Onderzoeksartikel

Multi-targetmechanisme van Corydalis yanhusuo tegen fibromyalgiesyndroom: een netwerkfarmacologische en moleculaire dockingstudie

7 weergaven

⸱

DOI:

10.3791/74233

⸱

23 oktober 2026

 , 
1Department of Rheumatology and Immunology, Shangqiu Hospital of Traditional Chinese Medicine, 2Department of Gastroenterology and Hepatology, Shangqiu Hospital of Traditional Chinese Medicine

In dit artikel

Samenvatting

In deze studie werden netwerkfarmacologie en moleculaire docking aangewend om de voorspelde mechanismen van Corydalis yanhusuo bij fibromyalgiesyndroom te onderzoeken.

Samenvatting

Fibromyalgiesyndroom (FMS) is een chronische pijnstoornis met beperkte therapeutische opties. Deze studie had tot doel het multi-target mechanisme van Corydalis yanhusuo tegen FMS te voorspellen met behulp van netwerkfarmacologie en moleculaire docking. Actieve bestanddelen werden opgehaald uit de Traditional Chinese Medicine Systems Pharmacology Database and Analysis Platform (TCMSP) met een orale biobeschikbaarheid (OB) ≥30% en drug-likeness (DL) ≥0,18. Ziekte-targets werden verkregen uit GeneCards. Overlappende targets werden gebruikt voor proteïne-proteïne interactie (PPI), Gene Ontology (GO) en Kyoto Encyclopedia of Genes and Genomes (KEGG) analyses. Moleculaire docking werd uitgevoerd met CB-Dock2. In totaal werden 49 actieve bestanddelen en 53 overlappende targets geïdentificeerd. De hub-targets omvatten tumornecrosefactor (TNF), interleukine-6 (IL6), interleukine-1 bèta (IL1B), oestrogeenreceptor 1 (ESR1) en prostaglandine-endoperoxide synthase 2 (PTGS2). KEGG-analyse onthulde pathways voor interleukine-17 (IL-17), TNF, nucleaire factor kappa B (NF-κB) en neuroactieve ligand-receptor interacties. De voorspelde docking-scores varieerden van −10,1 tot −6,5 kcal/mol, waarbij stigmasterol de laagste voorspelde bindingsenergie vertoonde voor de cholinerge muscarine receptor 3 (CHRM3) (−10,1 kcal/mol). Deze bevindingen suggereren dat C. yanhusuo potentiële anti-FMS effecten kan uitoefenen via multi-component, multi-target en multi-pathway mechanismen, in het bijzonder door het moduleren van neuro-inflammatie en neurotransmittersignalering. Experimentele validatie is vereist.

Inleiding

Fibromyalgiesyndroom (FMS) is een chronische pijnstoornis die ongeveer 2–4% van de wereldbevolking treft1,2,3. Het komt voornamelijk voor bij vrouwen en manifesteert zich door wijdverspreide musculoskeletale pijn, vermoeidheid, slaapstoornissen en cognitieve dysfunctie4,5,6. Daarnaast treedt fibromyalgiesyndroom vaak op als complicatie van diverse ziekten, waaronder reumatoïde artritis en systemische lupus erythematosus7,8,9. Ondanks decennia van onderzoek blijft de etiologie onvolledig begrepen10,11. Huidig bewijs wijst op centrale sensitisatie als kernmechanisme, waarbij sprake is van een aberrante amplificatie van pijnsignalen binnen het centrale zenuwstelsel12. Dit proces wordt verder gemoduleerd door onbalansen in neurotransmitters zoals serotonine, dopamine en norepinefrine, samen met chronische neuroinflammatie, oxidatieve stress en genetische vatbaarheid13,14,15. Deze veelzijdige pathofysiologie verklaart niet alleen de uitgesproken heterogeniteit in de klinische presentaties, maar is ook de reden voor de beperkte effectiviteit van conventionele farmacotherapieën, die doorgaans op één enkele moleculaire route zijn gericht. Geneesmiddelen waaronder antidepressiva, anticonvulsiva en opioïden bieden vaak slechts matige verlichting en gaan frequent gepaard met bijwerkingen16,17,18,19. Daarom is de ontwikkeling van nieuwe medicamenteuze therapieën noodzakelijk om gelijktijdige modulatie van meerdere pathogene targets te bereiken.

Netwerkfarmacologie is een krachtige systeembiologische benadering die analyse van geneesmiddel-doelwit-ziekte-netwerken integreert om de synergetische mechanismen van multi-componenttherapieën systematisch te verduidelijken20,21. In tegenstelling tot conventionele reductionistische strategieën maakt deze methode het mogelijk om potentiële actieve bestanddelen, hun corresponderende eiwitdoelwitten en de biologische pathways die zij collectief moduleren te voorspellen, waardoor een rationeel kader wordt geboden voor het onderzoeken van de mechanismen van kruidengeneesmiddelen22,23,24. Moleculaire docking, als complementaire in silico tool, evalueert verder de voorspelde ligand-doelwit-interacties en potentiële bindingsmodi tussen kleine moleculen en hun doelwitten, wat de geloofwaardigheid van netwerkgebaseerde voorspellingen aanzienlijk verhoogt25. C. yanhusuo, een bekend analgetisch kruid dat rijk is aan isoquinoline-alkaloïden zoals corydaline en dehydrocorydaline, heeft veelbelovende effecten getoond bij pijngerelateerde aandoeningen, maar het specifieke mechanisme tegen FMS is grotendeels onduidelijk gebleven26,27. In deze studie hebben we netwerkfarmacologie gecombineerd met moleculaire docking om systematisch het multi-component, multi-target en multi-pathway mechanisme van C. yanhusuo bij de behandeling van FMS te onderzoeken, met als doel een theoretische basis te bieden voor de klinische toepassing ervan en inzicht te verschaffen in multi-target geneesmiddelenontwikkeling voor complexe chronische pijnsyndromen.

Protocol

Verwerving van actieve bestanddelen en targets

De Traditional Chinese Medicine Systems Pharmacology Database and Analysis Platform (TCMSP) (https://www.tcmsp-e.com, geraadpleegd op 2 augustus 2026)28 werd doorzocht met de kruidennaam "yanhusuo" om alle beschikbare ingrediënten op te halen, samen met hun bijbehorende ID's, namen, molecuulgewichten, orale biobeschikbaarheid (OB), drug-likeness (DL) en structurele formules. Ingrediënten met OB ≥30% en DL ≥0,18 werden geselecteerd als sleutelingrediënten voor de daaropvolgende constructie van een regulerend netwerk29,30. Vervolgens werden de targets die geassocieerd zijn met deze sleutelingrediënten verkregen uit de TCMSP-database. De verkregen targetproteïnen werden daarna gestandaardiseerd naar officiële gensymbolen met behulp van de UniProt-database (versie 2025_01; https://www.uniprot.org; geraadpleegd op 2 augustus 2026)31. Na het verwijderen van dubbele vermeldingen werden de overgebleven targets aangemerkt als geneesmiddelgerelateerd.

