$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Todos los procedimientos de farmacología en red se llevaron a cabo de acuerdo con las Directrices para los métodos de evaluación de farmacología en red21. El flujo de trabajo de farmacología de red integral adoptado en este estudio se ilustra esquemáticamente en la Figura 2.
Síntesis de derivados de tiazolona
Los derivados de tiazolona en este estudio se sintetizaron en nuestro trabajo anterior19, a través de una reacción de propargilación asimétrica remota catalizada por cobre. La reacción utilizó CuI como catalizador y un ligando quiral de Pybox (L1) como núcleo de estereocontrol, en un sistema de base DIPEA y disolvente de metanol a -10 °C durante 48 h, logrando un alto acoplamiento enantioselectivo entre ésteres propargílicos y tiazolonas. El producto objetivo se obtuvo con un rendimiento de hasta 89%, una relación enantiomérica (er) de 97,8:2,2 y una relación diastereomérica (dr) de 17,8:1. Para obtener información detallada sobre los métodos de síntesis de esta serie de compuestos, consulte estudios previos19. Este método demostró una amplia aplicabilidad del sustrato, acomodando arilo (orto-, meta-, para-sustituyentes), cadenas alifáticas y ésteres propargílicos de anillo fundido, así como varias tiazolonas sustituidas, con rendimientos que oscilan entre el 51% y el 98%. Esta estrategia construye eficientemente marcos de tiazolona de múltiples centros quirales en un proceso de un solo paso por primera vez, proporcionando un enfoque altamente selectivo y sencillo para la síntesis de moléculas de fármacos quirales con importantes aplicaciones potenciales en química medicinal.
Predicción farmacológica de red
Predicción del objetivo del derivado de la tiazolona: Las representaciones estructurales de los derivados de la tiazolona se generaron utilizando el software KingDraw, y los archivos estructurales correspondientes se convirtieron posteriormente en SMILES ID a través del software Open Babel. Para predecir posibles objetivos terapéuticos contra RD, empleamos un enfoque computacional integral utilizando tres bases de datos de predicción de objetivos distintas: SwissTargetPrediction (http://swisstargetprediction.ch/), TargetNet (http://targetnet.scbdd.com) y SuperPred (https://prediction.charite.de). Para el análisis de TargetNet, implementamos un criterio de filtrado estricto seleccionando genes con probabilidad > 0. En la base de datos SuperPred, aplicamos parámetros de selección más rigurosos, conservando solo aquellos genes que exhiben una precisión del modelo > 90% y una probabilidad > 60%, lo que garantiza predicciones objetivo de alta confianza.
Predicción de objetivos de DR: Con base en la base de datos GeneCards (https://www.genecards.org/) y la base de datos OMIM (https://omim.org/), realizamos una búsqueda de rabdomiosarcoma. Para los datos obtenidos de la base de datos GeneCards, filtramos los resultados con una puntuación superior a 20 para obtener genes asociados con rabdomiosarcoma.
Construcción y análisis de redes de interacción proteína-proteína (IBP): Se interceptaron los objetivos potenciales de los derivados de la tiazolona y los genes asociados con la RD. Los objetivos potenciales para el tratamiento del rabdomiosarcoma embrionario humano por derivados de tiazolona se cargaron en la base de datos STRING (https://www.string-db.org/) para el análisis de la relación PPI (interacción proteína-proteína) objetivo de alta confianza. La red PPI se construyó en el software Cytoscape (http://www.cytoscape.org/) y los objetivos principales se examinaron en función de los valores de grado.
Construcción de redes de vías compuestas-enfermedades-dianas: La red de vías farmacológicas-dianas puede ver claramente las dianas de compuestos y enfermedades y las vías implicadas en estas dianas, a fin de identificar posibles dianas y vías clave para la terapia compuesta para la ER. Primero, cree la tabla de red y la tabla de atributos en la hoja de cálculo. El contenido de la tabla de red incluye principalmente la correspondencia entre el compuesto y el objetivo central, la correspondencia entre el objetivo central y la vía involucrada, y la correspondencia entre RD y la vía principal. El contenido de la tabla de atributos es principalmente clasificar y nombrar toda la información de la tabla de red. Después de eso, abra el software Cytoscape, cargue la lista de conexiones en la ubicación de carga, establezca el punto de inicio, el punto final, cargue la tabla de atributos y finalmente modifique la forma de la imagen.
Anotación funcional integrada y análisis farmacológico de red - Enriquecimiento de la ontología genética de la construcción (GO), Enciclopedia de genes y genomas de Kioto (KEGG): El análisis de enriquecimiento de GO y KEGG de objetivos centrales se realizó mediante la base de datos DAVID (https://david.ncifcrf.gov/). De acuerdo con el orden del valor P de pequeño a grande, se seleccionaron los 10 elementos principales en el proceso biológico (BP), el componente celular (CC) y la función molecular (MF) en GO para su análisis, y se analizaron los 20 elementos principales en KEGG, y se crearon los mapas de burbujas GO y KEGG de objetivos centrales basados en la plataforma de microbioinformación en línea.
