el agua pura en los biberones de los animales de experimentación para su pesaje. Mida el consumo de agua pura y agua con sacarosa pesando las botellas antes y después del experimento.
  3. Coloque una botella de solución de sacarosa y una botella de agua pura en la entrada de agua de cada tapa de jaula para ratas, una a la izquierda y otra a la derecha, para tener libre acceso a la bebida. Para evitar que las ratas favorezcan un lado para la ingesta de agua, cambie las posiciones de las botellas de agua a la izquierda y a la derecha después de 30 minutos en el experimento.
  4. Después de 1 h del experimento, retire todas las botellas de agua, péselas rápidamente y registre el consumo de solución de sacarosa y agua pura. Calcule la proporción de preferencia semanal de sacarosa usando la fórmula:
    Valor de preferencia de sacarosa = figure-protocol-1 × 100%

4. Medición del peso corporal

  1. Pesar las ratas semanalmente a su entrada en el laboratorio y establecer la hora fija para el pesaje a las 7:00 a.m. Establezca este horario para facilitar la observación de los cambios en el peso corporal.

5. Prueba de campo abierto (OFT)

  1. Antes de que comience el experimento, aclimate a las ratas a la sala de comportamiento durante 1 hora y ajuste la iluminación en la caja de campo abierto para garantizar una distribución uniforme. Confirme que las ratas sean claramente visibles en el software de seguimiento.
  2. Utilice el sistema de análisis y seguimiento de video para dividir la superficie inferior de la caja de campo abierto (50 cm x 50 cm x 50 cm) en nueve cuadrículas cuadradas de áreas equivalentes. Designe las ocho cuadrículas adyacentes a las paredes como el área periférica y la cuadrícula central como el área central.
  3. Coloca la rata en el área central de la caja de campo abierto. Grabe el movimiento de la rata durante 5 minutos utilizando el sistema de seguimiento de video.
  4. Después de probar cada rata, limpie la cámara con etanol al 75% para eliminar el olor residual y evitar interferencias con el comportamiento de la siguiente rata. Introduzca la distancia total (mm) de las actividades a campo abierto y el número de entradas en la cuadrícula central en los registros OFT.

6. Prueba de natación forzada (FST)

NOTA: El experimento de natación forzada con ratas comprende un pre-experimento y un experimento formal. Realizar el pre-experimento 24 h antes del experimento formal, siguiendo el mismo procedimiento, con la rata nadando durante 15 min.

  1. Transportar a los animales de experimentación a la sala de comportamiento al menos 30 minutos antes del experimento para que puedan aclimatarse al entorno.
  2. Prepare un cilindro de agua cilíndrico de plexiglás transparente (50 cm de alto, 20 cm de diámetro) y llénelo con agua a 23-25 °C. Ajuste la profundidad del agua en función del peso del animal, asegurándose de que la cola del animal permanezca a cierta distancia del fondo del cilindro.
  3. Coloque lentamente las ratas en el cilindro de agua y manténgase en silencio durante todo el experimento. Activar la cámara y el sistema de adquisición de señal. Observe y registre la duración de la inmovilidad flotante dentro de los 300 s. Retire inmediatamente las ratas del agua y séquelas al final del experimento.
  4. Después de cada sesión, reemplace el agua para evitar cualquier influencia en la siguiente rata.

