Une étude de pharmacologie en réseau et d’amarrage moléculaire de la formule TongBi pour l’arthrose

Résumé

Ce protocole prédit les cibles thérapeutiques potentielles et les mécanismes moléculaires de la formule TongBi contre l’arthrose grâce à la pharmacologie en réseau et au docking moléculaire.

Résumé

Cette étude a appliqué la pharmacologie en réseau combinée au docking moléculaire pour prédire les cibles thérapeutiques potentielles et les mécanismes moléculaires de la formule TongBi (TBF) dans l’arthrose (OA). Les composants actifs et cibles correspondantes de la TBF ont été extraits de la base de données et plateforme d’analyse des systèmes de pharmacologie de la médecine chinoise traditionnelle, tandis que les cibles liées à l’OA ont été collectées à partir de l’hérédité mendélienne en ligne chez l’homme, GeneCards, DrugBank et Therapeutic Target Database. Un logiciel de visualisation et d’analyse de réseau a été utilisé pour construire des réseaux composé–cible et d’interactions protéine–protéine (IPP). L’annotation fonctionnelle de l’ontologie génique et les analyses d’enrichissement des voies de l’Encyclopédie Kyoto des gènes et génomes ont été réalisées à l’aide de la plateforme Database for Annotation, Visualization and Integrated Discovery. L’analyse du docking moléculaire a été réalisée à l’aide d’un logiciel de docking moléculaire pour évaluer l’affinité de liaison prévue entre les composés actifs clés et les protéines cibles centrales. Un total de 47 cibles chevauchantes entre TBF et OA ont été identifiées. L’analyse des réseaux PPI a mis en avant JUN, RELA, IL6, MAPK1 et IL10 comme cibles potentielles centrales. L’analyse d’enrichissement a suggéré que la TBF pourrait réguler l’inflammation, le métabolisme lipidique et de multiples voies de signalisation intracellulaires associées à la progression de l’OA. Les résultats du docking moléculaire ont démontré des affinités de liaison favorables prédites entre les composés actifs principaux et les cibles protéiques clés liées à l’OA. Ces résultats fournissent un cadre informatique pour comprendre les mécanismes potentiels de la TBF contre l’AO et soutiennent une validation expérimentale supplémentaire.

Introduction

L’arthrose (OA) est une maladie inflammatoire dégénérative du cartilage^{articulaire 1}. Actuellement, environ 58 millions d’adultes sont touchés par l’arthrose, et ce nombre devrait atteindre 78,4 millions d’ici 2040^. L’arthrose est une cause fréquente de douleurs articulaires et de troubles fonctionnels dans le^{monde 3}. En raison de la douleur intense associée à l’arthrose, les patients ressentent souvent un handicap important dans leur vie^{quotidienne 4}. L’âge, le sexe féminin, l’obésité et les lésions articulaires sont les principaux facteurs de risque pour l’arthrose⁵. Bien que la prévalence de l’arthrose soit extrêmement élevée et ait un impact significatif sur les systèmes de santé, les options de traitement disponibles restent^{limitées 6}. La médecine moderne adopte couramment des traitements symptomatiques tels que des anti-inflammatoires non stéroïdiens et des protecteurs du cartilage. Cependant, une administration prolongée provoque fréquemment des réactions indésirables, notamment des lésions gastro-intestinales et une fonction hépatique et rénale^{anormale 7}. Il est donc urgent de développer de nouvelles méthodes de traitement ou des thérapies alternatives pour l’arthrose.

La médecine traditionnelle chinoise (MTC) a accumulé une vaste expérience dans le traitement de l’arthrose, mettant l’accent sur la différenciation des syndromes et la régulation holistique. La formule TongBi (TBF) est une prescription classique composée principalement de Danggui, Danshen, Jixueteng, Haifengteng, Tougucao, Duhuo, Weilingxian et Xiangfu. Du point de vue de la MTC, la nature pathologique de l’arthrose provient principalement de l’invasion du vent-froid-humidité et de la stagnation du qi et du^{sang 8}. La compatibilité à base de plantes de la TBF est conçue pour s’adapter à ce mécanisme pathologique central, tous les composants médicinaux agissant en synergie pour dissiper le vent et l’humidité, draguer les méridiens et favoriser la circulation sanguine, correspondant ainsi aux caractéristiques typiques du syndrome de la MTC de l’arthrose. De plus en plus d’études cliniques suggèrent que la TBF modifiée pourrait soulager les douleurs articulaires et améliorer la fonction motrice des membres chez les patients atteints^{d’OA 9}. D’autres observations cliniques ont également démontré son potentiel à réguler les réponses inflammatoires dans les cas d’arthrose¹⁰, tandis qu’une méta-analyse récente a renforcé son applicabilité clinique à l’intervention^{arthrose 11}.

