Wszystkie materiały, w tym bazy danych, oprogramowanie i odczynniki eksperymentalne, używane w tym badaniu, są wymienione w Tabeli Materiałów. Wszystkie procedury eksperymentalne zostały zatwierdzone przez Komitet Etyki Zwierząt Szpitala Jeziornego Suzhou Dushu (numer pozwolenia: 2410008).
Przesiewanie aktywnych komponentów i namierzanie celów DCQD
Aktywne składniki ziół składowych: rabarbaru, mirabilitu, kory magnolii i niedojrzałej gorzkiej pomarańczy w Dekokcie Da-Cheng-Qi (DCQD) zostały przesiewane w bazie danych farmakologii systemów medycyny tradycyjnej chińskiej (TCMSP) według następujących kryteriów: biodostępność doustna (OB) ≥30% oraz podobność do leku (DL) ≥0,18. Następnie zebrano odpowiednie cele zidentyfikowanych aktywnych komponentów. Progi te są szeroko stosowane w badaniach farmakologii sieciowej do filtrowania związków o korzystnych właściwościach farmakokinetycznych i wyższym potencjale bycia cząsteczkami podobnymi do leków34,35. Aby poprawić niezawodność selekcji złożonej i zmniejszyć błędy wynikające z przesiewania pojedynczych baz danych, walidacja krzyżowa została przeprowadzona przy użyciu bazy danych BATMAN-TCM. BATMAN-TCM to integracyjna baza danych, która przechowuje znane i przewidywane interakcje między składnikami TCM a białkami docelowymi, wspierając badania farmakologicznych mechanizmów TCM oraz odkrywanie leków. Zaktualizowana wersja 2.0 oferuje znacznie rozszerzony zbiór danych TTI oraz ulepszone funkcje, co czyni ją cennym źródłem do zrozumienia molekularnych mechanizmów TCM oraz opracowywania nowych terapii dla chorób złożonych. Związki bez przewidywanych celów lub z wynikami BATMAN-TCM poniżej 20 zostały wykluczone. Ponadto związki o stosunkowo niskich wartościach OB, ale z przewidywanymi celami w BATMAN-TCM oraz dobrze udokumentowanymi aktywnościami farmakologicznymi (np. antrakinony i flawonoidy) zostały zachowane dzięki selekcji literatury. Aby dodatkowo zmniejszyć potencjalne składniki fałszywie pozytywne, ręcznie wykluczano endogenne hormony i substancje neuroprzekaźnikowe (np. progesteron i serotonina). Ostateczny zestaw złożony był używany do dalszego przewidywania celów i budowy sieci. Szczegółowy przepływ pracy został zilustrowany na Dodatkowym Rysunku 1. Ostateczna lista aktywnych składników znajduje się w Tabeli Uzupełniającej 1.
Identyfikatory SMILES (liniowa metoda notacji wykorzystująca łańcuchy ASCII do opisu struktury chemicznej cząsteczek. Poprzez zastosowanie konkretnych symboli i reguł, koduje atomy, wiązania chemiczne i topologię molekularną w ciągły ciąg znaków bez spacji, umożliwiając zwięzłe, jednoznaczne i komputerowo czytelne przechowywanie oraz transmisję informacji molekularnej każdego aktywnego składnika każdego aktywnego składnika z bazy PubChem, a potencjalne cele przewidywano za pomocą szwajcarskiej prognozy celów, z parametrem organizmu ustawionym na "Homo sapiens" i progiem prawdopodobieństwa >0 Aplikowałem. Zestawy docelowe uzyskane z obu baz danych zostały połączone, a zduplikowane wpisy usunięto, aby wygenerować ostateczny kandydat do zestawu docelowego dla DCQD.
Ważne jest, aby zauważyć, że Mirabilitum (Mangxiao, Na₂SO₄·10H₂O), lek mineralny w DCQD, nie jest uwzględniony w bazach danych TCMSP ani podobnych bazach złożonych i celów. W konsekwencji, ze względu na to ograniczenie bazy danych, sieć komponent-cel zbudowana w tym badaniu nie obejmuje potencjalnych wkładów Mirabilitum. Sieć opiera się więc na fitochemicznych składnikach pozostałych trzech składników ziołowych: Rheum palmatum, Magnolia officinalis oraz Citrus aurantium.
Analiza wzbogacania celów DCQD
Cele DCQD zostały zaimportowane do bazy danych metascape do analizy wzbogacenia, a gatunki ograniczone do "Homo sapiens". Przeprowadzono analizy wzbogacania ontologii genów (GO) oraz analizy wzbogacenia encyklopedii genów i genomów w Kioto (KEGG), przy czym pierwsze obejmowały procesy biologiczne (BP), komponenty komórkowe (CC) oraz funkcje molekularne (MF). Wybrano 6 najlepszych wyników wzbogacania GO oraz 20 najlepszych wyników wzbogacania KEGG. Wykresy słupkowe KEGG i GO zostały wygenerowane za pomocą narzędzia online z bioinformatyki. Dane zostały zaimportowane za pomocą pakietu DOSE w języku R, aby skonstruować wykres słupkowy dotyczący ontologii chorób (DO).
