Research Article

Transkryptomika randomizacji mendelowskiej i farmakologia sieciowa w celu identyfikacji celów leków na chorobę zwyrodnieniową stawów

DOI:

10.3791/69569

⸱

January 23rd, 2026

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Smart minimally invasive orthopedics and interventional Medicine department, Nanchang Hongdu Hospital of Traditional Chinese Medicine, 2Nanchang Hongdu Hospital of Traditional Chinese Medicine, 3Jiangxi University of Chinese Medicine, 4Department of Orthopedic Hospital, the 1st Affiliated Hospital, Jiangxi Medical College, Nanchang University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Przedstawiamy protokół metodologiczny, który integruje randomizację Mendla, analizę transkryptomiczną oraz farmakologię sieci, aby systematycznie identyfikować kandydatów na cele leków zwyrodnieniowych stawów. Takie podejście umożliwia priorytetyzację celów poprzez dowody genetyczne, ekspresyjne i interakcji, wykorzystując publicznie dostępne dane i narzędzia obliczeniowe.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Niniejszy artykuł przedstawia zintegrowaną metodologię, która łączy randomizację mendelowską (MR), analizę transkryptomiczną oraz farmakologię sieciową, aby identyfikować i priorytetyzować potencjalne cele terapeutyczne dla choroby zwyrodnieniowej stawów (OA). Ma na celu wsparcie naukowców we wdrażaniu tego multimodalnego procesu badania ponownego wykorzystania leków oraz opracowywania nowych interwencji terapeutycznych na OA. Ramy metodologiczne składają się z pięciu kolejnych etapów: najpierw pipeline analizy MR, wykorzystujący MR z dwoma próbkami do identyfikacji domniemanych białek plazmatu przyczynowego powiązanych z OA, następnie filtrowanie Steigera oraz skanowanie asocjacyjne na poziomie fenomenu w celu oceny kierunkowości przyczynowej i potencjalnych efektów poza celem; po drugie, proces sekwencjonowania transkryptomicznego, integrujący dane RNA-seq w celu identyfikacji i udoskonalenia kandydatów na białka; po trzecie, strategia integracji, łączenie wyników MR i transkryptomii w celu priorytetyzacji białek kandydatów; po czwarte, farmakologia sieciowa i procedury dokowania molekularnego, obejmujące budowę sieci interakcji białko-białko, analizę wzbogacenia funkcjonalnego oraz dokowanie molekularne w celu badania interakcji ligand-cel; a piątym – zamierzonym zastosowaniem, koncentrującym się na priorytetyzacji związków kandydatów i produktów naturalnych o potencjalnym znaczeniu terapeutycznym. Poprzez organizację przepływu pracy w odrębne fazy analityczne, ramy te zapewniają powtarzalne podejście do przejścia od odkrywania genetycznego i transkryptomicznego do obliczeniowej oceny leku i celu, bez przedstawiania konkretnych wyników eksperymentalnych. Metodologia ta umożliwia systematyczne i oparte na hipotezach badania terapii OA z wykorzystaniem publicznie dostępnych zbiorów danych i narzędzi obliczeniowych.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Choroba zwyrodnieniowa stawów (OA) charakteryzuje się postępującym pogorszeniem się chrząstki, zmianami w kości podchrząstkowej oraz nadmiernym wzrostem kości1. Obecnie jest to główna przyczyna niepełnosprawności i obciążeń ekonomicznych na całym świecie2. Obecne leczenie obejmuje głównie sterydowe lub niesteroidowe leki przeciwzapalne (NLPZ), które łagodzą ból i stan zapalny. Jednak NLPZ często powodują niepożądane skutki uboczne w układzie przewodu pokarmowym i sercowo-naczyniowym3. Operacja wymiany stawów oferuje alternatywę, ale około jedna trzecia pacjentów nie doświadcza znaczącej ulgi w bólu ani poprawy funkcji4. W miarę jak nasze rozumienie mechanizmów molekularnych OA się rozwija, pojawiło się kilka potencjalnych celów terapeutycznych, umożliwiającychbardziej precyzyjne i spersonalizowane leczenie. Biorąc pod uwagę kluczową rolę ludzkich białek w procesach biologicznych, stanowią one kluczowych kandydatów do rozwoju leków na OA. Nelson i in. zasugerowali, że wybór genetycznie wspieranych celów może pomóc w zwalczaniu wysokiego wskaźnika niepowodzenia leków w rozwoju klinicznym6.

