Artykuł badawczy

Farmakologia sieciowa, uczenie maszynowe i in vivo walidacja kapsułki Danzhi Jiangtang w nefropatii cukrzycowej

45 wyświetleń

⸱

DOI:

10.3791/71328

⸱

28 lipca 2026

 ,  ,  ,  ,  , 
1Anhui University of Chinese Medicine

W tym artykule

Podsumowanie

Kapsułka Danzhi Jiangtang (DJC) może łagodzić nefropatię cukrzycową (DN), co potwierdzają zmiany w sygnałach chemokinowych i markerach pyroptozy, poparte bioinformatyką i in vivo walidacją.

Streszczenie

Chociaż Danzhi Jiangtang Capsule (DJC) jest tradycyjnym chińskim preparatem ziołowym stosowanym klinicznie w cukrzycy, jak może chronić nerki podczas nerczycy cukrzycowej (DN) nie zostało w pełni wyjaśnione. Niniejsze badanie miało na celu zbadanie potencjalnych mechanizmów, za pomocą których DJC wpływa na DN, ze szczególnym uwzględnieniem kaskady sygnałowej związanej z piroptozją NLR family pyrin domain-containing 3 (NLRP3)/Caspase-1/Gasdermin D (GSDMD).

Zastosowano zintegrowaną strategię łączącą farmakologię sieciową i uczenie maszynowe. Wykorzystano Bazę Danych Farmakologii Systemowej Medycyny Tradycyjnej Chińskiej i Platformę Analizy (TCMSP) oraz Narzędzie Analizy Bioinformatycznej do Analizy Mechanizmu Molekularnego Tradycyjnej Medycyny Chińskiej (BATMAN-TCM) do przesiewania aktywnych składników bioaktywnych i ich odpowiednich białkowych celów DJC. Geny związane z DN pobierano z Gene Expression Omnibus (GEO), GeneCards i Online Mendelian Inheritance in Man (OMIM). Kluczowe potencjalne cele zostały przesięte i uporządkowane za pomocą wielu algorytmów uczenia maszynowego. Związek między aktywnymi składnikami DJC a głównymi celami został oceniony za pomocą dokowania molekularnego. Wreszcie, skuteczność terapeutyczna i przewidywane mechanizmy zostały oceniane na myszach diabetycznych db/db.

Analiza farmakologii sieciowej zidentyfikowała 599 celów DJC i 68 genów pokrywających się z DN. Za pomocą algorytmów uczenia maszynowego C-C motif chemokine ligand 2 (CCL2) i CASP1 zostały zidentyfikowane jako priorytetowe potencjalne cele. Dokowanie molekularne przewidywało możliwe silne powinowactwo między aktywnymi składnikami DJC a tymi głównymi białkami. Analizy wzbogacania funkcjonalnego (GO/KEGG) sugerują, że modulacja DJC jest związana z reakcjami zapalnymi i ścieżką MAPK. Walidacja in vivo wykazała, że leczenie DJC zmniejszyło wskaźniki uszkodzenia nerek i stwardnienia. Te odkrycia sugerują, że DJC może zmniejszać DN częściowo poprzez zmiany w sygnalizacji piroptozy związanej z CCL2/C-C motif chemokine receptor 2 (CCR2).

