Predicción de farmacología en red y validación metabolómica del mecanismo de Fructus phyllanthi contra la hiperlipidemia

Nuestra investigación incluye técnicas experimentales en serie y el protocolo tiene estos detalles que son necesarios para que los lectores entiendan nuestros métodos. Nuestro método integrado compensa la desventaja de la farmacología y la metabolómica de redes, y se puede utilizar para el metanálisis terapéutico de la medicina natural. Este método se utiliza para filtrar el compuesto activo del ingrediente de la compañía y el traje para corredores con composición química masiva, como una medicina tradicional china.

Para comenzar, seleccione los ingredientes activos y los objetivos clave buscando la palabra clave phyllanthi fructus en la base de datos de farmacología de los sistemas de medicina tradicional china. Para obtener la lista de los ingredientes activos candidatos y objetivos de fructus phyllanthi, o FP, busque la palabra clave hiperlipidemia en la base de datos de tarjetas genéticas, la base de datos en línea de herencia mendeliana en el hombre y la base de datos de objetivos terapéuticos para obtener los respectivos objetivos candidatos de hiperlipidemia. Descargue las hojas de cálculo de los objetivos de la enfermedad y guárdelos en una carpeta y elimine los objetivos repetidos para obtener la lista de objetivos de hiperlipidemia.

Luego, copie las listas de ingredientes activos de PF, objetivos de PF y objetivos de hiperlipidemia en una nueva hoja de cálculo. Utilice la función de identificación de duplicados de datos de la barra de herramientas para obtener destinos de intersección. Importe la lista de objetivos de intersección a la base de conocimiento de UniProt para estandarizar los nombres de genes y proteínas.

Para construir una red de interacción de proteínas proteicas, pegue la lista de objetivos de intersección de PF contra hiperlipidemia en el cuadro de diálogo de lista de nombres de la base de datos String 11.5. Seleccionar homo sapiens en organismos. Haga clic en buscar y, a continuación, continuar.

Una vez que los resultados estén disponibles, habilite los nodos desconectados altos en la red en configuraciones avanzadas. Establezca la confianza más alta en 0.900 en la puntuación de interacción mínima requerida. A continuación, haga clic en el botón de actualización.

Haga clic en exportaciones en la barra de título y descargue el breve texto tabular de la red de interacción de proteínas en formato PNG y TSV. Para construir una red diana de enfermedades de componentes farmacológicos, abra Cytoscape 3.9.1 e importe el archivo de formato TSV. Optimice el color, la fuente y el lado de los nodos de red a través de la barra de estilo en el panel de control.

Usando la función de análisis de red para el análisis de topología de red, obtenga genes centrales en CytoHubba en Cytoscape y establezca la red de enfermedades objetivo de ingredientes farmacológicos. Para realizar análisis de enriquecimiento GO y KEGG, abra los recursos bioinformáticos de David. Haga clic en iniciar análisis y pegue la lista de objetivos en el cuadro de diálogo izquierdo.

Seleccione el símbolo oficial del gen en el identificador seleccionado y el homo sapiens en especies seleccionadas. Luego habilite la lista de genes en el tipo de lista y haga clic en enviar lista. A continuación, haga clic en agrupación de anotaciones funcionales en analizar la lista de genes anterior con una de las herramientas de David.

Habilite el término GO BP direct, el término GO CC direct, el término GO MF direct y la ontología génica para el análisis de enriquecimiento de funciones GO. Habilite la vía KEGG en las vías para el análisis de enriquecimiento de la vía KEGG. Haga clic en el gráfico de anotaciones funcionales para mostrar los resultados.

Utilice el software SIMCA P para el análisis estadístico multivariante de los valores integrales obtenidos de los hallazgos de LCMS. Utilice el análisis discriminante ortogonal de mínimos cuadrados parciales, u OPLSDA, para los datos centrales medios y el modelado de clases de muestra. Después de la prueba OPLSDA, considere los metabolitos con importancia variable integral en la proyección, o valores VIP, de mayor de uno y un valor de P de menos de 0.05 de la prueba T de Student como los metabolitos diferenciales potenciales.

