Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de recherche

Analyse computationnelle de la plumbagine dans le cancer de la prostate à l'aide de la pharmacologie de réseau et de simulations de dynamique moléculaire

96 vues

⸱

11 septembre 2026

 ,  ,  ,  ,  ,  ,  , 
1Department of Clinical Laboratory, DongGuan SongShan Lake Tungwah Hospital, 2Dongguan Key Laboratory of Medical Molecular Biology, 3Department of Hematology, DongGuan Tungwah Hospital, 4Department of Emergency, DongGuan Tungwah Hospital, 5School of Medical Technology, Guangdong Medical University, 6Department of Clinical Laboratory, DongGuan Tungwah Hospital

* These authors contributed equally

Dans cet article

Résumé

Cette étude a utilisé la pharmacologie par réseautage et des simulations de dynamique moléculaire pour explorer les mécanismes et voies moléculaires de la plumbagine dans le traitement du cancer de la prostate. Les résultats montrent que la plumbagine pourrait se lier de manière stable à AKT1, ESR1, BCL2, EGFR, TNF, MAPK3, HSP90AA1, SRC et PPARG.

Résumé

Le cancer de la prostate contribue de manière importante à la mortalité liée au cancer chez l'homme. Comme de nombreux patients ne reçoivent un diagnostic qu'après la progression de la maladie vers un stade localement avancé ou métastatique, un traitement curatif n'est souvent plus possible. Dans la présente étude, nous avons appliqué une approche computationnelle intégrée combinant la pharmacologie en réseau, le docking moléculaire et des simulations de dynamique moléculaire afin d'explorer les mécanismes moléculaires potentiels sous-jacents aux effets thérapeutiques de la plumbagine dans le cancer de la prostate. Des cibles thérapeutiques potentielles ont été identifiées par une analyse intégrée de bases de données, suivie de la construction d'un réseau d'interactions protéine-protéine, d'une analyse d'enrichissement fonctionnel, de docking moléculaire et de simulations de dynamique moléculaire afin d'évaluer la stabilité des interactions protéine-ligand. Nos analyses computationnelles ont révélé que la plumbagine pourrait former des interactions stables avec plusieurs cibles centrales, notamment la sérine/thréonine kinase 1 AKT (AKT1) et le récepteur des œstrogènes 1 (ESR1, régulateur de l'apoptose BCL2 (BCL2), récepteur du facteur de croissance épidermique (EGFR), facteur de nécrose tumorale (TNF), kinase 3 activée par une protéine mitogène (MAPK3), protéine de choc thermique 90 alpha famille classe A membre 1 (HSP90AA1), proto-oncogène SRC, kinase non réceptrice de tyrosine (SRC) et récepteur gamma activé par les proliférateurs de peroxysomes (PPARG), suggérant son potentiel à moduler des voies clés impliquées dans la progression du cancer de la prostate. Ces in silico les résultats fournissent de nouvelles perspectives sur les mécanismes moléculaires possibles de la plumbagine et offrent une justification pour des validations expérimentales futures. Toutefois, des recherches supplémentaires sont nécessaires in vitro et in vivo Des études sont nécessaires pour confirmer son activité fonctionnelle et son efficacité thérapeutique.

Introduction

Le cancer de la prostate est hétérogène, avec des manifestations cliniques allant de lésions détectées par dépistage asymptomatiques qui pourraient ne jamais progresser à des formes malignes agressives, et il constitue une cause majeure de morbidité et de mortalité dans le monde entier1,2. À l’échelle mondiale, le nombre de nouveaux cas de cancer de la prostate devrait doubler, passant de 1,4 million en 2020 à 2,9 millions en 2040, tandis que le nombre annuel de décès devrait augmenter de 375 000 en 2020 à environ 700 000 en 20403. Initialement diagnostiqué comme une tumeur maligne dépendante des androgènes, le cancer de la prostate peut être traité par une thérapie de privation androgénique. Néanmoins, malgré une réponse initiale efficace, la maladie progresse inévitablement vers une forme indépendante des androgènes. Les patients atteints d’un cancer de la prostate résistant aux hormones présentent un risque nettement accru de développer des métastases osseuses, entraînant des lésions squelettiques cliniquement significatives4,5,6,7. De plus, bien que le cancer de la prostate à un stade précoce puisse être guéri par chirurgie ou radiothérapie, de nombreux patients présentent déjà une maladie localement avancée ou métastatique au moment du diagnostic, pour laquelle aucun traitement curatif n’existe actuellement8,9. Il est donc urgent de développer des agents efficaces et hautement sélectifs pour la prévention et/ou le traitement des métastases du cancer de la prostate.

Divers extraits naturels, tels que le lycopène, les produits à base de soja, le thé vert, les phénoliques de grenade, l'apigénine, ainsi que les vitamines D et E, se sont révélés efficaces pour prévenir le développement du cancer de la prostate10,11,12,13. La plumbagine (PLB), un composé naturel de type naphtoquinone largement répandu dans la nature et constituant majeur de Plumbago zeylanica, possède des propriétés anti-infectieuses14, anti-inflammatoires15, anti-athéroscléreuses16 et anti-tumorales17,18. Des études ont démontré que la PLB exerce des effets anti-tumoraux sur divers types de cellules cancéreuses, notamment le cancer du sein, le cancer du poumon non à petites cellules, le cancer du foie, le cancer du pancréas, le cancer colorectal, le cancer de l'ovaire, le cancer de la prostate, le gliome et le rétinoblastome19,20,21. Des expériences in vitro ont montré que la PLB inhibe la prolifération des cellules cancéreuses de la prostate22,23. La PLB régule également l'expression de microprotéines, ce qui influence à son tour plusieurs comportements cellulaires dans les cellules cancéreuses de la prostate, notamment le contrôle du cycle cellulaire, l'apoptose, l'autophagie et la transition épithélio-mésenchymateuse24,25. En outre, la PLB retarde la croissance des cellules cancéreuses indépendantes des androgènes dans des modèles murins xénogreffés sous-cutanés22,26.