7. Predicción farmacológica de la red

  1. Colección de compuestos QZF y dianas putativas
    1. Acceda a la base de datos de Farmacología de Sistemas de Medicina Tradicional China (TCMSP) (https://old.tcmsp-e.com/)23, a la base de datos HERB24 y a la base de datos TCMID (https://www.bidd.group/TCMID/). Utilice los ocho nombres de TCM en QZF, incluidos GZ, YZ, YZR, BS, CBM, RS, HJT y ZGC, como palabras clave para buscar compuestos activos y objetivos de las hierbas. Recopile objetivos del TCMSP y de la predicción de objetivos suizos (http://www.swisstargetprediction.ch/). Establezca el valor del filtro en Probabilidad* > 0.
      NOTA: Por lo general, los ingredientes se incluyeron como ingredientes activos en función de sus características farmacocinéticas: biodisponibilidad oral (OB) ≥ 30% y características similares a medicamentos (DL) ≥ 0,1825.
  2. Predicción de dianas patológicas
    1. Busque la palabra clave "depresión" en la base de datos de GeneCards (https://www.genecards.org/), obtenga objetivos genéticos asociados con la depresión, descargue la hoja de cálculo electrónica de objetivos de enfermedades, filtre las puntuaciones genéticas que sean más altas que el valor promedio y compile una lista de objetivos para la depresión26.
  3. Red de fármacos-componentes-enfermedades-dianas
    1. Cree una nueva hoja de cálculo y rellénela con objetivos relacionados con la depresión y objetivos de medicamentos en la misma columna. Haga clic en Inicio en la barra de menú | Formato condicional | Reglas de resaltado de celdas | Valores duplicados. Seleccione un formato (por ejemplo, "Relleno rojo claro") en el cuadro de diálogo que aparece27, haga clic en Aceptar para ver los resultados.
    2. Inicie el software de análisis de red e importe el archivo de la hoja de cálculo haciendo clic en Archivo en la barra de menú | Importación | Red. Optimice la apariencia de la red ajustando el tamaño y el color de los nodos en el panel Estilo ubicado en el panel de control izquierdo. Realice un análisis de la topología de la red haciendo clic en Herramientas en la barra de menú | Analizar la red27.
  4. Red de interacción proteína-proteína (PPI)
    1. Acceda a la herramienta Jvenn (https://jvenn.toulouse.inrae.fr/app/example.html), cargue los objetivos compuestos y los objetivos de enfermedades por separado, trace los genes superpuestos (OGE) entre los presuntos objetivos compuestos y los objetivos de enfermedades. Haz clic en los números de la imagen y cópialos en una hoja de cálculo y descarga la imagen del diagrama de Venn.
    2. Acceda a la base de datos STRING (https://stringdb.org/)28 e introduzca los OGE de la hoja de cálculo en la base de datos. En concreto, pegue la lista de objetivos superpuestos antidepresivos QZF en el cuadro de diálogo Lista de nombres . Seleccione Homo sapiens en la sección Organismos y haga clic en BUSCAR | CONTINÚE. Seleccione la opción Exportaciones de la barra de título y descargue la tabla resumen de la red PPI en formatos PNG y TSV29.
  5. Cribado de proteínas centrales
    1. Inicie el software de análisis de red (https://cytoscape.org/). Luego, en la barra de menú, haga clic en Archivo | Importación | Red | Fichero para importar el fichero en formato TSV generado en el paso30 anterior.
    2. Seleccione Analizar red en la barra de menú y haga clic en el botón Analizar . A continuación, vea los resultados del análisis y comprenda las características estructurales generales de la red, como el número de nodos, el número de bordes y el grado medio.
    3. Seleccionar aplicaciones | Administrador de aplicaciones en la barra de menú. Busque MCODE, instale el complemento y ejecute el complemento para obtener el destino del concentrador. A continuación, busque CytoNCA, instale el complemento y concéntrese en los tres valores de parámetro de Grado, Centralidad de cercanía (CC) y Centralidad de intermediación (BC). De acuerdo con los valores de estos parámetros, se seleccionan los nodos con mayor grado, CC y BC, que generalmente se consideran proteínas centrales31.
  6. Análisis de enriquecimiento de ontología génica (GO) y Enciclopedia de genes y genomas de Kioto (KEGG)
    1. Abra la plataforma bioinformática (https://www.omicshare.com/). Haga clic en el menú Herramientas , busque la herramienta de conversión de genes ID y haga clic en ella. A continuación, haga clic en el botón de carga de archivo , seleccione el paso generado en el núcleo de los genes objetivo y descargue la lista de ID de archivo convertido.
    2. En el menú Herramientas , haga clic en la herramienta Análisis de enriquecimiento dinámico de KEGG . Cargue la lista de identificación de genes. En la opción Especie , seleccione Homo sapiens y haga clic en el botón Enviar .
    3. En el menú Herramientas, haga clic en la herramienta Análisis de enriquecimiento dinámico de GO | Opción genética | Opción de cargar archivo. Seleccione la lista de ID de genes y, en la opción Especie, seleccione Homo sapiens. Seleccione el tipo de GO para el análisis, incluido el proceso biológico, la función molecular y el componente celular.
    4. Para los resultados del análisis de enriquecimiento de KEGG y GO, establezca el umbral de filtrado en p < 0,05. Organice los recuentos en orden descendente.