Randomizacja mendelowska (MR) to genetyczne podejście do wnioskowania o związku przyczynowym między ekspozycjami a wynikami z wykorzystania pojedynczych polimorfizmów nukleotydowych (SNP) z badań asocjacyjnych całego genomu (GWAS) jako zmiennych instrumentalnych 7,8. W porównaniu z badaniami obserwacyjnymi, MR wykorzystuje losowy zestaw genotypów w momencie poczęcia, aby zmniejszyć zakłócenia i odwrócić przyczynowość9. Analizy czułości pomagają uwzględnić plejotropię poligenową, dostarczając wniosków przybliżonych do przyczynowości. Dzięki tym mocnym stronom MR jest coraz częściej wykorzystywane do identyfikacji celów terapeutycznych w chorobach takich jak stwardnienie rozsiane i reumatoidalne zapalenie stawów10. Jednak przewidywania oparte na MR nadal wymagają eksperymentalnej weryfikacji, którą można ułatwić analizą transkryptomiczną, aby priorytetowo traktować kluczowe geny związane z chorobą.

Farmakologia sieci, interdyscyplinarne podejście łączące biologię systemów i narzędzia obliczeniowe11, zakłada, że choroby często wynikają z zakłóceń w sieciach biologicznych, a nie z mutacji pojedynczych genów12. Metoda ta umożliwia analizę leków wieloskładnikowych oraz przewidywanie ich celów terapeutycznych na poziomie systemowym poprzez analizę baz danych leków i chorób13. Molekularne dokowanie, kluczowy element tego systemu, symuluje powinowactwa wiązania między lekami a celami, aby ocenić podatność na działanie leków. Pomimo tych postępów, niewiele badań zintegrowało MR z farmakologią sieciową dla OA.

W tym artykule przedstawiono protokół integrujący MR, analizę transkryptomiczną oraz farmakologię sieciową, aby zidentyfikować białka osocza jako realne cele terapeutyczne dla OA. Celem jest nie tylko identyfikacja białek przyczynowych, ale także priorytetyzacja kandydatów na związki terapeutyczne poprzez analizę obliczeniową.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Uzyskaliśmy etyczną zgodę i świadomą zgodę od Komitetu Etyki Badań Biomedycznych Pierwszego Szpitala Afiliowanego Uniwersytetu Nanchang. Numer etyki: (2025)CDYFYYLK(08-007).

Analiza MR

Pobieranie danych
Dane pQTL plazmy zostały uzyskane z badania Zheng i in.14, które zintegrowało pięć zestawów danych GWAS 15,16,17,18,19, oraz z badania Ferkingstada i in. Kryteria włączenia do danych były następujące: (i) istotne powiązania w całym genomie (str. < 5 × 10⁻⁸); oraz (ii) białka osocza jako potencjalne cele terapeutyczne dla OA. Projekt badania jest podsumowany na Rysunku 1. Najpierw zidentyfikowaliśmy kandydatów na cele terapeutyczne, korzystając z danych GWAS z IEU OpenGWAS oraz danych pQTL osocza z badań przeprowadzonych przez Zheng14 i Ferkingstad20 (Tabela Uzupełniająca S1 i Tabela Uzupełniająca S2). Następnie przeprowadzono filtrowanie Steigera i skanowanie fenotypowe, aby potwierdzić odporność wyników. IEU OpenGWAS (https://gwas.mrcieu.ac.uk/) został użyty do uzyskania podsumowania statystyk dotyczących odrzewczenia stawu stawowego lub biodrowego (n = 417 596), odrzewczenia kolan (n = 403 124) oraz oddechu stawu biodrowego (n = 393 873)21.

