Article de méthode

Pharmacologie en réseau et validation des mécanismes antidépresseurs de Qiangzhifang dans un modèle de dépression induite par le stress chronique chez le rat

946 vues

⸱

DOI :

10.3791/68198

⸱

6 juin 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

Dans cet article

Résumé

Cette étude a évalué l’efficacité antidépressive de Qiangzhifang dans un modèle de rat de dépression chronique induite par le stress de contention et a élucidé son effet régulateur sur les voies HIF-1 et JAK-STAT par pharmacologie de réseau et analyse d’amarrage moléculaire.

Résumé

La dépression est un trouble psychiatrique complexe qui pose d’importants défis en matière de traitement. Le Qiangzhifang (QZF), un composé utilisé dans la médecine traditionnelle chinoise, démontre une efficacité clinique potentielle dans le traitement de la dépression. Cependant, les mécanismes d’action et les principes actifs de QZF n’ont pas été entièrement élucidés. L’objectif principal de cette étude était d’élucider les ingrédients actifs efficaces et les mécanismes moléculaires potentiels de la QZF pour le soulagement de la dépression en intégrant les prédictions pharmacologiques en réseau aux validations expérimentales.

Nous avons adopté un modèle de rat de stress chronique (CRS) et effectué des tests comportementaux tels que le test en champ ouvert (OFT), le test de préférence de saccharose (SPT) et le test de nage forcée (FST) pour évaluer les effets thérapeutiques du QZF sur la dépression. En ce qui concerne les paramètres comportementaux, le groupe QZF a montré une masse corporelle significativement plus élevée, un rapport de préférence de saccharose et un temps de séjour dans la zone centrale par rapport au groupe modèle (P < 0,01, P < 0,01, P < 0,01), et un temps d’immobilisation significativement réduit dans le test de nage forcée (P < 0,001). Les études de pharmacologie et d’amarrage moléculaire suggèrent que QZF peut avoir des effets antidépresseurs en modulant les voies HIF-1 et JAK-STAT, avec des gènes cibles clés tels que AKT1, IL-6, MTOR et TP53, impliqués dans l’inflammation, la neuroprotection et l’apoptose. En conclusion, cette étude offre de nouvelles perspectives sur la modernisation et le développement des composés de la médecine chinoise pour le traitement complet de la dépression.

Introduction

La dépression, un problème de santé mondial omniprésent, se caractérise par une mauvaise humeur persistante, une diminution de l’intérêt et du plaisir, ainsi que des troubles cognitifs et neurologiques1. Comme l’indique l’Organisation mondiale de la santé, la dépression touche environ 380 millions de personnes dans le monde, et ce chiffre devrait augmenter de2. En tant que trouble mental complexe et multifactoriel, la dépression affecte la qualité de vie des patients et représente un fardeau économique et médical considérable pour la société, caractérisée par une incidence, des taux de récidive etdes taux d’incapacité élevés3.

L’étiologie de la dépression est complexe, les mécanismes précis n’étant pas encore entièrement compris. Au fur et à mesure que la recherche dans ce domaine progresse, des facteurs tels que la neuroinflammation, le stress oxydatif et l’apoptose ont suscité une attention considérable. Des études indiquent que les patients souffrant de dépression présentent des niveaux élevés de cytokines pro-inflammatoires comme le TNF et l’interleukine-1β par rapport aux individus en bonne santé, et une prévalence plus élevée de dépression est observée chez les personnes atteintes d’affections inflammatoires4. Dans le stress oxydatif, les espèces réactives de l’oxygène (ROS) sont surproduites en réponse à des stimuli nocifs, submergeant les défenses antioxydantes de l’organisme et entraînant un déséquilibre entre les systèmes oxydatifs et antioxydants, causant ainsi des lésions tissulaires. Un stress oxydatif élevé dans la dépression peut améliorer la peroxydation lipidique et exacerber les dommages aux gènes et aux protéines cellulaires, affectant la fonction neuronale et contribuant à la dégénérescence neuronale, à l’apoptose et à l’altération de la plasticité5. De plus, les altérations observées dans les présentations cliniques, les marqueurs biochimiques et les structures cérébrales chez les patients souffrant de dépression sont liées à l’apoptose. Des études d’imagerie révèlent une réduction du volume de l’hippocampe et une atrophie chez les patients souffrant de dépression, l’apoptose neuronale jouant potentiellement un rôle central dans ces changements6.