La TBF est traditionnellement utilisée pour dissiper le vent, déboucher les canaux, disperser le froid, éliminer l’humidité et favoriser la circulation sanguine ainsi que la nutrition. Cependant, les mécanismes spécifiques par lesquels la TBF exerce des effets thérapeutiques potentiels contre l’arthrose restent flous, et ses composants actifs ainsi que ses cibles clés restent à déterminer. Pour étudier ces mécanismes de manière plus systématique et complète, nous avons utilisé une approche de pharmacologie en réseau pour construire une carte réseau illustrant les relations entre les médicaments, les cibles et^{les maladies 12}. De plus, des analyses d’enrichissement de l’Ontologie Génique (GO) et de la Kyoto Encyclopedia of Genes and Genomes (KEGG) ont été réalisées afin d’explorer les mécanismes moléculaires potentiels et les voies de signalisation impliquées dans l’action pharmacologique de^{TBF 13}. Pour étudier systématiquement les mécanismes pharmacologiques des prescriptions de MTC, cette étude a établi un flux de travail analytique complet couvrant le criblage des ingrédients actifs, la prédiction des cibles, la construction de réseaux, l’analyse de l’enrichissement fonctionnel et l’amarrage moléculaire. Un tel cadre de recherche a été reconnu comme un paradigme standardisé et reproductible pour explorer les mécanismes moléculaires des formules MTC face à^{l’OA 14}. Les études méthodologiques existantes ont également soutenu la rationalité scientifique et l’applicabilité pratique de cette stratégie^{de recherche 15}. Au-delà de la normalisation méthodologique, la présente étude aide à définir la base matérielle et les objectifs réglementaires fondamentaux de la TBF en accès ologique. De plus, il fournit des références théoriques pour l’application clinique et la validation expérimentale future de la TBF, tout en proposant un cadre méthodologique réalisable pour l’exploration mécanistique d’autres prescriptions de MTC.

Dans cette étude, nous avons utilisé une approche de pharmacologie en réseau pour dépister les composants actifs et construire un réseau composé–cible combiné à des gènes cibles liés à l’OA. Des analyses d’enrichissement fonctionnel et des amarrages moléculaires ont ensuite été réalisées pour l’exploration mécanistique. La pharmacologie en réseau intègre des informations biologiques et pharmacologiques pour étudier les relations médicament–cible–maladie sous un angle global et multifacette¹⁶. Nous pensons que cette approche pourrait aider à clarifier les mécanismes pharmacologiques potentiels de la TBF et fournir une base théorique pour des recherches expérimentales ultérieures. Le flux de travail de l’étude est présenté à la Figure 1.

Figure 1. Flux de travail de la pharmacologie réseau et conception de l’étude d’amarrage moléculaire. Aperçu schématique du flux de travail analytique utilisé pour étudier les mécanismes potentiels de la formule TongBi (TBF) contre l’arthrose (OA). Le flux de travail comprenait le criblage des composés actifs, la prédiction de cibles, la collecte de cibles liées à l’OA, l’analyse d’intersection, la construction de réseaux, l’analyse des interactions protéine-protéine (PPI), des analyses d’enrichissement de l’ontologie génique (GO) et de la Kyoto Encyclopedia of Genes and Genomes (KEGG), ainsi que la validation du docking moléculaire. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Protocole

Aucun participant humain, vertébré ou échantillon de tissu n’a été impliqué dans cette étude. Toutes les analyses ont été réalisées à l’aide de bases de données bioinformatiques accessibles au public et d’approches d’amarrage moléculaire ; par conséquent, l’approbation éthique n’était pas requise.

Dépistage des composants et cibles correspondantes de TBF
Tous les ingrédients à base de plantes de TBF, y compris Danggui, Danshen, Jixueteng, Haifengteng, Tougucao, Duhuo, Weilingxian et Xiangfu, ont été recherchés dans la base de données et plateforme d’analyse de pharmacologie des systèmes TCM (TCMSP) (consulté en janvier 2026). Les termes de recherche exacts correspondaient aux noms latins standardisés de chaque médecine à base de plantes : Angelicae Sinensis Radix (Danggui), Radix Salviae (Danshen), Spatholobus suberectus Dunn (Jixueteng), Caulis Piperis Kadsurae (Haifengteng), Impatiens balsamina (Tougucao), Radix Angelicae Biseratae (Duhuo), Radix Clematidis (Weilingxian) et Cyperi Rhizoma (Xiangfu). Les composants chimiques ont été dépistés selon les seuils fixes de biodisponibilité orale (OB) ≥ 30 % et de ressemblance avec le médicament (DL) ≥ 0,18. Ces valeurs de seuil sont largement utilisées dans les études pharmacologiques des réseaux de MTC pour identifier des composés actifs biodisponibles et similaires aux médicaments présentant une activité potentielle in vivo. Les composés dépourvus de valeurs explicites d’OB ou DL dans la base de données ont été exclus afin de maintenir la fiabilité et la cohérence du criblage actif des composés.

Les cibles protéiques correspondantes des composés actifs criblés ont ensuite été récupérées dans la base de données pharmacologique de la MTC. La standardisation des gènes cibles a été réalisée à l’aide de la base de données d’annotation des protéines Universal Protein Resource (UniProt), l’espèce étant restreint à Homo sapiens (consulté en janvier 2026). Les noms originaux des protéines ont été convertis en symboles officiels de gènes humains, tandis que les entrées redondantes et non humaines ont été exclues manuellement. Les cibles dupliquées ont été supprimées par comparaison manuelle et compilation pour générer le jeu de données final de cibles TBF.

Identification des cibles liées à l’AO et des cibles thérapeutiques potentielles de la TBF pour l’AO
Les cibles liées à l’OA ont été récupérées en utilisant le terme de recherche exact « Arthrose » dans les bases de données Online Mendelian Inheritance in Man (OMIM), GeneCards, DrugBank et Therapeutic Target Database (TTD) (consulté en janvier 2026). Les cibles dupliquées obtenues à partir de différentes bases de données ont été supprimées manuellement par compilation et comparaison des données pour générer le jeu de données cible lié à l’OA. Pour les GeneCards, seules les cibles avec un score de pertinence ≥ 3 étaient conservées. Les cibles récupérées auprès d’OMIM, DrugBank et TTD en utilisant le mot-clé « Arthrose » n’ont pas été soumis à des critères de filtrage supplémentaires. Les cibles chevauchantes entre les cibles liées aux composés actifs et celles liées à l’AA ont été identifiées à l’aide de l’outil d’analyse en ligne Venn 2.1.0. L’analyse d’intersection a été réalisée pour déterminer les cibles thérapeutiques potentielles de la TBF contre l’arthrose.