Polecenia filtrowania SNP

SNP o istotności ogólnogenomowej (p < 5 × 10⁻⁸) zostały poddane procesowi zgrudkowania (r² < 0,001, F-statystyka > 10, rozmiar okna = 10 000 kb) przed analizą MR.

Analiza MR

Aby zbadać potencjalne cele leków, przeprowadzono analizę MR z wykorzystaniem białek osocza jako ekspozycji oraz OA jako wyniku, zaimplementowanej za pomocą pakietu "TwoSampleMR" w języku R (v4.3.1). Gdy dla białka dostępny był tylko jeden pQTL, stosowano stosunek Walda; w przeciwnym razie stosowano odwrotną wariancję ważoną MR (MR-IVW), a następnie oceniano heterogeniczność i plejotropię. Korekta Bonferroniego została użyta do uwzględnienia wielu testów, z progiem p < 5,63 × 10⁻⁵ dla priorytetyzacji białek.

Filtrowanie Steigera i skanowanie fenotypowe

Aby ocenić odwrotną przyczynowość, przeprowadziliśmy filtrowanie Steigera. Wynik "PRAWDZIWY" z p < 0,05 wskazywał na brak odwrotnej przyczynowości. Skanowanie fenotypowe przeprowadzono za pomocą LDtrait (https://ldlink.nih.gov/?tab=ldtrait#home-tab)22 w celu zbadania powiązania pQTL z innymi cechami. Progi wynosiły R² = 0,1 oraz okno par bazowych ±500 000. Efekty plejotropowe przypisano pQTL spełniającym oba następujące kryteria: (i) istotne genomowe powiązanie (p < 5 × 10⁻⁸) oraz (ii) powiązanie z znanymi czynnikami ryzyka OA.

Badanie skojarzeń na poziomie fenomowym

Aby uwzględnić pleiotropię genów i efekty poza celem, przeprowadziliśmy badanie asocjacji fenomowej (PheWAS) z wykorzystaniem portalu AstraZeneca PheWAS (https://azphewas.com/), który zawiera 15 500 fenotypów binarnych i 1 500 ciągłych fenotypów od ~450 000 uczestników UK Biobank(23). Progi zostały ustawione na wartości domyślne, aby zminimalizować fałszywe alarmy.

Sieć interakcji białko-białko (PPI)

Aby zwizualizować interakcje między potencjalnymi celami białkowymi zidentyfikowanymi za pomocą MR, użyliśmy GeneMANIA (https://genemania.org/) do analizy interakcji białko-białko oraz wizualizacji wyników24.

Analiza wzbogacenia

Aby zbadać istotność biologiczną, przeprowadziliśmy analizę wzbogacenia z wykorzystaniem narzędzi bioinformatycznych z https://www.bioinformatics.com.cn do analizy i wizualizacji danych.

Przepływ pracy transkryptomicznej

Całkowite RNA zostało wyekstrahowane za pomocą zestawu odczynnika do ekstrakcji RNA, zgodnie z wytycznymi producenta. Jakość RNA oceniano za pomocą zautomatyzowanego systemu oceny jakości RNA; użyto tylko próbek o RIN ≥7.0. Jakość potwierdzono elektroforezą agarozy wolną od RNazy (żel 1,5%). Eukariotyczne mRNA zostało wzbogacone za pomocą kulek oligo(dT); prokariotyczne mRNA zostało wzbogacone za pomocą zestawu magnetycznego eliminacyjnego RNA. mRNA zostało fragmentowane (200-700 nt) i przekształcone w cDNA za pomocą zestawu RNA Library Prep Kit. Biblioteka cDNA była naprawiana na końcach, była ogoniasta w kształcie A, podwiązywała się z adapterami, oczyszczała za pomocą magnetycznych kulek oczyszczających DNA (1,0×) i wzmacniała PCR. Sekwencjonowanie wykonywano na wysokoprzepustowej platformie sekwencjonowania nowej generacji. Geny różnicowo ekspresyjne zostały zdefiniowane przez log₂FC > 1 i skorygowane p < 0,05.