Bien que de nombreuses études aient montré que le PLB inhibe la prolifération et l'envahissement des cellules cancéreuses de la prostate, aucune étude systématique des cibles et des voies par lesquelles le PLB agit sur ces cellules n'a été menée à ce jour. À l'aide de la pharmacologie en réseau, du docking moléculaire et de simulations de dynamique moléculaire, cette étude visait à élucider les cibles et voies potentielles sous-jacentes aux effets thérapeutiques du PLB dans le cancer de la prostate.

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

Protocole

Prédiction et criblage des cibles potentielles de la PLB

Les informations sur la structure chimique du PLB ont été obtenues à partir de la base de données PubChem (https://pubchem.ncbi.nlm.nih.gov/). Les cibles moléculaires du PLB ont été prédites sur la base de la similarité bidimensionnelle et tridimensionnelle dépendante du ligand, en utilisant les bases de données SwissTarget (https://swisstargetprediction.ch/index.php), SEA (https://sea.bkslab.org/), TargetNet (http://targetnet.scbdd.com/calcnet/index/), PharmMapper (https://www.lilab-ecust.cn/pharmmapper/index.html), Comparative Toxicogenomics Database (CTD, https://ctdbase.org/), Traditional Chinese Medicine Systems Pharmacology Database and Analysis Platform (TCMSP, https://www.tcmsp-e.com/index.php) et HERB (http://herb.ac.cn/). Afin d'assurer la fiabilité et la reproductibilité des données, des seuils de filtration spécifiques à chaque base de données ont été appliqués comme suit : TCMSP a conservé les cibles présentant une biodisponibilité orale (OB) ≥ 30 % et une similitude aux médicaments (DL) ≥ 0,18 ; SwissTargetPrediction a conservé les entrées dont la probabilité de prédiction était ≥ 0,5 ; PharmMapper a sélectionné les cibles dont le score d'ajustement normalisé était ≥ 4,0 ; SEA a inclus uniquement les cibles dont la valeur E < 0,001 était significativement enrichie ; TargetNet a conservé les cibles dont la probabilité de prédiction était > 0,5 ; CTD a inclus uniquement les cibles soutenues par des preuves validées (déduites d'interactions chimique-gène) et présentant un score d'interaction > 0,3 ; et HERB a conservé les cibles dont le score étayé par la littérature était ≥ 0,4. Tous les identifiants protéiques récupérés à partir des bases de données ci-dessus ont été normalisés en symboles génétiques officiels HGNC humains à l'aide de la base de données UniProt (https://www.uniprot.org/), avec une restriction de l'espèce à Homo sapiens. Après suppression des doublons provenant de toutes les sources, un total de 500 cibles uniques associées au PLB ont été obtenues pour les analyses ultérieures.

Récupération des gènes associés au cancer de la prostate

Les gènes associés au cancer de la prostate ont été obtenus à partir de GeneCards (https://www.GeneCardss.org/), DrugBank (https://go.drugbank.com/), CTD et HERB. Des critères d'inclusion spécifiques à chaque base de données ont été appliqués afin d'assurer la fiabilité des données. GeneCardss a conservé les gènes dont le score de pertinence était ≥ 0,5, seuil qui permet de sélectionner les gènes soutenus par des preuves modérées à fortes en lien avec la maladie interrogée. DrugBank n'a inclus que les entrées appuyées par des preuves expérimentales (par exemple, médicaments approuvés par la FDA ou en phase de recherche pour le cancer de la prostate) et a exclu les interactions prédites par calcul ou théoriques. CTD n'a conservé que les enregistrements dont le niveau de preuve était classé comme « marqueur » ou « mécanisme », selon des interactions chimique-gène-maladie soigneusement annotées. HERB a inclus les cibles possédant un score de confiance soutenu par la littérature ≥ 0,4, afin de garantir une preuve expérimentale ou issue de l'exploitation textuelle suffisante. Tous les symboles génétiques ont été uniformisés selon la nomenclature HGNC via la base de données UniProt (https://www.uniprot.org/), l'espèce étant restreinte à Homo sapiens, puis les doublons ont été supprimés, ce qui a permis d'obtenir 1 199 cibles uniques associées au cancer de la prostate destinées aux analyses ultérieures.

Identification des cibles chevauchantes et correction de l'annotation des conflits

Les 500 cibles PLB et les 1 199 cibles de cancer de la prostate ont été croisées à l'aide des symboles normalisés HGNC dans Venny 2.1 (https://bioinfogp.cnb.csic.es/tools/venny/index.html), produisant 151 cibles candidates communes. Afin de résoudre les conflits d'annotation entre bases de données, un pipeline de correction en trois étapes a été mis en œuvre : (i) les incohérences liées aux alias géniques ont été harmonisées à l'aide de l'outil de correspondance d'ID UniProt ; (ii) les gènes redondants paralogues ont été exclus à l'aide de CD-HIT avec un seuil de similarité de séquence > 0,4 ; et (iii) les annotations fonctionnelles contradictoires n'ont été conservées que si elles étaient soutenues par au moins deux bases de données indépendantes, tandis que les descriptions conflictuelles uniques provenant d'une seule source ont été écartées.

Construction du réseau et identification des hubs

Un réseau d'interactions protéine-protéine (IPP) a été construit en soumettant les cibles communes à la base de données STRING (version 12.0, https://cn.string-db.org/), la recherche étant limitée à Homo sapiens. Seules les interactions présentant un score de confiance combiné ≥ 0,700 ont été conservées afin d'assurer une grande fiabilité, et tous les nœuds dépourvus de connexions ont été exclus du réseau. Le réseau d'IPP construit a été visualisé et analysé selon une approche topologique dans Cytoscape (version 3.10.2), puis les gènes centraux ont été déterminés à l'aide du module complémentaire cytoHubba, en utilisant MCC (centralité de la clique maximale) comme algorithme principal de classement et Degree comme métrique secondaire de validation croisée.