À l’heure actuelle, le traitement médicamenteux est la principale approche pour gérer la dépression, les inhibiteurs sélectifs de la recapture de la sérotonine (ISRS) et les inhibiteurs de la recapture de la noradrénaline (INR) étant fréquemment utilisés dans la pratique clinique7. Cependant, ces médicaments s’accompagnent d’effets indésirables importants. En plus des symptômes du système nerveux central comme les maux de tête et l’insomnie, la plupart des antidépresseurs présentent également des effets secondaires gastro-intestinaux, notamment des nausées et de la diarrhée 8,9. Certains antidépresseurs peuvent également provoquer un dysfonctionnement sexuel10, ce qui a un impact sévère sur les résultats du traitement et réduit l’observance thérapeutique chez les patients souffrant de dépression11. De plus, l’efficacité de ces médicaments est limitée pour certains patients. Des études métabolomiques récentes ont indiqué que des différences individuelles dans le microbiote intestinal peuvent influencer l’efficacité des médicaments12. Par conséquent, le développement de traitements plus sûrs et plus efficaces reste un objectif essentiel dans la recherche sur la dépression.

Les formulations de la médecine traditionnelle chinoise (MTC) ont démontré un potentiel significatif dans le traitement de la dépression, attribué à leurs effets synergiques impliquant de multiples composants, cibles et voies13. La MTC postule qu’un qi Yang vigoureux est essentiel au maintien de la vitalité du corps. Par conséquent, le professeur Yuanqing Ding, s’appuyant sur les principes uniques du diagnostic et du traitement de la MTC et sur une vaste expérience clinique, a proposé que « yang yu shen tui » est la pathogenèse fondamentale de la dépression. Sur la base de ce concept, il a développé Qiangzhifang (QZF) pour s’attaquer spécifiquement à cette pathogenèse14. L’application clinique du QZF dans le traitement de la dépression a démontré une efficacité significative, avec un taux d’efficacité total de 71,43 %15. QZF est composé de diverses matières médicinales traditionnelles chinoises, notamment 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) et réglisse (gan cao, GC) (Dossier supplémentaire 1). Des études ont montré que Polygala tenuifolia est riche en saponines et présente des effets neuroprotecteurs16. De même, la paire d’herbes Ramulus Cinnamomi-Paeonia lactiflora démontre une efficacité potentielle dans le soulagement de la douleur et de la dépression17. De plus, les saponines totales du ginseng peuvent réduire les niveaux de cytokines pro-inflammatoires de l’hippocampe, améliorer le comportement dépressif et atténuer les lésions nerveuses de l’hippocampe chez les rats18. La réglisse contient principalement des triterpénoïdes et des flavonoïdes. Les flavonoïdes totaux (LF) de la réglisse peuvent jouer un rôle antidépresseur en améliorant le comportement dépressif, en modulant la voie de signalisation BDNF/TrkB et en améliorant la plasticité synaptique19. Cependant, les mécanismes spécifiques sous-jacents aux effets antidépresseurs de la QZF restent flous, limitant ainsi son application à grande échelle.

Par conséquent, notre étude vise à établir un modèle de dépression CRS chez le rat, à démontrer l’effet thérapeutique de QZF sur la dépression chez le rat par le biais d’expériences comportementales et à évaluer systématiquement le mécanisme antidépresseur de QZF à l’aide de la pharmacologie en réseau et de la technologie d’amarrage moléculaire20. En clarifiant les composants actifs et les cibles potentielles de la QZF, les cibles principales de la dépression peuvent être localisées avec précision. Nous pensons qu’en explorant en profondeur le mécanisme d’action de la QZF, nous pouvons non seulement fournir des options de traitement plus sûres et plus efficaces aux patients souffrant de dépression, mais également fournir une base scientifique pour l’application de la MTC dans le traitement de la dépression.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Tous les protocoles expérimentaux ont été approuvés par le Comité d’éthique de l’expérimentation animale de l’Université de médecine traditionnelle chinoise du Shandong (numéro d’approbation : YYLW2023000327) et sont conformes au Guide pour le soin et l’utilisation des animaux de laboratoire publié par les National Institutes of Health. Dans cette expérience, nous avons utilisé 40 rats Wistar mâles sains, de grade SPF, avec un poids corporel moyen de (140 ± 10) g (Figure 1). Consultez la table des matériaux pour une liste de tous les matériaux, équipements et logiciels utilisés dans ce protocole.

