Predizione farmacologica di rete e convalida metabolomica del meccanismo di Fructus phyllanthi contro l'iperlipidemia

La nostra ricerca include tecniche sperimentali seriali e il protocollo ha questi dettagli che sono necessari ai lettori per comprendere i nostri metodi. Il nostro metodo integrato compensa lo svantaggio della farmacologia di rete e della metabolomica e può essere utilizzato per la meta-analisi terapeutica della medicina naturale. Questo metodo viene utilizzato per schermare il composto attivo dall'ingrediente dell'azienda e la tuta per i jogger con una massiccia composizione chimica, come una medicina tradizionale cinese.

Per iniziare, seleziona i principi attivi e gli obiettivi chiave cercando la parola chiave phyllanthi fructus nel database farmacologico dei sistemi di medicina tradizionale cinese. Per ottenere l'elenco dei principi attivi candidati e dei bersagli del frutto-fillanthi, o FP, cercare la parola chiave iperlipidemia nel database delle schede geniche, il database online dell'ereditarietà mendeliana nell'uomo e il database dei target terapeutici per ottenere i rispettivi bersagli candidati di iperlipidemia. Scarica i fogli di calcolo degli obiettivi della malattia e salvali in una cartella ed elimina gli obiettivi ripetuti per ottenere l'elenco degli obiettivi di iperlipidemia.

Quindi copia gli elenchi di principi attivi FP, obiettivi FP e obiettivi di iperlipidemia in un nuovo foglio di calcolo. Utilizzare la funzione di identificazione dei duplicati dei dati nella barra degli strumenti per ottenere destinazioni di intersezione. Importare l'elenco degli obiettivi di intersezione nella knowledge base UniProt per standardizzare i nomi dei geni e delle proteine.

Per costruire una rete di interazione proteica proteica, incollare l'elenco target di intersezione di FP contro l'iperlipidemia nella finestra di dialogo dell'elenco dei nomi del database delle stringhe 11.5. Seleziona l'homo sapiens negli organismi. Fare clic su Cerca e quindi continuare.

Una volta che i risultati sono disponibili, abilitare i nodi disconnessi nella rete in impostazioni avanzate. Impostare la massima confidenza su 0,900 nel punteggio minimo di interazione richiesto. Quindi fare clic sul pulsante di aggiornamento.

Clicca su esportazioni nella barra del titolo e scarica il breve testo tabellare della rete di interazione proteica proteica in formato PNG e TSV. Per costruire una rete bersaglio della malattia componente farmacologica, aprire Cytoscape 3.9.1 e importare il file in formato TSV. Ottimizza il colore, il carattere e il lato dei nodi di rete tramite la barra di stile nel pannello di controllo.

Utilizzando la funzione di analisi della rete per l'analisi della topologia di rete, ottenere i geni hub in CytoHubba in Cytoscape e stabilire la rete di malattie bersaglio dell'ingrediente farmacologico. Per eseguire l'analisi dell'arricchimento GO e KEGG, aprire le risorse bioinformatiche di David. Fare clic su Avvia analisi e incollare l'elenco di destinazione nella finestra di dialogo di sinistra.

Selezionare il simbolo ufficiale del gene nell'identificatore selezionato e l'homo sapiens in determinate specie. Quindi abilitare l'elenco dei geni nel tipo di elenco e fare clic su Invia elenco. Quindi, fai clic su Clustering di annotazioni funzionali in Analizza sopra l'elenco dei geni con uno degli strumenti di David.

Abilitare il termine GO BP diretto, il termine GO CC diretto, il termine GO MF diretto e l'ontologia genica per l'analisi dell'arricchimento della funzione GO. Abilitare il percorso KEGG nei percorsi per l'analisi dell'arricchimento del percorso KEGG. Fare clic sul grafico di annotazione funzionale per visualizzare i risultati.

Utilizzare il software SIMCA P per l'analisi statistica multivariata dei valori integrali ottenuti dai risultati LCMS. Utilizzare l'analisi discriminante dei minimi quadrati parziali ortogonali, o OPLSDA, per i dati del centro medio e la modellazione delle classi campione. Dopo il test OPLSDA, considerare i metaboliti con importanza variabile integrale nella proiezione, o valori VIP, superiori a uno e un valore P inferiore a 0,05 dal test T dello studente come potenziali metaboliti differenziali.

