Mécanismes de la formule 3 de Qu pour améliorer la réceptivité endométriale dans le SOPK : une combinaison de pharmacologie en réseau et de simulation de dynamique moléculaire

Résumé

Ce protocole vise à explorer le mécanisme par lequel QUF3 améliore la réceptivité endométriale dans le SOPK en utilisant la pharmacologie en réseau, le docking et la simulation MD.

Résumé

La réceptivité endométriale altérée est une cause majeure d’infertilité dans le syndrome des ovaires polykystiques (SOPK). La Formule 3 de Qu (QUF3) est une formule chinoise de médecine à base de plantes utilisée cliniquement pour améliorer la réceptivité endométriale chez les patients atteints de SOPK. Cette étude a utilisé la pharmacologie en réseau, le docking moléculaire et les simulations de dynamique moléculaire (MD) pour étudier les mécanismes sous-jacents. Les constituants actifs de QUF3 ont été identifiés à l’aide de la base de données TCMSP, et des cibles potentielles liées à la réceptivité endométriale et au SOPK ont été extraites de DrugBank et d’autres ressources. Un réseau d’interaction composé-cible et un réseau d’interaction protéine-protéine (PPI) ont été construits via Cytoscape pour identifier les cibles clés. Les cibles principales ont été soumises à des analyses d’enrichissement GO et KEGG. Le docking moléculaire, les simulations MD, l’analyse des composantes principales (PCA), le paysage d’énergie libre (FEL) et la matrice dynamique de corrélation croisée (DCCM) ont été utilisés pour évaluer les interactions de liaison. À partir de 91 principes actifs et 294 cibles potentielles de médicaments, 60 cibles liées à la maladie ont été identifiées. La lutéoline et la sesamin faisaient partie des principaux composants pharmacodynamiques. Dix cibles principales ont été identifiées : AKT1, EGFR, TNF, TP53, IL6, BCL2, ESR1, IL1B, STAT3 et MMP9. L’enrichissement KEGG a révélé 132 voies de signalisation, et l’analyse GO a identifié 678 entrées. Les simulations de MD ont indiqué que la liaison entre les cinq principaux constituants actifs et leurs cibles respectives était stable. PCA, FEL et DCCM ont également démontré une grande stabilité thermodynamique et une rigidité structurelle élevées de ces complexes. En conclusion, QUF3 améliore la réceptivité endométriale dans le SOPK grâce à des interactions multicomposantes, multicibles et multivoies. Cette étude fournit une base théorique, du point de vue de la simulation computationnelle, pour le développement de thérapies ciblées de médecine à base de plantes chinoises pour l’infertilité liée au SOPK, et pourrait avoir des implications positives pour améliorer les résultats de grossesse des femmes atteintes de SOPK à l’avenir.