Acquisitie van ziektegerelateerde targets

De GeneCards-database (https://www.genecards.org/, geraadpleegd op 2 augustus 2026)32 werd doorzocht met het trefwoord “fibromyalgia”. Alle opgehaalde targets werden gedownload en gebruikt voor een daaropvolgende intersectieanalyse zonder aanvullende drempelwaarde-filtering.

Constructie van het regulatoire netwerk “geneesmiddel-sleutelingrediënten-doelen-ziekte”

De geneesmiddel- en ziektegerelateerde targets werden met elkaar geïntersecteerd, en de overlappende genen werden geïdentificeerd als de therapeutische targets van  C. yanhusuo  tegen fibromyalgie. In spreadsheets werden associaties vastgesteld tussen  C. yanhusuo  en de belangrijkste bestanddelen, tussen de belangrijkste bestanddelen en de therapeutische targets, en tussen de therapeutische targets en fibromyalgie. Deze associatiegegevens werden vervolgens omgezet in tekstbestanden (TXT). Vervolgens werd Cytoscape-software (versie 3.7.2, https://cytoscape.org/)  gebruikt om het netwerk te visualiseren, waarin geneesmiddelen, belangrijkste bestanddelen, targets en ziekten werden onderscheiden door middel van verschillende kleuren en symbolen, en hun onderlinge verbindingen grafisch werden weergegeven33.

Analyse van eiwit-eiwitinteractie- (PPI) netwerken

De STRING-database (https://cn.string-db.org/, geraadpleegd op 2 augustus 2026)34 werd geraadpleegd, en de therapeutische targets van C. yanhusuo tegen fibromyalgie werden ingevoerd in het zoekveld "Multiple Proteins", waarbij "Homo sapiens" als organisme werd geselecteerd. Na het ophalen van het PPI-netwerk werden de actieve interactiebronnen ingesteld op Textmining, Experiments, Databases, Co-expression, Neighborhood, Gene Fusion en Co-occurrence, terwijl de minimale vereiste interactiescore werd ingesteld op de drempelwaarde voor gemiddelde betrouwbaarheid (0.400). De resulterende PPI-netwerkassociaties werden geëxporteerd als een TSV-bestand en vervolgens geïmporteerd in de Cytoscape-software. Na het laden van de gegevens werd een uitgebreide topologische analyse uitgevoerd met de Network Analyzer-tool, en werden alle knooppunten in aflopende volgorde gesorteerd op basis van de Degree-waarden35. Ten slotte werden de top 20 targets met de hoogste connectiviteit in het PPI-netwerk gevisualiseerd met behulp van een staafdiagram.

GO- en KEGG-verrijkingsanalyse

De therapeutische doelen van  C. yanhusuo tegen fibromyalgie werden uniform in kaart gebracht en omgezet naar hun overeenkomstige Entrez-ID's met behulp van de database van het National Center for Biotechnology Information (NCBI). Gene Ontology (GO) verrijkingsanalyse werd op deze doelen uitgevoerd met het  clusterProfiler pakket in R-software (versie 4.3.1, https://www.r-project.org/), waarbij termen voor biologische processen (BP), cellulaire componenten (CC) en moleculaire functies (MF) werden meegenomen36,37. De verrijkingsresultaten werden gevisualiseerd met behulp van staafdiagrammen en GO-circulaire plots. Voor de Kyoto Encyclopedia of Genes and Genomes (KEGG) pathway-verrijkingsanalyse werd de  enrichKEGG() functie binnen het  clusterProfiler-pakket toegepast op dezelfde set doelen. De significantie van de verrijking werd gesteld op p < 0.05, en ruwe p-waarden werden gebruikt voor de visualisatie. De verkregen KEGG-pathwaytermen werden gefilterd om de twee brede categorieën "Human Diseases" en "Metabolism" uit te sluiten, aangezien deze in deze context geen directe biologische relevantie hebben. Vervolgens werden de top 15 signaleringspaden (gerangschikt op significantie) geselecteerd en gevisualiseerd met behulp van bubble plots. Bovendien werden de associaties tussen doelen en pathways geëxtraheerd en geïmporteerd in Cytoscape-software voor netwerkvisualisatie.

Selectie van het doelwit voor moleculaire docking

De dockingdoelen werden geselecteerd uit het "geneesmiddel–actieve bestanddeel–doelwit–ziekte" regulatienetwerk in plaats van uit het PPI-netwerk. Specifiek werden alle doelwitknopen in het regulatienetwerk gerangschikt op basis van graad, waarbij de 10 knopen met de hoogste connectiviteit werden geselecteerd voor moleculaire docking. Deze 10 doelwitten waren PTGS2, PTGS1, KCNH2, ADRB2, CHRM3, OPRM1, OPRD1, SLC6A4, SLC6A3 en ESR1.

Moleculaire docking

De tweedimensionale (2D) structuren van de actieve bestanddelen werden opgehaald uit de PubChem-database (https://pubchem.ncbi.nlm.nih.gov/, geraadpleegd op 3 augustus 2026)38 met behulp van de in Aanvullende Tabel 1 vermelde PubChem CIDs, en opgeslagen in Structure Data File (SDF)-formaat voor gebruik als dockingliganden. De driedimensionale (3D) structuren van de top 10 kern-targets uit het regulatoire netwerk werden opgehaald en gedownload van de AlphaFold Protein Structure Database (https://alphafold.ebi.ac.uk/, geraadpleegd op 3 augustus 2026)39 met behulp van de in Aanvullende Tabel 2 vermelde AlphaFold DB entry-ID's in Protein Data Bank (PDB)-formaat om als dockingreceptoren te dienen. Hoewel er voor sommige van deze targets experimentele kristalstructuren beschikbaar zijn, werden AlphaFold-modellen uniform gebruikt voor alle 10 targets om methodologische consistentie te waarborgen, aangezien verschillende targets geen volledige of hoge-resolutie experimentele structuren hebben en gemengde structurele bronnen bias zouden kunnen introduceren. Voorafgaand aan de docking werd er geen handmatige structurele modificatie uitgevoerd op de liganden of de receptoren. Elk ligand werd gekoppeld aan elke receptor en ingediend bij het online blind docking-platform CB‑Dock2 (https://cadd.labshare.cn/cb-dock2/, geraadpleegd op 3 augustus 2026) voor moleculaire docking-berekeningen. CB-Dock2 voerde automatisch de nodige preparatiestappen uit, waaronder het verwijderen van co-gecrystaliseerde watermoleculen, het toevoegen van waterstofatomen, het toewijzen van ladingen en het converteren naar docking-klaar formaten. Dit platform, dat is gebaseerd op het AutoDock Vina-algoritme40, identificeert en omsluit automatisch potentiële bindingspockets op het proteinoppervlak om dockingconformaties tussen kleine moleculen en proteïnen te voorspellen. Na de docking werd een samenvattende tabel van alle ligand-receptorcombinaties geëxporteerd, met daarin de laagste bindingsenergiewaarden voor elk paar. Voor elk ligand-receptorpaar werd de pose met de laagste voorspelde bindingsenergie geselecteerd als de representatieve bindingsmodus. De resulterende dockingdata werden georganiseerd en gevisualiseerd met behulp van een heatmap. Voor 3D-visualisatie werden het docking-outputbestand en het receptorbestand gelijktijdig geïmporteerd in ChimeraX (versie 1.1). Het kleine molecuul van het ligand werd geselecteerd, en de tool "Contact/H-bonds" onder "Structural Analysis" werd gebruikt met de optie "Limit by selection: with at least one end selected" om de atomen van interagerende residuen te onthullen en de interacties te registreren. Vervolgens werd het commando "cartoon suppress false" ingevoerd om residuaatomen weer te geven wanneer interacties verbonden waren met het proteinlint. Ten slotte werd het commando "label @@display" gebruikt om de residunaam weer te geven. Tweedimensionale interactiediagrammen werden gegenereerd met LigPlus (versie 2.3.1) om moleculaire interacties, inclusief waterstofbruggen en hydrofobe interacties, uitgebreid weer te geven.