Budowa sieci "Ziołolecznictwo – Komponent-Cel"
Odpowiednie komponenty DCQD oraz odpowiadające im cele zostały zaimportowane do Cytoscape 3.10.3, aby stworzyć diagram sieci ilustrujący relacje "lek zioło-komponent-cel". Do obliczania wartości stopni użyto wtyczki CytoNCA, a 5 najlepszych aktywnych komponentów było filtrowanych na podstawie rankingu.
Pobieranie celów ARDS z publicznych baz danych
Używając słowa kluczowego "zespół ostrego niedociągu oddechowego", cele związane z ARDS zostały pobrane z baz danych OMIM i GeneCards. W kartach genowych wybierano cele o wskaźniku trafności >5. Po połączeniu i usunięciu duplikatów z obu baz danych uzyskano kandydatski zestaw docelowy dla ARDS.
Analiza bioinformatyczna
Zestaw danych związany z sepsą ARDS GSE32707 (platforma GPL570, n = 45), zawierający dane RNA-seq z jednojądrowych komórek krwi obwodowej 30 pacjentów wywołanych sepsą ARDS oraz 15 zdrowych kontrolnych grup kontrolnych, został pobrany z bazy NCBI GEO. Dane były importowane za pomocą pakietu GEOquery w języku R, a normalizacja realizowana za pomocą pakietu Limma, aby zminimalizować zmienność między próbkami. Geny różnicowo ekspresyjne (DEG) zostały zidentyfikowane na podstawie progów |log2FC| > 1 i p < 0,05. Wizualizacja była prowadzona za pomocą wykresów wulkanów i map cieplnych. Przeprowadzono analizy wzbogacenia GO i KEGG do analizy szlaków, a wyniki prezentowano jako wykresy bąbelkowe i wykresy słupkowe.
Przewidywanie potencjalnych celów DCQD w leczeniu ARDS
Za pomocą narzędzia online bioinformatycznego wygenerowano diagram Venna do porównania DEG, celów związanych z ARDS z publicznych baz danych oraz celów leków DCQD, identyfikowając tym samym potencjalne terapeutyczne cele DCQD dla ARDS.
Budowa sieci interakcji białko-białko (PPI) oraz przesiewowe badania kluczowych celów
Nakładające się cele zostały zaimportowane do bazy danych STRING z gatunkiem ustawionym na "Homo sapiens" i progiem wyniku interakcji na poziomie 0,4. Dane sieci PPI zostały wyeksportowane w formacie TSV i zwizualizowane za pomocą Cytoscape 3.10.3. Wtyczka CytoHubba została zastosowana do wyróżnienia 10 najważniejszych celów na podstawie wyników MCC, MNC, stopnia, EPC, pomiędzy wartościami, bliskością, promienistością i naprężeniem. Przecięcie tych celów dało 5 głównych celów.
Budowa sieci "Ziołole-Komponent-Docelowa-Choroba"
Na podstawie nakładających się celów zidentyfikowano odpowiadające im komponenty DCQD. Odpowiednie komponenty, wraz z powiązanymi celami i powiązaniami chorobowymi, zostały zaimportowane do Cytoscape 3.10.3, aby stworzyć diagram sieci ilustrujący relacje "składnik-cel-choroba leków ziołowych".
Analiza wzbogacenia kluczowych celów i budowa sieci "komponent-składnik-cel-szlak choroby"
Aby zbadać potencjalne funkcje biologiczne i kluczowe szlaki sygnalizacyjne DCQD w leczeniu ARDS, główne cele poddano analizom wzbogacenia GO i KEGG w Metascape (gatunek: "Homo sapiens"). Wybrano pierwszą dziesiątkę GO oraz 13 najlepszych wyników wzbogacania KEGG. Wizualizacja została wykonana za pomocą narzędzi bioinformatycznych, aby wygenerować wykresy bąbelków KEGG, wykresów słupków GO oraz wykresów bańków Sankeya. Dodatkowo, na podstawie wyników wzbogacenia funkcjonalnego, w Cytoscape 3.10.3 skonstruowano diagram sieci, aby zilustrować relacje "składnik-zioło-cel-szlak-choroba".