Analyse d'enrichissement fonctionnel

Des analyses d'annotation fonctionnelle Gene Ontology (GO) et d'enrichissement des voies métaboliques Kyoto Encyclopedia of Genes and Genomes (KEGG) pour les gènes différentiellement exprimés ont été réalisées à l'aide de la plateforme d'analyse bioinformatique en ligne (https://www.bioinformatics.com.cn, dernière consultation le 4 mai 2026). La plateforme utilise le test exact de Fisher pour calculer les valeurs P brutes, et la méthode de Benjamini-Hochberg (BH) a été appliquée pour la correction des tests multiples afin de contrôler le taux de faux positifs (FDR). Les termes GO (processus biologique, composante cellulaire et fonction moléculaire) et les voies KEGG présentant un FDR < 0,05 ont été considérés comme significativement enrichis.

Le docking moléculaire

Les structures cristallines des protéines cibles sélectionnées, représentant des conformations actives, ont été obtenues à partir de la base de données RCSB Protein Data Bank (https://www.rcsb.org/). La préparation des protéines a été réalisée à l'aide de Discovery Studio, incluant l'élimination des molécules d'eau et des hétéroatomes, la suppression des chaînes redondantes, la réparation des résidus manquants, l'ajout d'atomes d'hydrogène à un pH de 7,4, l'attribution de charges de Gasteiger et une minimisation de l'énergie. Le site de fixation a été défini à partir des coordonnées du ligand co-cristallisé, en utilisant une grille englobant tous les résidus critiques impliqués dans la liaison du substrat. Le dockage moléculaire du PLB a été effectué à l'aide du serveur web SwissDock (http://www.swissdock.ch/) via le module Attracting Cavities. Les énergies libres de liaison ont été calculées afin d'évaluer l'affinité, et la conformation de plus basse énergie pour chaque cible a été sélectionnée comme pose finale de dockage. Les résultats des simulations de dockage moléculaire ont été visualisés afin de les valider.

Simulation de dynamique moléculaire

Des simulations de dynamique moléculaire (MD) ont été réalisées à l'aide de GROMACS 2022.2. Le champ de forces Amber14SB a été utilisé pour décrire la protéine, le système étant solvaté dans de l'eau TIP3P. Les paramètres de la plumbagine, incluant les charges partielles AM1-BCC et les types d'atomes GAFF2, ont été générés à l'aide d'Antechamber, suivis d'une conversion de topologie avec ACPYPE et l'attribution des paramètres ioniques de Joung-Cheatham. Chaque complexe protéine-ligand a été intégré dans une boîte de simulation dodécaédrique tronquée avec une distance minimale protéine-boîte de 1,2 nm, solvatée avec des molécules d'eau TIP3P, puis neutralisée par l'ajout de Na⁺/Cl⁻ à 0,15 M. Après une minimisation d'énergie effectuée par l'algorithme de descente la plus abrupte (Fmax < 1 000 kJ·mol⁻1·nm⁻1), le système a subi un équilibrage séquentiel en NVT et NPT pendant 200 ps chacun à 298 K. Les simulations productives ont ensuite été menées pendant 200 ns en conditions NPT avec un pas d'intégration de 2 fs, en utilisant le schéma de coupure Verlet. Les interactions électrostatiques à longue portée ont été calculées par la méthode Particle Mesh Ewald (PME), tandis que les interactions électrostatiques et de van der Waals employaient toutes deux une distance de coupure de 1,2 nm. L'algorithme LINCS a été utilisé pour contraindre les liaisons contenant de l'hydrogène. La température a été maintenue à 298 K à l'aide du thermostat de Nosé-Hoover et la pression à 1 bar à l'aide du barostat de Parrinello-Rahman. Les coordonnées ont été enregistrées toutes les 10 ps pour les analyses ultérieures. L'analyse et la visualisation des trajectoires ont été effectuées à l'aide des utilitaires GROMACS, de VMD et de PyMOL, tandis que les calculs d'énergie libre de liaison MM-PBSA ont été réalisés avec gmx_MMPBSA lorsque pertinent.

Évaluation de l'équilibre des trajectoires de dynamique moléculaire et protocole d'échantillonnage de l'énergie libre par MM-PBSA

Pour chaque complexe protéine–plumbagine, une simulation de dynamique moléculaire tout-atome de 200 ns a été réalisée à l'aide de GROMACS. Le point temporel de 100 ns a été défini comme la limite d'équilibration : le segment 0–100 ns a été désigné comme la phase de relaxation conformationnelle, durant laquelle le squelette de la protéine et le site de fixation du ligand ont subi des ajustements conformationnels continus ; le segment 100–200 ns a été identifié comme le plateau thermodynamiquement stable, comme en témoigne l'absence de dérive unidirectionnelle dans le RMSD, le rayon de giration (Rg), le RMSF par résidu, la SASA enterrée du ligand, les liaisons hydrogène intermoléculaires et les énergies d'interaction ligand–récepteur, qui n'ont présenté que de faibles fluctuations à l'état stationnaire. Tous les paramètres cinétiques quantitatifs et les énergies libres de liaison MM/PBSA ont été calculés exclusivement à partir de la phase d'équilibre 100–200 ns, à partir de laquelle des images ont été extraites uniformément toutes les 100 ps, produisant 1 000 instantanés d'équilibre par système en entrée pour gmx_MMPBSA. Les 100 premières nanosecondes des trajectoires de relaxation ont été écartées afin d'éliminer toute interférence due à la dérive conformationnelle dans les calculs d'énergie libre.