Resultaten

Identificatie van overlappende genen voor C. yanhusuo tegen fibromyalgie

Een zoekopdracht in de TCMSP-database leverde 77 componenten op van  C. yanhusuo. Verdere screening op basis van de criteria OB ≥30% en DL ≥0,18 leverde 49 actieve bestanddelen op (Tabel 1). In totaal werden 177 targets voor de actieve bestanddelen van C. yanhusuo en 485 targets gerelateerd aan fibromyalgie opgehaald uit respectievelijk de TCMSP- en GeneCards-databases. Een intersectieanalyse van de twee targetsets leverde 53 gemeenschappelijke targets op, aangewezen als de therapeutische targets van C. yanhusuo voor fibromyalgie (Figuur 1).

Constructie van het regulatoire netwerk "geneesmiddel-actieve bestanddelen-doelwit-ziekte"

Om verder een regulerend netwerk van "geneesmiddel-actieve bestanddelen-doelwit-ziekte" te construeren, werden één traditioneel Chinees geneesmiddel (C. yanhusuo), 49 actieve bestanddelen, 53 potentiële doelwitten en één ziekte (fibromyalgie) in het netwerk opgenomen (Figuur 2). Met het aantal doelwitten geassocieerd met elk actief bestanddeel als screeningscriterium werden de top 10 kern-actieve bestanddelen geïdentificeerd, namelijk quercetine, isocorypalmine, hyndarine, (R)-canadine, leonticine, (S)-scoulerine, fumarine, clarkeanidine, stigmasterol en cryptopine.

Analyse van het PPI-netwerk

De therapeutische targets van  C. yanhusuo  tegen fibromyalgie werden onderworpen aan een PPI-netwerkanalyse, wat resulteerde in een netwerk bestaande uit 53 knopen en 480 interactieranden (Figuur 3A). De 20 hoogst gerangschikte targets waren TNF, IL6, IL1B, ESR1, PTGS2, CXCL8, CCL2, IL1A, MMP9, ICAM1, IL10, IFNG, CRP, MYC, VCAM1, IL2, SERPINE1, CXCL10, ERBB2 en MMP1 (Figuur 3B).

GO-verrijkingsanalyse

Een GO-verrijkingsanalyse werd uitgevoerd op de potentiële targets van  C. yanhusuo  voor de behandeling van fibromyalgie. De verrijkte biologische processen (BP) omvatten respons op xenobiotische stimulus, respons op ethanol, monoamine-transport, cellulaire respons op lipopolysaccharide, signaleringsroute van fosfolipase C-activerende G-eiwitgekoppelde receptoren, cellulaire respons op moleculen van bacteriële oorsprong, respons op lipopolysaccharide, dopaminerge synaptische transmissie, bloedsomloop en stikstofmonoxide-metabolisme. De cellulaire componenten (CC) waren verrijkt in het postsynaptisch membraan, synaptisch membraan, presynaptisch membraan, neuronale cellichaam, neuronale dense core-vesikel, dense core-granule, G-eiwitgekoppeld receptorcomplex, synaptisch vesikelmembraan, exocytisch vesikelmembraan en synaptisch vesikel. Voor moleculaire functies (MF) omvatten de verrijkte termen cytokine-activiteit, cytokine-receptorbinding, groeifactor-receptorbinding, monoamine-transmembraantransporter-activiteit, catecholamine-binding, amine-binding, natrium:chloride-symporteractiviteit, oxidoreductase-activiteit die inwerkt op de CH‑NH₂-groep van donoren met zuurstof als acceptor, chemokine-activiteit en monoatomair anion:natrium-symporteractiviteit (Figuur 4A,B).

KEGG-verrijkingsanalyse

KEGG-verrijkingsanalyse van overlappende genen tussen  C. yanhusuo  en fibromyalgie leverde 102 verrijkte signaleringsroutes op. Na uitsluiting van routes die verband houden met menselijke ziekten en het algemene metabolisme, bleven 39 routes met een duidelijke biologische regulatoire betekenis over. De top 15 routes waren de IL-17 signaleringsroute, neuroactieve ligand-signalering, de TNF signaleringsroute, cytokine-cytokinereceptorinteractie, interactie van virale eiwitten met cytokines en cytokinereceptoren, de NF-κB signaleringsroute, de serotonerge synaps, hormoonsignalering, de C-type lectinereceptor signaleringsroute, neuroactieve ligand-receptorinteractie, de Toll-like receptor signaleringsroute, het intestinale immuunnetwerk voor IgA-productie, cellulaire senescentie, de JAK-STAT signaleringsroute en de HIF-1 signaleringsroute (Figuur 5A). Vervolgens werd een target-route-netwerk geconstrueerd, waarin de top 10 targets IL6, TNF, IL1B, CXCL8, PTGS2, IL10, IL2, CXCL10, CCL2 en IFNG waren (Figuur 5B).

Moleculaire docking

Moleculaire docking werd uitgevoerd tussen de top 10 actieve bestanddelen en de top 10 kern-targets uit het regulatoire netwerk "geneesmiddel–actief bestanddeel–target–ziekte". Deze 10 targets waren PTGS2, PTGS1, KCNH2, ADRB2, CHRM3, OPRM1, OPRD1, SLC6A4, SLC6A3 en ESR1. Voor alle docking-combinaties overschreden de voorspelde bindingsenergieën -5 kcal/mol niet, en de distributie van de totale scores werd gevisualiseerd als een heatmap (Figuur 6A). Van alle gekoppelde modellen was de voorspelde bindingsenergie tussen stigmasterol en CHRM3 het globale minimum (–10.1 kcal/mol). Daarom werd dit complex geselecteerd voor verdere visualisatie, waarbij een driedimensionale conformationele structuur en een tweedimensionaal bindingsmodediagram werden gegenereerd om de interacties met sleutelresiduen te illustreren (Figuur 6B). Deze waarden vertegenwoordigen voorspelde docking-scores/energieën en geen experimenteel bepaalde bindingsaffiniteiten. Voor het geselecteerde stigmasterol–CHRM3-complex werd de voorspelde bindingsmodus hoofdzakelijk gestabiliseerd door hydrofobe contacten met de residuen Thr215, Ser227, Asp518, Pro217, Leu226, Glu220, Asn514, Phe222, Lys523, Trp526, Tyr128 en Asn527. In deze docking-pose werden geen duidelijke waterstofbruggen gedetecteerd. Deze interacties suggereren dat stigmasterol een specifiek voorspelde pocket op CHRM3 bezet; de relatie hiervan tot vastgestelde orthostere of allostere bindingsplaatsen is echter niet onafhankelijk gevalideerd.