Farmakologia sieciowa

Aby zidentyfikować potencjalne leki dla białek docelowych, użyliśmy BATMAN-TCM (http://bionet.ncpsb.org.cn/batman-tcm/index.php)25. Do wyboru znanych i przewidywanych związków używano progu wyniku 0,74 (LR = 32,5). Składniki ziołowe pobrano z TCMSP (https://old.tcmsp-e.com/index.php) i przefiltrowano OB > 30% oraz DL > 0,1826.

Dokowanie molekularne

Do oceny interakcji wiązań zastosowano dokowanie molekularne. Struktury białkowe zostały pobrane z PDB (https://www.rcsb.org/). Chimera UCSF była używana do wstępnego przetwarzania struktur poprzez usuwanie ligandów i rozpuszczalników. AutoDock Tools był używany do obliczania ładunków Gasteigera oraz definiowania środkow i rozmiarów pudełek. Struktury leków zostały uzyskane z PubChem (https://pubchem.ncbi.nlm.nih.gov/) i przetworzone w podobny sposób. Dokowanie odbywało się za pomocą AutoDock Vina. Wymiary pudełka różniły się w zależności od celu. Obliczono powinowactwa wiązania, a wyniki zobrazowano w chimerze UCSF.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wyszukiwanie proteomu pod kątem białek przyczynowych osteoartrozy

Za pomocą danych pQTL z osocza z badania Zheng i wsp. analiza randomizacji Mendelowskiej (MR) zidentyfikowała sześć skojarzeń białko-OA kolanowego lub biodrowego, jedno skojarzenie białko-OA kolanowego i cztery skojarzenia białko-OA biodrowego, które spełniały próg znaczącości Bonferroniego (P < 5,63 × 10-9) (Tabela 1 o...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Jest to metoda analizy MR z dwoma próbkami, stosowana do przewidywania potencjalnych białek związanych z chorobą zwyrodnieniową stawów (OA), uzupełniona sekwencjonowaniem walidacji próbek krwi pacjentów z OA oraz farmakologią sieciową w celu przewidywania celów leków dla OA. Wykorzystaliśmy dane proteomiczne z plazmy oraz dane GWAS dla OA do przeprowadzenia analizy MR na dwóch próbkach, identyfikując 19 białek związanych z OA, w tym EFEMP1, PTHLH, PCSK1, ECM1, ISLR2, SEMA3G, SPOCK2, LRIG3, TMEM190, CRYZ, KNG1, OMG, DDX19...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają żadnych konkurujących interesów do ogłoszenia.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Projekt ten został wsparty przez Projekt Planu Nauki i Technologii Komisji Zdrowia Prowincji Jiangxi (202610930) oraz Projekt Planu Nauki i Technologii Administracji Tradycyjnej Medycyny Chińskiej (2025022398).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Agilent 2100 BioanalyzerAgilent TechnologiesG2939AAZautomatyzowany system oceny jakości RNA
AutoDock VinaInstytut Badawczy ScrippsVina 1.1.2Oprogramowanie otwartego wiersza poleceń do obliczeniowego dokowania molekularnego
Platforma Illumina NovaSeq 6000IlluminaSY-415-1001Platforma sekwencjonowania nowej generacji o wysokiej przepustowości
NEBNext Ultra RNA Zestaw Biblioteczny PrzygotowawczyNew England BiolabsNEB #E7770Fragment i transkrybacja wzbogaconego mRNA do cDNA
Ribo-Zero Magnetic KitEpicentrumMRZH11124Eliminacja rRNA
Zestaw odczynników TrizolInvitrogenAM9738Ekstrakt całkowitego RNA
UCSF ChimeraUniwersytet Kalifornijski w San FranciscoChimera-alpha-win64Oprogramowanie do wizualizacji molekularnej i analizy struktur.

