ネットワーク薬理予測とメタボロミクス 高脂血症に対するフルクタス・フィランティのメカニズムの検証

私たちの研究には連続実験技術が含まれており、プロトコルには読者が私たちの方法を理解するために必要なこれらの詳細が含まれています。私たちの統合メソッドは、ネットワーク薬理学とメタボロミクスの欠点を補い、自然医学の治療メタアナリシスに使用できます。この方法は、会社の成分から活性化合物をスクリーニングし、伝統的な漢方薬などの大量の化学組成を持つジョギング用のスーツをスクリーニングするために使用されます。

まず、伝統的な漢方薬システム薬理学データベースでキーワードphyllanthi fructusを検索して、有効成分と主要なターゲットを選択します。フルクタス・フィランティ(FP)の有効成分候補と標的のリストを入手するには、遺伝子カードデータベース、オンラインメンデル遺伝データベース、および治療標的データベースでキーワード高脂血症を検索し、それぞれの高脂血症の候補標的を取得します。疾患ターゲットのスプレッドシートをダウンロードしてフォルダに保存し、繰り返しターゲットを削除すると、高脂血症ターゲットリストが取得されます。

次に、FP有効成分、FPターゲット、および高脂血症ターゲットのリストを新しいスプレッドシートにコピーします。ツールバーの重複データ識別機能を使用して、交差ターゲットを取得します。交差ターゲットリストをUniProtナレッジベースにインポートして、遺伝子名とタンパク質名を標準化します。

タンパク質タンパク質相互作用ネットワークを構築するには、Stringデータベース11.5の名前一覧ダイアログボックスに高脂血症に対するFPの交点ターゲットリストを貼り付けます。生物のホモサピエンスを選択します。[検索] をクリックし、[続行] をクリックします。

結果が利用可能になったら、詳細設定でネットワーク内の切断率の高いノードを有効にします。最低限必要な交互作用スコアで最高信頼度を0.900に設定します。次に、更新ボタンをクリックします。

タイトルバーのエクスポートをクリックし、タンパク質タンパク質相互作用ネットワークの短い表形式のテキストをPNGおよびTSV形式でダウンロードします。創薬成分疾患標的ネットワークを構築するには、Cytoscape 3.9.1を開き、TSV形式のファイルをインポートします。コントロールパネルのスタイルバーを使用して、ネットワークノードの色、フォント、および側面を最適化します。

ネットワークトポロジー解析にネットワーク解析機能を用いて、サイトスケープのCytoHubbaのハブ遺伝子を取得し、創薬成分標的疾患ネットワークを確立します。GO および KEGG エンリッチメント解析を実行するには、David バイオインフォマティクスのリソースを開きます。[分析の開始]をクリックし、ターゲットリストを左側のダイアログボックスに貼り付けます。

選択した識別子で公式の遺伝子記号を選択し、選択した種でホモサピエンスを選択します。次に、リストタイプで遺伝子リストを有効にし、リストの送信をクリックします。次に、Davidツールの1つを使用して、上記の遺伝子リストを分析する下の機能アノテーションクラスタリングをクリックします。

GO用語BP直接、GO用語CC直接、GO用語MF直接、およびGO機能エンリッチメント分析のための遺伝子オントロジーを有効にします。KEGG経路エンリッチメント解析の経路でKEGG経路を有効にします。機能アノテーションチャートをクリックして、結果を表示します。

LCMSの結果から得られた積分値の多変量統計分析には、SIMCA Pソフトウェアを使用します。直交偏最小二乗判別分析 (OPLSDA) は、平均中心データとサンプル クラスのモデリングに使用します。OPLSDAテスト後、投影における積分変数の重要性、またはVIP値が1より大きく、学生のTテストからのP値が0.05未満の代謝物を潜在的な鑑別代謝物と見なします。

ヒトメタボローム、京都遺伝子・ゲノム百科事典、MetaboAnalyst 5.0などのオープンデータベースソースにより、乱れた代謝物と代謝経路を特定します。MetaboAnalyst 5.0とWukongプラットフォームによる結果ビューを視覚化します。選択したFP成分の3D構造を伝統的な漢方薬システム薬理学データベースからダウンロードします。

化学名検索ボックスで成分名を検索し、対応する3DストラクチャーファイルをMOL 2フォーマットでダウンロードします。次に、アルファフォールドタンパク質構造データベースから主要なターゲットの結晶構造をダウンロードします。検索ボックスでターゲット名を検索し、対応する結晶構造ファイルをPDB形式でダウンロードします。

次に、材料とターゲット構造ファイルをAutoDockツールソフトウェアにインポートします。水分子を削除するには、水の編集と削除をクリックします。次に、[水素の編集と追加]をクリックして水素を追加します。

成分をリガンドとして設定し、ターゲット全体を受容体として選択してブラインドドッキングを行います。中央後方のボックスに値を入力し、サイズを調整して新しく開発した空間を調整し、リガンドと受容体を完全に包み込むことができるようにします。リガンドファイルと受容体ファイルをPDBQT形式で保存します。

AutoDock Vina を使用して分子ドッキングを実行します。受容体バーを受容体ドットPDBQTの名前に、リガンドバーをリガンドドットPDBQTの名前に設定します。レセプターへのリガンド結合の最適な位置を取得し、最適な位置での結合エネルギー値を記録します。

ドッキングファイルをタンパク質リガンド相互作用プロファイラーにインポートして、視覚系モデルを取得します。モデルファイルをPSC形式でダウンロードし、PyMOLソフトウェアにインポートすることで、さらなる可視化を構築します。ネットワーク薬理学により、FPの計19成分、134成分関連標的を見出した。

FP関連標的と高脂血症関連標的を一致させた後、62が高脂血症に対するFPの潜在的標的として同定された。タンパク質タンパク質相互作用ネットワークは、ストリングとサイトスケープによって構築されました。GO濃縮の結果は、FPの生物学的プロセスと高脂血症に対する分子機能が主に遺伝子発現とタンパク質結合に関連していることを示唆しました。

KEGG濃縮は、FPが脂質代謝とアテローム性動脈硬化症に介入できることを証明しました。OPLSDA分析を使用して、陰性対照、高脂肪食、高用量FPマウスグループ間の代謝物分離を調査し、同じグループサンプルがクラスター化し、異なるグループサンプルがよく区別されることを示しました。合計16および6の代謝産物が、血漿および肝臓中のHFDマウスに影響を及ぼすFPの異なる代謝産物として同定された。

MetaboAnalyst 5.0によってプロットされたヒートマップは、血漿と肝臓のすべての異なる代謝産物が高脂肪食群で変化し、ほとんどがFP群で逆転したことを示しました。トリプトファン代謝は血漿中で有意に影響された。タウリンおよびヒポタウリン代謝は肝臓で有意に影響された。

差分代謝物をCytoscapeのMetScapeプラグインにインポートし、ネットワーク薬理学で同定されたハブ遺伝子と照合して、化合物反応酵素遺伝子ネットワークを収集しました。また、成分標的代謝物経路ネットワークが構築されている。分子ドッキングは、それらのリガンド活性部位相互作用を分析するために使用されました。

この技術は、伝統的な漢方薬の薬理学的遺伝成分を開始する包括的な方法です。それは完全な成分を含む薬を含む研究のための新しいアイデアを提供します。