Analyse pronostique des gènes cibles dans le cancer de la prostate

Des analyses pronostiques ont été menées à l’aide de jeux de données sur le cancer de la prostate provenant de The Cancer Genome Atlas (TCGA). Les données de séquençage ARN (comptes STAR) et les informations cliniques correspondantes ont été obtenues à partir du portail Genomic Data Commons (https://portal.gdc.cancer.gov). Les comptages d'expression génique ont été convertis en transcrits par million (TPM) et normalisés à l’aide de la formule log2(TPM + 1). Après l’exclusion des échantillons comportant des informations cliniques incomplètes, 498 cas ont été inclus dans l’analyse. Le niveau médian d’expression de chaque gène a été utilisé pour répartir les patients en groupes à expression élevée et faible. Une analyse de survie de Kaplan-Meier avec test du log-rank et une régression univariée de Cox proportionnelle aux risques ont été réalisées afin d’évaluer la survie globale (OS) pour SRC et la survie sans progression (PFS) pour MAPK3, avec des rapports de risques (HR) et des intervalles de confiance à 95 % (IC) indiqués. La performance prédictive a été évaluée davantage par la génération de courbes caractéristiques de fonctionnement du récepteur (ROC) dépendantes du temps, à 1, 3 et 5 ans. Les analyses statistiques ont été effectuées avec R version 4.0.3, une valeur de P < 0,05 étant considérée comme statistiquement significative.

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

Résultats

Résultats des prédictions des cibles de la PLB et du cancer de la prostate

Le CID PubChem du PLB est 10205, avec le nom IUPAC suivant : 5-hydroxy-2-methylnaphthalene-1,4-dione, le SMILES : CC1=CC(=O)C2=C(C1=O)C=CC=C2O, l'InChIKey : VCMMXZQDRFWYSE-UHFFFAOYSA-N, l'InChI : InChI=1S/C11H8O3/c1-6-5-9(13)10-7(11(6)14)3-2-4-8(10)12/h2-5,12H,1H3, la masse moléculaire : 188,18, la formule moléculaire : C11H8O3, le numéro CAS : 481-42-5. Après élimination des doublons, cette étude a pré...

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

Discussion

Des études ont montré que AKT1, ESR1, BCL2, EGFR, TNF, MAPK3, HSP90AA1, SRC et PPARG jouent des rôles variés dans la promotion de la progression du cancer. La voie de signalisation intracellulaire phosphatidylinositol 3-kinase (PI3K)/protéine kinase sérienne/thréonine (AKT)/cible mécanistique de la rapamycine (mTOR) est une voie de transduction du signal essentielle qui régule divers processus physiopathologiques, notamment la croissance cellulaire, la prolifération, l'apoptose, l'angiogenèse, les réponses inflammatoires...