Identificare i metaboliti disturbati e le vie metaboliche da fonti di database aperte, tra cui metaboloma umano, Kyoto encyclopedia of genes and genomes e MetaboAnalyst 5.0. Visualizza le visualizzazioni dei risultati di MetaboAnalyst 5.0 e della piattaforma Wukong. Scarica la struttura 3D degli ingredienti FP selezionati dal database farmacologico dei sistemi di medicina tradizionale cinese.

Cerca i nomi degli ingredienti nella casella di ricerca dei nomi chimici e scarica i file di struttura 3D corrispondenti in formato MOL due. Quindi, scarica le strutture cristalline dei bersagli chiave dal database della struttura della proteina alpha fold. Cercate i nomi di destinazione nella casella di ricerca e scaricate i file della struttura cristallina corrispondenti in formato PDB.

Quindi importare gli ingredienti e i file di struttura di destinazione nel software degli strumenti AutoDock. Fare clic su modifica ed eliminare l'acqua per eliminare le molecole d'acqua. Quindi, fai clic su modifica idrogeni e aggiungi per aggiungere idrogeni.

Impostare gli ingredienti come ligando ed eseguire l'attracco cieco selezionando l'intero bersaglio come recettore. Inserisci un valore nella casella dietro il centro e la dimensione per regolare lo spazio appena sviluppato, rendendo possibile includere completamente il ligando e il recettore. Salvare i file ligando e recettore in formato PDBQT.

Utilizzare AutoDock Vina per eseguire l'aggancio molecolare. Impostare la barra del recettore sul nome del punto del recettore PDBQT e la barra del ligando sul nome del punto del ligando PDBQT. Ottenere la posizione ottimale per il legame del ligando al recettore e registrare il valore dell'energia di legame nella posizione ottimale.

Importare i file di ancoraggio nel profiler di interazione del ligando proteico per ottenere il modello del sistema visivo. Scarica i file del modello in formato PSC e importali nel software PyMOL per costruire un'ulteriore visualizzazione. Attraverso la farmacologia di rete, sono stati trovati un totale di 19 ingredienti e 134 bersagli correlati agli ingredienti di FP.

Dopo aver abbinato i bersagli correlati alla FP con i target correlati all'iperlipidemia, 62 sono stati identificati come potenziali bersagli per FP contro l'iperlipidemia. La rete di interazione proteica è stata costruita da String e Cytoscape. I risultati dell'arricchimento di GO hanno suggerito che i processi biologici di FP e la funzione molecolare contro l'iperlipidemia erano principalmente correlati all'espressione genica e al legame proteico.

L'arricchimento di KEGG ha dimostrato che la FP potrebbe intervenire nel metabolismo lipidico e nell'aterosclerosi. L'analisi OPLSDA è stata utilizzata per esplorare la separazione dei metaboliti tra i gruppi di topi FP di controllo negativo, dieta ricca di grassi e FP ad alte dosi, che ha dimostrato che gli stessi campioni di gruppo si raggruppavano insieme e diversi campioni di gruppo si distinguevano bene. Un totale di 16 e sei metaboliti sono stati identificati come metaboliti differenziali nella FP che colpisce i topi HFD nel plasma e nel fegato.

Le mappe di calore tracciate da MetaboAnalyst 5.0 hanno mostrato che tutti i metaboliti differenziali nel plasma e nel fegato sono stati modificati nel gruppo dieta ricca di grassi e la maggior parte sono stati invertiti nel gruppo FP. Il metabolismo del triptofano è stato influenzato significativamente nel plasma. Il metabolismo della taurina e dell'ipotaurina è stato influenzato in modo significativo nel fegato.

I metaboliti differenziali sono stati importati nel plugin MetScape in Cytoscape e hanno abbinato i geni hub identificati nella farmacologia della rete per raccogliere le reti geniche dell'enzima di reazione composto. Inoltre, è stata costruita la rete di percorsi dei metaboliti bersaglio degli ingredienti. Il docking molecolare è stato utilizzato per analizzare le interazioni del sito attivo del ligando.

Questa tecnologia è un metodo completo per iniziare gli ingredienti genetici farmacologici della medicina tradizionale cinese. Fornisce una nuova idea per la ricerca che coinvolge farmaci con ingredienti completi.