BESCHIKBAARHEID VAN GEGEVENS:

De gegevens die de bevindingen van deze studie ondersteunen, zijn openbaar beschikbaar in de Science Data Bank via https://doi.org/10.57760/sciencedb.013nm. Verdere details kunnen op redelijk verzoek worden verkregen van de corresponderende auteur.

figure-results-1
Figuur 1: Venn-diagram van de intersectie tussen de targets van de actieve bestanddelen van C. yanhusuo en de ziekte-targets van fibromyalgie. De linker cirkel representeert de targets gerelateerd aan fibromyalgie; de rechter cirkel representeert de targets van de actieve bestanddelen van C. yanhusuo. Het overlappende gebied representeert de 53 gemeenschappelijke targets. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-2
Figuur 2: Het regelnetwerk 'geneesmiddel–actieve bestanddeel–target–ziekte'. Knopen representeren geneesmiddelen, actieve bestanddelen, targets en ziekten, elk onderscheiden door een andere kleur en vorm. Randen representeren associaties tussen knopen. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-3
Figuur 3: Analyse van het eiwit-eiwitinteractienetwerk van therapeutische targets. (A) PPI-netwerk van de 53 overlappende therapeutische targets van C. yanhusuo tegen fibromyalgie, gevisualiseerd met Cytoscape. Alle 53 targets werden in kaart gebracht en behouden in het netwerk. Knooppunten representeren eiwitten en randen representeren eiwit-eiwitinteracties. (B) Top 20 targets gerangschikt op basis van graadcentraliteit. De x-as representeert de graadwaarde en de y-as representeert de symbolen van de targetgenen. Afkortingen: PPI = eiwit-eiwitinteractie. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-4
Figuur 4: GO-verrijkingsanalyse van de targets van actieve bestanddelen uit C. yanhusuo en targets van fibromyalgie. (A) Staafdiagram dat de meest verrijkte GO-termen weergeeft. De x-as stelt het aantal genen voor; de y-as stelt de GO-termen voor. (B) Circulaire plots die de resultaten van de GO-verrijking visualiseren. GO-termen zijn gegroepeerd in biologisch proces (BP), cellulaire component (CC) en moleculaire functie (MF). Kleurschalen geven de ruwe p-waarden aan. Afkortingen: GO = Gene Ontology; BP = biologisch proces; CC = cellulaire component; MF = moleculaire functie. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-5
Figuur 5: KEGG-verrijkingsanalyse van de targets van actieve bestanddelen uit C. yanhusuo en targets van fibromyalgie. (A) Top 15 signaalpaden. De x-as representeert de gene ratio; de y-as representeert de namen van de signaalpaden. De grootte van de stip geeft het aantal genen aan; de kleur van de stip geeft de ruwe p-waarde aan. (B) Associaties tussen de top 15 signaalpaden en de targets. In (B) zijn de knooppunten gekleurd volgens de categorie van het signaalpad: rode/oranje knooppunten representeren inflammatoire/immuunpaden en blauwe knooppunten representeren neurale signaalpaden. Daarbij fungeren de signaalpaden van IL-17, TNF, Toll-like receptor en C-type lectine receptor als upstream triggers; NF-κB, cytokine–cytokine receptor interactie, Janus kinase-signal transducer and activator of transcription (JAK-STAT), hypoxia-inducible factor 1 (HIF-1), cellulaire senescentie en het intestinale immuunnetwerk voor IgA-productie fungeren als downstream effectoren; en neuroactieve ligand-signalering, neuroactieve ligand–receptor interactie, serotonerge synaps en hormoonsignalering dienen als versterkers van centrale sensitisatie. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-6
Figuur 6: Moleculaire dockinganalyse van kernactieve bestanddelen en doeleiwitten. (A) Heatmap van voorspelde moleculaire docking-bindingsenergieën tussen de top 10 actieve bestanddelen en de top 10 kerndoelen uit het "medicijn-actief bestanddeel-doel-ziekte" regulatienetwerk (PTGS2, PTGS1, KCNH2, ADRB2, CHRM3, OPRM1, OPRD1, SLC6A4, SLC6A3 en ESR1). (B) Driedimensionale (3D) en tweedimensionale (2D) diagrammen van de bindingsmodus van stigmasterol met CHRM3. Klik hier om een grotere versie van deze figuur te bekijken.

Mol-IDMolecuulnaamMolecuulgewichtOB(%)DL
MOL004193Clarkeanidine327.4186.650.5
MOL001460Cryptopin369.4578.740.7
MOL0042342,3,9,10-tetramethoxy-13-methyl-5,6-dihydroisoquinolino[2,1-b]isoquinolin-8-on381.4676.770.7
MOL004071Hyndarin355.4773.940.6
MOL000791bicuculline367.3869.670.9
MOL004195CORYDALINE369.565.840.7
MOL000785palmatine352.4464.60.7
MOL004191Capaurine371.4762.910.7
MOL004200methyl-[2-(3,4,6,7-tetramethoxy-1-fenantryl)ethyl]amine355.4761.150.4
MOL001463Dihydrosanguinarine333.3659.310.9
MOL000787Fumarine353.459.260.8
MOL004232tetrahydroprotopapaverine329.4357.280.3
MOL002903(R)-Canadine339.4255.370.8
MOL00422624240-05-9353.453.750.8
MOL004196Corydalmine340.4552.50.6
MOL004230stylopine323.3748.250.9
MOL000793C09367325.3947.540.7
MOL004203Dehydrocorybulbine352.4446.970.6
MOL000098quercetine302.2546.430.3
MOL00419818797-79-0367.4346.060.9
MOL004215leonticine327.4645.790.3
MOL004190(-)-alpha-N-methylcanadine354.4645.060.8
MOL004210(1S,8'R)-6,7-dimethoxy-2-methylspiro[3,4-dihydroisoquinoline-1,7'-6,8-dihydrocyclopenta[g][1,3]benzodioxool]-8'-ol369.4543.950.7
MOL004205Dehydrocorydalmine338.4143.90.6
MOL000449Stigmasterol412.7743.830.8
MOL004228saulatine396.4742.740.8
MOL004204dehydrocorydaline366.4741.980.7
MOL004220N-methyllaurotetanine341.4441.620.6
MOL00421613-methylpalmatrubine352.4440.970.6
MOL004214isocorybulbine368.5140.180.7
MOL004763Izoteolin327.4139.530.5
MOL004202dehydrocavidine351.4338.990.8
MOL004208demethylcorydalmatine327.4138.990.5
MOL004225pseudocoptisine320.3438.970.9
MOL004199Corynoloxine365.4138.120.6
MOL001474sanguinarine332.3537.810.9
MOL004197Corydine341.4437.160.6
MOL000359sitosterol414.7936.910.8
MOL001454berberine336.3936.860.8
MOL00420913-methyldehydrocorydalmine352.4435.940.6
MOL000790Isocorypalmine341.4435.770.6
MOL002670Cavidine353.4535.640.8
MOL004231Tetrahydrocorysamine337.434.170.9
MOL001461Dihydrochelerythrine349.4132.730.8
MOL000217(S)-Scoulerine327.4132.280.5
MOL004233ST057701341.4431.870.6
MOL001458coptisine320.3430.670.9
MOL004221norglaucing341.4430.350.6
MOL004224pontevedrine381.4130.280.7