Construction du réseau TBF–composant–cible
Les données d’interaction composant–cible ont été importées dans le logiciel de visualisation et d’analyse réseau Cytoscape 3.10.2 pour construire le réseau TBF–Composant–Cible (consulté en janvier 2026). Dans le réseau construit, les nœuds représentaient des composés à base de plantes et des gènes cibles, tandis que les arêtes représentaient les interactions entre les composés actifs et les cibles correspondantes. Pour éviter une analyse redondante, des composés dupliqués partagés entre plusieurs herbes ont été fusionnés en un seul nœud unique. L’analyse topologique des réseaux a ensuite été réalisée en utilisant la valeur de degré comme paramètre principal d’évaluation. Les composés actifs du cœur ont été identifiés selon leur rang de degré et sélectionnés comme candidats ligands pour une analyse ultérieure du docking moléculaire.

Construction du réseau PPI
Les cibles thérapeutiques potentielles ont été importées dans la base de données STRING PPI pour l’analyse des IPP (consulté en janvier 2026). Le paramètre d’espèce était limité à Homo sapiens, et le score minimal requis de confiance en interaction était fixé à 0,9, tandis que tous les paramètres restants étaient maintenus dans les paramètres par défaut. Les données d’interaction générées ont été exportées et visualisées davantage à l’aide du logiciel de visualisation et d’analyse réseau. L’analyse topologique du réseau PPI a été réalisée à l’aide du plugin d’analyse topologique du réseau CytoHubba. Le degré, la centralité entre les intermédiaires et la centralité de proximité ont été calculés pour évaluer l’importance des nœuds au sein du réseau d’interaction. Les protéines cibles principales ont été identifiées sur la base de caractéristiques topologiques intégrées et sélectionnées pour une analyse ultérieure du carambolage moléculaire. L’algorithme de centralité maximale des cliques a été adopté pour filtrer les cibles des hubs. Les nœuds sans partenaires interactifs ont été exclus, ce qui a entraîné un nombre moindre de nœuds dans le réseau final que dans l’ensemble de données cible importé d’origine.

ALLEZ et KEGG
Une analyse d’enrichissement fonctionnel GO et une analyse d’enrichissement des voies KEGG ont été réalisées pour étudier les fonctions biologiques potentielles et les voies de signalisation associées aux cibles thérapeutiques identifiées de TBF contre l’OA. L’analyse GO comprenait les trois catégories d’ontologies standard : processus biologique (BP), composante cellulaire (CC) et fonction moléculaire (MF), le processus biologique étant désigné comme principal axe d’interprétation.

L’analyse d’enrichissement fonctionnel a été réalisée à l’aide de la base de données pour l’annotage, la visualisation et la découverte intégrée (DAVID) en combinaison avec le logiciel d’analyse statistique R (version 4.3.1 ; consultée en janvier 2026). Les résultats d’enrichissement étaient traités et visualisés à l’aide du package clusterProfer , les fonctions dotplot et barplot étant utilisées pour générer des diagrammes d’enrichissement. Tous les gènes ciblés étaient annotés sur le fond Homo sapiens . La méthode de Benjamini–Hochberg a été appliquée pour la correction par essais multiples, et une valeur P ajustée < 0,05 a été considérée comme statistiquement significative.

La visualisation des résultats d’enrichissement GO et KEGG a été réalisée via la plateforme d’analyse en ligne MicrobiomeAnalyst/MicrobiomeNet (consulté en janvier 2026). Des graphiques en barres et des diagrammes à bulles ont été générés pour afficher les termes GO les plus significativement enrichis et les voies KEGG.

Amarrage moléculaire
Les noms officiels des gènes et les identifiants correspondants de la Protein Data Bank (PDB) des principales cibles ont été récupérés dans la base de données d’annotation des protéines17, et leurs structures cristallines tridimensionnelles ont été téléchargées depuis le RCSB PDB (consulté en février 2026). Pour chaque protéine cible, la chaîne A a été conservée comme structure du récepteur, tandis que les chaînes protéiques redondantes, les hétéroatomes et les fragments structuraux non apparentés ont été retirés lors de la préparation du récepteur. Les structures tridimensionnelles des composés actifs principaux ont été récupérées dans la base de données PubChem (consulté en février 2026). Dans cette étude, la quercétine a été choisie comme ligand d’amarrage représentatif car elle présentait la centralité topologique la plus élevée dans le réseau composant-cible et est un flavonoïde bien caractérisé avec des effets protecteurs rapportés contre la pathogenèse de l’OA.

Le prétraitement des récepteurs et des ligands a été réalisé à l’aide d’un logiciel de préparation au docking moléculaire, incluant l’élimination des molécules d’eau, l’ajout d’atomes d’hydrogène, le traitement par protonation et l’assignation de charges de Gasteiger. L’analyse d’amarrage moléculaire a ensuite été réalisée à l’aide du logiciel d’amarrage moléculaire version 1.5.7. Les dimensions des boîtes de grille ont été ajustées pour englober les régions de liaison prédites de chaque protéine cible. La boîte de grille était centrée sur la poche de liaison au ligand native de chaque protéine cible, avec une taille uniforme de 40 Å × 40 Å × 40 Å et un espacement de 0,375 Å. Les calculs d’amarrage ont été effectués avec un paramètre d’exhaustivité de 8, et neuf conformations de liaison candidate ont été générées pour chaque paire ligand–cible. La conformation d’amarrage avec la plus faible énergie de liaison prédite a été choisie comme pose de liaison représentative pour une interprétation structurelle ultérieure. La validation du réaccouplement et la comparaison des ligands à témoins positifs n’ont pas été réalisées dans cette étude. Toutes les procédures d’amarrage et les paramètres suivaient des protocoles standards couramment adoptés en pharmacologie des réseaux pour soutenir la fiabilité des modes de liaison prédits. Les conformations d’amarrage ont été visualisées à l’aide du logiciel de visualisation moléculaire version 2.5.4. Une énergie de liaison de ≤−5,0 kcal/mol était considérée comme indicative d’une liaison stable-récepteur du ligand.