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

Déclarations de divulgation

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

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Base de données comparative en toxicogénomiqueInstitut national des études sur la santé environnementale, Institut national des troubles neurologiques et de l'AVChttps://ctdbase.org/CTD est une base de données solide et accessible au public qui vise à approfondir la compréhension des effets des expositions environnementales sur la santé humaine.
Il fournit des informations annotées manuellement sur les interactions produit chimique-gène/protéine, ainsi que sur les relations entre produits chimiques et maladies, et gènes et maladies. Ces données sont intégrées à des données fonctionnelles et relatives aux voies métaboliques afin de faciliter l'élaboration d'hypothèses concernant les mécanismes sous-jacents aux maladies influencées par l'environnement.
CytoscapeInstitut de biologie des systèmes, ISB, Leroy Hoodhttps://cytoscape.org/Initialement conçu spécifiquement pour les réseaux d'interactions biomoléculaires, le logiciel s'est désormais transformé en une plateforme polyvalente d'analyse de réseaux complexes, largement utilisée dans des domaines tels que la bioinformatique, la médecine systémique, les réseaux sociaux et les réseaux sémantiques
base de données DAVIDInstituts nationaux de la santé (NIH)https://davidbioinformatics.nih.gov/list.jspDAVID, abréviation de Database for Annotation, Visualization and Integrated Discovery, est la plateforme en ligne gratuite la plus classique et la plus largement utilisée pour l'annotation fonctionnelle de jeux de gènes et l'analyse d'enrichissement.
DrugBankUniversité de l'Alberta, Canadahttps://go.drugbank.com/DrugBank est le système opérationnel intelligent pour la bio-industrie pharmaceutique, offrant les connaissances biomédicales les plus complètes et structurées afin d'accélérer le développement des thérapies, de la découverte à l'impact sur le patient.
GeneCardLifeMap Scienceshttps://www.genecards.org/GeneCards est une base de données intégrative et consultable qui fournit des informations complètes et faciles d'accès sur tous les gènes humains annotés et prédits. Cette base de connaissances intègre automatiquement des données centrées sur les gènes provenant de 193 sources web, incluant des informations génomiques, transcriptomiques, protéomiques, génétiques, cliniques et fonctionnelles.
gmx_MMPBSAUniversité Columbia de Medellínhttps://valdes-tresanco-ms.github.io/gmx_MMPBSA/gmx_MMPBSA, un outil de calcul d'énergie libre open source développé par Valdés-Tresanco et al. a été adopté pour calculer les énergies libres de liaison selon les méthodologies MM/PBSA et MM/GBSA. Basé sur le moteur MMPBSA.py d'AmberTools, il traite directement les fichiers de trajectoire générés par GROMACS sans conversion manuelle de format. Une décomposition énergétique par résidu, un balayage computationnel d'alanine et une correction entropique ont été effectués afin de quantifier les contributions à la liaison des acides aminés clés, et le module intégré gmx_MMPBSA_ana a été utilisé pour l'analyse statistique et la visualisation des composantes énergétiques.
GROMACSInstitut royal de technologie (KTH), Université d'Uppsalawww.gromacs.orgGROMACS est un logiciel polyvalent permettant d'effectuer des dynamiques moléculaires, c'est-à-dire de simuler les équations du mouvement de Newton pour des systèmes comprenant des centaines à des millions de particules, et constitue un projet porté par la communauté. Les contributions sont les bienvenues sous de multiples formes, notamment l'amélioration de la documentation, des correctifs destinés à résoudre des bogues, des conseils sur les forums, des rapports de bogues permettant de reproduire le problème, ainsi que l'ajout de nouvelles fonctionnalités.
HERBUniversité de médecine chinoise de Pékin, Université de médecine chinoise de Pékin.http://herb.ac.cn/Une base de données à haut débit fondée sur des expériences et des références en médecine traditionnelle chinoise.
PharmMapperÉcole des sciences et technologies pharmaceutiques / École des sciences et technologies de l'information, Université des sciences et technologies d'Est de Chinehttps://www.lilab-ecust.cn/pharmmapper/index.htmlLe serveur PharmMapper est un serveur web d'accès libre conçu pour identifier des candidats cibles potentiels pour de petites molécules donneuses (médicaments, produits naturels ou autres composés nouvellement découverts dont les cibles de liaison sont inconnues), en utilisant une approche de cartographie pharmacophorique. Grâce à une méthode de cartographie particulièrement efficace et robuste, PharmMapper possède une capacité de haut débit et peut identifier les candidats cibles potentiels dans la base de données en quelques heures.
PubChemNational Institutes of Health (NIH)https://pubchem.ncbi.nlm.nih.gov/PubChem est une base de données chimiques ouverte des Instituts nationaux de la santé (National Institutes of Health, NIH)
PyMOLSchrödingerhttps://pymol.orgPyMOL, initialement développé par Warren Lyford DeLano et actuellement maintenu par Schrödinger, Inc., est un outil de visualisation moléculaire multiplateforme largement utilisé en biologie structurale et en conception assistée par ordinateur de médicaments. Les structures de complexes protéine-ligand téléchargées depuis la base RCSB PDB ont été chargées dans PyMOL afin de visualiser les conformations de liaison, les liaisons hydrogène et les résidus impliqués dans les interactions clés. Des superpositions structurales, des rendus de surface et des images moléculaires de haute qualité, propres à la publication, ont été générés à l’aide de l’interface intégrée de script Python.