8. Verificación del acoplamiento molecular

  1. Visite el sitio web de PubChem (https://pubchem.ncbi.nlm.nih.gov/). Introduzca los compuestos objetivo en la barra de búsqueda. Haga clic en la estructura 2D y descárguela.
  2. Abra la base de datos PDB (https://www.Rcsb.org/). Seleccione la estructura cristalina con alta resolución y que contenga el ligando original. Descargue el archivo PDB.
  3. Para optimizar la estructura de la proteína, abra el software de visualización molecular. Cargue el archivo PDB descargado. Retire las moléculas de agua y guarde el archivo PDB optimizado.
  4. Abra el software de acoplamiento molecular e importe el archivo PDB optimizado. En AutoDockTools, haga clic en Editar | Eliminar agua para eliminar las moléculas de agua. Haga clic en Editar | Añadir hidrógenos | Añadir para añadir átomos de hidrógeno a la proteína y al ligando29.
  5. En AutoDockTools, establezca la barra de receptores en receptor.pdbqt y la barra de ligandos en ligand.pdbqt. Abra el archivo pdbqt. para ver los sitios de unión de la proteína y el ligando y establecer el tamaño y la posición de la caja de acoplamiento para garantizar que pueda encerrar completamente la proteína receptora y el compuesto del ligando. En AutoDockTools, haga clic en Cuadrícula | Defina el cuadro de cuadrícula para establecer las coordenadas centrales y las dimensiones del cuadro y utilice los valores predeterminados para el acoplamiento molecular. Los marcos de acoplamiento se ordenarán automáticamente en orden descendente de energías de enlace.
  6. Abra el archivo de resultados y registre el valor óptimo de energía de enlace. Las energías de enlace más bajas indican una unión más estable. Utilice el software de visualización molecular para cargar el archivo de resultados. Ajuste la vista y el color para mostrar claramente la interacción ligando-receptor.

9. Análisis estadístico

  1. Realizar análisis estadísticos en el software de análisis y visualización de datos científicos y representar todos los datos como la media ± SEM. Utilice el ANOVA de dos factores de medidas repetidas para realizar comparaciones entre grupos antes y después de la administración del fármaco. Emplee el ANOVA de un factor para realizar comparaciones entre más de dos grupos.
  2. Tome el valor de P < 0.05 como estadísticamente significativo.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Resultados de las pruebas conductuales en el modelo de depresión en ratas inducida por CRS

Resultados de la prueba de preferencia de sacarosa
Al inicio del estudio, no hubo diferencia en el coeficiente de preferencia de sacarosa entre los grupos (P > 0,05). Después de 28 días de intervención, el coeficiente de preferencia de sacarosa del grupo CRS fue significativamente menor que el del grupo CON (P < 0,05), mientras que los grupos ...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

El CRS es un método ampliamente utilizado para establecer modelos animales de depresión. Este modelo imita el estrés psicológico crónico que se encuentra en la vida humana e induce comportamientos similares a la depresión enratas. En este estudio, el tubo de sujeción de ratas se construyó con plástico transparente, lo que garantiza la seguridad de los animales y permite una observación clara durante el experimento. El tubo transparente medía aproximadamente 18 cm ...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen conflictos de intereses que declarar.