Résultats

Composition chimique et criblage cible du TBF
Un total de 2 composantes actives de Danggui, 65 de Danshen, 24 de Jixueteng, 21 de Haifengteng, 6 de Tougucao, 9 de Duhuo, 7 de Weilingxian et 18 de Xiangfu ont été identifiées après la surveillance. Des informations détaillées sur les composés actifs criblés sont fournies dans le Tableau Supplémentaire 1. Un total de 2 672 cibles potentielles furent initialement récupérées, dont 266 pour Danggui, 689 pour Danshen, 236 pour Duhuo, 188 pour Haifengteng, 545 pour Jixueteng, 192 pour Tougucao, 102 pour Weilingxian et 454 pour Xiangfu. Des informations détaillées sur les cibles sont présentées dans le Tableau Supplémentaire 2. Après la suppression des entrées en double, 258 cibles non redondantes associées à TBF ont été obtenues.

Le réseau TBF–composant–cible
Le réseau TBF–Composant–Cible a été construit à partir de données extraites de la base de données pharmacologique de la MTC, comprenant 152 composés actifs, 258 cibles non redondantes et 8 nœuds de médecine à base de plantes. Ces données étaient organisées en deux fichiers, désignés comme « réseau » et « Type » (Tableau Supplémentaire 3). Après l’importation des fichiers dans le logiciel de visualisation et d’analyse réseau, un réseau complet contenant 578 nœuds et 3022 arêtes a été établi (Figure 2). Dans le réseau construit, les nœuds représentaient des plantes médicinales, des composés bioactifs et des protéines cibles correspondantes, tandis que les arêtes représentaient les interactions prédites entre composés et cibles. Une taille plus grande des nœuds et une intensité de couleur plus foncée indiquaient des valeurs de degré plus élevées et une connectivité réseau accrue. Sur la base du classement des degrés obtenus à partir d’analyses topologiques de réseaux, les cinq composés actifs les plus importants ont été identifiés comme la quercétine (A7-MOL000098), le bêta-sitotérol (B8-MOL000358), la lutéoline (A1-MOL000006), le kaempférol (C1-MOL000422) et le stigmastérol (C2-MOL000449).

Figure 2. TBF – Réseau d’interaction composant–cible. Visualisation en réseau des interactions entre TBF, composés actifs et gènes cibles prédits. Les nœuds représentent des plantes médicinales, des composés actifs ou des protéines ciblées, tandis que les arêtes représentent les interactions prédites entre composés et cibles. Une taille de nœud plus grande et une intensité de couleur plus foncée indiquent des valeurs de degré plus élevées et une connectivité réseau accrue. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Informations ciblées liées à l’arthrose et cibles thérapeutiques potentielles de la TBF
Le mot-clé « Arthrose » a été recherché dans quatre bases de données, fournissant 428 cibles potentielles liées à la maladie, dont 9 provenant de l’OMIM, 349 de GeneCards, 32 de DrugBank et 38 de TTD. Un diagramme de Venn illustrant la répartition cible entre les quatre bases de données est présenté à la Figure 3. Après fusion et suppression des entrées en double, 398 cibles uniques liées à l’OA ont été obtenues. L’analyse d’intersection entre cibles liées à l’AO et cibles associées aux composés actifs TBF a identifié 47 cibles qui se chevauchent, considérées comme des cibles thérapeutiques potentielles de TBF contre OA. Le diagramme de Venn correspondant généré à l’aide de l’outil d’analyse de Venn en ligne est illustré à la Figure 4.

Figure 3. Diagramme de Venn des cibles liées à l’OA extrait de plusieurs bases de données. Diagramme de Venn montrant le chevauchement entre cibles liées à l’OA identifiées dans les bases de données OMIM, GeneCards, DrugBank et Therapeutic Target Database (TTD). Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 4. Identification des cibles chevauchantes entre TBF et OA. Diagramme de Venn montrant l’intersection entre les cibles actives liées aux composés TBF et les cibles liées à l’OA. Les cibles qui se chevauchent ont été considérées comme des cibles thérapeutiques potentielles de la TBF contre l’arthrose. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Construction et analyse du réseau PPI
L’analyse du réseau PPI des 47 cibles qui se chevauchent a été réalisée à l’aide de la base de données PPI (Figure 5) puis visualisée à l’aide de logiciels de visualisation et d’analyse réseau. Lors de la construction du réseau, les nœuds déconnectés représentant des cibles isolées sans interactions protéine-protéine (IPP) ont été retirés selon les procédures topologiques standard du réseau, aboutissant à un réseau raffiné contenant 39 nœuds et 108 arêtes (Figure 6). La taille des nœuds et l’intensité de couleur reflétaient les valeurs de degré, indiquant l’importance relative des cibles au sein du réseau.

