$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Cette étude computationnelle basée sur une base de données n’implique pas de participants humains, d’expériences animales ou d’échantillons cliniques. Selon l’article 32 des Mesures chinoises pour l’examen éthique des sciences de la vie et de la recherche médicale impliquant des sujets humains, les études utilisant des données légalement accessibles au public, ne causant aucun préjudice aux sujets humains, n’impliquant aucune information personnelle sensible et n’ayant aucun intérêt commercial sont éligibles à une exemption d’examen éthique. Par conséquent, une approbation éthique n’est pas requise pour cette étude.
Le plan expérimental et la chaîne analytique de cette étude sont illustrés dans le diagramme de flux (Figure 1).
Figure 1 : Flux de travail global de l’étude. Le diagramme illustre le flux de travail séquentiel de la pharmacologie en réseau et des analyses d’amarrage moléculaire, incluant l’acquisition des composants actifs et des cibles de la décoction Sishen (SSD), la collecte de cibles liées à la goutte, l’identification de cibles qui se chevauchent, la construction du réseau médicament–composant–cible–maladie et du réseau d’interaction protéine–protéine (PPI), ainsi que les analyses d’enrichissement de l’Ontologie Génique (GO) et de l’Encyclopédie des Gènes et Génomes de Kyoto (KEGG). et des simulations d’amarrage moléculaire. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Acquisition des composants actifs et des protéines cibles du SSD
Le 2 janvier 2026, les composants chimiques actifs des cinq herbes constituant la SSD, à savoir Huangqi, Yuanzhi, Huainiuxi, Shihu et Jinyinhua, ont été récupérés dans la base de données21 de la Pharmacologie des Systèmes de Médecine Traditionnelle Chinoise (TCMSP). Des critères de dépistage basés sur les propriétés pharmacocinétiques ont été appliqués : biodisponibilité orale (OB) de ≥30 % et ressemblance du médicament (DL) de ≥0,1822. Les composants répondant à ces critères étaient considérés comme des ingrédients actifs potentiels. Les cibles correspondantes pour chaque composant étaient ensuite collectées. Comme le TCMSP ne disposait pas de données complètes pour Yuanzhi et Shihu, les composants chimiques de ces deux herbes ont également été récupérés dans la base de données Herb 2.0 le même jour. Après avoir obtenu les noms des composants, une recherche inversée était effectuée dans TCMSP en utilisant les noms des composants et les numéros CAS correspondants comme mots-clés pour récupérer les informations cibles. Pour les composés obtenus à partir de la base de données Herb, seuls ceux correspondant avec succès aux entrées de TCMSP par un nom de composant ou un numéro CAS ont été conservés. Les composés appariés ont ensuite été soumis aux mêmes critères de dépistage pharmacocinétique (OB ≥ 30 % et DL ≥ 0,18) à partir des données TCMSP, et les composés dépourvus d’informations complètes sur OB ou DL ont été exclus. Tous les composés appariés et filtrés ont été vérifiés manuellement par rapport aux enregistrements originaux Herb 2.0 afin d’éviter toute erreur d’identification. Par la suite, les informations ciblées issues de la base de données des plantes ont été fusionnées avec celles des herbes restantes pour générer l’ensemble complet des cibles d’ingrédients actifs pour la SSD.
Toutes les protéines cibles récupérées ont été standardisées en symboles géniques officiels à l’aide de la base de données UniProt. Une correspondance individuelle a été établie en conservant uniquement les entrées évaluées par des humains (Swiss-Prot) et en excluant les entrées non révisées (TrEMBL). Lorsque plusieurs isoformes correspondaient au même symbole génétique, l’isoforme canonique était sélectionnée. L’ensemble de données standardisé des cibles a été conservé pour l’analyse ultérieure des gènes intersectants.