Tabel 1: Actieve bestanddelen van C. yanhusuo geïdentificeerd via TCMSP en hun farmacokinetische parameters. MW, molecuulgewicht; OB, orale biobeschikbaarheid; DL, drug-likeness. Bestanddelen met een OB ≥30% en DL ≥0,18 werden behouden als sleutelbestanddelen voor de daaropvolgende netwerkconstructie.

Aanvullende tabel 1: PubChem-liganden gebruikt voor moleculaire docking.De 10 actieve ingrediënten die als docking-liganden zijn gebruikt, worden vermeld met hun namen, PubChem CID's en molecuulformules. Alle ligandstructuren zijn in SDF-formaat opgehaald uit PubChem met behulp van de vermelde CID's.Klik hier om dit bestand te downloaden.

Aanvullende tabel 2: AlphaFold-receptorstructuren gebruikt voor moleculaire docking. De 10 doelwitproteïnen die als docking-receptoren zijn gebruikt, worden vermeld met hun gensymbolen, UniProt-toegangsnummers en AlphaFold DB-entry-ID's. Alle receptorstructuren zijn in PDB-formaat gedownload van de AlphaFold Protein Structure Database.Klik hier om dit bestand te downloaden.

Discussie

In de huidige studie hebben we een netwerkfarmacologische benadering in combinatie met moleculaire docking gebruikt om systematisch de multi-target mechanismen van  C. yanhusuo  bij de potentiële behandeling van FMS te voorspellen. De in silico bevindingen voorspellen dat de potentiële therapeutische effecten van  C. yanhusuo  tegen FMS gemedieerd kunnen worden via een complex regulerend netwerk bestaande uit 49 actieve ingrediënten, 53 overlappende targets en meerdere signaleringspaden. Deze uitgebreide analyse is niet alleen consistent met het traditionele gebruik van  C. yanhusuo  als pijnstillend kruid, maar biedt ook voorlopige, op voorspellingen gebaseerde inzichten op moleculair niveau in de potentiële mechanismen voor het beheersen van de veelzijdige symptomatologie van FMS.

De constructie van het "geneesmiddel‑actieve bestanddelen‑doelwit‑ziekte" regulatienetwerk identificeerde quercetine, isocorypalmine, hyndarine, (R)‑canadine, leonticine, (S)‑scoulerine, fumarine, clarkeanidine, stigmasterol en cryptopine als de top 10 kernactieve componenten op basis van hun graad van doelwitconnectiviteit. Quercetine is een veelvoorkomende flavonoïdeverbinding met significante biologische activiteiten, waaronder antioxidante, ontstekingsremmende en immunomodulerende effecten41. In experimentele farmacologische studies is gerapporteerd dat interventie met quercetine spierhyperalgesie, tactiele allodynie en koude-allodynie in reserpine-geïnduceerde fibromyalgie-modelratten aanzienlijk verbetert42. In een diermodel is gerapporteerd dat stigmasterol dosisafhankelijk mechanische en koude-allodynie, door hitte geïnduceerde thermische hyperalgesie, periorbitale mechanische allodynie, verlies van spierkracht en affectief-motivationele pijnbehaviors in het reserpine-geïnduceerde fibromyalgie-muismodel vermindert43. Deze in vivo bevindingen bieden indirecte farmacologische ondersteuning voor de potentiële relevantie van deze verbindingen in fibromyalgie-modellen, maar valideren niet de specifieke moleculaire doelwitten die in de huidige studie zijn voorspeld. Isocorypalmine, hyndarine, (R)‑canadine, leonticine, (S)‑scoulerine, fumarine, clarkeanidine en cryptopine zijn alkaloïden die aanwezig zijn in  C. yanhusuo, en er is gerapporteerd dat deze alkaloïden pijnstillende effecten produceren via ionkanaalblokkade, neurotransmitterregulatie en cyclooxygenase-2 (COX-2) inhibitie.

PPI-netwerkanalyse voorspelde TNF, IL6, IL1B, ESR1 en PTGS2 als de hoogst gerangschikte hub-targets, wat wijst op een potentieel belangrijke rol van neuro-inflammatie en immuunmodulatie in de pathofysiologie van FMS. Om verder te gaan dan een eenvoudige rangschikking, hebben we de hub-targets verder gegroepeerd in drie functionele modules op basis van hun bekende biologische functies en netwerkconnectiviteit: een inflammatoire/cytokine-module (TNF, IL6, IL1B, CXCL8), een neurotransmitterreceptor-module (CHRM3, ADRB2, ESR1) en een signaaltransductie-module (PTGS2, MMP9). Deze modules kunnen gezamenlijk de vicieuze cirkel van "perifere immuunactivatie → centrale sensitisatie" bij FMS aansturen, in plaats van geïsoleerd te werken. Chronische laaggradige inflammatie wordt in toenemende mate erkend als een bijdragende factor aan centrale sensitisatie, een kernmechanisme dat ten grondslag ligt aan FMS. TNF en IL‑1β zijn belangrijke pro-inflammatoire cytokinen die pijnsignalering versterken door gliacellen te activeren en de synaptische exciteerbaarheid in het ruggenmerg en hersengebieden die betrokken zijn bij pijnverwerking te verhogen44,45,46. Het voorspelde netwerk suggereert dat meerdere actieve componenten van C. yanhusuo, zoals quercetine en stigmasterol, deze inflammatoire mediatoren gelijktijdig kunnen targeten, wat wijst op een potentieel breedspectrum anti-neuro-inflammatoir effect47,48,49. Dit is bijzonder relevant, gezien het feit dat conventionele farmacotherapieën, zoals pregabaline en duloxetine, primair zijn ontworpen om neurotransmitterspiegels te moduleren en mogelijk niet direct de inflammatoire component van FMS targeten.

De GO-verrijkingsanalyse voorspelde verder de biologische processen die C. yanhusuo mogelijk moduleert, met prominente termen waaronder respons op xenobiotische stimulus, monoaminetransport, dopaminerge synaptische transmissie en cellulaire respons op lipopolysaccharide. Deze voorspelde bevindingen zijn consistent met de bekende rollen van dopamine en serotonine bij pijnmodulatie en stemmingsregulatie, die beide vaak verstoord zijn bij FMS-patiënten. De KEGG-padverrijkingsanalyse voorspelde dat de potentiële targets van C. yanhusuo primair betrokken kunnen zijn bij het IL-17-signaleringspad, neuroactieve ligand-receptorinteractie, het TNF-signaleringspad, cytokine-cytokinereceptorinteractie en het NF-κB-signaleringspad.