Figure 5. Réseau PPI STRING de cibles qui se chevauchent. Réseau PPI généré à l’aide de la base de données STRING pour les cibles qui se chevauchent entre TBF et OA. Les nœuds représentent les protéines cibles et les arêtes représentent les IPP prédits. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 6. Analyse du réseau PPI central. Réseau PPI affiné après la suppression des nœuds déconnectés. La taille des nœuds et l’intensité de couleur représentent les valeurs de degré et indiquent l’importance relative des cibles au sein du réseau. Les cibles principales incluant JUN, RELA, IL6, MAPK1 et IL10 ont démontré une connectivité réseau élevée. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

L’analyse topologique du réseau PPI a été réalisée à l’aide du plugin d’analyse topologique du réseau avec l’algorithme Degree pour calculer les caractéristiques topologiques des nœuds. Les 10 cibles les plus importantes classées par valeur de degré sont présentées dans le Tableau 1. Les cinq cibles les mieux classées, dont JUN, RELA, IL6, MAPK1 et IL10, ont été sélectionnées comme cibles principales pour une analyse ultérieure du docking moléculaire basée sur la valeur du degré, la centralité de proximité et la centralité entre les deux.

Analyse de la fonction biologique GO et des voies KEGG du TBF dans l’arthrose
L’analyse d’enrichissement GO a identifié plusieurs fonctions biologiques liées à l’OA, notamment l’activité des cytokines, la liaison des facteurs de transcription et l’activité des facteurs de croissance, suggérant l’implication potentielle de la TBF dans la régulation de l’inflammation, de l’activité transcriptionnelle et de l’homéostasie du cartilage. Les 20 termes GO enrichis les plus importants ont été classés selon les valeurs de comptage et visualisés à l’aide d’un graphique en barres (Figure 7). L’analyse d’enrichissement des voies KEGG s’est concentrée sur les voies de signalisation liées à l’OA, y compris les produits finaux de glycation avancés – la voie de signalisation des récepteurs pour les produits finaux avancés de glycation, la voie de signalisation de l’interleukine-17 (IL-17), la voie de signalisation du facteur de nécrose tumorale (TNF) et la voie de signalisation des récepteurs des lymphocytes T, qui sont associées à la régulation inflammatoire, au catabolisme des chondrocytes et aux réponses immunitaires dans l’OA. Les voies liées aux maladies infectieuses identifiées lors de l’analyse d’enrichissement n’ont pas été interprétées comme des mécanismes directs d’arthrope dans la présente étude. L’analyse des voies KEGG a été réalisée à l’aide du logiciel d’analyse statistique pour générer une visualisation du diagramme de bulles (Figure 8). Un total de 20 voies de signalisation significativement enrichies ont été identifiées. Ces résultats suggèrent que la TBF pourrait réguler les processus biologiques liés à l’OA et les voies de signalisation via un mécanisme pharmacologique multi-cibles.

Figure 7. Analyse d’enrichissement GO des cibles thérapeutiques potentielles. Graphique de barres montrant les 20 principaux termes enrichis de GO associés aux cibles thérapeutiques potentielles de TBF contre l’OA. Les termes enrichis incluent les processus biologiques, les fonctions moléculaires et les composants cellulaires liés à l’inflammation, à la régulation transcriptionnelle et à l’homéostasie du cartilage. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 8. Analyse d’enrichissement des voies KEGG des cibles thérapeutiques potentielles. Visualisation par diagramme de bulles des voies de signalisation KEGG enrichies par le dessus associées aux cibles thérapeutiques potentielles de TBF contre l’OA. La taille de la bulle représente le nombre de gènes enrichis, tandis que l’intensité de la couleur reflète le niveau de signification de l’enrichissement. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Vérification par amarrage moléculaire
Pour approfondir les interactions potentielles de liaison entre le composé actif majeur de TBF et les cibles principales identifiées dans le réseau PPI, une analyse d’amarrage moléculaire a été réalisée entre la quercétine, le composé actif le mieux classé dans le réseau composant-cible, et les cinq cibles principales : JUN, RELA, IL6, MAPK1 et IL10 (Tableau 2). La quercétine a démontré la plus grande importance topologique dans le réseau composant-cible et a été largement rapportée comme un composé bioactif représentatif associé à l’activité anti-inflammatoire et à la régulation du métabolisme^{cartilagineux 18,19}. Les énergies de liaison prédites étaient de −8,4 kcal/mol pour JUN, −7,6 kcal/mol pour RELA, −6,9 kcal/mol pour IL6, et −6,7 kcal/mol pour MAPK1 et IL10, indiquant des affinités de liaison favorables prédites entre la quercétine et les cibles centrales sélectionnées. La visualisation des conformations de liaison ligand-récepteur facilitait l’interprétation des interactions moléculaires potentielles. La version 2.5.4 du logiciel de visualisation moléculaire a été utilisée pour visualiser les conformations d’amarrage optimales entre la quercétine et les cinq cibles principales (Figure 9–13).