Collecte des cibles liées à la goutte
Le 2 janvier 2026, des recherches systématiques ont été menées dans la base de données GeneCards et OMIM en utilisant « goutte » comme mot-clé de la maladie pour obtenir des cibles liées à la goutte. Les cibles obtenues à partir des deux bases de données ont été exportées dans des feuilles de calcul WPS (version 12.1.0). La colonne Symbole Génétique de l’OMIM était positionnée à côté de la colonne Symbole Gène de GeneCards, et les cibles dupliquées étaient supprimées à l’aide de la fonction « Supprimer les Duplicats » basée sur des correspondances exactes des symboles officiels des gènes de manière insensible à la casse. Les cibles issues des deux bases de données ont ensuite été fusionnées pour constituer un ensemble complet de cibles liées aux maladies liées à la goutte.
Identification des cibles qui se chevauchent médicament–maladie
L’ensemble de cibles de médicaments obtenu par dépistage en composante active et l’ensemble de cibles liées à la goutte ont été placés dans le même dossier de projet (D :\Venn). Le logiciel R (version 4.4.0) a été lancé, et le paquet readxl a été utilisé pour importer les fichiers Excel (.xlsx) contenant les listes cibles. Le package dplyr était utilisé pour la manipulation des données, y compris le filtrage et le renommage des colonnes avant l’analyse des intersections. Les deux ensembles de cibles ont ensuite été convertis en vecteurs de caractères, et les cibles qui se chevauchent ont été identifiées à l’aide de la fonction calculate.overlap() du package VennDiagram. Le paquet VennDiagram était installé depuis CRAN en utilisant la commande install.packages (« VennDiagram ») et stocké dans le chemin de bibliothèque R par défaut. Si un message indiquant que le package avait déjà été installé apparaissait, l’installation était considérée comme réussie. Le répertoire de travail était configuré à l’aide de la commande setwd(« D :\\Venn »), qui désignait le dossier contenant les fichiers d’entrée et servait de répertoire de sortie. Le script R a ensuite été exécuté pour calculer l’intersection entre l’ensemble cible du médicament et l’ensemble cible des maladies liées à la goutte. Les cibles qui se chevauchent ainsi ont été définies comme des cibles thérapeutiques potentielles de la SSD pour le traitement de la goutte.
Construction du réseau « Composant-Médicament-Cible-Maladie »
Les gènes intercroisés identifiés à partir du chevauchement entre cibles SSD et cibles liées à la goutte étaient sauvegardés sous forme de fichier overlapping_targets.txt , et les informations de composante active du SSD étaient enregistrées sous forme de fichier drug_components.txt . Les deux fichiers étaient placés dans le dossier projet (D :\Network), qui servait de répertoire de travail pour l’analyse. Pour garantir la reproductibilité, cette analyse a été réalisée en utilisant R. Les opérations de lecture, de filtrage et de fusion des données ont été effectuées en utilisant une combinaison de fonctions R de base, incluant read.table(), write.table() et merge(), ainsi que le package dplyr pour la manipulation des trames de données. La commande setwd(« D :\Network ») était exécutée pour définir explicitement le répertoire de travail.
La fonction graph_from_data_frame() était utilisée comme fonction d’intégration centrale. Chaque rangée de drug_components.txt reliait un composant actif à son gène cible correspondant en utilisant des symboles officiels du gène. Seules les cibles présentes dans overlapping_targets.txt ont été conservées, et aucun filtrage supplémentaire n’a été appliqué au-delà de l’exigence d’intersection. Le jeu de données réseau résultant a été exporté en network.txt au format liste d’arêtes. Chaque ligne contenait deux colonnes (nœud1 et nœud2), où le nœud1 représentait soit la formule SSD, soit un composant actif, et le nœud2 représentait soit un composant actif, soit un gène cible. Le nœud pathologique (« goutte ») était relié à la formule SSD comme un bord distinct. Les poids des arêtes n’étaient pas attribués, et toutes les arêtes étaient traitées de manière égale (largeur des arêtes = 0,8).