De IL‑17-signaleringsroute is naar voren gekomen als een cruciale drijver van chronische pijn bij inflammatoire en auto-immuunziekten, waarbij neutrophilenrekrutering wordt gemedieerd en de afgifte van pro-inflammatoire cytokinen zoals TNF en IL‑6 wordt bevorderd50,51,52. De targeting van C. yanhusuo op deze route suggereert dat het kruid perifere immuunactivatie en daaropvolgende centrale neuro-inflammatie kan verminderen, welke in toenemende mate worden erkend als bijdragers aan FMS-symptoomopvlammingen. Bovendien dient de neuroactieve ligand-receptorinteractieroute als convergentiepunt voor meerdere neurotransmittersystemen, waaronder glutamaterge, GABAerge en cholinerge signalering, die allemaal betrokken zijn bij pijnverwerking en cognitieve dysfunctie bij FMS50,51,52,53,54,55. De regulatie van deze route door C. yanhusuo kan gedeeltelijk verklaren waarom het kruid een voorspeld potentieel heeft om niet alleen pijn, maar ook vermoeidheid, slaapstoornissen en stemmingsstoornissen geassocieerd met FMS te moduleren.

De resultaten van het moleculaire docking leverden een in silico voorspelling op van de potentiële bindingsinteracties tussen de top 10 actieve bestanddelen en de top 10 kern-targets uit het reguleringsnetwerk "geneesmiddel–actief bestanddeel–target–ziekte" (PTGS2, PTGS1, KCNH2, ADRB2, CHRM3, OPRM1, OPRD1, SLC6A4, SLC6A3 en ESR1). Opvallend is dat de voorspelde bindingsenergieën voor alle ligand–receptor-paren onder de -5 kcal/mol lagen, wat duidt op een matige tot sterke voorspelde binding. De laagste voorspelde docking-score werd waargenomen voor stigmasterol–CHRM3 (−10,1 kcal/mol), gevolgd door quercetine–ADRB2 (−9,8 kcal/mol) en stigmasterol–OPRM1 (−9,6 kcal/mol). Stigmasterol, een plantafgeleid fytosterool dat eerder is geïdentificeerd in C. yanhusuo, heeft ontstekingsremmende en antioxidatieve activiteiten aangetoond in verschillende ziektemodellen56,57,58. De voorspelde sterke binding aan CHRM3 en ADRB2 suggereert dat, naast alkaloïden, ook niet-alkaloïdale bestanddelen kunnen bijdragen aan de therapeutische effectiviteit van C. yanhusuo door het moduleren van cholinerge en adrenerge signalering, die cruciaal zijn voor de regulatie van het autonome zenuwstelsel en pijnmodulatie. De voorspelde sterke binding van stigmasterol aan CHRM3 en ADRB2 kan relevant zijn voor de traditionele eigenschap van C. yanhusuo om "Qi te reguleren en pijn te verlichten". In tegenstelling tot niet-steroïde anti-inflammatoire geneesmiddelen (NSAID's), kan C. yanhusuo mogelijk werken via zowel inflammatoire mediatoren als autonome neurotransmitterreceptoren, wat wijst op een potentieel duaal mechanisme. De relatieve bijdragen van het cholinerge anti-inflammatoire pad en het klassieke TNF/IL-6-pad moeten nog experimenteel worden gevalideerd. Van de kernbestanddelen kan quercetine fungeren als een breedspectrum ontstekingsremmend component, terwijl stigmasterol relatief sterke voorspelde docking-interacties kan vertonen met geselecteerde targets zoals CHRM3 en ADRB2. Dit patroon van "brede dekking + hoge precisie" zou kunnen overeenkomen met de heterogene pijnkenmerken van FMS.

Vertaling van voorspellingen naar beperkingen
Hoewel netwerkfarmacologie voorspellend is, moeten de resultaten met voorzichtigheid worden geïnterpreteerd. Op basis van de voorspellingen stellen we de hypothese dat de klinisch meest veelbelovende fractie van C. yanhusuo mogelijk een specifiek extract is dat verrijkt is met quercetin en stigmasterol, in plaats van het volledige mengsel. Deze hypothese vereist experimentele validatie. Toekomstig onderzoek moet zich richten op het isoleren en testen van dergelijke verrijkte fracties in vitro en in vivo om de voorspelde targets en pathways te bevestigen.

Conclusie

Deze studie suggereert dat C. yanhusuo waarschijnlijk therapeutische effecten uitoefent tegen het fibromyalgiesyndroom via een synergetisch mechanisme waarbij meerdere componenten, targets en pathways betrokken zijn, waarbij de kernacties mogelijk gericht zijn op het onderdrukken van neuro-inflammatie en neuromodulatie. De geïntegreerde netwerkfarmacologie- en moleculaire docking-analyses onthullen dat belangrijke actieve bestanddelen, zoals quercetine en stigmasterol, voorspeld worden om gezamenlijk cruciale inflammatoire mediatoren en neuroactieve signaleringspaden te reguleren, waardoor potentieel zowel perifere immuunactivatie als centrale sensitisatie wordt gemoduleerd. Deze bevindingen bieden een preliminaire, op voorspellingen gebaseerde rationale voor toekomstig experimenteel onderzoek en potentiële klinische toepassing van C. yanhusuo bij FMS, en kunnen bijdragen aan hypothese-gestuurde multi-target geneesmiddelenontwikkeling voor complexe chronische pijnaandoeningen. Experimentele validatie is vereist om deze voorspellingen te bevestigen.

Beperkingen:

Deze studie is uitsluitend gebaseerd op in silico netwerkfarmacologie en voorspellingen via moleculaire docking, waaraan experimentele en klinische validatie ontbreken. De drempelwaarden van OB ≥30% en DL ≥0,18 zijn standaard in de netwerkfarmacologie; zij kunnen echter potentieel actieve verbindingen met een lage OB uitsluiten, zoals bepaalde analgeserende alkaloïden. Het gebruik van door AlphaFold voorspelde structuren in plaats van experimentele kristalstructuren voor moleculaire docking is een beperking. Toekomstige dockingstudies dienen deze voorspellingen waar mogelijk te valideren met beschikbare PDB-structuren. Toekomstige onderzoeken zullen in vitro en in vivo experimenten omvatten om de geïdentificeerde targets en pathways te valideren, gevolgd door klinische trials om de therapeutische werkzaamheid en veiligheid van C. yanhusuo-extract bij patiënten met fibromyalgie te evalueren. Uiteindelijk streven we ernaar een gestandaardiseerd C. yanhusuo-preparaat te ontwikkelen voor klinische toepassing bij het fibromyalgiesyndroom.

Openbaarmakingen

De auteurs verklaren dat er geen belangenverstrengelingen zijn.

