Cette étude a identifié les cibles et voies principales de la shikonine contre la CCR via une analyse multiméthode et une validation in vitro , fournissant un cadre pour d’autres études mécanistiques.
Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.
Article de recherche
Cette étude a identifié les cibles et voies principales de la shikonine contre la CCR via une analyse multiméthode et une validation in vitro , fournissant un cadre pour d’autres études mécanistiques.
Le carcinome à cellules rénales (CCR) est l’une des tumeurs les plus courantes du système urinaire et présente le taux de mortalité le plus élevé. Des recherches antérieures ont démontré que la shikonine peut traiter le carcinome à cellules rénales, mais le mécanisme reste incertain. Ainsi, notre étude visait à élucider le mécanisme de la shikonine dans le traitement du carcinome des cellules rénales en utilisant la pharmacologie en réseau, le docking moléculaire et des tests fonctionnels in vitro, incluant la prolifération cellulaire, la migration et l’apoptose, avec validation par western blot (WB). Les cibles Shikonin ont été sélectionnées à l’aide de PharmMapper, SwissTargetPrediction et d’autres bases de données, et identifiées des cibles liées aux RCC à partir d’Online Mendelian Inheritance in Man (OMIM), GeneCards et d’autres bases de données ; Les cibles thérapeutiques potentielles ont été obtenues par analyse d’intersection. Un réseau d’interaction protéine-protéine (PPI) a été construit, et Cytoscape a été utilisé pour cribler les cibles principales, tandis qu’un amarrage moléculaire a été appliqué pour analyser l’affinité de liaison entre la shikonine et les cibles clés. Un total de 374 cibles shikonines et 1 087 cibles liées au RCC ont été collectées, et 98 gènes cibles chevauchantes ont été identifiés. Six cibles principales (SRC, PIK3CA, PIK3CB, PIK3CD, PTPN11 et PIK3R1) ont été identifiées. Les analyses de Gene Ontology (GO) et de la Kyoto Encyclopedia of Genes and Genomes (KEGG) ont montré que la shikonine exerçait des effets anti-RCC principalement en régulant l’activité des protéines kinases, les voies de signalisation HIF-1 et IL-17. L’amarrage moléculaire a confirmé que la shikonine avait une forte affinité de liaison avec ces cibles centrales. Des études in vitro utilisant des cellules Caki-1 et 786-O RCC humaines ont démontré que la shikonine inhibait significativement la prolifération et la migration cellulaire de manière dépendante de la dose, favorisait l’apoptose cellulaire et augmentait les activités de la caspase-3 et de la caspase-8. Les expériences de Western Blot ont également confirmé que la shikonine modulait l’expression des protéines cibles principales et supprimait la voie de signalisation du HIF-1. Cette étude éclaire systématiquement le mécanisme pharmacologique de la shikonine contre le carcinome à cellules rénales, fournissant une base théorique pour le développement et l’application de la shikonine comme nouvel agent anti-RCC.
Le carcinome à cellules rénales (CCR) est la tumeur maligne la plus courante du système urinaire, représentant environ 90 % de toutes les tumeurs malignes rénales et 2 % à 3 % des tumeurs malignes adultes dans le monde. Selon les données GLOBOCAN 2022, environ 434 800 nouveaux cas et 155 953 décès de carcinome à cellules rénales ont été enregistrés dans le monde en 2022, avec une tendance croissante continue de l’incidence et de la mortalité des CCR. La Société américaine du cancer a estimé 80 980 nouveaux cas et 14 510 décès de carcinome à cellules rénales rien qu’aux États-Unis en 2025. Le carcinome à cellules rénales présente le taux de mortalité le plus élevé parmi les tumeurs malignes du système urinaire, et les patients atteints de CCR métastatique ou résistant aux médicaments présentent encore un pronostic mauvais. Avec l’application généralisée de la thérapie ciblée et de l’immunothérapie, des progrès remarquables ont été réalisés dans le traitement clinique des CCR. Le traitement standard de première intention pour le carcinome à cellules rénales avancées ou métastatiques adopte principalement des schémas combinés d’inhibiteurs de points de contrôle immunitaires, ou des schémas combinant des inhibiteurs des points de contrôle immunitaires avec des inhibiteurs anti-angiogènes de la tyrosine kinase. Malgré l’évolution continue des approches thérapeutiques, un grand nombre de patients présentent encore une progression de la maladie, une résistance aux médicaments ou une intolérance au traitement. Par conséquent, le développement de nouveaux médicaments anti-RCC avec des mécanismes clairs, une sécurité et une efficacité claires reste un besoin cliniqueurgent 1,2,3.