Agradecimientos

La investigación contó con el apoyo de la Fundación Nacional de Ciencias Naturales de China (82374311), el Proyecto de Construcción de la Disciplina Clave de la Teoría Básica de la Medicina Tradicional China (MTC) de Alto Nivel de la Administración Estatal de Medicina Tradicional China (zyyzdxk-2023118), el Proyecto Nacional de Construcción de Estudios de Expertos en Medicina Tradicional China (Carta Nacional de Educación en Medicina China No.75) y la Fundación de Ciencias Naturales de la Provincia de Shandong (ZR2022LZY016). Los gránulos de QZF fueron preparados por el Departamento de Productos Farmacéuticos del Hospital Afiliado de la Universidad de Medicina Tradicional China de Shandong.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Sistema de análisis de comportamiento animalShanghai Xinsoft Information Technology Co., LTDXR-SuperMaze
Herramientas de acoplamiento automáticoEl Instituto de Investigación Scripps
Citoscap  softwareConsorcio CytoscapeVersión 3.7.2
Perforadora de soldador eléctricoNanjing Naiwei Technology Co., Ltd.
FluoxetinaLilly Suzhou Pharmaceutical Co., LTD
Sistema experimental de campo abiertoShanghai Xinsoft Information Technology Co., LTDXR-XZ301
PyMolSchrö Dinger
QiangzhifangHospital Afiliado de la Universidad de Medicina Tradicional China de Shandong, Jinan, China
Tubo de plástico transparente Nantong Baiyang Plastic Products Co., Ltd.