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Sirong, S., et al. Effects of tetrahedral framework nucleic acid/wogonin complexes on osteoarthritis. Bone Res. 8 (6), 6(2020).
  2. Glyn-Jones, S., et al. Osteoarthritis. Lancet. 386 (9991), 376-387 (2015).
  3. Bindu, S., Mazumder, S., Bandyopadhyay, U. Non-steroidal anti-inflammatory drugs (NSAIDs) and organ damage: a current perspective. Biochem Pharmacol. 180, 114147(2020).
  4. Costello, C. A., et al. Association between epidemiological factors and nonresponders to total joint replacement surgery in primary osteoarthritis patients. J Arthroplasty. 36 (5), 1502-1510.e5 (2021).
  5. Cho, Y., et al. Disease-modifying therapeutic strategies in osteoarthritis: current status and future directions. Exp Mol Med. 53 (11), 1689-1696 (2021).
  6. Nelson, M. R., et al. The support of human genetic evidence for approved drug indications. Nat Genet. 47 (8), 856-860 (2015).
  7. Reay, W. R., Cairns, M. J. Advancing the use of genome-wide association studies for drug repurposing. Nat Rev Genet. 22 (10), 658-671 (2021).
  8. Smith, G. D., Ebrahim, S. Mendelian randomization: can genetic epidemiology contribute to understanding environmental determinants of disease. Int J Epidemiol. 32 (1), 1-22 (2003).
  9. Lin, J., Zhou, J., Xu, Y. Potential drug targets for multiple sclerosis identified through Mendelian randomization analysis. Brain. 146 (8), 3364-3372 (2023).
  10. Cao, Y., Yang, Y., Hu, Q., Wei, G. Identification of potential drug targets for rheumatoid arthritis from genetic insights: a Mendelian randomization study. J Transl Med. 21 (1), 616(2023).
  11. Ju, S., et al. Potential therapeutic drug targets and pathways prediction for premature ovarian insufficiency based on network pharmacologic method. J Ethnopharmacol. 304, 116054(2023).
  12. Hopkins, A. L. Network pharmacology: the next paradigm in drug discovery. Nat Chem Biol. 4 (11), 682-690 (2008).
  13. Liu, X., et al. Integrating hippocampal metabolomics and network pharmacology deciphers the antidepressant mechanisms of Xiaoyaosan. J Ethnopharmacol. 268, 113549(2021).
  14. Zheng, J., et al. Phenome-wide Mendelian randomization mapping the influence of the plasma proteome on complex diseases. Nat Genet. 52 (10), 1122-1131 (2020).
  15. Suhre, K., et al. Connecting genetic risk to disease end points through the human blood plasma proteome. Nat Commun. 8, 14357(2017).
  16. Sun, B. B., et al. Genomic atlas of the human plasma proteome. Nature. 558 (7708), 73-79 (2018).
  17. Yao, C., et al. Genome-wide mapping of plasma protein QTLs identifies putatively causal genes and pathways for cardiovascular disease. Nat Commun. 9 (1), 3268(2018).
  18. Emilsson, V., et al. Co-regulatory networks of human serum proteins link genetics to disease. Science. 361 (6404), 769-773 (2018).
  19. Folkersen, L., et al. Mapping of 79 loci for 83 plasma protein biomarkers in cardiovascular disease. PLoS Genet. 13 (4), e1006706(2017).
  20. Ferkingstad, E., et al. Large-scale integration of the plasma proteome with genetics and disease. Nat Genet. 53 (12), 1712-1721 (2021).
  21. Tachmazidou, I., et al. Identification of new therapeutic targets for osteoarthritis through genome-wide analyses of UK Biobank data. Nat Genet. 51 (2), 230-236 (2019).
