$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Toutes les procédures de pharmacologie du réseau ont été effectuées conformément aux Lignes directrices pour les méthodes d’évaluation de la pharmacologie du réseau21. Le flux de travail complet de pharmacologie en réseau adopté dans cette étude est illustré schématiquement à la figure 2.
Synthèse de dérivés de thiazolone
Les dérivés de thiazolone dans cette étude ont été synthétisés dans nos travaux précédents19, par une réaction de propargylation asymétrique à distance catalysée par le cuivre. La réaction a utilisé CuI comme catalyseur et un ligand chiral Pybox (L1) comme noyau de stéréocontrôle, dans un système de base DIPEA et de solvant de méthanol à -10 °C pendant 48 h, obtenant un couplage énantiosélectif élevé entre les esters de propargyle et les thiazolones. Le produit cible a été obtenu avec un rendement allant jusqu’à 89 %, un rapport énantiomérique (re) de 97,8:2,2 et un rapport diastéréoisomérique (dr) de 17,8:1. Pour des informations détaillées sur les méthodes de synthèse de cette série de composés, veuillez vous référer aux études précédentes19. Cette méthode a démontré une large applicabilité de substrat, accueillant des aryles (ortho-, méta-, para-substituants), des chaînes aliphatiques et des esters de propargyle à cycle fondu, ainsi que divers thiazolones substitués, avec des rendements allant de 51 % à 98 %. Cette stratégie construit pour la première fois efficacement des cadres de thiazolone multi-chiraux dans un processus en une seule étape, offrant une approche hautement sélective et simple pour la synthèse de molécules médicamenteuses chirales avec des applications potentielles significatives en chimie médicinale.
Prédiction pharmacologique en réseau
Prédiction cible du dérivé du thiazolone : Les représentations structurelles des dérivés du thiazolone ont été générées à l’aide du logiciel KingDraw, et les fichiers structurels correspondants ont ensuite été convertis en SMILES ID via le logiciel Open Babel. Pour prédire les cibles thérapeutiques potentielles contre la DR, nous avons utilisé une approche computationnelle complète utilisant trois bases de données distinctes de prédiction de cibles : SwissTargetPrediction (http://swisstargetprediction.ch/), TargetNet (http://targetnet.scbdd.com) et SuperPred (https://prediction.charite.de). Pour l’analyse TargetNet, nous avons mis en place un critère de filtrage strict en sélectionnant des gènes dont la probabilité > 0. Dans la base de données SuperPred, nous avons appliqué des paramètres de sélection plus rigoureux, en ne retenant que les gènes présentant une précision du modèle > 90 % et une probabilité > 60 %, garantissant des prédictions cibles à haut niveau de confiance.
Prédiction des cibles de RD : Sur la base de la base de données GeneCards (https://www.genecards.org/) et de la base de données OMIM (https://omim.org/), nous avons effectué une recherche de rhabdomyosarcome. Pour les données provenant de la base de données GeneCards, nous avons filtré les résultats avec un score supérieur à 20 pour obtenir les gènes associés au rhabdomyosarcome.
Construction et analyse de réseaux d’interaction protéine-protéine (IPP) : Les cibles potentielles des dérivés de thiazolone et les gènes associés à la DR ont été recoupés. Les cibles potentielles pour le traitement du rhabdomyosarcome embryonnaire humain par des dérivés de thiazolones ont été téléchargées dans la base de données STRING (https://www.string-db.org/) pour l’analyse de la relation IPP (interaction protéine-protéine) cible à haut niveau de confiance. Le réseau PPI a été construit dans le logiciel Cytoscape (http://www.cytoscape.org/), et les cibles principales ont été sélectionnées en fonction des valeurs de degrés.
Construction d’un réseau de voies composé-maladie-cible : Le réseau de voies médicament-cible peut voir clairement les cibles des composés et des maladies et les voies impliquées dans ces cibles, afin d’identifier les cibles clés et les voies possibles pour la thérapie composée pour la DR. Tout d’abord, créez la table de réseau et la table attributaire dans la feuille de calcul. Le contenu de la table du réseau comprend principalement la correspondance entre le composé et la cible principale, la correspondance entre la cible principale et la voie impliquée, et la correspondance entre RD et la voie principale. Le contenu de la table attributaire consiste principalement à classer et à nommer toutes les informations de la table du réseau. Après cela, ouvrez le logiciel Cytoscape, téléchargez la netlist à l’emplacement de chargement, définissez le point de départ, le point d’arrivée, téléchargez la table attributaire et enfin modifiez la forme de l’image.
Annotation fonctionnelle intégrée et analyse pharmacologique en réseau - Construction Gene Ontology (GO) Enrichment, Kyoto Encyclopedia of Genes and Genomes (KEGG) : L’analyse de l’enrichissement GO et KEGG des cibles principales a été réalisée par la base de données DAVID (https://david.ncifcrf.gov/). Selon l’ordre de la valeur P de petit à grand, les 10 principaux éléments du processus biologique (BP), du composant cellulaire (CC) et de la fonction moléculaire (MF) dans GO ont été sélectionnés pour l’analyse, et les 20 principaux éléments de KEGG ont été analysés, et les cartes à bulles GO et KEGG des cibles principales ont été créées sur la base de la plateforme de micro-bioinformation en ligne.