Introduction

Le syndrome des ovaires polykystiques (SOPK) est l’un des troubles endocriniens les plus courants chez^{les femmes 1}. Ses principales caractéristiques incluent un dysfonctionnement ovulatoire chronique persistant, une hyperandrogénémie clinique ou biochimique, et une morphologie des ovaires polykystiques, avec des manifestations cliniques telles que l’aménorrhée, l’infertilité, l’hirsutisme, l’acné et l’obésité. Ces dernières années, les avancées dans l’induction de l’ovulation et la procréation assistée (TAR) ont significativement amélioré les taux de grossesse chez les patientes avec SOPK ; cependant, les résultats de grossesse restent inférieurs à ceux des femmes en bonne^{santé 2,3}. La réceptivité endométriale est un facteur clé influençant les résultats des^{TAR 4}. La réceptivité endométriale fait référence à la capacité de l’endomètre à accepter un embryon à un stade physiologique spécifique, ce qui joue un rôle décisif dans l’implantation et le développement ultérieur^{de l’embryon 5,6}. Les pathologies couramment observées dans le SOPK, telles que l’obésité, la résistance à l’insuline et l’inflammation chronique, peuvent altuer la réceptivité endométriale, entraver l’implantation fécondée des ovules et le développement embryonnaire, et conduire finalement à l’infertilité et à la fausse^{couche 7,8}. Néanmoins, les mécanismes régulateurs sous-jacents à la réceptivité endométriale dans le SOPK restent largement incertains, et le réseau d’interactions entre les différents facteurs influents reste à élucider. La formule 3 de Qu (QUF3), une formule chinoise de médecine herboriste utilisée cliniquement pour améliorer la réceptivité endométriale chez les patients atteints de SOPK, est soutenue par de solides théories classiques de la médecine traditionnelle chinoise (MTC) en gynécologie. La formule comprend Paeoniae Radix Alba (Baishao), Rehmanniae Radix Praeparata (Shudihuang), Cuscutae Semen (Tusizi), Fructus Ligustri Lucidi (Nvzhenzi), Herba Taxilli (Sangjisheng), Radix Salviae (Danshen) et Cornus Officinalis Sieb. et Zucc. (Shanzhuyu) dans un ratio de 2:4:3:4:3:3:2:2, préparé par extraction par reflux d’éthanol. QUF3 exerce des effets synergiques de plusieurs herbes, tonifiant le rein, enrichissant l’essence, nourrissant le sang et favorisant la circulation^{sanguine 9}. Son efficacité clinique dans l’amélioration de la réceptivité endométriale chez les patients atteints de SOPK a été bien validée, mais ses mécanismes pharmacologiques fondamentaux restent à étudier davantage.

La pharmacologie des réseaux est une approche analytique basée sur la biologie des systèmes qui construit des réseaux multi-niveaux « composante-plante-maladie-cible » afin de révéler, d’un point de vue holistique, les effets d’intervention des médicaments sur les réseaux pathologiques. Contrairement au modèle traditionnel « médicament unique-cible unique », la pharmacologie en réseau peut capturer de manière exhaustive les caractéristiques synergiques des actions « multi-composantes, multi-cibles et multi-voies » des formules de MTC, ce qui la rend particulièrement adaptée à l’étude des mécanismes complexes de la MTC. La simulation de la dynamique moléculaire (MD), en revanche, est une technique computationnelle basée sur la mécanique newtonienne qui simule, au niveau atomique, les changements conformationnels et le comportement dynamique des complexes protéine-ligand au fil du temps. Comparée à l’amarrage moléculaire statique, la simulation MD peut évaluer des paramètres dynamiques, tels que la stabilité de liaison, les paysages d’énergie libre et la rigidité structurelle, offrant ainsi une évaluation plus réaliste des interactions entre les molécules de médicaments et les protéines cibles. La pharmacologie en réseau convient au criblage global des cibles potentielles et des voies des formules de la MTC, tandis que la simulation de la MD peut évaluer dynamiquement la stabilité de liaison entre les composants clés et les protéines cibles. La combinaison de ces deux approches permet une analyse plus fiable des mécanismes synergiques multi-composantes et multi-cibles des formules de la MTC. Sur la base de cette logique, cette étude a utilisé une approche combinée de pharmacologie en réseau et de simulation de la DM pour explorer systématiquement les mécanismes pharmacologiques potentiels sous-jacents à l’amélioration de la réceptivité endométriale chez QUF3 chez les patients atteints de SOPK.

Ce flux de travail informatique combiné est le plus adapté à l’exploration initiale des mécanismes multi-composantes et multi-cibles des formules à base de plantes chinoises ou des produits naturels, en particulier pour des systèmes complexes dont les principes actifs et cibles sont largement inconnus. Les utilisateurs doivent posséder des connaissances de base en bioinformatique, y compris la recherche de bases de données et l’analyse de réseaux, ainsi que la capacité à réaliser des analyses fondamentales de biologie computationnelle telles que le docking moléculaire et les simulations de dynamique moléculaire à l’aide de logiciels courants. Un environnement informatique basé sur Linux avec au moins 16 Go de RAM est recommandé, ainsi qu’un accès à des bases de données publiques pertinentes telles que la Traditional Chinese Chinese Systems Pharmacology Systems Database and Analysis Platform (TCMSP), PubChem et UniProt. Tous les logiciels utilisés dans ce flux de travail (par exemple, Cytoscape, AutoDockTools, GROMACS) sont open source ou gratuits pour un usage académique, et les lecteurs peuvent les obtenir grâce aux informations fournies dans le Tableau des Matériaux.