Referencias

  1. Wu, C., Mu, Q., Gao, W., Lu, S. The characteristics of anhedonia in depression: A review from a clinically oriented perspective. Transl Psychiatry. 15 (1), 90(2025).
  2. Moitra, M., et al. Global mental health: Where we are and where we are going. Curr Psychiatry Rep. 25 (7), 301-311 (2023).
  3. Rong, J., Cheng, P., Li, D., Wang, X., Zhao, D. Global, regional, and national temporal trends in prevalence for depressive disorders in older adults, 1990-2019: An age-period-cohort analysis based on the global burden of disease study 2019. Ageing Res Rev. 100, 102443(2024).
  4. Liu, F., et al. Impacts of inflammatory cytokines on depression: A cohort study. BMC Psychiatry. 24 (1), 195(2024).
  5. Correia, A. S., Cardoso, A., Vale, N. Oxidative stress in depression: The link with the stress response, neuroinflammation, serotonin, neurogenesis and synaptic plasticity. Antioxidants (Basel). 12 (2), 470(2023).
  6. Xu, D. H., et al. Upregulation of KLK8 contributes to CUMS-induced hippocampal neuronal apoptosis by cleaving NCAM1. Cell Death Dis. 14 (4), 278(2023).
  7. Kovich, H., Kim, W., Quaste, A. M. Pharmacologic treatment of depression. Am Fam Physician. 107 (2), 173-181 (2023).
  8. Braund, T. A., et al. Antidepressant side effects and their impact on treatment outcome in people with major depressive disorder: An iSPOT-D report. Transl Psychiatry. 11 (1), 417(2021).
  9. Oliva, V., et al. Gastrointestinal side effects associated with antidepressant treatments in patients with major depressive disorder: A systematic review and meta-analysis. Prog Neuropsychopharmacol Biol Psychiatry. 109, 110266(2021).
  10. Rothmore, J. Antidepressant-induced sexual dysfunction. Med J Aust. 212 (7), 329-334 (2020).
  11. Niarchou, E., Roberts, L. H., Naughton, B. D. What is the impact of antidepressant side effects on medication adherence among adult patients diagnosed with depressive disorder: A systematic review. J Psychopharmacol. 38 (2), 127-136 (2024).
  12. Wang, Y., et al. Multi-omics reveal microbial determinants impacting the treatment outcome of antidepressants in major depressive disorder. Microbiome. 11 (1), 195(2023).
  13. Yang, J., et al. Analysis of medication rule of traditional Chinese medicine in treating depression based on data mining. Heliyon. 10 (20), e39245(2024).
  14. Liu, X. Study on the mechanism of qiangzhifang's remodeling of hippocampal neural structure in depression model rats based on the pathogenesis of "yang yu shen tui". , https://link.cnki.net/doi/10.27282/d.cnki.gsdzu.2020.000110 (2020).
  15. Zhou, M. The effect of qiangzhifang on camp-pka-creb signaling pathway in hippocampus of depression emotion model rats based on "yang yu shen tui" pathogenesis. , https://link.cnki.net/doi/10.27282/d.cnki.gsdzu.2019.000030 (2019).
  16. Chen, Z., Yang, Y., Han, Y., Wang, X. Neuroprotective effects and mechanisms of senegenin, an effective compound originated from the roots of polygala tenuifolia. Front Pharmacol. 13, 937333(2022).
  17. Pan, H. T., Xi, Z. Q., Wei, X. Q., Wang, K. A network pharmacology approach to predict potential targets and mechanisms of "Ramulus cinnamomi (Cassiae) - Paeonia lactiflora" herb pair in the treatment of chronic pain with comorbid anxiety and depression. Ann Med. 54 (1), 413-425 (2022).
  18. Qin, M., et al. Total saponins of panax ginseng via the CX3CL1/CX3CR1 axis attenuates neuroinflammation and exerted antidepressant-like effects in chronic unpredictable mild stress in rats. Phytother Res. 37 (5), 1823-1838 (2023).
  19. Wang, R., et al. Antidepressant effect of licorice total flavonoids and liquiritin: A review. Heliyon. 9 (11), e22251(2023).
  20. Xiao, Y. G., Wu, H. B., Chen, J. S., Li, X., Qiu, Z. K. Exploring the potential antidepressant mechanisms of pinellia by using the network pharmacology and molecular docking. Metab Brain Dis. 37 (4), 1071-1094 (2022).
  21. Seewoo, B. J., et al. Validation of chronic restraint stress model in young adult rats for the study of depression using longitudinal multimodal mr imaging. eNeuro. 7 (4), (2020).
  22. Wei, Y. Discussion on "yang yu shen tui"mechanism of depression. , https://link.cnki.net/doi/10.27282/d.cnki.gsdzu.2022.000933 (2022).
  23. Ru, J., et al. TCMSP: A database of systems pharmacology for drug discovery from herbal medicines. J Cheminform. 6, 13(2014).
  24. Fang, S., et al. A high-throughput experiment- and reference-guided database of traditional Chinese medicine. Nucleic Acids Res. 49 (D1), D1197-D1206 (2021).
  25. Zou, J., et al. Network pharmacology-based approach to research the effect and mechanism of Si-Miao-Yong-An decoction against thromboangiitis obliterans. Ann Med. 55 (1), 2218105(2023).
  26. Safran, M., et al. Genecards version 3: The human gene integrator. Database (Oxford). 2010, baq020(2010).