Le fichier network.txt a été importé dans le logiciel de visualisation réseau Cytoscape (version 3.7.2). L’outil intégré NetworkAnalyzer a été consulté via les outils → Network Analysis → Analyze Network pour obtenir la structure réseau de base, et « Degree Distribution » a été choisi comme cadre analytique. Les formes et couleurs des ganglions étaient attribuées selon les types de nœuds : les losanges bleus représentaient la formule SSD, les rectangles bleus les composants actifs, les ellipses orange les gènes cibles de la maladie, et les octogones rouges représentaient l’entité de la maladie de la goutte. La taille du nœud était réglée pour être proportionnelle au degré du nœud (taille du nœud = 30 + degré × 5, taille maximale = 100).
Construction du réseau d’interaction protéine-protéine (IPP)
L’ensemble filtré des gènes cibles qui s’entrecroisent a été importé dans la base de données STRING (version 12.0) le 2 janvier 2026. L’espèce a été restreinte à Homo sapiens, le seuil minimal de confiance en interaction a été fixé à une confiance élevée (0,700), les protéines déconnectées ont été cachées, les sources d’interaction ont inclus tous les canaux de preuve disponibles, et tous les autres paramètres ont été maintenus à leurs réglages par défaut pour obtenir des interactions protéine-protéine connues et prédites. Les données réseau résultantes étaient exportées au format des valeurs séparées par tabulation (TSV) en utilisant les options d’exportation par défaut.
Le réseau exporté a été importé dans le logiciel de visualisation réseau pour la visualisation et l’analyse topologique. Les propriétés du réseau étaient calculées à l’aide de l’outil intégré NetworkAnalyzer (Outils → Network Analysis → Analyze Network). Les métriques calculées comprenaient le degré, la centralité entre les deux et la centralité de la proximité. Les tailles des nœuds étaient mappées en valeurs de degré à l’aide d’une fonction de mappage continue (taille du nœud = 20 + degrés × 3, taille maximale = 80).
Les cibles des hubs étaient identifiées en classant tous les nœuds selon les valeurs de degré dans un ordre décroissant. Les nœuds avec des valeurs de degré plus élevées étaient considérés comme plus centraux au sein du réseau. Les nœuds isolés (degré = 0) ont été exclus de la visualisation. La disposition du réseau était disposée en cercles concentriques du centre vers l’extérieur selon la connectivité des nœuds, et les couleurs des nœuds étaient cartographiées à l’aide d’un gradient bleu-cyan correspondant à des valeurs de degré croissantes. Le réseau résultant a été utilisé pour identifier les cibles centrales impliquées dans les effets thérapeutiques potentiels de la SSD contre la goutte.
Analyse d’enrichissement de l’ontologie génique (GO)
Sur la base des gènes cibles chevauchants identifiés, l’analyse d’enrichissement fonctionnel GO a été réalisée à l’aide de R. Les paquets Bioconductor requis ont été installés dans le chemin de la bibliothèque R par défaut et chargés dans l’environnement d’analyse. Le fichier de gènes intersectants était stocké dans le répertoire du projet (D :\GO), et le répertoire de travail était défini à l’aide de la fonction setwd().
La conversion et l’annotation des identifiants de gènes étaient effectuées via l’organisation du paquet Bioconductor. Hs.eg.db (version 3.20.0). Les symboles officiels des gènes ont été convertis en identifiants de gènes Entrez à l’aide de la fonction bitr() dans le package d’analyse d’enrichissement clusterProfiler (version 4.21.0). Seuls les gènes présentant des correspondances uniques un-à-un ont été conservés pour les analyses en aval, tandis que les entrées ambiguës ou non cartographiées ont été exclues.
L’analyse d’enrichissement GO a été réalisée à l’aide du package d’analyse d’enrichissement. La fonction enrichGO() a été utilisée avec les catégories ontologiques Processus biologique (BP), Composante cellulaire (CC) et Fonction moléculaire (MF). La signification statistique a été déterminée à l’aide de la méthode de correction par tests multiples de Benjamini–Hochberg, avec une valeur P ajustée < 0,05 considérée comme significative.