Protocole

Dépistage des constituants actifs et des cibles potentielles de QUF3
Les composants chimiques actifs de Baishao, Shudihuang, Tusizi, Nvzhenzi, Sangjisheng, Danshen et Shanzhuyu dans le médicament QUF3 ont été identifiés à l’aide du TCMSP le^{1er avril 2025 10}. Les principes actifs ont été préliminairement dépistés en fonction des conditions de biodisponibilité orale (OB) ≥30 % et de ressemblance avec le médicament (DL) ≥ 0,18¹¹. Ces seuils ont été choisis comme critères empiriques standards afin d’assurer une absorption suffisante et des propriétés similaires à celles des médicaments. La séquence canonique SMILES de chaque composé a été recherchée dans la base de données PubChem, et la séquence résultante a été utilisée pour prédire les cibles composées dans la base de données en ligne Swiss Target Prediction, suivie de la collecte des noms de gènes des protéines cibles et des identifiants UniProt à partir de la base de données^UniProt 12,13,14. En tant que point de contrôle intermédiaire, le nombre de cibles uniques obtenues après la déduplication a été enregistré.

Identification des cibles d’action pour la réceptivité endométriale dans le SOPK
Les mots-clés « syndrome des ovaires polykystiques » et « réceptivité endométriale » ont été utilisés comme termes de recherche dans les bases de données Online Mendelian Inheritance in Man (OMIM), DrugBank, Therapeutic Target Database (TTD) et GeneCards pour identifier les cibles^{potentielles 15, 16, 17, 18}. Pour les GeneCards, seules les cibles avec un score de pertinence >5 étaient conservées ; pour les autres bases de données, toutes les cibles récupérées étaient incluses. Après fusion et suppression des entrées dupliquées, le nombre de cibles uniques associées à la maladie a été enregistré comme une sortie intermédiaire.

Construction réseau des composants et cibles
Les cibles d’intersection ont été générées en saisissant les cibles possibles pour QUF3, SOPK et réceptivité endométriale dans un outil de diagramme de Venn en ligne. Ces cibles d’intersection ont été considérées comme les cibles clés par lesquelles QUF3 exerce son efficacité dans l’amélioration de la réceptivité endométriale dans le SOPK. Par la suite, un réseau « herbe-constituant-cible » (H-C-T) a été créé en faisant correspondre ces cibles d’intersection avec les données actives-cibles constituant-cible de QUF3 à l’aide de Cytoscape¹⁹. Le réseau a été visualisé à l’aide de l’outil « Network Analyzer ».

Construction de réseaux d’interaction protéine-protéine (PPI)
Les gènes cibles potentiels de QUF3 pour améliorer la réceptivité endométriale dans le SOPK ont été soumis en entrée à la plateforme de données^{STRING 20}. L’espèce a été réglée sur « Homo sapiens », et le seuil de confiance a été fixé à « confiance moyenne (0,4) », donnant un fichier TSV de données d’interaction protéine-protéine. Ce fichier a ensuite été importé dans un logiciel d’analyse réseau pour construire et analyser le réseau^{PPI 21}. L’importance des nœuds dans le réseau est indiquée par la valeur « Degré » : une valeur de Degré plus élevée indique un nœud plus significatif. Par la suite, les principaux ingrédients actifs ont été triés par degré, et les 10 cibles principales ont été sélectionnées en fonction du classement de diplôme.