Acoplamiento molecular: Las proteínas diana principales se seleccionaron de la base de datos PDB (https://www.rcsb.org/) y se descargaron los archivos estructurales de las dianas principales. Inicialmente, las proteínas se deshidrataron utilizando el software PyMol, seguido de la separación de ligandos y receptores. Posteriormente, las proteínas se hidrogenaron mediante el software ADFRSuite y se obtuvieron los parámetros de la caja de cuadrícula para el software de acoplamiento molecular AutoDock. Los archivos pdbqt de derivados de tiazolidinona y proteínas diana centrales se prepararon utilizando el software AutoDock Vina. Luego se realizaron simulaciones de acoplamiento molecular de derivados de tiazolona y proteínas diana centrales. Finalmente, los modelos de acoplamiento molecular se visualizaron utilizando el software PyMol.
Simulación de dinámica molecular: El archivo PDB se convirtió al formato GRO compatible con GROMACS utilizando el campo de fuerza amber99sb-ildn y el modelo de agua TIP3P:
gmx pdb2gmx -f Pro.pdb -o Pro_temp_H.gro -ff amber99sb-ildn -water tip3p -ignh
Se agregó un cuadro límite periódico cúbico con una distancia de 1,2 nm de la proteína:
gmx editconf -f Pro_temp_H.gro -o Pro_temp_H_box.gro -c -d 1.2 -bt cubic
La caja estaba llena de moléculas de agua TIP3P:
gmx solvate -cp Pro_temp_H_box.gro -o Pro_temp_H_box_water.gro -p topol.top
El sistema se neutralizó agregando iones de Na:
gmx grompp -f iones.mdp -c Pro_temp_H_box_water.gro -p topol.top -iones.tpr
gmx genion -s iones.tpr -o Pro_temp_H_box_water_ion.gro -p topol.top -neutral
Se realizó minimización de energía:
gmx grompp -f minim.mdp -c Pro_temp_H_box_water_ion.gro -p topol.top -o em.tpr
gmx mdrun -v -deffnm em
Se llevó a cabo el equilibrio NVT:
gmx grompp -f nvt.mdp -c em.gro -r em.gro -p topol.top -o nvt.tpr
gmx mdrun -deffnm nvt -v
Se llevó a cabo el equilibrio de la NPT:
gmx grompp -f npt.mdp -c nvt.gro -r nvt.gro -t nvt.cpt -p topol.top -o npt.tpr
gmx mdrun -deffnm npt -v
Se inició la simulación de dinámica molecular de producción:
gmx grompp -f md.mdp -c npt.gro -t npt.cpt -p topol.top -o md_0_1.tpr
gmx mdrun -deffnm md_0_1 -v
Una vez finalizadas las simulaciones, se analizaron las trayectorias resultantes mediante Dinámica Visual Molecular (VMD) y PyMOL, y se realizó el análisis de energía libre de unión entre las proteínas y los ligandos de moléculas pequeñas empleando el programa g_mmpbsa.
Evaluación de los efectos de los fármacos sobre la viabilidad celular de la DR
Las células RD (células embrionarias de rabdomiosarcoma; STR Authenticated) en la fase de crecimiento logarítmico se tripsinizaron para crear una suspensión celular a una concentración de 1 x105 células/ml. Esta suspensión se sembró en una placa de 96 pocillos a una densidad de 1 x 104 células/pocillo (100 μL por pocillo) y se incubó a 37 °C con 5% de CO2 para permitir la adhesión celular. Después de la adhesión, el medio se reemplazó con 100 μL de medio sin suero que contenía 1% de FBS, y las células se privaron durante 12 h. Posteriormente, el medio se cambió por 100 μL del medio respectivo que contenía concentraciones variables del compuesto de prueba. Los pocillos de control se trataron con medio que contenía solvente o medio normal, y se incluyeron pocillos en blanco que contenían solo el medio correspondiente sin celdas. Las placas se incubaron a 37 °C con 5% de CO2 durante 24 h (la duración se determinó mediante experimentos preliminares como óptima para observar el efecto inhibidor máximo de esta clase de compuestos en las células RD. Es decir, el tiempo requerido para que el valor de DO de la densidad celular alcance aproximadamente 1.0.). Posteriormente, se agregaron 10 μL de solución de CCK-8 a cada pocillo y las placas se incubaron durante 1-4 h adicionales. Finalmente, la absorbancia a 450 nm se midió utilizando un lector de microplacas. Las células tratadas con solvente sirvieron como grupo de control y los pocillos en blanco se utilizaron para la corrección inicial. La viabilidad celular se calculó en base a las lecturas de absorbancia.
Tasa de supervivencia% = [(grupo control-blanco)-(grupo experimental-blanco)]/(grupo control-blanco) x 100%