Pour chaque catégorie d’ontologie, les termes significativement enrichis ont été classés selon le facteur d’enrichissement :
EF = (nombre de gènes / nombre total de gènes de fond) ÷ (taille du terme / génomes totaux de gènes)
Les 10 meilleurs termes ont été sélectionnés pour une analyse détaillée. Lorsque des facteurs d’enrichissement identiques sont apparus, les termes avec des valeurs P ajustées plus faibles ont été mieux classés.
Les résultats d’enrichissement ont été visualisés à l’aide de ggplot2 (version 3.5.1) et enrichplot (version 1.24.0). Les diagrammes de bulles et les graphiques à barres étaient générés en utilisant les fonctions dotplot() et barplot(). La taille de la bulle représentait le nombre de gènes enrichis, tandis que la couleur correspondait à la signification d’enrichissement exprimée par −log10 (valeur p ajustée). Les paramètres de tracé par défaut ont été utilisés tout au long du processus.
Analyse de l’enrichissement des voies KEGG
L’analyse d’enrichissement des voies KEGG des cibles intersectantes de SSD et de gout a été réalisée à l’aide de R et du package d’analyse d’enrichissement décrit précédemment. Les symboles de gènes étaient convertis en identifiants compatibles KEGG à l’aide de la fonction bitr() fournie par le package d’analyse d’enrichissement, KEGG servant de ressource d’annotation. L’analyse d’enrichissement des voies a été réalisée à l’aide de la fonction enrichKEGG() basée sur le test hypergéométrique. La signification statistique a été déterminée à l’aide de la méthode de correction à tests multiples de Benjamini–Hochberg (BH), et les voies avec une valeur P ajustée < 0,05 ont été considérées comme significativement enrichies.
Les résultats d’enrichissement ont été exportés dans des fichiers de cahier d’exercices compatibles Microsoft Excel en utilisant le package openxlsx (version 4.2.8.1) et la fonction write.xlsx()) pour une revue et une préparation ultérieure des figures.
Un réseau d’interaction cible-voie multiniveau a ensuite été construit à l’aide du logiciel de visualisation du réseau. Les données réseau étaient importées via File → Import → Network from File. Les nœuds étaient constitués de nœuds géniques cibles et de nœuds de la voie KEGG significativement enrichis (valeur P ajustée BH < 0,05), tandis que les arêtes représentaient des associations documentées entre les gènes cibles et les voies enrichies identifiées lors de l’analyse d’enrichissement. La visualisation du réseau était réalisée à l’aide du panneau Style du logiciel de visualisation réseau, avec les gènes cibles affichés sous forme d’ellipses grises et les chemins sous forme de rectangles cyan. Aucun plugin supplémentaire n’a été utilisé. Le réseau a été généré manuellement à partir de la table de sortie d’enrichissement afin de visualiser les relations entre les cibles principales et les voies significativement enrichies.
Validation de l’amarrage moléculaire
Les fichiers de structure 3D (format MOL2) des 10 composants actifs les plus performants classés par connectivité cible dans le réseau « médicament–composant–cible–maladie » ont été téléchargés depuis la base de données TCMSP. La connectivité cible était définie comme le degré du nœud (c’est-à-dire le nombre de connexions directes entre un composant actif et des gènes cibles dans le réseau). Les composants actifs ont été classés par ordre décroissant selon les valeurs de degré, et les 10 meilleurs composants ont été sélectionnés pour l’analyse du docking moléculaire.