Identificar los metabolitos alterados y las vías metabólicas mediante fuentes de bases de datos abiertas, incluido el metaboloma humano, la enciclopedia de genes y genomas de Kyoto y MetaboAnalyst 5.0. Visualice las vistas de resultados de MetaboAnalyst 5.0 y la plataforma Wukong. Descargue la estructura 3D de los ingredientes PF seleccionados de la base de datos de farmacología de los sistemas de medicina tradicional china.

Busque los nombres de los ingredientes en el cuadro de búsqueda de nombres químicos y descargue los archivos de estructura 3D correspondientes en formato MOL dos. A continuación, descargue las estructuras cristalinas de los objetivos clave de la base de datos de la estructura de la proteína del pliegue alfa. Busque los nombres de los objetivos en el cuadro de búsqueda y descargue los archivos de estructura cristalina correspondientes en formato PDB.

A continuación, importe los ingredientes y los archivos de estructura de destino en el software de herramientas AutoDock. Haga clic en editar y eliminar agua para eliminar moléculas de agua. Luego, haga clic en editar hidrógenos y agregar para agregar hidrógenos.

Establezca los ingredientes como el ligando y realice el acoplamiento ciego seleccionando todos los objetivos como receptor. Introduzca un valor en el cuadro detrás del centro y el tamaño para ajustar el espacio recién desarrollado, lo que permite abarcar completamente el ligando y el receptor. Guarde los archivos de ligando y receptor en formato PDBQT.

Utilice AutoDock Vina para realizar el acoplamiento molecular. Establezca la barra receptora en el nombre del punto receptor PDBQT y la barra de ligando en el nombre del punto de ligando PDBQT. Obtener la ubicación óptima para la unión del ligando al receptor y registrar el valor de energía de unión en la posición óptima.

Importe los archivos de acoplamiento en el perfilador de interacción de ligando de proteínas para obtener el modelo visual del sistema. Descargue los archivos del modelo en formato PSC e impórtelos al software PyMOL para construir una mayor visualización. A través de la farmacología de la red, se encontraron un total de 19 ingredientes y 134 objetivos relacionados con ingredientes de PF.

Después de hacer coincidir los objetivos relacionados con la PF con los objetivos relacionados con la hiperlipidemia, 62 fueron identificados como objetivos potenciales para la PF contra la hiperlipidemia. La red de interacción de proteínas fue construida por String y Cytoscape. Los resultados del enriquecimiento de GO sugirieron que los procesos biológicos de PF y la función molecular contra la hiperlipidemia estaban relacionados principalmente con la expresión génica y la unión a proteínas.

El enriquecimiento KEGG demostró que la PF podía intervenir en el metabolismo lipídico y la aterosclerosis. El análisis OPLSDA se utilizó para explorar la separación de metabolitos entre los grupos de ratones de control negativo, dieta alta en grasas y dosis altas de PF, que mostró que las mismas muestras grupales se agruparon y diferentes muestras grupales se distinguieron bien. Se identificaron un total de 16 y seis metabolitos como metabolitos diferenciales en PF que afectan a ratones HFD en el plasma y el hígado.

Los mapas de calor trazados por MetaboAnalyst 5.0 mostraron que todos los metabolitos diferenciales en el plasma y el hígado cambiaron en el grupo de dieta alta en grasas y la mayoría se invirtieron en el grupo de PF. El metabolismo del triptófano se vio afectado significativamente en el plasma. El metabolismo de la taurina y la hipotaurina se vio afectado significativamente en el hígado.

Los metabolitos diferenciales se importaron en el complemento MetScape en Cytoscape y coincidieron con los genes centrales identificados en la farmacología de la red para recolectar las redes genéticas de la enzima de reacción compuesta. Además, se ha construido la red de vías de metabolitos dirigidos a los ingredientes. Se utilizó el acoplamiento molecular para analizar sus interacciones del sitio activo del ligando.

Esta tecnología es un método integral para iniciar los ingredientes genéticos farmacológicos de la medicina tradicional china. Proporciona una nueva idea para la investigación con medicamentos con ingredientes completos.