Openbaarmaking AI-gebruik: Tijdens de voorbereiding van dit werk hebben de auteurs Deepseek gebruikt voor het polijsten van de taal en het controleren van de grammatica. Alle door AI ondersteunde inhoud is beoordeeld en herzien door de auteurs, die de volledige verantwoordelijkheid dragen voor de publicatie.

Dankbetuigingen

De auteurs hebben verklaard dat er geen financiële ondersteuning is ontvangen voor dit werk en/of de publicatie ervan.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
AlphaFold Protein Structure DatabaseDeepMind & EMBL-EBIhttps://alphafold.ebi.ac.uk/Gedownloade 3D-structuren (PDB) van kern-doeleiwitten als docking-receptoren.
CB-Dock2Online blind docking platformhttps://cadd.labshare.cn/cb-dock2/Blind docking op basis van AutoDock Vina; identificatie van bindingspockets, voorspelling van conformaties en export van de laagste bindingsenergieën.
ChimeraXUCSF Resource for Biocomputing, Visualization, and Informaticshttps://www.cgl.ucsf.edu/chimerax/Visualisatie van 3D-bindingsconformaties van eiwit–ligand-complexen. Versie 1.1
CytoscapeCytoscape Consortiumhttps://cytoscape.org/Constructie en visualisatie van geneesmiddel–bestanddeel–doelwit–ziekte- en PPI-netwerken; topologische analyse via Network Analyzer (Degree ranking). Versie 3.7.2
GeneCardsWeizmann Institute of Science, Israëlhttps://www.genecards.org/Opvragen van fibromyalgia-gerelateerde doelwitten met het trefwoord “fibromyalgia”; alle opgevraagde doelwitten werden behouden zonder aanvullende drempelwaardefiltering.
LigPlusNiet van toepassinghttp://www.ebi.ac.uk/thornton-srv/software/LigPlus/Genereren van 2D-interactiediagrammen die waterstofbruggen en hydrofobe interacties tonen. Versie 2.3.1
PubChemNational Library of Medicine (NCBI), VShttps://pubchem.ncbi.nlm.nih.gov/Opvragen van 2D-structuren (SDF) van de top 10 actieve bestanddelen als docking-liganden.
RR Foundation for Statistical Computinghttps://www.r-project.org/Uitvoeren van GO- en KEGG-enrichment met clusterProfiler; uitsluiting van de pathways "Human Diseases" en "Metabolism". Versie 4.3.1
STRINGSTRING Consortium (EMBL, SIB, etc.)https://string-db.org/Constructie van PPI-netwerk (Homo sapiens, confidence ≥0.400); export van TSV voor Cytoscape.
TCMSPNorthwest A&F University, Chinahttps://www.tcmsp-e.com/Opvragen van alle componenten van C. yanhusuo; screening van actieve bestanddelen (OB≥30%, DL≥0.18); verkrijgen van de bijbehorende doeleiwitten.
UniProtUniProt Consortium (EBI, SIB, PIRhttps://www.uniprot.org/Conversie van doeleiwitten naar officiële gensymbolen (Homo sapiens). Versie 2025_01