RCSB Protein Data BankLaboratoire de recherche collaboratif en bioinformatique structuralehttps://www.rcsb.org/La base de données RCSB PDB (Research Collaboratory for Structural Bioinformatics Protein Data Bank) assure le rôle de centre de données américain au sein du consortium Worldwide Protein Data Bank (wwPDB), créé et dirigé par Helen M. Berman en 1998. Elle archivé des structures atomiques tridimensionnelles déterminées expérimentalement pour les protéines, les acides nucléiques et leurs complexes, résolues par cristallographie aux rayons X, microscopie électronique cryogénique et spectroscopie de résonance magnétique nucléaire, et intègre des millions de modèles de structures protéiques prédits par l'intelligence artificielle via AlphaFold. Le portail web permet une recherche multidimensionnelle, la visualisation moléculaire 3D en temps réel, le téléchargement groupé de fichiers de coordonnées, ainsi que des annotations croisées reliant les données structurales à la fonction des gènes, aux maladies et aux ligands de petites molécules, largement utilisées pour l'identification de cibles thérapeutiques et les études de docking moléculaire.
SEA Laboratoire Shoichet du Département de chimie pharmaceutique de l'Université de Californie à San Francisco (UCSF)https://sea.bkslab.org/L'approche par ensemble de similarité (Similarity Ensemble Approach, SEA) relie des protéines en se basant sur la similarité chimique globale de leurs ligands. Elle peut être utilisée pour effectuer rapidement des recherches dans de grandes bases de données de composés et pour construire des cartes de similarité intercibles.
base de données STRINGGlobal Biodata Coalition et ELIXIRhttps://cn.string-db.org/STRING est une base de données d'interactions protéine-protéine connues et prédites. Les interactions incluent des associations directes (physiques) et indirectes (fonctionnelles) ; elles proviennent de prédictions informatiques, de transferts de connaissances entre organismes, ainsi que d'interactions regroupées à partir d'autres bases de données (principales).
Serveur web Swiss Dock Groupe de modélisation moléculaire de l'Université de Lausanne et de l'Institut suisse de bioinformatique SIBhttps://www.swissdock.ch/SwissDock est un service web qui prédit les interactions moléculaires susceptibles de se produire entre une protéine cible et une petite molécule.
SwissTarget Groupe de modélisation moléculaire du SIB | Institut suisse de bioinformatiquehttps://swisstargetprediction.ch/index.phpCe site web permet d'estimer les cibles macromoléculaires les plus probables d'une petite molécule considérée comme bioactive. La prédiction repose sur une combinaison de similarités 2D et 3D avec une bibliothèque de 37 000 composés actifs connus, dirigés contre plus de 3000 protéines provenant de trois espèces différentes.
TargetNetBiologie computationnelle & Groupe de conception de médicamentshttp://targetnet.scbdd.com/calcnet/index/TargetNet est un serveur web ouvert qui peut être utilisé pour identifier ou prédire la liaison avec plusieurs cibles pour une molécule donnée.
Base de données et plateforme d'analyse en pharmacologie systémique de la médecine traditionnelle chinoiseZhejiang Jiwei Health Co., Ltdhttps://www.tcmsp-e.com/index.phpTCMSP est une plateforme unique de pharmacologie systémique consacrée aux médicaments chinois à base de plantes, qui recense les relations entre médicaments, cibles et maladies. La base de données comprend des composés chimiques, des cibles, des réseaux médicament-cible, ainsi que des réseaux médicament-cible-maladie associés, et des propriétés pharmacocinétiques pour les composés naturels, incluant la biodisponibilité orale, le caractère proche des médicaments, la perméabilité épithéliale intestinale, la barrière hémato-encéphalique,  solubilité aqueuse et autres. Cette percée a suscité un nouvel intérêt pour la recherche de médicaments candidats dans divers types de plantes médicinales chinoises traditionnelles.
base de données UniProtInstitut européen de bioinformatique (EMBL-EBI), l'Institut suisse de bioinformatique SIB et la Protein Information Resource (PIR)https://www.uniprot.org/UniProt est le monde’une ressource de référence de haute qualité, complète et librement accessible d'informations sur les séquences et les fonctions des protéines
Outil en ligne Venny 2.1Centre national de biotechnologieía, (CNB-CSIC)https://bioinfogp.cnb.csic.es/tools/venny/index.htmlVenny consiste en un unique fichier html standard. N'hésitez pas à l'enregistrer sur votre disque dur, à l'ouvrir avec votre navigateur préféré et à commencer à créer de beaux diagrammes de Venn en quelques secondes, même sans connexion Internet.
VMDGroupe de recherche en biophysique théorique et computationnelle (TCBG), Institut Beckman, Université de l'Illinois à Urbana-Champaign, États-Unishttps://www.ks.uiuc.edu/Research/vmd/VMD (Visual Molecular Dynamics) est un logiciel gratuit de visualisation moléculaire et d'analyse de trajectoires, multiplateforme, développé par le groupe de biophysique théorique et computationnelle dirigé par le professeur Klaus Schulten à l'Université de l'Illinois à Urbana-Champaign. Il prend en charge les structures PDB standard ainsi que les trajectoires de dynamique moléculaire générées par GROMACS, NAMD et Amber, offrant divers styles de rendu moléculaire et une interface intégrée de script Tcl. Des analyses quantitatives, incluant le RMSD, l'occupation des liaisons hydrogène, le SASA et la géométrie du site de fixation du ligand, ont été réalisées afin de caractériser les interactions dynamiques entre protéines et ligands ainsi que les fluctuations conformationnelles.