  22. Lin, S. H., Brown, D. W., Machiela, M. J. LDtrait: an online tool for identifying published phenotype associations in linkage disequilibrium. Cancer Res. 80 (16), 3443-3446 (2020).
  23. Wang, Q., et al. Rare variant contribution to human disease in 281,104 UK Biobank exomes. Nature. 597 (7877), 527-532 (2021).
  24. Warde-Farley, D., et al. The GeneMANIA prediction server: biological network integration for gene prioritization and predicting gene function. Nucleic Acids Res. 38 (Web Server issue), W214-W220 (2010).
  25. Kong, X., et al. BATMAN-TCM 2.0: an enhanced integrative database for known and predicted interactions between traditional Chinese medicine ingredients and target proteins. Nucleic Acids Res. 51 (Database issue), D1268-D1276 (2023).
  26. Liu, H., Wang, J., Zhou, W., Wang, Y., Yang, L. Systems approaches and polypharmacology for drug discovery from herbal medicines: an example using licorice. J Ethnopharmacol. 146 (3), 773-793 (2013).
  27. Collins, K. H., et al. Adipose tissue is a critical regulator of osteoarthritis. Proc Natl Acad Sci U S A. 118 (1), (2021).
  28. Godziuk, K., Hawker, G. A. Obesity and body mass index: past and future considerations in osteoarthritis research. Osteoarthritis Cartilage. 32 (4), 452-459 (2024).
  29. Kohno, H., et al. Synovial fluids from patients with osteoarthritis and rheumatoid arthritis contain high levels of parathyroid hormone-related peptide. J Bone Miner Res. 12 (5), 847-854 (1997).
  30. Binvignat, M., Sellam, J., Berenbaum, F., Felson, D. T. The role of obesity and adipose tissue dysfunction in osteoarthritis pain. Nat Rev Rheumatol. 20, (2024).
  31. D'Angelo, D., De Martino, M., Arra, C., Fusco, A. Emerging role of USP8, HMGA, and non-coding RNAs in pituitary tumorigenesis. Cancers (Basel). 11 (9), (2019).
  32. Islam, M. T., Chen, F., Chen, H. The oncogenic role of ubiquitin-specific peptidase USP8 and its signaling pathways targeting for cancer therapeutics. Arch Biochem Biophys. 701, 108811(2021).
  33. Hunter, D. J., Bierma-Zeinstra, S. Osteoarthritis. Lancet. 393 (10182), 1745-1759 (2019).
  34. Den Hollander, W., et al. Knee and hip articular cartilage have distinct epigenomic landscapes: implications for future cartilage regeneration approaches. Ann Rheum Dis. 73 (12), 2208-2212 (2014).
  35. Han, J., et al. Discovery of novel USP8 inhibitors via ubiquitin-rhodamine-110 fluorometric assay-based high-throughput screening. Bioorg Chem. 101, 103962(2020).
  36. Martineau-Doizé, B., Lai, W. H., Warshawsky, H., Bergeron, J. J. In vivo demonstration of cell types in bone that harbor epidermal growth factor receptors. Endocrinology. 123 (2), 841-858 (1988).
  37. Qin, L., Beier, F. EGFR signaling: friend or foe for cartilage. JBMR Plus. 3 (2), e10177(2019).
  38. Konttinen, Y. T., et al. Acidic cysteine endoproteinase cathepsin K in the degeneration of the superficial articular hyaline cartilage in osteoarthritis. Arthritis Rheum. 46 (4), 953-960 (2002).
  39. Lecaille, F., Kaleta, J., Brömme, D. Human and parasitic papain-like cysteine proteases: their role in physiology and pathology and recent developments in inhibitor design. Chem Rev. 102 (12), 4459-4488 (2002).
  40. Huberts, D. H., Van Der Klei, I. J. Moonlighting proteins: an intriguing mode of multitasking. Biochim Biophys Acta. 1803 (4), 520-525 (2010).