Amarrage moléculaire : Les protéines cibles du noyau ont été sélectionnées à partir de la base de données PDB (https://www.rcsb.org/), et les fichiers structurels des cibles du cœur ont été téléchargés. Initialement, les protéines ont été déshydratées à l’aide du logiciel PyMol, puis séparées des ligands et des récepteurs. Par la suite, les protéines ont été hydrogénées à l’aide du logiciel ADFRSuite, et les paramètres de la boîte de grille pour le logiciel d’amarrage moléculaire AutoDock ont été obtenus. Les fichiers pdbqt des dérivés de la thiazolidinone et des protéines cibles centrales ont été préparés à l’aide du logiciel AutoDock Vina. Des simulations d’amarrage moléculaire de dérivés de thiazolones et de protéines cibles centrales ont ensuite été réalisées. Enfin, les modèles d’amarrage moléculaire ont été visualisés à l’aide du logiciel PyMol.
Simulation de dynamique moléculaire : Le fichier PDB a été converti au format GRO compatible GROMACS en utilisant le champ de force amber99sb-ildn et le modèle d’eau TIP3P :
gmx pdb2gmx -f Pro.pdb -o Pro_temp_H.gro -ff amber99sb-ildn -water tip3p -ignh
Une boîte de délimitation périodique cubique a été ajoutée à une distance de 1,2 nm de la protéine :
gmx editconf -f Pro_temp_H.gro -o Pro_temp_H_box.gro -c -d 1.2 -bt cubique
La boîte était remplie de molécules d’eau TIP3P :
gmx solvate -cp Pro_temp_H_box.gro -o Pro_temp_H_box_water.gro -p topol.top
Le système a été neutralisé par l’ajout de nions :
gmx grompp -f ions.mdp -c Pro_temp_H_box_water.gro -p topol.top -ions.tpr
gmx genion -s ions.tpr -o Pro_temp_H_box_water_ion.gro -p topol.top -neutre
La minimisation de l’énergie a été effectuée :
gmx grompp -f minim.mdp -c Pro_temp_H_box_water_ion.gro -p topol.top -o em.tpr
gmx mdrun -v -deffnm em
L’équilibrage NVT a été effectué :
gmx grompp -f nvt.mdp -c em.gro -r em.gro -p topol.top -o nvt.tpr
gmx mdrun -deffnm nvt -v
L’équilibrage du TNP a été effectué :
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
La simulation de la dynamique moléculaire de production a été initiée :
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
Une fois les simulations terminées, les trajectoires résultantes ont été analysées à l’aide de la dynamique moléculaire visuelle (VMD) et de PyMOL, et l’analyse de l’énergie libre de liaison entre les protéines et les ligands de petites molécules a été effectuée à l’aide du programme g_mmpbsa.
Évaluation des effets des médicaments sur la viabilité des cellules de DR
Les cellules RD (cellule embryonnaire de rhabdomyosarcome ; STR Authenticated) dans la phase de croissance logarithmique ont été trypsinisés pour créer une suspension cellulaire à une concentration de 1 x105 cellules/mL. Cette suspension a ensuite été ensemencée dans une plaque de 96 puits à une densité de 1 x 104 cellules/puits (100 μL par puits) et incubée à 37 °C avec 5 % de CO2 pour permettre l’adhésion cellulaire. Après l’adhésion, le milieu a été remplacé par 100 μL de milieu sans sérum contenant 1 % de FBS, et les cellules ont été affamées pendant 12 h. Ensuite, le milieu a été remplacé par 100 μL du milieu respectif contenant des concentrations variables de la substance d’essai. Les puits témoins ont été traités avec un milieu contenant du solvant ou un milieu normal, et les puits vierges contenant uniquement le milieu correspondant sans cellules ont été inclus. Les plaques ont été incubées à 37 °C avec 5 % de CO2 pendant 24 h (la durée a été déterminée par des expériences préliminaires comme étant optimale pour observer l’effet inhibiteur maximal de cette classe de composés sur les cellules RD. C’est-à-dire le temps nécessaire pour que la valeur OD de la densité cellulaire atteigne environ 1,0.). Par la suite, 10 μL de solution de CCK-8 ont été ajoutés à chaque puits, et les plaques ont été incubées pendant 1 à 4 h supplémentaires. Enfin, l’absorbance à 450 nm a été mesurée à l’aide d’un lecteur de microplaques. Les cellules traitées au solvant ont servi de groupe témoin, et les puits vierges ont été utilisés pour la correction de la ligne de base. La viabilité cellulaire a été calculée sur la base des lectures d’absorbance.
Taux de survie % = [(groupe témoin-blanc)-(groupe expérimental-blanc)]/(groupe témoin-blanc) x 100 %