Références

  1. Bray F, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2024;74(3):229-63.
  2. Loeb S, et al. Overdiagnosis and overtreatment of prostate cancer. Eur Urol. 2014;65(6):1046-55.
  3. James ND, et al. The Lancet Commission on prostate cancer: planning for the surge in cases. Lancet. 2024;403(10437):1683-722.
  4. Bussard KM, Gay CV, Mastro AM. The bone microenvironment in metastasis: what is special about bone? Cancer Metastasis Rev. 2008;27(1):41-55.
  5. Keller ET, et al. New trends in the treatment of bone metastasis. J Cell Biochem. 2007;102(5):1095-102.
  6. Kingsley LA, Fournier PG, Chirgwin JM, Guise TA. Molecular biology of bone metastasis. Mol Cancer Ther. 2007;6(10):2609-17.
  7. Valdespino V, Tsagozis P, Pisa P. Current perspectives in the treatment of advanced prostate cancer. Med Oncol. 2007;24(3):273-86.
  8. Albertsen P. Predicting survival for men with clinically localized prostate cancer: what do we need in contemporary practice? Cancer. 2008;112(1):1-3.
  9. So A, Gleave M, Hurtado-Col A, Nelson C. Mechanisms of the development of androgen independence in prostate cancer. World J Urol. 2005;23(1):1-9.
  10. Gupta S. Prostate cancer chemoprevention: current status and future prospects. Toxicol Appl Pharmacol. 2007;224(3):369-76.
  11. Patel D, Shukla S, Gupta S. Apigenin and cancer chemoprevention: progress, potential, and promise. Int J Oncol. 2007;30(1):233-45.
  12. Kallifatidis G, Hoy JJ, Lokeshwar BL. Bioactive natural products for chemoprevention and treatment of castration-resistant prostate cancer. Semin Cancer Biol. 2016;40-41:160-9.
  13. Montuori E, et al. Marine natural products with activities against prostate cancer: recent discoveries. Int J Mol Sci. 2023;24(2):1435.
  14. de Paiva SR, Figueiredo MR, Aragão TV, Kaplan MAC. Antimicrobial activity in vitro of plumbagin isolated from Plumbago species. Mem Inst Oswaldo Cruz. 2003;98(7):959-61.
  15. Luo P, et al. Anti-inflammatory and analgesic effect of plumbagin through inhibition of nuclear factor-κB activation. J Pharmacol Exp Ther. 2010;335(3):735-42.
  16. Sharma I, Gusain D, Dixit VP. Hypolipidaemic and antiatherosclerotic effects of plumbagin in rabbits. Indian J Physiol Pharmacol. 1991;35(1):10-4.
  17. Awale S, et al. Targeting pancreatic cancer with novel plumbagin derivatives: design, synthesis, molecular mechanism, in vitro and in vivo evaluation. J Med Chem. 2023;66(12):8054-65.
  18. Zhang R, Jiang Q, Guo R, Guo K, Qiu J. Unveiling the power of plumbagin: revitalizing exhausted T cells to combat tongue cancer. Cancer Cell Int. 2025;25(1):271.
  19. Panichayupakaranant P, Ahmad MI. Plumbagin and its role in chronic diseases. Adv Exp Med Biol. 2016;929:229-46.
  20. Kuete V, et al. Cytotoxicity of plumbagin, rapanone, and 12 other naturally occurring quinones from Kenyan flora towards human carcinoma cells. BMC Pharmacol Toxicol. 2016;17(1):60.
  21. Gharbaran R, Shi C, Onwumere O, Redenti S. Plumbagin induces cytotoxicity via loss of mitochondrial membrane potential and caspase activation in metastatic retinoblastoma. Anticancer Res. 2021;41(10):4725-32.
  22. Aziz MH, Dreckschmidt NE, Verma AK. Plumbagin, a medicinal plant-derived naphthoquinone, is a novel inhibitor of the growth and invasion of hormone-refractory prostate cancer. Cancer Res. 2008;68(21):9024-32.
  23. Powolny AA, Singh SV. Plumbagin-induced apoptosis in human prostate cancer cells is associated with modulation of cellular redox status and generation of reactive oxygen species. Pharm Res. 2008;25(9):2171-80.
  24. Qiu JX, et al. Plumbagin elicits differential proteomic responses mainly involving cell cycle, apoptosis, autophagy, and epithelial-to-mesenchymal transition pathways in human prostate cancer PC-3 and DU145 cells. Drug Des Devel Ther. 2015;9:349-417.
  25. Wang F, et al. Plumbagin induces cell cycle arrest and autophagy and suppresses epithelial-to-mesenchymal transition involving the PI3K/Akt/mTOR-mediated pathway in human pancreatic cancer cells. Drug Des Devel Ther. 2015;9:537-60.
  26. Lai L, et al. Plumbagin inhibits tumour angiogenesis and tumour growth through the Ras signalling pathway following activation of the VEGF receptor-2. Br J Pharmacol. 2012;165(4b):1084-96.
  27. Wu WI, et al. Crystal structure of human AKT1 with an allosteric inhibitor reveals a new mode of kinase inhibition. PLoS One. 2010;5(9):e12913.
  28. Bai L, et al. A potent and selective small-molecule degrader of STAT3 achieves complete tumor regression in vivo. Cancer Cell. 2019;36(5):498-511.e17.
  29. Fanning SW, et al. The SERM/SERD bazedoxifene disrupts ESR1 helix 12 to overcome acquired hormone resistance in breast cancer cells. Elife. 2018;7:e37161.
  30. Suraweera CD, Caria S, Järvå M, Hinds MG, Kvansakul M. A structural investigation of NRZ-mediated apoptosis regulation in zebrafish. Cell Death Dis. 2018;9(10):967.
  31. Boulanger MJ, Chow DC, Brevnova EE, Garcia KC. Hexameric structure and assembly of the interleukin-6/IL-6 α-receptor/gp130 complex. Science. 2003;300(5628):2101-4.
  32. Jia Y, et al. Overcoming EGFR(T790M) and EGFR(C797S) resistance with mutant-selective allosteric inhibitors. Nature. 2016;534(7605):129-32.
  33. Dos Santos Nascimento IJ, da Silva-Júnior EF. TNF-α inhibitors from natural compounds: an overview, CADD approaches, and their exploration as anti-inflammatory agents. Comb Chem High Throughput Screen. 2022;25(14):2317-40.
  34. Chaikuad A, et al. A unique inhibitor binding site in ERK1/2 is associated with slow binding kinetics. Nat Chem Biol. 2014;10(10):853-60.
  35. Brasca MG, et al. Discovery of NMS-E973 as a novel, selective, and potent inhibitor of heat shock protein 90. Bioorg Med Chem. 2013;21(22):7047-63.
  36. Gurbani D, et al. Structure and characterization of a covalent inhibitor of Src kinase. Front Mol Biosci. 2020;7:81.
  37. Gellrich L, et al. L-thyroxin and the nonclassical thyroid hormone TETRAC are potent activators of PPARγ. J Med Chem. 2020;63(13):6727-40.
  38. Weng Z, Shen X, Zheng J, Liang H, Liu Y. Structural basis of DEPTOR to recognize phosphatidic acid using its tandem DEP domains. J Mol Biol. 2021;433(13):166989.
  39. Huck JD, et al. Structures of Hsp90α and Hsp90β bound to a purine-scaffold inhibitor reveal an exploitable residue for drug selectivity. Proteins. 2019;87(10):869-77.
  40. Luo G, et al. Discovery of isonicotinamides as highly selective, brain-penetrable, and orally active glycogen synthase kinase-3 inhibitors. J Med Chem. 2016;59(3):1041-51.
  41. Orlando BJ, Malkowski MG. Crystal structure of rofecoxib bound to human cyclooxygenase-2. Acta Crystallogr F Struct Biol Commun. 2016;72(Pt 10):772-6.