Wprowadzenie

Globalne obciążenie cukrzycą (DM) nadal wzrasta, stanowiąc poważne wyzwanie dla zdrowia publicznego. Szacuje się, że 5,2 miliona zgonów rocznie wynika z DM i jej powikłań1. ZN uważana jest za poważne mikrokrążkowe powikłanie i główny czynnik rozwoju przewlekłej choroby nerek (ESRD), dotykając około 30-40% populacji diabetyków2,3. Wiele powiązanych czynników przyczynia się do patologicznego postępu ZN, w tym dysfunkcja metaboliczna, przebudowa hemodynamiczna i uporczywe reakcje zapalne. Obrażenia patologiczne, w tym wysoki poziom glukozy i hiperlipidemia, aktywuje ścieżkę piroptozy pośredniczoną przez NLRP3/kaspaz-1/GSDMD, indukując zapalną programowaną śmierć komórek mezangialnych i nabłonkowych przewodów nerkowych, co prowadzi do postępujących zmian tubulointerstycjalnych4. Piroptoza charakteryzuje się pęknięciem błony komórkowej, które prowadzi do uwolnienia IL-1β i IL-185. Takie prozapalne czynniki zwiększają transkrypcję ligandu CCL2, sprzyjają infiltracji makrofagów i dalszemu wzmożeniu aktywacji piroptotycznej, co progresywnie pogarsza uszkodzenie nerek6. W praktyce klinicznej stan ten objawia się postępującą albuminurią i stopniowym zmniejszeniem wskaźnika filtracji kłębuszkowej, co może zakończyć się nieodwracalnym uszkodzeniem nerek i wyraźnym pogorszeniem jakości życia osób dotkniętych chorobą7,8. Mimo postępu w opiece medycznej, obecne strategie terapeutyczne, które koncentrują się głównie na ścisłej kontroli glikemii i ciśnienia krwi, często nie zatrzymują całkowicie postępu choroby. Podczas gdy nowe farmakoterapie, w tym inhibitory SGLT2, agonisty GLP-1 i blokery receptorów mineralokortykoidowych, jak również terapie komórkami macierzystymi i interwencje żywieniowe, zyskują na znaczeniu i stają się coraz bardziej rozpowszechnione9, pozostałe ryzyko ZN nadal jest wysokie. Dlatego też opracowywanie innowacyjnych substancji terapeutycznych jest pilnym priorytetem badawczym, szczególnie tych pochodzących z medycyny tradycyjnej, które mogą jednocześnie ukierunkować wiele ścieżek patologicznych.

Danzhi Jiangtang Capsule (DJC), ekskluzywna formuła szpitalna opracowana w Pierwszym Szpitalu Afiliackim Uniwersytetu Medycznego w Anhui (Zezwolenie na przygotowanie instytucji medycznych prowincji Anhui nr Z20090006; Numer patentu ZL200310112845.1; Numer partii 20220427), jest obiecującym kandydatem terapeutycznym. Kapsułki należy przechowywać w szczelnym opakowaniu, w suchym i przewiewnym miejscu, chronionym przed światłem. Formuła składa się z sześciu tradycyjnych ziół chińskich: Pseudostellaria heterophylla (Radix Pseudostellariae), Whitmania pigra (Hirudo), Alisma orientale (Alismatis Rhizoma), Cuscuta chinensis (Cuscutae Semen), Paeonia suffruticosa (Moutan Cortex) i Rehmannia glutinosa (Rehmanniae Radix Praeparata) (5:4:4:3:2:5)10. W praktyce klinicznej DJC wykazał znaczącą skuteczność w obniżaniu poziomu cukru we krwi i zdolność do zmniejszania markerów uszkodzenia nerek u pacjentów z cukrzycą11. Poprzednie badania sugerują, że DJC może wywierać działanie renoprotekcyjne poprzez regulację poziomów glukozy we krwi i metabolizmu lipidów12,13,14. Poprzednie badania DJC koncentrowały się głównie na walidacji pojedynczych ścieżek z niesystematycznym doborem celów. Dlatego zintegrowaliśmy farmakologię sieciową i uczenie maszynowe, aby przesiewać aktywne składniki i identyfikować kluczowe geny centralne, po których nastąpiła wstępna walidacja in vivo, aby wzmocnić analizę.