La shikonine est le principal constituant bioactif extrait de Radix Arnebiae, et son dérivé acétylshikonine a présenté des effets pharmacologiques anti-RCC marquants. Les preuves existantes ont démontré que la shikonine exerce une activité anti-RCC via des mécanismes régulateurs multicibles et multivoies. Mécaniquement, la shikonine peut augmenter l’expression du gène suppresseur de tumeurs TEK et inhiber la phosphorylation de la cascade de signalisation AKT/mTOR, supprimant ainsi la prolifération, la migration et l’invasion des cellulesRCC 4 ; De plus, la shikonine induit l’accumulation d’espèces réactives intracellulaires de l’oxygène (ROS) pour déclencher un dysfonctionnement mitochondrial, initiant ainsi de multiples schémas de mort cellulaire programmée, notamment l’apoptose, la nécroptose et l’autophagie dans les cellulesRCC 5. Il module également l’expression de microARN tels que miR-15b et miR-99b et régule les gènes cibles associés à l’apoptose, y compris FOXO1 et PDCD4, via la voie MAPK/ERK, ces effets régulateurs montrant une spécificité évidente de lignéescellulaires 6. Notamment, la shikonine conserve une puissante activité antitumorale contre les lignées cellulaires RCC résistantes au sunitinib, où elle provoque des effets thérapeutiques en activant des complexes nécrosomes, en inhibant la voie AKT/mTOR et en induisant l’arrêt du cycle cellulaireG2/M 7. Bien que les effets anti-RCC de la shikonine aient été partiellement validés par des études expérimentales existantes, les cibles thérapeutiques principales, les réseaux de signalisation clés et les mécanismes de régulation moléculaire sous-jacents de la shikonine contre le RCC restent incertains ; De plus, la prédiction systématique, la vérification moléculaire et la confirmation expérimentale de ses cibles centrales font encore défaut, ce qui constitue une lacune importante dans les études actuelles.
La pharmacologie en réseau et le dockage moléculaire servent d’approches techniques complémentaires dans la recherche moderne sur les médicaments naturels et l’exploration des mécanismes pharmacologiques. D’un point de vue systématique, la pharmacologie en réseau peut décoder systématiquement les caractéristiques d’interaction holistiques multi-cibles et multivoies entre les composés bioactifs et les cibles liées à la maladie. En revanche, le docking moléculaire permet une vérification au niveau moléculaire de l’affinité de liaison et du schéma d’interaction stable entre les composés de petites molécules et les protéines cibles centrales. La combinaison de ces deux méthodologies construit une boucle fermée systématique de recherche de prédiction holistique des cibles suivie d’une vérification moléculaire. La combinaison de validation expérimentale avec la pharmacologie en réseau et le docking moléculaire est une approche courante pour la recherche sur les médicaments naturels, facilitant la clarification de la pathogenèse des maladies et l’élucidation des mécanismes pharmacologiques des composés, et fournissant un cadre théorique pour la recherche fondamentale et l’application translationnelle desmédicaments 8,9.