Figure 9. Modèle d’amarrage moléculaire de la quercétine avec JUN (ID PDB : 1JNM). Conformation d’amarrage moléculaire tridimensionnelle de la quercétine liée à JUN. La quercétine était prédite pour se lier dans le domaine bZIP de JUN et s’intégrer dans la cavité de liaison hydrophobe avec une complémentarité structurelle. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 10. Modèle d’amarrage moléculaire de la quercétine avec RELA (ID PDB : 7LEU). Conformation d’amarrage moléculaire tridimensionnelle de la quercétine liée à RELA. On prévoyait que la quercétine interagissait avec la région active du domaine d’homologie de Rel RELA par des interactions non covalentes. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 11. Modèle d’amarrage moléculaire de la quercétine avec IL6 (ID PDB : 1ALU). Conformation d’amarrage moléculaire tridimensionnelle de la quercétine liée à IL6. La quercétine était prédite comme occupant le sillon conservé de liaison aux récepteurs de l’IL6. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 12. Modèle d’amarrage moléculaire de la quercétine avec MAPK1 (ID PDB : 6D5Y). Conformation d’amarrage moléculaire tridimensionnelle de la quercétine liée à MAPK1. La quercétine était prévue pour occuper la poche de liaison à l’ATP de MAPK1, suggérant des interactions potentielles liées aux kinases. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 13. Modèle d’amarrage moléculaire de la quercétine avec IL10 (ID PDB : 1ILK). Conformation d’amarrage moléculaire tridimensionnelle de la quercétine liée à IL10. La quercétine a été prédite comme interagissant près de la région d’interface dimère de l’IL10 et pourrait contribuer à la stabilisation du complexe protéique. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Disponibilité des données :
Toutes les données soutenant les résultats de cette étude sont incluses dans le manuscrit, les tableaux, les figures et les documents complémentaires. Le tableau supplémentaire 1 contient les composés actifs filtrés de la formule TongBi (TBF), le tableau supplémentaire 2 fournit les informations cibles prédites correspondantes, et le tableau supplémentaire 3 contient les données de codage et d’interaction réseau utilisées pour la construction et l’analyse topologique.

Gene	Nom de protéine	Diplôme	Centralité de proximité	Centralité entre les deux
JUIN	Facteur de transcription AP-1	18	0.58	0.22
RELA	Facteur de transcription p65	15	0.56	0.15
IL6	Interleukin 6	14	0.59	0.33
MAPK1	Kinase protéique activée par mitogène 1	13	0.54	0.16
IL10	Interleucine 10	10	0.47	0.12
ESR1	Récepteur œstrogène	10	0.44	0.03
IL2	Interleukine 2	9	0.53	0.05
AKT1	RAC-alpha sérine/thréonine-protéine kinase	9	0.44	0.04
MMP1	Métallopeptidase matricielle 1	8	0.44	0.03
MMP2	Métallopeptidase matricielle 2	8	0.44	0.03

Tableau 1 : Paramètres topologiques des cibles principales dans le réseau PPI. Paramètres topologiques des principales cibles identifiées dans l’analyse du réseau PPI. Le degré, la centralité de proximité et la centralité entre les nœuds ont été calculés pour évaluer l’importance des ganglions et identifier les cibles thérapeutiques principales associées à la TBF contre l’OA. Les cibles avec des valeurs de degré et de centralité plus élevées étaient considérées comme plus importantes au sein du réseau d’interaction.

Cible	PDB ID	Coordonnées du site actif (X, Y, Z)	Ligand	Affinité de liaison (kcal/mol)
JUIN	1JNM	X = 10,201 ; Y = 0,493 ; Z = 19,492	Quercétine	−8,4
RELA	7LEU	X = 1,717 ; Y = 23,889 ; Z = −0,778		−7,6
IL6	1ALU	X = 2,599 ; Y = −20,016 ; Z = 8,749		−6,9
MAPK1	6D5Y	X = 7,052 ; Y = 12 800 ; Z = 20,749		−6,7
IL10	1ILK	X = 17,836 ; Y = 46,443 ; Z = 38,685		−6,7

Tableau 2 : Paramètres d’amarrage moléculaire et affinités de liaison entre la quercétine et les protéines cibles principales. Un amarrage moléculaire résulte entre la quercétine et les protéines cibles principales sélectionnées JUN, RELA, IL6, MAPK1 et IL10. Le tableau présente les identifiants de la Protein Data Bank (PDB), les coordonnées du centre de grille du site actif utilisées pour les calculs d’amarrage, ainsi que les valeurs prédites d’affinité de liaison obtenues à partir de l’analyse d’amarrage moléculaire. Des valeurs d’énergie de liaison plus faibles indiquent une affinité de liaison ligand–récepteur prédite plus forte.

Tableau complémentaire 1 : Composés actifs identifiés à partir de TBF. Informations détaillées sur les composés actifs sélectionnés à partir de TBF, incluant les noms des composés, les identifiants moléculaires, les valeurs OB, les valeurs DL et les sources herborales correspondantes. Veuillez cliquer ici pour télécharger ce fichier.

Tableau complémentaire 2 : Cibles prédites correspondant aux composés actifs de TBF. Liste complète des cibles protéiques prédites correspondant aux composés actifs criblés de TBF, incluant les symboles génétiques humains standardisés obtenus après la normalisation et la déduplication de la cible. Veuillez cliquer ici pour télécharger ce fichier.

Tableau complémentaire 3 : Informations de codage réseau pour le réseau TBF–Composant–Cible. Informations détaillées de codage utilisées pour la construction du réseau d’interaction composant–cible TBF, incluant les identifiants moléculaires, les informations sur la cible, les relations réseau et les données de classification des nœuds utilisées pour l’analyse topologique du réseau. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