Dokowanie molekularne i wizualizacja
Wtórne struktury molekularne związków zostały pobrane z bazy danych PubChem, natomiast struktury trójwymiarowe głównych celów pozyskano z bazy PDB (http://www.rcsb.org/). Cząsteczki wody i reszty aminokwasowe zostały usunięte za pomocą PyMOL. Białka i związki docelowe były importowane do AutoDock w celu dokowania molekularnego w celu obliczenia energii wiązania. Wizualizację wykonano za pomocą PyMOL. Mapa ciepła energii wiązania została wygenerowana za pomocą pakietu pheatmap w języku R, z rdzeniem celów na osi x, związkami na osi y oraz gradientem kolorów reprezentującym energie wiązania. Dwuwymiarowe diagramy interakcji wyników dokowania zostały wygenerowane za pomocą Discovery Studio Visualizer 4.5. Molekularne dokowanie przeprowadzono w celu oceny wykonalności wiązania między związkami a celami, a nie w celu przewidzenia rzeczywistej skuteczności hamującej.
Konstrukcja modelu myszy ARDS
Badanie to zostało zatwierdzone przez komisję etyki medycznej Szpitala nad Jeziorem Dushu w Suzhou (2410008). Uzyskano zdrowe samce myszy C57BL/6J (n = 30; 20 ± 5 g). Myszy podzielono na grupę kontrolną (n = 10), grupę LPS (n = 10, LPS 10 mg/kg) oraz grupę DCQD (n = 10, otrzymującą DCQD 0,9 g/kg w formie doustnej dawki w połączeniu z LPS 10 mg/kg). Myszy z grupy LPS otrzymały iniekcję LPS do otrzewnej otrzewnejowej. Myszom z grupy DCQD podano DCQD 0,9 g/kg doustnie bezpośrednio po podaniu LPS do otrzewnewnej. Pomiary wykonano bezpośrednio przed i po wyjęciu płuc u wszystkich myszy. Następnie tkanki płucne były przechowywane w temperaturze -80 °C.
Analiza zachodnich plam (WB)
Białka były izolowane z lizatów tkanki płucnej myszy, a ich stężenia mierzono za pomocą zestawu do ilościowania białek BCA. Następnie białka zostały zdenaturowane przez gotowanie w 95 °C przez 10 minut. Denaturowane białka były rozdzielane na żelu 10% SDS-PAGE przygotowanym z zestawem do przygotowania żelu, a następnie przenoszone na membranę PVDF. Aby zapobiec wiązaniu niespecyficznym, membrany PVDF były blokowane w temperaturze pokojowej przez 5 minut za pomocą buforu szybkiego blokowania wolnego od białka. Po myciu PBST błony były inkubowane przez noc w temperaturze 4 °C z pierwotnymi przeciwciałami przeciwko MMP9, HSP90, MYC i ARG1. Po kolejnym płukaniu PBST błony były inkubowane przez 2 godziny w temperaturze pokojowej za pomocą koziego anty-króliczego IgG(H+L) sprzężonego z HRP. Na koniec zastosowano ultraczuły zestaw do wykrywania chemiluminescencji, a pasma białkowe wykryto za pomocą systemu obrazowania chemiluminescencyjnego BIO-RAD. Analizę skali szarości wykonano za pomocą ImageJ. Przeciwciała użyte w tym eksperymencie wymienione są w Tabeli Uzupełniającej 2.
Analiza immunosorbentu sprzężonego z enzymami (ELISA)
Najpierw pobrano płyn płukający oskrzelowo-pęcherzykowy (BALF) poprzez trzykrotne płukanie z 2 mL soli fizjologicznej. Powstałe płyny płukania były gromadzone i wirowane w 10 000 g przez 10 minut w celu usunięcia komórek. Następnie supernatant był zasysany i przechowywany w ciekłym azocie. Następnie stężenia cytokin docelowych zostały określone zgodnie z instrukcjami producenta, korzystając z zestawu Mouse IL-6 ELISA, Mouse IL-18 ELISA oraz Mouse TNF-alpha ELISA Kit. Następnie płytka reakcyjna umieszczano w czytniku mikropłytek, a wartość gęstości optycznej (OD) każdego odwiertu mierzono na długości fali 450 nm, przy czym pusty odwór kontrolny był używany do zerowej korekty. Na koniec wyrysowano krzywą standardową na podstawie stężeń i odpowiadających im wartości przedawkowych standardów. Stężenie czynnika docelowego w każdej próbie było obliczane zgodnie ze standardowym równaniem krzywej.
Analiza statystyczna
Dane zostały przeanalizowane za pomocą GraphPad Prism 10.1.2. Istotność różnic między grupami została statystycznie oceniona za pomocą jednokierunkowej analizy wariancji lub testu Student's t. Jeśli wartość P jest mniejsza niż 0,05, różnica jest uznawana za istotną; jeśli wartość P jest mniejsza niż 0,01, uważa się ją za wysoce istotną.