Dans cette étude, la pharmacologie en réseau a été appliquée pour prédire les cibles candidates de la shikonine dans le traitement du carcinome à cellules rénales. Le docking moléculaire a été utilisé pour vérifier théoriquement des cibles potentielles, et les cibles d’action clés ont finalement été déterminées par des expériences in vitro et confirmées par des expériences Western Blot (WB). L’ensemble du processus de cette étude est illustré à la Figure 1.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Toutes les lignées cellulaires humaines utilisées dans cette étude ont été achetées auprès de banques cellulaires commerciales authentifiées, et aucun tissu humain frais ni échantillon de patients n’a été prélevé. Une approbation éthique n’était donc pas requise pour cette étude in vitro basée sur des cellules en vitro.
Obtention et prédiction des cibles shikonin
Le mot-clé « shikonin » a été recherché dans la base de données PubChem. La structure SDF de shikonin a été téléchargée, et sa notation simplifiée de système moléculaire d’entrée de ligne (SMILES) a été obtenue. Selon les exigences des bases de données de cibles respectives, les cibles potentielles de shikonin ont été prédites et collectées à partir des bases de données PharmMapper, SwissTargetPrediction, HERB et SEA Search Server les 3 mars2026 les 10, 11 et 12.
Obtention de cibles carcinomes à cellules rénales
En utilisant le mot clé carcinome à cellules rénales, les cibles de maladies d’origine humaine ont été extraites de la Therapeutic Target Database (TTD), de l’OMIM et des GeneCards, avec des espèces limitées à Homo sapiens et au Relevance Score > 50. Un total de 1148 cibles ont été initialement obtenues, et après résumé et déduplication, 1087 cibles uniques liées au carcinome à cellules rénales ont finalementété acquises 13, 14, 15.
Identification des cibles d’intersection de la shikonine pour le traitement du carcinome à cellules rénales
Les cibles génétiques prédites pour la shikonine et les cibles du carcinome à cellules rénales ont été saisies dans Venny 2.1, un outil d’analyse en ligne. Les cibles qui se chevauchent ont été identifiées par analyse d’intersection et visualisées dans un diagramme de Venn.
Création du réseau composant-cible-maladie
En utilisant la shikonine comme point de départ de la recherche principale, nous avons intégré les informations d’association physiologique entre ces cibles principales et le RCC, et construit un réseau d’interactions moléculaires du système ternaire « composant-cible-maladie » à l’aide du logiciel de visualisation Cytoscape.
Construction du réseau d’interactions protéiques et acquisition de cibles principales de shikonine dans le traitement du carcinome à cellules rénales
La base de données d’interactions protéiques STRING est l’outil clé pour construire des réseaux d’interactions protéine-protéine (PPI), ce qui permet d’explorer et de visualiser la relation d’interaction entre protéines. Dans cette étude, les cibles chevauchantes entre la shikonine et le carcinome à cellules rénales ont été soumises à la base de données STRING, avec l’espèce définie sur Homo sapiens pour une récupération ultérieure. Cliquez sur le bouton Continuer pour une analyse ultérieure. Dans le module Paramètres en bas de la page des résultats d’analyse, le score minimum requis d’interaction était fixé à un niveau de confiance élevé de 0,900. Parallèlement, des protéines non apparentées et des nœuds déconnectés du réseau étaient cachés pour obtenir la cartographie mutuelle optimisée du réseau PPI. Les données étaient stockées au format TSV et importées dans le logiciel Cytoscape. Les paramètres correspondants ont été ajustés pour que la taille du nœud et la teinte de couleur reflètent les valeurs correspondantes, et l’épaisseur des arêtes reflète le score de taux de liaison. La carte du réseau PPI a étéétablie le 16,17.
Sur la base du réseau PPI ci-dessus, les cibles principales ont été précisément filtrées. Le plug-in cytohubba a été ouvert dans le module Apps de Cytoscape, et le bouton Calculer a été cliqué pour lancer le programme de calcul. L’algorithme MCC était sélectionné parmi les 6 nœuds principaux classés par option, et le bouton Soumettre était cliqué pour compléter le calcul. Les six principales cibles ont été éliminées pour l’embellissement et le téléchargement des données.