Referenties

  1. Winslow BT, Vandal C, Dang L. Fibromyalgia: diagnosis and management. Am Fam Physician. 2023;107(2):137-144.
  2. Kocyigit BF, Akyol A. Fibromyalgia syndrome: epidemiology, diagnosis and treatment. Reumatologia. 2022;60(6):413-421.
  3. Berwick R, Barker C, Goebel A; Guideline Development Group. The diagnosis of fibromyalgia syndrome. Clin Med (Lond). 2022;22(6):570-574.
  4. Carrasco-Querol N, et al. Nutrition and chronobiology as key components of multidisciplinary therapeutic interventions for fibromyalgia and associated chronic fatigue syndrome: a narrative and critical review. Nutrients. 2024;16(2):182.
  5. Ughreja RA, Venkatesan P, Balebail Gopalakrishna D, Singh YP. Effectiveness of myofascial release on pain, sleep, and quality of life in patients with fibromyalgia syndrome: a systematic review. Complement Ther Clin Pract. 2021;45:101477.
  6. Favretti M, Iannuccelli C, Di Franco M. Pain biomarkers in fibromyalgia syndrome: current understanding and future directions. Int J Mol Sci. 2023;24(13):10443.
  7. Minhas D, Murphy A, Clauw DJ. Fibromyalgia and centralized pain in the rheumatoid arthritis patient. Curr Opin Rheumatol. 2023;35(3):170-174.
  8. Monteiro JAM, et al. Fibromyalgia comorbidity in systemic lupus erythematosus patients: assessing impact on quality of life. Adv Rheumatol. 2024;64(1):90.
  9. Chen G, Yan Z, Wang Y, Tao Q. Rheumatoid arthritis and fibromyalgia syndrome: a bibliometric and bioinformatics perspective on comorbidity research. J Multidiscip Healthc. 2025;18:6811-6827.
  10. Jurado-Priego LN, Cueto-Ureña C, Ramírez-Expósito MJ, Martínez-Martos JM. Fibromyalgia: a review of the pathophysiological mechanisms and multidisciplinary treatment strategies. Biomedicines. 2024;12(7):1543.
  11. Paroli M, Gioia C, Accapezzato D, Caccavale R. Inflammation, autoimmunity, and infection in fibromyalgia: a narrative review. Int J Mol Sci. 2024;25(11):5922.
  12. Marino Y, et al. Role of mitochondrial dysfunction and biogenesis in fibromyalgia syndrome: molecular mechanism in central nervous system. Biochim Biophys Acta Mol Basis Dis. 2024;1870(7):167301.
  13. Malik A, et al. Serotonin and norepinephrine reuptake inhibitors (SNRIs) for treatment of fibromyalgia: a comprehensive clinical review. Psychopharmacol Bull. 2025;55(2):24-40.
  14. García-Domínguez M. Fibromyalgia and inflammation: unrevealing the connection. Cells. 2025;14(4):271.
  15. Assavarittirong C, Samborski W, Grygiel-Górniak B. Oxidative stress in fibromyalgia: from pathology to treatment. Oxid Med Cell Longev. 2022;2022:1582432.
  16. Giorgi V, et al. Pharmacological treatment of fibromyalgia syndrome: a practice-based review. Curr Pain Headache Rep. 2024;28(12):1349-1363.
  17. Migliorini F, et al. Duloxetine for fibromyalgia syndrome: a systematic review and meta-analysis. J Orthop Surg Res. 2023;18(1):504.
  18. Moore A, et al. Effectiveness of pharmacological therapies for fibromyalgia syndrome in adults: an overview of Cochrane Reviews. Rheumatology (Oxford). 2025;64(5):2385-2394.
  19. Lum G, et al. Current pharmacological management, treatment challenges, and potential future treatment options for fibromyalgia syndrome. Expert Opin Pharmacother. 2025;26(18):2013-2025.
  20. Zhang P, et al. Network pharmacology: towards the artificial intelligence-based precision traditional Chinese medicine. Brief Bioinform. 2024;25(1):bbad518.
  21. Wang Y, El-Kott AF, El-Kenawy AE, Xue L. Decorated CuO nanoparticles over chitosan-functionalized magnetic nanoparticles: investigation of its anti-colon carcinoma and anti-gastric cancer effects. Arabian J Chem. 2021;14(7):103201.
  22. Zeng Y, et al. Fisetin micelles precisely exhibit a radiosensitization effect by inhibiting PDGFRβ/STAT1/STAT3/Bcl-2 signaling pathway in tumor. Chin Chem Lett. 2025;36(2):109734.
  23. Chen GY, et al. Mechanisms of total glucosides of paeony in alleviating methotrexate-induced liver injury. Drug Des Devel Ther. 2025;19:3407-3423.
  24. Chen GY, et al. Prediction of Rhizoma Drynariae targets in the treatment of osteoarthritis based on network pharmacology and experimental verification. Evid Based Complement Alternat Med. 2021;2021:5233462.
  25. Aguiar C, Camps I. Molecular docking in drug discovery: techniques, applications, and advancements. Curr Med Chem. 2025;32(28):5924-5938.
  26. Wu L, et al. Processing and compatibility of Corydalis yanhusuo: phytochemistry, pharmacology, pharmacokinetics, and safety. Evid Based Complement Alternat Med. 2021;2021:1271953.
  27. Alhassen L, et al. The analgesic properties of Corydalis yanhusuo. Molecules. 2021;26(24):7498.
  28. Ru J, et al. TCMSP: a database of systems pharmacology for drug discovery from herbal medicines. J Cheminform. 2014;6:13.
  29. Chen GY, et al. Integrating network pharmacology and experimental validation to explore the key mechanism of Gubitong recipe in the treatment of osteoarthritis. Comput Math Methods Med. 2022;2022:7858925.
  30. Jin Q, et al. Network and experimental pharmacology to decode the action of Wendan decoction against generalized anxiety disorder. Drug Des Devel Ther. 2022;16:3297-3314.
  31. UniProt Consortium. UniProt: the Universal Protein Knowledgebase in 2025. Nucleic Acids Res. 2025;53(D1):D609-D617.
  32. Stelzer G, et al. The GeneCards Suite: from gene data mining to disease genome sequence analyses. Curr Protoc Bioinformatics. 2016;54:1.30.1-1.30.33.
  33. Otasek D, et al. Cytoscape Automation: empowering workflow-based network analysis. Genome Biol. 2019;20(1):185.
  34. Szklarczyk D, et al. The STRING database in 2025: protein networks with directionality of regulation. Nucleic Acids Res. 2025;53(D1):D730-D737.
  35. Majeed A, Mukhtar S. Protein-protein interaction network exploration using Cytoscape. Methods Mol Biol. 2023;2690:419-427.
  36. Yu G, Wang LG, Han Y, He QY. clusterProfiler: an R package for comparing biological themes among gene clusters. OMICS. 2012;16(5):284-287.
  37. Feng S, et al. Harnessing gene editing technology for tumor microenvironment modulation: an emerging anticancer strategy. Chemistry. 2024;30(62):e202402485.
  38. Kim S, et al. PubChem in 2021: new data content and improved web interfaces. Nucleic Acids Res. 2021;49(D1):D1388-D1395.
  39. Varadi M, et al. AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models. Nucleic Acids Res. 2022;50(D1):D439-D444.
  40. Eberhardt J, Santos-Martins D, Tillack AF, Forli S. AutoDock Vina 1.2.0: new docking methods, expanded force field, and Python bindings. J Chem Inf Model. 2021;61(8):3891-3898.
  41. He L, et al. Shape-based virtual screen for the discovery of novel CDK8 inhibitor chemotypes. Bioorg Med Chem Lett. 2019;29(4):549-555.
  42. Quinto-Ortiz YE, et al. Pharmacological interaction of quercetin derivatives of Tilia americana and clinical drugs in experimental fibromyalgia. Metabolites. 2022;12(10):916.
  43. Perazzio AC, et al. Stigmasterol attenuates nociplastic pain and fatigue-like symptoms in a reserpine-induced fibromyalgia model in mice. Inflammopharmacology. 2026;34(1):509-523.
  44. Ji RR, et al. Neuroinflammation and central sensitization in chronic and widespread pain. Anesthesiology. 2018;129(2):343-366.
  45. Biltz RG, Sawicki CM, Sheridan JF, Godbout JP. The neuroimmunology of social-stress-induced sensitization. Nat Immunol. 2022;23(11):1527-1535.
  46. Ahmed I, et al. Oral and gut health, (neuro)inflammation, and central sensitization in chronic pain: a narrative review of mechanisms, treatment opportunities, and research agenda. Int J Mol Sci. 2026;27(1):114.
  47. Wu J, et al. The role of quercetin in NLRP3-associated inflammation. Inflammopharmacology. 2024;32(6):3585-3610.
  48. Xiong QQ, et al. Hypericum aqueous extract promotes skin wound healing by modulating the PI3K/Akt signaling pathway. Food & Medicine Homology. 2026;3(4):9420125.
  49. Sun M, et al. Stigmasterol from Prunella vulgaris L. alleviates LPS-induced mammary gland injury by inhibiting inflammation and ferroptosis. Phytomedicine. 2025;137:156362.
  50. McNamee KE, et al. IL-17 induces hyperalgesia via TNF-dependent neutrophil infiltration. Pain. 2011;152(8):1838-1845.
  51. Jiang X, et al. Interleukin-17 as a potential therapeutic target for chronic pain. Front Immunol. 2022;13:999407.
  52. Gao SJ, et al. Interleukin-17: a putative novel pharmacological target for pathological pain. Curr Neuropharmacol. 2024;22(2):204-216.
  53. Yang Y, et al. Inhibition of neuroactive ligand-receptor interaction pathway can enhance immunotherapy response in colon cancer: an in silico study. Expert Rev Anticancer Ther. 2023;23(11):1205-1215.
  54. Li QR, et al. Unveiling the mechanism of Cibotium barometz in the treatment of rheumatoid arthritis: a study based on network pharmacology and experimental validation. Curr Med Chem. In press. https://www.eurekaselect.com/article/158465
  55. Chan RJ, et al. Perturbations in the neuroactive ligand-receptor interaction and renin angiotensin system pathways are associated with cancer-related cognitive impairment. Support Care Cancer. 2025;33(4):254.
  56. Cao W, et al. Structural elucidation of an active polysaccharide from Radix Puerariae lobatae and its protection against acute alcoholic liver disease. Carbohydr Polym. 2024;325:121565.
  57. Tong Y, et al. Stigmasterol exerts antioxidant effects through activation of the Keap1/Nrf2 signaling pathway in Parkinson's disease model. J Transl Med. 2026;24:9.
  58. Ohara Y, Osada K. Effect of dietary oxidized stigmasterol on the antioxidant system in mice. J Oleo Sci. 2024;73(12):1493-1503

Herprints en machtigingen

Meer artikelen verkennen

EiwitinteractieGene OntologyKEGG-analyseneuro-inflammatieneurotransmittersignalering
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.