  27. Zhao, X. Y., Yang, Y. Y., Feng, J. L., Feng, C. L. Network pharmacology prediction and experimental validation of Trichosanthes-fritillaria thunbergii action mechanism against lung adenocarcinoma. J Vis Exp. (193), e64847(2023).
  28. Szklarczyk, D., et al. The string database in 2023: Protein-protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Res. 51 (D1), D638-D646 (2023).
  29. Zeng, B., et al. Network pharmacology prediction and metabolomics validation of the mechanism of fructus phyllanthi against hyperlipidemia. J Vis Exp. (194), e65071(2023).
  30. Shannon, P., et al. Cytoscape: A software environment for integrated models of biomolecular interaction networks. Genome Res. 13 (11), 2498-2504 (2003).
  31. Huang, S. P., et al. Evaluation of the mechanism of jiedu huazhuo quyu formula in treating Wilson's disease-associated liver fibrosis by network pharmacology analysis and molecular dynamics simulation. Evid Based Complement Alternat Med. 2022, 9363131(2022).
  32. Zhou, W., et al. Huangqin qingre qubi capsule inhibits RA pathology by binding FZD8 and further inhibiting the activity of Wnt/β-catenin signaling pathway. J Ethnopharmacol. 302 (Pt A), 115886(2023).
  33. Tan, X., et al. Cinnamaldehyde ameliorates dextran sulfate sodium-induced colitis in mice by modulating TLR4/NF-κB signaling pathway and NLRP3 inflammasome activation. Chem Biodivers. 20 (2), e202200089(2023).
  34. Que, W., et al. Molecular mechanism of Gelsemium elegans (gardner and champ.) benth. against neuropathic pain based on network pharmacology and experimental evidence. Front Pharmacol. 12, 792932(2021).
  35. Tzeng, H. T., Chyuan, I. T., Lai, J. H. Targeting the JAK-STAT pathway in autoimmune diseases and cancers: A focus on molecular mechanisms and therapeutic potential. Biochem Pharmacol. 193, 114760(2021).
  36. Chen, H., et al. The potential role of hypoxia-inducible factor-1 in the progression and therapy of central nervous system diseases. Curr Neuropharmacol. 20 (9), 1651-1666 (2022).
  37. Xie, X., et al. Scutellarin attenuates oxidative stress and neuroinflammation in cerebral ischemia/reperfusion injury through PI3K/AKT-mediated Nrf2 signaling pathways. Eur J Pharmacol. 957, 175979(2023).
  38. Semenza, G. L. Hypoxia-inducible factors in physiology and medicine. Cell. 148 (3), 399-408 (2012).
  39. Amin, N., et al. Hif-1α ablation reduces the efficiency of NeuroD1 gene-based therapy and aggravates the brain damage following ischemic stroke. Expert Opin Drug Deliv. 22 (1), 121-138 (2025).
  40. Bergeron, M., et al. Role of hypoxia-inducible factor-1 in hypoxia-induced ischemic tolerance in neonatal rat brain. Ann Neurol. 48 (3), 285-296 (2000).
  41. Zhang, Y., et al. Lactate modulates microglial inflammatory responses through Hif-1α-mediated CCL7 signaling after cerebral ischemia in mice. Int Immunopharmacol. 146, 113801(2025).
  42. Moresi, V., Adamo, S., Berghella, L. The JAK/STAT pathway in skeletal muscle pathophysiology. Front Physiol. 10, 500(2019).
  43. Fei, S., Li, W., Xiang, L., Xie, X., Zhang, L. Protective effect of alprostadil on acute pancreatitis in rats via inhibiting janus kinase 2 (JAK2)/STAT3 signal transduction pathway. Med Sci Monit. 25, 7694-7701 (2019).
  44. Sarapultsev, A., et al. JAK-STAT signaling in inflammation and stress-related diseases: Implications for therapeutic interventions. Mol Biomed. 4 (1), 40(2023).
  45. Dowlati, Y., et al. A meta-analysis of cytokines in major depression. Biol Psychiatry. 67 (5), 446-457 (2010).
  46. Li, J., et al. The JAK/STAT/NF-κB signaling pathway can be regulated by rosemary essential oil, thereby providing a potential treatment for DNCB-induced in mice. Biomed Pharmacother. 168, 115727(2023).
  47. Heinrich, P. C., Behrmann, I., Müller-Newen, G., Schaper, F., Graeve, L. Interleukin-6-type cytokine signalling through the gp130/Jak/STAT pathway. Biochem J. 334 (Pt 2), 297-314 (1998).
  48. Nguyen, T. L. L., Huynh, D. T. N., Jin, Y., Jeon, H., Heo, K. S. Protective effects of ginsenoside-Rg2 and -Rh1 on liver function through inhibiting TAK1 and STAT3-mediated inflammatory activity and Nrf2/ARE-mediated antioxidant signaling pathway. Arch Pharm Res. 44 (2), 241-252 (2021).
  49. Croce, C. M., et al. The BCL-2 protein family: From discovery to drug development. Cell Death Differ. , (2025).
  50. Fakhri, S., et al. Natural products attenuate PI3K/AKT/mTOR signaling pathway: A promising strategy in regulating neurodegeneration. Phytomedicine. 91, 153664(2021).
  51. Huang, Z., Jin, G. Licochalcone B induced apoptosis and autophagy in osteosarcoma tumor cells via the inactivation of PI3K/AKT/mTOR pathway. Biol Pharm Bull. 45 (6), 730-737 (2022).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Pruebas conductualesacoplamiento molecularv a HIF 1v a JAK STATMedicina Tradicional China

Artículos relacionados