Analyse d’enrichissement GO et analyse de la voie KEGG du shikonine dans le traitement du carcinome à cellules rénales
La base de données Metascape a été utilisée pour l’analyse d’enrichissement GO. Dans cette étude, les intersections ciblant la shikonine avec le carcinome à cellules rénales ont été importées dans la base de données. D’abord, l’espèce sélectionnée était Homo sapiens (humain), puis le mode d’analyse personnalisée a été sélectionné. L’analyse d’enrichissement a été réalisée pour les trois dimensions de l’enrichissement fonctionnel GO : fonctions moléculaires, composants cellulaires et processus biologiques. Le seuil de la valeur p a été fixé à 0,01, et le bouton d’analyse d’enrichissement a été cliqué pour effectuer l’analyse via la plateforme de microcrédit afin de construire une visualisation d’analyse d’enrichissement GO de shikonine dans le traitement du carcinome à cellulesrénales 18,19.
La base de données KOBAS 3.0 a été utilisée pour réaliser une analyse d’enrichissement des voies de signalisation KEGG sur les cibles chevauchantes entre la shikonine et le carcinome des cellules rénales, et cette base peut réaliser des analyses statistiques d’annotation et d’enrichissement des voies des gènes. Les cibles d’intersection filtrées ont été importées dans la base de données KOBAS 3.0 ; la source de l’espèce sélectionnée était H. sapiens (humain), le type de dépistage était limité à la voie de signalisation KEGG, et le seuil de la valeur p pour l’analyse d’enrichissement était fixé à <0,01. Après analyse, les résultats d’enrichissement de la voie KEGG ont été obtenus. Sur la base des résultats de l’analyse d’enrichissement, la valeur p a servi de base pour le tri, et les 10 principales voies de signal KEGG ont été filtrées. Le traitement de visualisation a été réalisé à l’aide d’une plateforme de microsignalisation, et enfin, le diagramme de Sankey d’enrichissement KEGG a été dessiné et a sauvé20,21.
Vérification par amarrage moléculaire
La structure tridimensionnelle (3D) de shikonin a été extraite de la base de données PubChem, et le logiciel Open Babel a été appliqué pour transformer la structure 3D en format PDB standard. Les structures protéiques tridimensionnelles des cibles principales identifiées par analyse pharmacologique en réseau ont été téléchargées au format PDB depuis la base de données des protéines RCSB et AlphaFold. Les structures cristallines des protéines cibles comprenaient PIK3CA (ID PDB : 9B4T), PIK3CD (ID PDB : 8BCY), PIK3R1 (ID PDB : 7CIO), PTPN11 (ID PDB : 9R16), SRC (ID PDB : 9NS1), PIK3CB (structure prédite par AlphaFold, AF-Q8BTI9-F1-model_v6). Les molécules d’eau et les hétéroatomes ont été retirés, des hydrogènes polaires ajoutés, et des charges de Gasteiger assignées à l’aide d’outils AutoDock. Le logiciel AutoDock Tools a été utilisé pour sélectionner la boîte d’amarrage d’une taille appropriée couvrant toute la protéine cible pour l’amarrage moléculaire. Enfin, la visualisation des paires de composants cible-actif avec une énergie de liaison optimale a été obtenue. Le logiciel PyMol a été utilisé pour analyser les sites de liaison, le type et la distance d’interaction de liaison, et pour générer une image de visualisation conformationnelletridimensionnelle 22,23.