Ontologie génique (GO) et Encyclopédie Kyoto de l’enrichissement des voies des gènes et des genomes (KEGG)
Des analyses d’enrichissement des voies GO et KEGG ont été réalisées à l’aide de la base de données DAVID pour explorer les voies biologiques et les mécanismes par lesquels QUF3 améliore la réceptivité endométriale dans le^{SOPK 22}. L’espèce a été fixée à « Homo sapiens », et le seuil de signification a été fixé à P < 0,05. L’analyse GO couvrait le processus biologique (BP), la composante cellulaire (CC) et la fonction moléculaire (MF)²³. Les résultats ont été triés selon le nombre de cibles enrichies. Les voies liées au métabolisme et aux maladies humaines ont ensuite été exclues, et les 20 principales voies KEGG ont été sélectionnées pour visualisation. Un réseau multidimensionnel « pathway composant-maladie-KEGG » a ensuite été construit à l’aide d’un logiciel d’analyse de réseau.

Analyse du carambolage moléculaire
Les 10 principaux constituants actifs et les 10 cibles principales ont été sélectionnés pour une analyse d’amarrage moléculaire à l’aide d’AutoDockTools et des logiciels^{PyMOL 24,25}. Les fichiers PDB des cibles clés ont été téléchargés à partir d’une base de données de structure^{protéique 26}, et les fichiers SDF des principaux composants actifs ont été obtenus à partir d’une base de données^{chimique 27}. Les molécules protéiques ont ensuite été prétraitées à l’aide d’un logiciel d’amarrage moléculaire, comprenant le désalage, l’hydrogénation et le calcul de charge. L’amarrage semi-flexible a été réalisé à l’aide d’une boîte à grille couvrant l’ensemble du site de liaison aux protéines. Le processus d’amarrage était considéré comme réussi lorsque l’énergie de liaison était négative, et que la déviation de la racine moyenne quadratique (RMSD) de la pose supérieure était ≤ 2,0 Å. Après l’amarrage, les résultats des principaux composants actifs de QUF3 avec les cibles principales ont été visualisés à l’aide d’un logiciel de visualisation moléculaire.

Simulations de dynamique moléculaire (MD)
Des simulations de MD du complexe protéine–ligand ont été réalisées à l’aide du logiciel GROMACS pour explorer l’interaction entre les récepteurs et les^{ligands 28,29}. Le champ de force ambre99sb-ildn et le champ de force ambre général (GAFF) ont été utilisés pour générer respectivement les paramètres et topologies des protéines et des ligands. La taille de la boîte de simulation a été fixée de sorte que la distance entre chaque atome protéique et le bord de la boîte soit supérieure à 1,0 nm. La boîte a été remplie d’un solvant explicite à l’aide du modèle simple de charge ponctuelle (molécules d’eau SPC216), et les molécules d’eau ont été remplacées par des contreions Na⁺ et Cl⁻ pour rendre le système de simulation électriquement neutre. L’ensemble du système a été optimisé par la méthode de descente la plus raide pour réduire les contacts déraisonnables ou les chevauchements d’atomes. Une pré-équilibration suffisante du système de simulation a été obtenue en réalisant des ensembles NVT et NPT pour 100 ps chacun à 300 K et 1 bar, respectivement. Par la suite, une simulation MD à 100 ns a été réalisée dans des conditions périodiques aux limites, avec la température (300 K) et la pression (1 bar) contrôlées respectivement par les méthodes V-rescale et Parrinello-Rahman,^{respectivement à 30}. Les équations newtoniennes du mouvement ont été résolues à l’aide de l’intégrateur à saut avec un pas de temps de 2 fs. Les interactions électrostatiques à longue portée ont été calculées à l’aide de la méthode Particle Mesh Ewald (PME) avec un espacement de Fourier de 0,16 nm, et toutes les longueurs de liaison étaient contraintes selon la méthode LINCS. Le logiciel VMD était utilisé pour afficher, analyser et animer les^{trajectoires 31}. L’énergie libre de liaison de chaque composé était calculée à l’aide d’un script de calcul d’énergie libre de liaison.