Les structures cristallines des 10 principales protéines cibles centrales identifiées à partir du réseau PPI ont été obtenues auprès de la RCSB Protein Data Bank (PDB) le 23 janvier 2026. L’espèce était limitée à Homo sapiens. Pour chaque protéine cible, la structure ayant la plus haute résolution cristallographique (valeur Å la plus basse), sans mutations et co-cristallisée avec un ligand ou inhibiteur natif a été choisie de manière préférentielle. Si plusieurs structures remplissaient ces critères, la structure avec la résolution la plus élevée et la couverture de séquences protéiques la plus complète était sélectionnée. Les structures PDB suivantes ont été utilisées : 1GKC (MMP9), 5WHH (BCL2), 2P33 (JUN), 1RHJ (CASP3), 1WT5 (EGFR), 7APJ (AKT1), 1DU3 (TNF), 1T4Q (IL1B), 4NI9 (IL6) et 9CKJ (TP53).
Des simulations d’amarrage moléculaire ont été réalisées en utilisant le serveur en ligne CB-Dock 2 (version web, consulté le 23 janvier 2026), qui utilise AutoDock Vina comme moteur d’amarrage. Les structures protéiques étaient automatiquement prétraitées par le serveur, y compris l’élimination des hétératomes et la préparation des structures des récepteurs. Les ligands ont été téléchargés au format MOL2. La détection des cavités indépendante du modèle a été utilisée, avec cinq cavités potentielles de liaison automatiquement identifiées pour chaque structure protéique. Les calculs d’amarrage étaient effectués en utilisant les paramètres par défaut du moteur d’amarrage : exhaustivité = 8, plage d’énergie = 4, et nombre maximal de modes de liaison = 9.
Pour chaque paire cible–composé, l’amarrage a été effectué indépendamment dans chacune des cinq cavités détectées. Les poses d’amarrage étaient évaluées à l’aide de la fonction de notation du moteur d’amarrage, et la pose avec la plus faible énergie de liaison dans chaque cavité était conservée comme conformation représentative de cette cavité. Parmi les cinq conformations représentatives, la pose d’amarrage avec l’énergie de liaison globalement la plus basse a été sélectionnée comme résultat final pour cette paire cible–composé et utilisée pour les analyses ultérieures.
La valeur d’énergie de liaison la plus basse obtenue pour chaque résultat d’amarrage a été enregistrée dans un tableau Excel et importée sur la plateforme de tracé en ligne Weishengxin (consultée le 23 janvier 2026) afin de générer une carte thermique en utilisant les paramètres par défaut. La carte thermique utilisait un gradient de couleurs jaune vers rouge, un regroupement hiérarchique à liaison complète et la distance euclidienne comme métrique de regroupement.
Les interactions hydrogène-liaison étaient automatiquement identifiées par le module d’analyse du serveur d’amarrage selon des critères géométriques. Une liaison hydrogène a été définie comme une interaction entre une distance donneur-accepteur ≤ 3,5 Å et un angle donneur–hydrogène–accepteur ≥ 120°. Les liaisons hydrogène étaient affichées sous forme de lignes pointillées dans des diagrammes d’interaction bidimensionnels et tridimensionnels. La paire protéine cible–composante active présentant la plus faible énergie de liaison globalement parmi toutes les combinaisons d’amarrage a été sélectionnée pour une analyse détaillée des interactions. Cette sélection était basée sur une paire cible–composé unique plutôt que sur une pose d’amarrage individuelle et visait à identifier l’interaction la plus forte prédite au sein du réseau. La pose d’amarrage représentative finale correspondant à cette paire cible–composé a été utilisée pour la visualisation et l’analyse d’interaction.
Des diagrammes d’interaction tridimensionnels et bidimensionnels ont été générés en utilisant respectivement ChimeraX version 1.5 et LigPlot+ version 2.2. Dans ChimeraX, les protéines étaient affichées en utilisant la représentation dessinée par défaut, les ligands étaient affichés en mode bâtonnet, les liaisons hydrogène étaient affichées sous forme de lignes pointillées, et le schéma de couleurs par défaut était appliqué. Dans LigPlot+, l’identification des liaisons hydrogène a été réalisée à l’aide de l’algorithme HBPLUS avec un seuil de distance donneur-accepteur de 3,9 Å et un seuil d’angle de 90°. Tous les autres paramètres de visualisation étaient conservés dans leurs paramètres par défaut.