Test de cytotoxicité
Les cellules Caki-1 ont été inoculées dans des plaques de culture de 96 puits à une densité de 5 000 cellules par puits et traitées avec du shikonin à des concentrations de 12,5, 25, 50 et 100 μmol/L pendant respectivement 12 h et 24 h. Pour les cellules 786-O, un traitement de seulement 24 heures a été effectué avec le même gradient de concentration. L’effet cytotoxique de la shikonine sur les deux lignées cellulaires a été évalué à l’aide du test MTT. Toutes les expériences ont été réalisées en triples exemplaires biologiques avec trois réplications techniques pour chaque condition. Les résultats sont exprimés sous forme de valeurs IC50 . Bien que la tendance inhibitrice globale soit restée constante entre les deux lignées cellulaires, la shikonine a montré une cytotoxicité plus forte envers les cellules Caki-1. Par conséquent, les cellules Caki-1 ont été sélectionnées pour des expériences fonctionnelles ultérieures.
Effet de la shikonine sur la migration des cellules Caki-1, tel que déterminé par le test de la plaie à griffure
Les cellules Caki-1 et les cellules 786-O en phase logarithmique ont été ensemencées en plaques à 6 puits. Des lignes de rayage parallèles ont été créées au fond de chaque puits à l’aide d’une pointe de pipette stérile de 200 μL. Après une fixation nocturne, le PBS a été utilisé pour laver les cellules cultivées. Les cellules ont été traitées avec différentes concentrations de shikonine (12,5, 25, 50 et 100 μmol/L) pendant 12 heures. Après 12 heures, le changement de la zone de griffure au même site a été observé au microscope.
La formule pour calculer l’effet de la shikonine sur l’activité de croissance des cellules Caki-1 était la suivante : mobilité = [(zone de grattage 0 h − surface de grattage 12 h)/0 h surface de grattage] × 100 %.
Détermination des activités de Caspase-3 et Caspase-8
Les cellules Caki-1 à la phase de croissance logarithmique ont été prélevées, et la concentration cellulaire a été ajustée à 5 × 106 cellules/mL, suivie d’une incubation pendant 12 heures. Après que les cellules Caki-1 aient été traitées avec différentes concentrations de shikonine (12,5, 25, 50 et 100 μmol/L) et incubées pendant 24 heures, la détection cellulaire a été réalisée comme décrit dans le kit de test de caspase.
Effets de la shikonine sur le taux d’apoptose des cellules Caki-1
Les cellules Caki-1 à croissance logarithmique ont été ensemencées dans des plaques de culture à 6 puits. Les cellules ont été traitées avec de la shikonine à des concentrations de 12,5, 25, 50 et 100 μmol/L pendant 24 heures en l’absence de groupe témoin. Les cellules ont été doucement resuspendues dans le PBS, prélevées et comptabilisées. Un total de 1 × 10 cellulesresuspendues 5 ont été centrifugées à 300 × g pendant 5 minutes. Le surnageant a été rejeté, et la pellete cellulaire a été doucement resuspendue dans 195 μL de tampon de liaison Annexin V-FITC. Ensuite, 5 μL d’Annexine V-FITC ont été ajoutés, suivis de 10 μL de solution colorante à l’iodure de propidium, tous deux avec un mélange doux. Les cellules ont été incubées à température ambiante (20–25 °C) dans l’obscurité pendant 15 minutes avant l’analyse.
Analyse des voies de signalisation cellulaire
Les cellules Caki-1 ont été traitées avec 12,5, 25, 50 et 100 μmol/L de shikonine. Après 24 heures, les cellules ont été prélevées dans du PBS froid, lysées avec un tampon de lyse cellulaire contenant un inhibiteur de protéase, et la concentration en protéines a été mesurée. La protéine a été isolée sur un gel de dodécyle sulfate de sodium (SDS)-polyacrylamide à 10 %. Après le transfert dans les membranes PVDF, les membranes ont été bloquées avec 5 % de BSA pendant 3 heures, puis incubées toute la nuit à 4 °C avec un anticorps primaire différent. Par la suite, les membranes ont été incubées avec l’anticorps secondaire à une dilution de 1:3000. Les bandes protéiques ont été détectées avec le système de détection ECL et analysées quantitativement à l’aide du logiciel ImageJ.