1. Modèle de dépression chez le rat

  1. Hébergement et regroupement des animaux
    1. Entrez dans la salle d’élevage avec les animaux et numérotez-les à l’aide d’un instrument de marquage de la queue.
    2. Hébergez les rats individuellement dans des cages, en maintenant une température de 21 ± 2 °C et un cycle lumière/obscurité de 12 h/12 h.
    3. Acclimater les rats en laboratoire pendant 7 jours, en leur donnant un accès ad libitum à la nourriture et à l’eau tout en les manipulant quotidiennement pour s’adapter.
    4. Après la période d’acclimatation, mesurez le poids corporel et effectuez les tests de préférence de saccharose (SPT) et les tests en plein champ (OFT).
    5. Sur la base des données expérimentales, divisez les rats en quatre groupes, en vous assurant que chaque groupe se compose de 10 rats : le groupe témoin (CON), le groupe modèle (CRS), le groupe QZF et le groupe fluoxétine (F).
  2. Mise en place d’un modèle de rat de stress chronique par contention (CRS)
    1. Construisez le dispositif de retenue des rats. Choisissez un tube en plastique transparent d’un diamètre et d’une longueur adaptés à la taille21 du rat, permettant au rat de se tenir debout et de se retourner à l’intérieur tout en l’empêchant de s’échapper. Utilisez une perforatrice électrique pour créer des trous sur les côtés du tube en plastique et sur le couvercle afin d’assurer une bonne circulation de l’air.
    2. Placez délicatement les rats dans les dispositifs de contention (sauf ceux du groupe C) 1 h après l’administration intragastrique quotidienne du médicament, en vous assurant qu’ils sont dans une position confortable.
    3. Priver tous les groupes de rats de nourriture et d’eau pendant la période de contention. Une fois la période de contention terminée, donnez-leur suffisamment de nourriture et d’eau uniformément. Fixer la durée quotidienne de contention à 6 h (de 9:30 h à 15:30 h) et la maintenir pendant 28 jours consécutifs.

2. Intervention en matière de toxicomanie

  1. Administrer par gavage : 1 mL de solution/100 g de poids corporel, de la fluoxétine (2,7 mg·kg-1·jour-1) et du QZF (2 g·kg-1·jour-1)22. Fournir aux groupes C et CRS une solution saline normale équivalente pour un contrôle à une seule variable.
    REMARQUE : L’administration quotidienne du médicament a été effectuée à 08h00, commençant en même temps que l’établissement du modèle et se poursuivant tout au long de la période de modélisation de 28 jours.

3. Test de préférence au saccharose (SPT)

  1. Priver les rats de nourriture et d’eau pendant 24 heures avant le début de l’expérience.
  2. Préparez une solution aqueuse de saccharose à 1 % et versez la solution et l’eau pure dans les bouteilles des animaux de laboratoire pour la pesée. Mesurez la consommation d’eau pure et d’eau saccharose en pesant les bouteilles avant et après l’expérience.
  3. Placez une bouteille de solution de saccharose et une bouteille d’eau pure à la prise d’eau de chaque couvercle de cage à rats, une à gauche et une à droite, pour un accès libre à l’eau. Pour éviter que les rats ne privilégient un côté pour la consommation d’eau, inversez les positions des bouteilles d’eau à gauche et à droite après 30 minutes après le début de l’expérience.
  4. Après 1 h de l’expérience, retirez toutes les bouteilles d’eau, pesez-les rapidement et notez la consommation de solution de saccharose et d’eau pure. Calculez le rapport hebdomadaire de préférence pour le saccharose à l’aide de la formule suivante :
    Valeur de préférence du saccharose = figure-protocol-1 × 100 %

4. Mesure du poids corporel

  1. Pesez les rats chaque semaine à leur entrée dans le laboratoire et fixez l’heure fixée pour la pesée à 7h00. Établissez cet horaire pour faciliter l’observation des changements de poids corporel.