  42. Nuti E, et al. Development of thioaryl-based matrix metalloproteinase-12 inhibitors with alternative zinc-binding groups: synthesis, potentiometric, NMR, and crystallographic studies. J Med Chem. 2018;61(10):4421-35.
  43. Li Q, Li Z, Luo T, Shi H. Targeting the PI3K/AKT/mTOR and RAF/MEK/ERK pathways for cancer therapy. Mol Biomed. 2022;3(1):47.
  44. Wang B, et al. Propofol protects against hydrogen peroxide-induced injury in cardiac H9c2 cells via Akt activation and Bcl-2 up-regulation. Biochem Biophys Res Commun. 2009;389(1):105-11.
  45. Majewska E, Szeliga M. AKT/GSK3β signaling in glioblastoma. Neurochem Res. 2017;42(3):918-24.
  46. Yang H, et al. mTOR kinase structure, mechanism, and regulation. Nature. 2013;497(7448):217-23.
  47. Fong CJ, Sherwood ER, Mendelsohn J, Lee C, Kozlowski JM. Epidermal growth factor receptor monoclonal antibody inhibits constitutive receptor phosphorylation, reduces autonomous growth, and sensitizes androgen-independent prostatic carcinoma cells to tumor necrosis factor α. Cancer Res. 1992;52(21):5887-92.
  48. Visakorpi T, Kallioniemi OP, Koivula T, Harvey J, Isola J. Expression of epidermal growth factor receptor and ERBB2 (HER-2/Neu) oncoprotein in prostatic carcinomas. Mod Pathol. 1992;5(6):643-8.
  49. Ibrahim GK, et al. Differential immunoreactivity of epidermal growth factor receptor in benign, dysplastic, and malignant prostatic tissues. J Urol. 1993;149(1):170-3.
  50. Davies P, Eaton CL. Binding of epidermal growth factor by human normal, hypertrophic, and carcinomatous prostate. Prostate. 1989;14(2):123-32.
  51. Bahar ME, Kim HJ, Kim DR. Targeting the RAS/RAF/MAPK pathway for cancer therapy: from mechanism to clinical studies. Signal Transduct Target Ther. 2023;8(1):455.
  52. Guo YJ, et al. ERK/MAPK signalling pathway and tumorigenesis. Exp Ther Med. 2020;19(3):1997-2007.
  53. Ullah R, Yin Q, Snell AH, Wan L. RAF-MEK-ERK pathway in cancer evolution and treatment. Semin Cancer Biol. 2022;85:123-54.
  54. Chambard JC, Lefloch R, Pouysségur J, Lenormand P. ERK implication in cell cycle regulation. Biochim Biophys Acta. 2007;1773(8):1299-310.
  55. Gesmundo I, et al. Proton pump inhibitors promote the growth of androgen-sensitive prostate cancer cells through ErbB2, ERK1/2, PI3K/Akt, GSK-3β signaling and inhibition of cellular prostatic acid phosphatase. Cancer Lett. 2019;449:252-62.
  56. Schopf FH, Biebl MM, Buchner J. The HSP90 chaperone machinery. Nat Rev Mol Cell Biol. 2017;18(6):345-60.
  57. García-Alonso S, et al. Structure of the RAF1-HSP90-CDC37 complex reveals the basis of RAF1 regulation. Mol Cell. 2022;82(18):3438-52.e8.
  58. Chiosis G, Digwal CS, Trepel JB, Neckers L. Structural and functional complexity of HSP90 in cellular homeostasis and disease. Nat Rev Mol Cell Biol. 2023;24(11):797-815.
  59. Li J, Buchner J. Structure, function, and regulation of the Hsp90 machinery. Biomed J. 2013;36(3):106-17.
  60. Youssef ME, et al. Role of ganetespib, an HSP90 inhibitor, in cancer therapy: from molecular mechanisms to clinical practice. Int J Mol Sci. 2023;24(5):5014.
  61. Solit DB, Scher HI, Rosen N. Hsp90 as a therapeutic target in prostate cancer. Semin Oncol. 2003;30(5):709-16.
  62. Hoter A, Rizk S, Naim HY. The multiple roles and therapeutic potential of molecular chaperones in prostate cancer. Cancers (Basel). 2019;11(8):1194.
  63. Moon SJ, et al. Bruceantin targets HSP90 to overcome resistance to hormone therapy in castration-resistant prostate cancer. Theranostics. 2021;11(2):958-73.
  64. Li J, et al. Androgen-targeted hsa_circ_0085121 encodes a novel protein and improves the development of prostate cancer through facilitating the activity of the PI3K/Akt/mTOR pathway and enhancing AR-V7 alternative splicing. Cell Death Dis. 2024;15(11):848.
  65. Taneja SS, et al. Toremifene: a promising therapy for the prevention of prostate cancer and complications of androgen deprivation therapy. Expert Opin Investig Drugs. 2006;15(3):293-305.
  66. Yang J, et al. Protective effect of Fuzi Lizhong decoction against non-alcoholic fatty liver disease via an anti-inflammatory response through regulation of p53 and PPARG signaling. Biol Pharm Bull. 2020;43(11):1626-33.
  67. Sui Q, et al. Ganoderic acid A: an in-depth review of pharmacological effects and molecular docking analysis. J Ethnopharmacol. 2025;349:119868.
  68. Zhang T, et al. PPARG is a potential target of Tanshinone IIA in prostate cancer treatment: a combination study of molecular docking and dynamic simulation based on transcriptomic bioinformatics. Eur J Med Res. 2023;28(1):487.
  69. Astakhova A, et al. Inhibitors of oxidative phosphorylation modulate astrocyte inflammatory responses through AMPK-dependent Ptgs2 mRNA stabilization. Cells. 2019;8(10):1185.
  70. Liu Y, Cai Y, He C, Chen M, Li H. Anticancer properties and pharmaceutical applications of plumbagin: a review. Am J Chin Med. 2017;45(3):423-41.
  71. Ahmad I, et al. Synergistic inhibition of colon cancer cell proliferation via p53, Bax, and Bcl-2 modulation by curcumin and plumbagin combination. ACS Omega. 2025;10(18):19045-60.
  72. Bello IJ, Oyebode OT, Olanlokun JO, Omodara TO, Olorunsogo OO. Plumbagin induces testicular damage via mitochondrial-dependent cell death. Chem Biol Interact. 2021;347:109582.
  73. Hafeez BB, et al. Plumbagin inhibits prostate carcinogenesis in intact and castrated PTEN knockout mice via targeting PKCε, Stat3, and epithelial-to-mesenchymal transition markers. Cancer Prev Res (Phila). 2015;8(5):375-86.
  74. Kumar MR, et al. Formulation of plumbagin-loaded long-circulating pegylated liposomes: in vivo evaluation in C57BL/6J mice bearing B16F1 melanoma. Drug Deliv. 2011;18(7):511-22.
  75. Mandala Rayabandla SK, et al. Preparation, in vitro characterization, pharmacokinetic, and pharmacodynamic evaluation of chitosan-based plumbagin microspheres in mice bearing B16F1 melanoma. Drug Deliv. 2010;17(3):103-13.
  76. Tiwari SB, Pai RM, Udupa N. Temperature-sensitive liposomes of plumbagin: characterization and in vivo evaluation in mice bearing melanoma B16F1. J Drug Target. 2002;10(8):585-91.
  77. Onoue S, Yamada S, Chan HK. Nanodrugs: pharmacokinetics and safety. Int J Nanomedicine. 2014;9:1025-37.

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

Réimpressions et autorisations

Explorer plus d’articles

Thérapie à la plumbagineamarrage moléculaireréseau d'interaction protéiqueenrichissement fonctionnelinteraction protéine-ligandcibles thérapeutiquesprogression du cancer
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.