Analyse statistique
Les résultats expérimentaux ont été présentés comme la moyenne ± l’écart-type (x ± s, n = 3). Avant l’analyse statistique paramétrique, la normalité était vérifiée à l’aide du test de Shapiro-Wilk, et l’homogénéité de la variance était évaluée par le test de Levene. L’analyse unidirectionnelle de la variance (ANOVA) combinée au test post hoc de Tukey a été réalisée à l’aide du logiciel SPSS. Les graphiques statistiques ont été construits avec le logiciel GraphPad Prism. Le test t des échantillons indépendants a été utilisé pour des comparaisons par paires entre groupes, et p < 0,05 a indiqué des différences statistiquement significatives.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Obtention et prédiction des cibles shikonin
En utilisant les quatre bases de données mentionnées précédemment, des cibles potentielles de shikonin ont été prédites, et 426 cibles ont été identifiées après intégration et résumé. Les cibles résumées ont été dédupliquées, ce qui a donné 374 cibles, comme montré à la Figure 2A.
Obtention de cibles carcinomes à cellules rénales
Un total de 1 147 cibles ont été obtenues après résu...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
PIK3CA est formellement connu sous le nom d’isoforme alpha de la sous-unité catalytique phosphatidylinositol 4,5-bisphosphate 3-kinase. PIK3CA, un composant central de la voie PI3K/AKT/mTOR, joue un rôle essentiel dans l’apparition, le développement et le traitement du carcinome à cellules rénales (CCR). Des études ont montré que PIK3CA est un gène mutant à haute fréquence de ce sous-type (6/57, 11 %), et que sa mutation est directement liée à l’activation anormale de la voie PI3K/AKT. D...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Les auteurs n’ont rien à divulguer.
Cette recherche a été financée par la Science and Technology de la Commission provinciale de la santé du Guizhou (gzwkj2024-516) ; Programme national et provincial d’innovation en sciences et technologies pour l’innovation du programme de développement de l’Université de médecine traditionnelle chinoise du Guizhou, Université de médecine traditionnelle chinoise du Guizhou, TD Hopes [2023] 005 ; Fondation provinciale des sciences naturelles du Guizhou [numéros de subvention : ZK [2024] 404] ; Complexe protéine-polysaccharide de Chuanxiong basé sur les caractéristiques du lait de Pickering à longue circulation pour favoriser le traitement des maux de tête avec Chuanxiong (82360779).
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| 786-O | American Type Culture Collection (ATCC) | RRID: CVCL_1051 (ATCC CRL-1932) | Ligne cellulaire de carcinome à cellules claires rénal humain |
| Base de données AlphaFold | European Molecular Biology Laboratory (EMBL) - EBI | Base de données de structures protéiques AlphaFold | Base de données de prédiction de structure protéique (Base de données de structures protéiques AlphaFold) |
| Logiciel AutoDock Tools | Scripps Research Institute | 1.5.7 | Logiciel de docking moléculaire pour la prédiction de liaison ligand-protéine |
| Caki-1 | American Type Culture Collection (ATCC) | RRID: CVCL_0234 (ATCC HTB-46) | Ligne cellulaire de carcinome à cellules claires rénal humain |
| Cellules Caki-1 | Mudanjiang Normal University | HTB-46 (RRID: CVCL_0234) | Ligne cellulaire de carcinome à cellules claires rénal humain |
| Kits de détection de caspase 3 et caspase 8 | Credit Suisse Biotechnology Co Ltd (QUANZHOU, Chine) | Kit d'activité de caspase-3, no de cat. RX302848M, Kit d'activité de caspase-8, no de cat. RX302849M | Utilisé pour détecter l'activité des caspases afin d'évaluer l'apoptose cellulaire |
| Logiciel Cytoscape | Consortium Cytoscape | 3.9.1 | Utilisé pour la construction et la visualisation de réseaux biologiques |