5. Test en champ ouvert (OFT)

  1. Avant le début de l’expérience, acclimatez les rats à la salle comportementale pendant 1 h et ajustez l’éclairage dans la boîte à champ ouvert pour assurer une distribution uniforme. Vérifiez que les rats sont clairement visibles dans le logiciel de suivi.
  2. Utilisez le système de suivi et d’analyse vidéo pour diviser la surface inférieure de la boîte à champ ouvert (50 cm x 50 cm x 50 cm) en neuf grilles carrées de surface égale. Désignez les huit grilles adjacentes aux murs comme la zone périphérique et la grille centrale comme la zone centrale.
  3. Placez le rat dans la zone centrale de la boîte à champ ouvert. Enregistrez les mouvements du rat pendant 5 minutes à l’aide du système de suivi vidéo.
  4. Après avoir testé chaque rat, nettoyez la chambre avec de l’éthanol à 75 % pour éliminer les odeurs résiduelles et éviter d’interférer avec le comportement du rat suivant. Entrez la distance totale (mm) des activités en plein champ et le nombre d’entrées dans la grille centrale dans les enregistrements OFT.

6. Test de nage forcée (FST)

REMARQUE : L’expérience de nage forcée chez le rat comprend une pré-expérience et une expérience formelle. Effectuez la pré-expérience 24 h avant l’expérience formelle, en suivant la même procédure, avec le rat nageant pendant 15 min.

  1. Transportez les animaux expérimentaux dans la salle comportementale au moins 30 minutes avant l’expérience pour leur permettre de s’acclimater à l’environnement.
  2. Préparez un cylindre d’eau cylindrique en plexiglas transparent (50 cm de haut, 20 cm de diamètre) et remplissez-le d’eau à 23-25 °C. Ajustez la profondeur de l’eau en fonction du poids de l’animal, en vous assurant que la queue de l’animal reste à une certaine distance du bas du cylindre.
  3. Placez lentement les rats dans le cylindre d’eau et restez silencieux tout au long de l’expérience. Activez la caméra et le système d’acquisition du signal. Observez et enregistrez la durée de l’immobilité flottante dans les 300 s. Retirez immédiatement les rats de l’eau et séchez-les à la fin de l’expérience.
  4. Après chaque séance, remplacez l’eau pour éviter toute influence sur le rat suivant.