Cette étude a utilisé des approches de pharmacologie en réseau et d’amarrage moléculaire pour étudier les mécanismes potentiels de la TBF contre l’OA. Les principales plantes analysées comprenaient Danggui, Danshen, Jixueteng, Haifengteng, Tougucao, Duhuo, Weilingxian et Xiangfu. Des études antérieures ont démontré que Danggui (Angelica sinensis Radix) peut atténuer les modifications pathologiques liées à l’OA, notamment la dégénérescence du cartilage, la sclérose osseuse sous-chondrale, une démarche anormale et un gonflement du genou lors de la déstabilisation des modèles du ménisque^{médian 20}. Dans les modèles de cellules OA induites par l’IL-1β, Danggui a réduit l’accumulation d’espèces réactives d’oxygène et augmenté l’activité des enzymes antioxydantes, notamment la superoxyde dismutase et le glutathion²¹. La danshenindione IIA, un constituant actif de Salvia miltiorrhiza, a été rapportée pour atténuer la dégénérescence cartilagineuse, restaurer l’homéostasie du remodelage osseux sous-chondral et supprimer l’angiogenèse anormale dans les modèles murins^{d’OA 22}. De plus, des composants dérivés de S. miltiorrhiza peuvent réguler le stress oxydatif et le métabolisme osseux^23,24. Spatholobus suberectus Il a été rapporté que Dunn régule les voies de signalisation PI3K/Akt/mTOR et Ras/Raf/^{MAPK 25}, qui sont associées au métabolisme du cartilage et à la progression de l’OA. Les extraits de S. suberectus Dunn inhibent également la production de chimiokines^{pro-inflammatoires 26}. De plus, les activités anti-inflammatoires et antioxydantes rapportées pour Impatiens balsamina peuvent être pertinentes pour la pathogenèse de l’arthrose car l’inflammation chronique et le stress oxydatif contribuent à la dégénérescence^{du cartilage 27}. Radix Angelicae Biseratae a également été associée à une amélioration de la circulation sanguine et à l’atténuation des symptômes liés à^{l’arthrite 28,29}. Des études limitées ont examiné les effets thérapeutiques potentiels du Jixueteng (Spatholobus suberectus Dunn), du Haifengteng (Caulis Piperis Kadsurae) et du Xiangfu (Rhizome de cyperi) chez l’OA.

La prédiction computationnelle basée sur le réseau IPP suggérait que la TBF pourrait exercer des effets thérapeutiques contre l’arthrose par la régulation des réponses inflammatoires et la protection du cartilage articulaire, bien que ces prédictions nécessitent une validation expérimentale supplémentaire. Les cibles de base avec des valeurs de degré relativement élevées dans le réseau PPI comprenaient JUN, RELA, IL6, MAPK1 et IL10. Des études antérieures ont démontré que JUN est associé au vieillissement des chondrocytes et à la progression de l’artrosi. Les souris à double mutants JunB/Jun présentent une infiltration inflammatoire dans les tissus articulaires accompagnée de destruction osseuse et^{de périostitis 30}. Des analyses transcriptomiques du cartilage et du synovium ostéoarthritiques ont également montré une expression^{réduite de JUN 31}. De plus, une diminution de l’expression de la protéine JUN a été observée dans les modèles d’OA induits par la transection du ligament croisé antérieur et dans les chondrocytes^{sénéscents 32}. Des études antérieures ont également suggéré que la signalisation liée au JUN pourrait réguler la dégénérescence cartilaginique, l’apoptose, l’autophagie et le métabolisme de la matrice extracellulaire dans les chondrocytes^{OA 33}. Des études antérieures ont également démontré que les fragments dérivés de l’ARN de transfert régulent la prolifération et la survie des chondrocytes articulaires via les voies de signalisation associées à^{RELA 34}. De plus, la régulation à la hausse du gène Sox9 combinée à l’inhibition de l’expression de RELA dans les cellules stromales mésenchymates a renforcé les capacités chondrogéniques et immunomodulatrices et ralenti la progression de l’OA dans les modèles^{expérimentaux 35}. Ces résultats soutiennent la pertinence potentielle des voies de signalisation liées à JUN et RELA identifiées dans la présente analyse computationnelle.

L’IL6 est un médiateur inflammatoire clé dans l’arthrose et joue un rôle important dans le métabolisme du cartilage en influençant à la fois la dégradation et les processus de réparation. Dans les affections inflammatoires chroniques de faible grade, des niveaux élevés d’IL6 contribuent à la sénescence des chondrocytes, à la réduction de la synthèse de la matrice cartilagineuse et à la perturbation de l’homéostasie du^{cartilage 36}. Des études antérieures ont démontré que la signalisation du récepteur IL6/JAK2 participe à la régulation de l’apoptose des cellules sénécentes, et que le retrait ciblé des cellules sénécentes peut atténuer la progression de^{l’OA 37}. De plus, Li Q et ses collègues ont rapporté que la régulation à la hausse de miR-186-5p régulait les réponses inflammatoires dans les chondrocytes stimulés par l’IL-1β, tandis que l’inhibition de miR-186-5p atténuait la progression de l’OA grâce à l’amélioration de l’expression^{de MAPK1 38}. Ces résultats confirment l’implication potentielle des voies de signalisation liées à IL6 et MAPK1 identifiées dans la présente analyse computationnelle.