| Milieu DMEM | Hyclone | SH30022.01 | Milieu de culture cellulaire pour la culture des cellules Caki-1 et 786-O |
| Sérum bovin fœtal | Gbico | 10099-141 | Supplément de culture cellulaire pour la croissance des cellules Caki-1 et 786-O |
| GeneCards | Weizmann Institute of Science | https://www.genecards.org/ | Base de données complète des gènes humains pour l'annotation des gènes cibles |
| GraphPad Prism | GraphPad, San Diego, CA, USA | version 8.3.0 | Pour la construction de graphiques statistiques |
| Base de données HERB | Académie chinoise des sciences | http://herb.ac.cn | Base de données des composants et cibles de la médecine traditionnelle chinoise |
| Logiciel ImageJ | National Institutes of Health (NIH) | Fiji | Logiciel d'analyse d'images pour la quantification des bandes de Western blot et la morphologie cellulaire |
| Microscope inversé | Olympus, IX73, Japon | Grossissement de 100× | Utilisé pour observer les changements de morphologie cellulaire après traitement par la shikonin |
| Base de données KOBAS 3.0 | Université de Pékin | http://bioinfo.org/kobas/ | Outil d'analyse d'enrichissement de l'ontologie des gènes et des voies |
| Base de données Metascape | Memorial Sloan Kettering Cancer Center | https://metascape.org/gp/index.html) | Outil d'enrichissement des fonctions génétiques et d'analyse de réseau |
| Plateforme Microcredit | Centre national d'information sur la bioinformatique (Chine) | http://www.bioinformatics.com.cn/ | Plateforme d'analyse bioinformatique en ligne pour le traitement des données |
| Kit d'essai MTT | Solarbio Science & Technology Co., Ltd. (Pékin, Chine) | No de cat. M8180 | Utilisé pour détecter la viabilité cellulaire (essai d'antiprolifération) |
| OMIM | Johns Hopkins University School of Medicine | https://www.omim.org/ | Online Mendelian Inheritance in Man (base de données des maladies génétiques humaines) |
| Base de données PharmMapper | East China University of Science and Technology | https://www.lilab-ecust.cn/pharmmapper/ | Base de données de prédiction des cibles de médicaments à petites molécules |
| PIK3CA, PIK3CB, PIK3CD et PTPN11 | Santa Cruz Biotechnology, Inc. (Dallas, TX, USA) | Santa Cruz Biotechnology, Inc. (Dallas, TX, USA) | Anticorps primaires pour l'analyse Western blot des protéines cibles |
| Logiciel PyMol | Schrödinger, Inc. | 2.2.0 | Logiciel de visualisation moléculaire pour l'analyse de la structure des protéines |
| Base de données de protéines RCSB | RCSB Protein Data Bank (Université Rutgers) | https://www.rcsb.org/ | Base de données de structures protéiques (PDB) pour la modélisation moléculaire |
| Base de données SEA Search Server | University of California, San Francisco | https://sea.bkslab.org | Approche d'ensemble de similarité pour la prédiction des cibles |
| Shikonin (pureté 98% | organismes à feuilles originaires de Chine | Y0001439 | Composé moléculaire utilisé pour le traitement du carcinome à cellules rénales (CCR) dans cette étude |
| SPSS | IBM, Armonk, NY, USA | version 20.0 | Pour l'analyse statistique |
| STRING | European Molecular Biology Laboratory (EMBL) | https://stringdb.org/ | Base de données de réseaux d'interactions protéine-protéine |
| Base de données SwissTargetPrediction | Swiss Institute of Bioinformatics | https://www.swisstargetprediction.ch/ | Outil de prédiction des cibles de molécules petites pour la découverte de médicaments |
| Base de données Therapeutic Target | Shanghai Institute of Materia Medica | https://ttd.idrbrab.cn | Base de données de cibles thérapeutiques et de médicaments |
| Venny 2.1 | Centre national espagnol de biotechnologie (CNB-CSIC) | https://bioinfogp.cnb.csic.es/tools/venny/index.html) | Outil de diagramme de Venn pour l'analyse d'intersection des données |