7. Prédiction pharmacologique en réseau

  1. Collection de composés QZF et de cibles présumées
    1. Accédez à la base de données (https://old.tcmsp-e.com/)23, à la base de données HERB24 et à la base de données https://www.bidd.group/TCMID/ TCMID. Utilisez les huit noms TCM de QZF, y compris GZ, YZ, YZR, BS, CBM, RS, HJT et ZGC, comme mots-clés pour rechercher des composés actifs et des cibles des herbes. Collectez des objectifs du TCMSP et de la prédiction suisse des objectifs (http://www.swisstargetprediction.ch/). Définissez la valeur du filtre sur Probabilité* > 0.
      REMARQUE : En règle générale, les ingrédients ont été inclus comme ingrédients actifs en fonction de leurs caractéristiques pharmacocinétiques : biodisponibilité orale (OB) ≥ 30 % et caractéristiques similaires au médicament (DL) ≥ 0,1825.
  2. Prédiction des cibles de la maladie
    1. Recherchez le mot-clé « dépression » dans la base de données GeneCards (https://www.genecards.org/), obtenez les cibles génétiques associées à la dépression, téléchargez la feuille de calcul électronique des cibles de la maladie, filtrez les scores génétiques supérieurs à la valeur moyenne et compilez une liste de cibles de dépression26.
  3. Réseau médicament-composant-maladie-cible
    1. Créez une nouvelle feuille de calcul et remplissez-la avec des cibles liées à la dépression et des cibles médicamenteuses dans la même colonne. Cliquez sur Démarrer dans la barre de menu | Mise en forme conditionnelle | Règles de mise en surbrillance des cellules | Valeurs dupliquées. Sélectionnez un format (par exemple, « Remplissage rouge clair ») dans la boîte de dialogue qui s’affiche27, cliquez sur OK pour afficher les résultats.
    2. Lancez le logiciel d’analyse de réseau et importez le fichier tableur en cliquant sur Fichier dans la barre de menu | Importation | Réseau. Optimisez l’apparence du réseau en ajustant la taille et la couleur des nœuds dans le panneau Style situé dans le panneau de configuration de gauche. Effectuez une analyse de la topologie du réseau en cliquant sur Outils dans la barre de menu | Analyser le réseau27.
  4. Réseau d’interaction protéine-protéine (IPP)
    1. Accédez à l’outil Jvenn (https://jvenn.toulouse.inrae.fr/app/example.html), téléchargez les cibles composées et les cibles de maladie séparément, tracez les gènes de chevauchement (OGE) entre les cibles présumées composées et les cibles de maladie. Cliquez sur les chiffres de l’image et copiez-les dans une feuille de calcul et téléchargez l’image du diagramme de Venn.
    2. Accédez à la base de données STRING (https://stringdb.org/)28 et entrez les OGE de la feuille de calcul dans la base de données. Plus précisément, collez la liste de cibles qui se chevauchent l’anti-dépression QZF dans la boîte de dialogue Liste de noms . Sélectionnez Homo sapiens dans la section Organismes et cliquez sur RECHERCHER | CONTINUER. Sélectionnez l’option Exportations dans la barre de titre et téléchargez le tableau récapitulatif du réseau PPI aux formats PNG et TSV29.
  5. Criblage des protéines de base
    1. Démarrez le logiciel d’analyse de réseau (https://cytoscape.org/). Ensuite, dans la barre de menu, cliquez sur Fichier | Importation | Réseau | Fichier pour importer le fichier au format TSV généré à l’étapeprécédente 30.
    2. Sélectionnez Analyser le réseau dans la barre de menus et cliquez sur le bouton Analyser . Ensuite, affichez les résultats de l’analyse et comprenez les caractéristiques structurelles globales du réseau, telles que le nombre de nœuds, le nombre d’arêtes et le degré moyen.
    3. Sélectionnez Applications | Gestionnaire d’applications dans la barre de menus. Recherchez MCODE, installez le plug-in et exécutez-le pour obtenir la cible du hub. Ensuite, recherchez CytoNCA, installez le plug-in et concentrez-vous sur les trois valeurs de paramètre Degree, Centrality Closeness (CC) et Betweenness centrality (BC). Selon les valeurs de ces paramètres, criblez les nœuds avec des degrés supérieurs, CC et BC, qui sont généralement considérés comme des protéines centrales31.
  6. Analyse de l’enrichissement de l’ontologie génétique (GO) et de l’Encyclopédie de Kyoto des gènes et des génomes (KEGG)
    1. Ouvrez la plateforme bioinformatique (https://www.omicshare.com/). Cliquez sur le menu Outils , trouvez l’outil de conversion de gènes ID et cliquez dessus. Ensuite, cliquez sur le bouton de téléchargement du fichier , sélectionnez l’étape générée au cœur des gènes cibles et téléchargez la liste des ID de fichier convertis.
    2. Dans le menu Outils , cliquez sur l’outil Analyse d’enrichissement dynamique KEGG . Téléchargez la liste d’identification du gène. Dans l’option Espèce , sélectionnez Homo sapiens et cliquez sur le bouton Soumettre .
    3. Dans le menu Outils, cliquez sur l’outil Analyse d’enrichissement dynamique GO | Option génétique | Option de téléchargement de fichier. Sélectionnez la liste d’identification du gène et dans l’option Espèce, sélectionnez Homo sapiens. Sélectionnez le type de GO pour l’analyse, y compris le processus biologique, la fonction moléculaire et le composant cellulaire.
    4. Pour les résultats de l’analyse d’enrichissement KEGG et GO, définissez le seuil de filtrage sur p < 0,05. Organisez les comptes par ordre décroissant.