Analyse en composantes principales (PCA), paysage d’énergie libre (FEL) et analyse dynamique de matrice croisée (DCCM)
L’ACP a été réalisée à l’aide d’un logiciel de simulation MD pour analyser les mouvements conformationnels dominants des complexes apo et liés aux ligands. Des matrices de covariance des fluctuations atomiques de Cα ont été générées, à partir desquelles³² ont été obtenus des vecteurs propres (mouvements collectifs) et des valeurs propres (magnitude du mouvement). Des régions dynamiques clés et une flexibilité structurelle associées à la liaison des ligands ont été identifiées au cours de cette analyse. Des trajectoires moléculaires ont été projetées sur les deux premiers composants principaux (PC1 et PC2) à l’aide de l’outil GMX Anaeig, capturant ainsi les mouvements^{essentiels 33}. Seuls les 100 ns finaux équilibrés (phase RMSD-stable) ont été utilisés pour les calculs PCA et FEL. FEL a été dérivée des données PCA en utilisant le simulateur GMX pour calculer l’énergie^{libre de Gibbs 34}, révélant des conformations stables et des minima d’énergie reflétant la diversité conformationnelle et les transitions d’état. L’analyse dynamique de la matrice de corrélation croisée (DCCM) des atomes de Cα a été réalisée pour évaluer la dynamique structurelle et le couplage de mouvement^{interrésiduels 35}. Cette analyse a permis d’élucider la stabilité, les interactions intermoléculaires et les mouvements collectifs des complexes protéine-ligand. Le coefficient de corrélation croisée Cij entre les résidus i et j a été calculé comme suit :

Dans la formule, les lettres i et j représentent les atomes de Cα de deux résidus. Lorsque la valeur de Cij est positive et supérieure à zéro ; Les deux atomes se déplaçant dans la même direction sont considérés comme étant en mouvement corrélé. Lorsque la valeur de Cij est négative et inférieure à zéro, les deux atomes se déplaçant dans des directions opposées sont considérés comme en mouvement anti-corrélé. Une valeur Cij nulle indique qu’il n’y a aucune relation entre les mouvements des deux atomes. De plus, des valeurs de CIJ supérieures à 0,7 ont été interprétées comme des mouvements fortement corrélés (positifs) ou fortement anticorrélés (négatifs). Pour vérifier la convergence, les profils RMSD et Rg ont été examinés. Les profils stables ont confirmé que les 100 ns finaux étaient suffisants pour l’analyse DCCM. Ces schémas de mouvement ont révélé comment la liaison des ligands module la communication intramoléculaire et les réarrangements de domaines. Pour garantir la stabilité dynamique et la convergence, seuls les 100 ns finaux des trajectoires équilibrées ont été analysés, et des cartes de corrélation ont été visualisées pour mettre en évidence les régions présentant une interaction dynamique significative.

Pour mieux expliquer l’énergie d’interaction entre protéines et ligands, un script de calcul de l’énergie libre de liaison a été utilisé pour calculer l’énergie de liaison de tous les complexes protéine-ligand à l’équilibre. Dans l’application de la méthode de calcul de l’énergie libre^{de liaison 36}, l’énergie totale de liaison a été décomposée en quatre parties indépendantes : interaction électrostatique, interaction de van der Waals, solvatation polaire et interaction de solvatation non polaire. Le terme de solvatation non polaire est généralement appelé SASA.

Conclusion du point de terminaison procédural pour la sélection de la cible et de la voie
À la fin du workflow, les cibles et voies validées finales ont été sélectionnées selon les critères suivants : cibles principales avec les 10 valeurs de degré supérieures du réseau PPI, et constituants actifs clés avec les valeurs de 10 degrés supérieures dans le réseau H-C-T. Pour les voies KEGG, après avoir exclu celles liées au métabolisme humain et aux maladies, les 20 voies les plus importantes ont été classées et sélectionnées en fonction du nombre de cibles enrichies. Les résultats de la simulation MD ont été utilisés pour confirmer la liaison stable entre les constituants supérieurs et les cibles principales. Ces étapes définissaient collectivement la sortie finale du protocole.

Résultats

Dépistage des constituants actifs et des cibles potentielles de QUF3
En utilisant OB ≥ 30 % et DL ≥ 0,18 comme critères de dépistage, après recherche dans la base de données TCMSP, QUF3 a identifié 126 composants chimiques. Parmi celles-ci, Paeoniae Radix Alba (Baishao) contenait 13 constituants actifs, Rehmanniae Radix Praeparata (Shudihuang) en contenait 2, Cuscutae Sperm (Tusizi) 13, Fructus Ligustri Lucidi (Nvzhenzi) en contenait 13, Herba Taxilli (Sangjisheng) en contenait 2, Radix Salviae (Dansh...