  41. Piatigorsky, J. Gene sharing, lens crystallins and speculations on an eye/ear evolutionary relationship. Integr Comp Biol. 43 (4), 492-499 (2003).
  42. Schiavone, N., et al. A conserved AU-rich element in the 3′ untranslated region of BCL-2 mRNA is endowed with a destabilizing function involved in BCL-2 down-regulation during apoptosis. FASEB J. 14 (1), 174-184 (2000).
  43. Papucci, L., et al. Impact of targeting the adenine- and uracil-rich element of BCL-2 mRNA with oligoribonucleotides on apoptosis, cell cycle, and neuronal differentiation in SH-SY5Y cells. Mol Pharmacol. 73 (2), 498-508 (2008).
  44. Banerjee, P., Markande, S., Kalarikkal, M., Joseph, J. Sumoylation modulates the function of DDX19 in mRNA export. J Cell Sci. 135 (4), (2022).
  45. Primorac, D., Stover, M. L., Clark, S. H., Rowe, D. W. Molecular basis of nanomelia, a heritable chondrodystrophy of chicken. Matrix Biol. 14 (4), 297-305 (1994).
  46. Styrkarsdottir, U., et al. Whole-genome sequencing identifies rare genotypes in COMP and CHADL associated with high risk of hip osteoarthritis. Nat Genet. 49 (5), 801-805 (2017).
  47. Kashima, I., et al. Binding of a novel SMG-1-UPF1-eRF1-eRF3 complex to the exon junction complex triggers UPF1 phosphorylation and nonsense-mediated mRNA decay. Genes Dev. 20 (3), 355-367 (2006).
  48. Yamashita, A., et al. SMG-8 and SMG-9, two novel subunits of the SMG-1 complex, regulate remodeling of the mRNA surveillance complex during nonsense-mediated mRNA decay. Genes Dev. 23 (9), 1091-1105 (2009).
  49. Hug, N., Cáceres, J. F. The RNA helicase DHX34 activates NMD by promoting a transition from the surveillance to the decay-inducing complex. Cell Rep. 8 (6), 1845-1856 (2014).
  50. Yamashita, A., Ohnishi, T., Kashima, I., Taya, Y., Ohno, S. Human SMG-1 associates with components of the mRNA surveillance complex and regulates nonsense-mediated mRNA decay. Genes Dev. 15 (17), 2215-2228 (2001).
  51. Campbell, D. J. The kallikrein-kinin system in humans. Clin Exp Pharmacol Physiol. 28 (12), 1060-1065 (2001).
  52. Bhoola, K. D., Elson, C. J., Dieppe, P. A. Kinins: key mediators in inflammatory arthritis. Br J Rheumatol. 31 (8), 509-518 (1992).
  53. Mateos, J., et al. Differential protein profiling of synovial fluid from rheumatoid arthritis and osteoarthritis patients using LC-MALDI TOF/TOF. J Proteomics. 75 (10), 2869-2878 (2012).
  54. Pelletier, J. P., et al. Inhibition of subchondral bone resorption in early experimental dog osteoarthritis by licofelone is associated with reduced synthesis of MMP-13 and cathepsin K. Bone. 34 (3), 527-538 (2004).
  55. Vasiljeva, O., et al. Emerging roles of cysteine cathepsins in disease and their potential as drug targets. Curr Pharm Des. 13 (4), 387-403 (2007).
  56. Zeng, Z., et al. Pelargonidin ameliorates inflammatory response and cartilage degeneration in osteoarthritis via suppressing the NF-κB pathway. Arch Biochem Biophys. 743, 109668(2023).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Mendelian RandomizationTranscriptomic AnalysisNetwork PharmacologyOsteoarthritis Drug TargetsTwo Sample MRRNA SequencingProtein Protein InteractionFunctional EnrichmentMolecular DockingDrug Repurposing

Related Articles