8. Vérification de l’amarrage moléculaire

  1. Visitez le site Web de PubChem (https://pubchem.ncbi.nlm.nih.gov/). Entrez les composés cibles dans la barre de recherche. Cliquez sur la structure 2D et téléchargez-la.
  2. Ouvrez la base de données PDB (https://www.Rcsb.org/). Sélectionnez la structure cristalline à haute résolution et contenant le ligand d’origine. Téléchargez le fichier PDB.
  3. Pour optimiser la structure des protéines, ouvrez le logiciel de visualisation moléculaire. Chargez le fichier PDB téléchargé. Supprimez les molécules d’eau et enregistrez le fichier PDB optimisé.
  4. Ouvrez le logiciel d’amarrage moléculaire et importez le fichier PDB optimisé. Dans AutoDockTools, cliquez sur Modifier | Supprimer l’eau pour supprimer les molécules d’eau. Cliquez sur Modifier | Ajouter des hydrogènes | Ajouter pour ajouter des atomes d’hydrogène à la protéine et au ligand29.
  5. Dans AutoDockTools, définissez la barre réceptrice sur receptor.pdbqt et la barre de ligand sur ligand.pdbqt. Ouvrez le pdbqt. pour afficher les sites de liaison de la protéine et du ligand et définissez la taille et la position de la boîte d’amarrage pour vous assurer qu’elle peut enfermer complètement la protéine réceptrice et le composé du ligand. Dans AutoDockTools, cliquez sur Grille | Définissez la boîte de grille pour définir les coordonnées centrales et les dimensions de la boîte et utilisez les valeurs par défaut pour l’ancrage moléculaire. Les cadres d’amarrage seront automatiquement triés par ordre décroissant d’énergies de liaison.
  6. Ouvrez le fichier de résultats et enregistrez la valeur optimale de l’énergie de liaison. Des énergies de liaison plus faibles indiquent une liaison plus stable. Utilisez le logiciel de visualisation moléculaire pour charger le fichier de résultat. Ajustez la vue et la couleur pour afficher clairement l’interaction ligand-récepteur.

9. Analyse statistique

  1. Effectuer une analyse statistique dans le logiciel d’analyse et de visualisation des données scientifiques et représenter toutes les données sous forme ± moyenne SEM. Utiliser l’ANOVA à deux facteurs à mesures répétées pour les comparaisons entre les groupes avant et après l’administration du médicament. Utiliser l’ANOVA à un facteur pour les comparaisons entre plus de deux groupes.
  2. Prenons la valeur de P < 0,05 comme statistiquement significative.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Résultats d’un test comportemental dans le modèle de dépression chez le rat induit par le CRS

Résultats du test de préférence pour le saccharose
Au départ, il n’y avait pas de différence dans le coefficient de préférence du saccharose entre les groupes (P > 0,05). Après 28 jours d’intervention, le coefficient de préférence du saccharose du groupe CRS était significativement inférieur à celui du groupe CON (P < 0,05), tandis que les ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Le CRS est une méthode largement utilisée pour établir des modèles animaux de dépression. Ce modèle imite le stress psychologique chronique rencontré dans la vie humaine et induit des comportements de type dépression chez les rats35. Dans cette étude, le tube de retenue pour rats a été fabriqué à partir de plastique transparent, assurant la sécurité des animaux tout en permettant une observation claire pendant l’expérience. Le tube transparent mesurait environ 18 ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs n’ont aucun conflit d’intérêts à déclarer.

Remerciements

La recherche a été soutenue par la Fondation nationale des sciences naturelles de Chine (82374311), le projet de construction de la théorie de base de la médecine traditionnelle chinoise (MTC) de haut niveau de l’Administration d’État de la médecine traditionnelle chinoise (MTC) (zyyzdxk-2023118), le projet de construction du studio des experts nationaux en médecine traditionnelle chinoise (Lettre nationale d’éducation en médecine chinoise n° 75) et la Fondation des sciences naturelles de la province du Shandong (ZR2022LZY016). Les granules QZF ont été préparés par le Département des produits pharmaceutiques de l’hôpital affilié de l’Université de médecine traditionnelle chinoise du Shandong.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Système d’analyse du comportement animalShanghai Xinsoft Information Technology Co., LTDXR-SuperMaze
Outils d’amarrage automatiqueL’Institut de recherche Scripps
Cytoscape  ; logicielCytoscape ConsortiumÉdition 3.7.2
Perforateur de fer à souder électriqueNanjing Naiwei Technology Co., Ltd.
FluoxétineLilly Suzhou Pharmaceutical Co., LTD
Système expérimental en plein champShanghai Xinsoft Information Technology Co., LTDXR-XZ301
PyMolSchrö ; dinger
Qiangzhifang  ;Hôpital affilié de l’Université de médecine traditionnelle chinoise du Shandong, Jinan, Chine
Tube en plastique transparent  ;Nantong Baiyang Plastic Products Co., Ltd.  ;

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Tests comportementauxAmarrage mol culaireVoie HIF 1Voie JAK STATM decine traditionnelle chinoise

Articles connexes