Discussion

Il existe de plus en plus de preuves que l’endomètre des patientes atteintes de SOPK présente une fonction altérée, ce qui peut être corrélé à des taux plus élevés d’échec d’implantation et à des résultats de grossesse^{défavorables 40}. Les différences endométriales chez les femmes atteintes de SOPK se caractérisent principalement par une diminution de l’expression des pinopodes, des systèmes des canaux nucléolaires, des récepteurs d’œstrogènes et des récepteurs de ...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Traditional Chinese Medicine Systems Pharmacology Database and Analysis Platform (Version 2.3)	Lab of Systems Pharmacology	https://www.tcmsp-e.com/load_intro.php?id=43	Base de données pour le criblage des composants actifs
Swiss Target Prediction online database (2019 version)	Molecular Modelling Group, University of Lausanne & SIB Swiss Institute of Bioinformatics	http://www.swisstargetprediction.ch/	Base de données de prédiction cible en ligne
PubChem database	National Library of Medicine, NIH	https://pubchem.ncbi.nlm.nih.gov/	Base de données chimiques pour la récupération SMILES/SDF des composés
UniProt database	NIH	https://www.uniprot.org/uniprotkb	Base de données de protéines pour les identifiants UniProt et les noms de gènes
Online Mendelian Inheritance in Man (OMIM)	Johns Hopkins University	https://www.omim.org/	Base de données sur les cibles des maladies
DrugBank	University of Alberta	https://www.drugbank.ca/	Base de données sur les cibles des maladies
Therapeutic Target Database (TTD)	Zhejiang University	https://ttd.idrblab.cn/	Base de données sur les cibles des maladies
GeneCards (Version 5.26)	Weizmann Institute of Science, LifeMap Sciences	https://www.genecards.org/	Base de données sur les cibles des maladies (score de pertinence >5)
Venny visualization platform (Version 2.1.0)	Centro Nacional de Biotecnología (CNB-CSIC)	https://bioinfogp.cnb.csic.es/tools/venny/	Outil de diagramme de Venn en ligne pour la visualisation des intersections des cibles
Cytoscape (Version 3.10.3)	National Resource for Network Biology, NHGRI	https://cytoscape.org/	Logiciel d'analyse et de visualisation de réseaux pour les réseaux H-C-T, PPI et les voies
STRING database (Version 12.0)	STRING Consortium	https://string-db.org/	Base de données d'interactions protéine-protéine pour la construction de réseaux PPI
DAVID database (Version v2025-2)	U.S. Department of Health & Human Services, NIH	https://davidbioinformatics.nih.gov/	Base de données d'analyse d'enrichissement génique pour GO et KEGG
AutoDockTools (Version 1.5.7)	The Scripps Research Institute	https://autodock.scripps.edu/	Logiciel de docking moléculaire pour le prétraitement et le calcul
PyMOL software (Version 3.0.3)	Schrödinger	https://pymol.org/	Logiciel de visualisation moléculaire pour la visualisation du docking
Protein Data Bank (PDB)	RCSB	https://www.rcsb.org/	Base de données de structures protéiques pour le téléchargement des fichiers PDB cibles
GROMACS (Version 2023.2)	GROMACS development team	https://www.gromacs.org/	Logiciel de simulation de dynamique moléculaire
VMD (Version 1.9.3)	University of Illinois	https://www.ks.uiuc.edu/Research/vmd/	Logiciel de visualisation moléculaire et d'analyse des trajectoires
gmx_MMPBSA	Open-source (GitHub)	https://github.com/Valdes-Tresanco-MS/gmx_MMPBSA	Outil de calcul d'énergie libre de liaison à partir des trajectoires MD
Science Data Bank	Chinese Academy of Sciences, Computer Network Information Center	https://www.scidb.cn/	Dépôt de données scientifiques pour la disponibilité et le dépôt des données