IL10 joue un rôle protecteur dans l’homéostasie du cartilage et peut contribuer au maintien du microenvironnement cartilagineux. Des études antérieures ont démontré que l’IL10 inhibe l’apoptose des chondrocytes par la régulation des voies apoptotiques mitochondriales, la réduction de l’activité des caspases et la modulation du rapport Bax/^{Bcl-2 39}. De plus, l’IL10 a été associée à une réduction de la dégradation de la matrice extracellulaire et à une diminution de l’expression de facteurs liés à la dégradation de la matrice, notamment MMP3, MMP13, ADAMTS4 et la synthase inductible d’oxyde nitrique, dans les modèles⁴⁰ de cartilage articulaire comprimé. L’analyse d’enrichissement des voies KEGG dans la présente étude a suggéré que les voies de signalisation IL-17, TNF et facteur 1 inducible par hypoxie (HIF-1) pourraient être associées aux effets thérapeutiques prédits de TBF contre l’arthrose, bien que ces prédictions computationnelles nécessitent une confirmation expérimentale. Des études antérieures ont démontré que l’IL-17 contribue à la progression de l’OA par la régulation des réponses inflammatoires et de l’activité des cellules^{synoviales 41,42}. L’augmentation de l’expression d’IL-17 a également été positivement corrélée à la gravité de la maladie dans^{l’OA 43} du genou. Le TNF-α est un autre médiateur inflammatoire majeur associé à l’inflammation, la douleur et la dégénérescence du cartilage liées à l’OA, et l’inhibition de la signalisation du TNF-α peut atténuer la progression^{de la maladie 44}. De plus, HIF-1α joue un rôle important dans le métabolisme hypoxique des chondrocytes, la régulation de la matrice extracellulaire, l’inflammation synoviale et le remodelage osseux sous-chondral chez^{OA 45}. Des études antérieures ont également suggéré que l’inhibition de la signalisation liée à HIF-1α pourrait protéger la fonction des chondrocytes et réduire la dégénérescence^{cartilagineuse 46}. Ces résultats sont cohérents avec les voies de signalisation identifiées par la présente analyse d’enrichissement computationnel.

Cette étude in silico présente plusieurs limites importantes. Premièrement, l’analyse s’est appuyée sur des bases de données publiques, qui peuvent contenir des informations incomplètes ou biaisées concernant les composés à base de plantes et les annotations ciblées. De plus, les méthodes de prédiction de cibles computationnelles impliquent une incertitude inhérente, et les interactions prédites identifiées dans cette étude nécessitent une vérification expérimentale. L’analyse par amarrage moléculaire reflète un potentiel de liaison théorique plutôt que l’activité physiologique ou pharmacologique directe. De plus, aucune expérience in vitro ou in vivo n’a été menée pour valider les prédictions computationnelles. Des facteurs tels que la posologie des plantes, la pharmacocinétique et la biodisponibilité globale de la formule combinée n’ont pas non plus été évalués. Par conséquent, toutes les conclusions tirées de la présente étude doivent être considérées comme prédictives et nécessitent une confirmation expérimentale supplémentaire.

La présente étude, basée sur la pharmacologie des réseaux et les analyses d’amarrage moléculaire, fournit un cadre prédictif pour étudier les mécanismes potentiels de la TBF contre l’arthrose. Les résultats ont suggéré que la TBF pourrait réguler plusieurs cibles liées à l’OA par des interactions entre composés actifs dérivés de ses huit herbes constitutives. Les cibles identifiées étaient enrichies par des processus biologiques et des voies de signalisation associées à la régulation inflammatoire, au métabolisme lipidique et à la signalisation liée à l’hypoxie, y compris les voies IL-17, TNF et HIF-1. L’analyse du docking moléculaire a également démontré des affinités de liaison prédites favorables entre la quercétine et les cibles principales JUN, RELA, IL6, MAPK1 et IL10. Collectivement, ces résultats suggèrent que la TBF pourrait exercer des effets réglementaires multi-composantes et multi-cibles contre l’OA. Cette étude fournit également une stratégie théorique et un cadre méthodologique pour les futures études mécanistes et la validation expérimentale des formules MTC dans la recherche sur l’AO.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
AutoDockTools	Logiciel	Version 1.5.7; The Scripps Research Institute	https://autodock.scripps.edu/
AutoDock Vina	Logiciel	Version 1.5.7; The Scripps Research Institute	https://autodock.scripps.edu/
barplot function	Fonction de visualisation R	Package clusterProfiler	https://bioconductor.org/packages/clusterProfiler/
clusterProfiler	Package R	Package Bioconductor pour l'analyse d'enrichissement	https://bioconductor.org/packages/clusterProfiler/
CytoHubba	Plugin	Compatible avec Cytoscape 3.10.2	https://apps.cytoscape.org/apps/cytohubba
Cytoscape	Logiciel	Version 3.10.2; Cytoscape Consortium	https://cytoscape.org/
DAVID	Base de données	Base de données pour l'annotation, la visualisation et la découverte intégrée	https://david.ncifcrf.gov/
dotplot function	Fonction de visualisation R	Package clusterProfiler	https://bioconductor.org/packages/clusterProfiler/
DrugBank	Base de données	Université de l'Alberta	https://go.drugbank.com/
GeneCards	Base de données	GeneCards Suite	https://www.genecards.org/
MicrobiomeAnalyst / MicrobiomeNet	Plateforme en ligne	Plateforme de visualisation d'enrichissement en ligne	https://microbiomenet.com/
OMIM	Base de données	Online Mendelian Inheritance in Man	https://www.omim.org/
PDB	Base de données	RCSB Protein Data Bank	https://www.rcsb.org/
PubChem	Base de données	National Center for Biotechnology Information	https://pubchem.ncbi.nlm.nih.gov/
PyMOL	Logiciel	Version 2.5.4	https://pymol.org/
R	Logiciel	Version 4.3.1; R Foundation for Statistical Computing	https://www.r-project.org/
STRING	Base de données	Outil de recherche pour la récupération de gènes/protéines interactifs	https://cn.string-db.org/
TCMSP	Base de données	Base de données et plateforme d'analyse de pharmacologique des systèmes de médecine chinoise traditionnelle	http://tcmspw.com/tcmsp.php
TTD	Base de données	Base de données des cibles thérapeutiques	https://db.idrblab.net/ttd/
UniProt	Base de données	Universal Protein Resource	https://www.uniprot.org/
Venny	Logiciel	Version 2.1.0	https://bioinfogp.cnb.csic.es/tools/venny/index.html