Farmakologia sieciowa oferuje skuteczną strategię do analizy skomplikowanych receptur ziołowych. Ten rama integruje bioinformatykę i systematyczne podejście biologiczne, chemię obliczeniową i farmakologię, aby odszyfrować mechanizmy "wieloskładnikowe, wielocele i wieloszlakowe" działania leków15,16,17. To holistyczne podejście ułatwia strukturalne zbadanie skomplikowanej interakcji między związkami ziołowymi a sieciami chorobowymi, ujawniając synergistyczne efekty właściwe dla medycyny tradycyjnej chińskiej18. Jednak tradycyjna farmakologia sieciowa może czasem generować nadmierną ilość szumów w danych. Aby temu zaradzić, integracja algorytmów uczenia maszynowego umożliwia precyzyjne przesiewanie kluczowych genów charakterystycznych z dużych zestawów danych. Ponadto dokowanie molekularne zapewnia intuicyjną, dynamiczną perspektywę do przewidywania potencjalnych powinowactw pomiędzy lekami i biocząsteczkami19.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Screening of bioactive compounds and potential targets of DJC

Bioactive compounds of the six herbs in DJC, Pseudostellaria heterophylla (Radix Pseudostellariae), Paeonia suffruticosa (Moutan Cortex), Cuscuta chinensis (Cuscutae Semen), Alisma orientale (Alismatis Rhizoma), Rehmannia glutinosa (Rehmanniae Radix Praeparata), and Whitmania pigra (Hirudo) were retrieved from the TCMSP database. Screening was performed based on pharmacokinetic parameters: oral bioavailability (OB) ≥ 30% and drug-likeness (DL) ≥ 0.18. For Whitmania pigra, which lacks data in TCMSP, its active compounds and targets were obtained from the BATMAN-TCM, using a score ≥ 20 and a P-value < 0.05 as selection criteria. UniProt was applied to unify all collected targets into a standard gene nomenclature.

Acquisition of DN-related genes

DN-related genes were collected from three sources. First, GeneCards and OMIM were searched with "diabetic nephropathy" as the search term. Genes from GeneCards with a relevance score > 1 were retained. Second, three microarray profiles (GSE30529, GSE104948, GSE96804) were obtained from the GEO repository. The samples in GSE30529 were derived from renal tubules, whereas those in GSE104948 and GSE96804 originated from renal glomeruli. All database searches were conducted on 15 December 2024. Differentially expressed genes (DEGs) between DN patients and healthy controls in the GSE30529 dataset were identified using the limma package in R software. The screening criteria were set at an adjusted p-value < 0.05 and |log2(Fold Change)| > 0.5. Volcano graphs and heatmaps displayed differentially expressed genes.

Identification of putative therapeutic targets of DJC for DN

Venn diagram analysis identified shared loci between the DJC target pool and DN-associated genes from GeneCards, OMIM, and GSE30529 DEGs. These shared loci served as candidate therapeutic genes for all downstream research procedures.

Establishment and profiling of protein interaction (PPI) networks

Putative therapeutic loci were uploaded to STRING to construct a protein-protein interaction network, with an interaction cutoff set above a 0.4 confidence value. Cytoscape processed the network datasets for visual presentation. Topological indices such as Degree were computed via the CytoNCA plugin to identify core nodes throughout the network.

Enrichment analysis

To delineate the biological roles and signaling cascades linked to candidate targets, functional enrichment was analyzed in R with the clusterProfiler package, using org.Hs.eg.db for annotation and ggplot2 for visualization. Gene Ontology (GO) terms were evaluated across biological process (BP), cellular component (CC), and molecular function (MF) categories. Kyoto Encyclopedia of Genes and Genomes (KEGG) pathways were retained when the enrichment p-value was < 0.05.

Application of the CytoHubba algorithm

The CytoHubba plugin in Cytoscape was used to calculate four topological centrality indices for each network node. Degree, the count of directly connected neighbors, reflects the breadth of each protein's interactions. Maximum neighborhood component (MNC), a metric that quantifies the size of the largest connected component in the node’s neighborhood subgraph, measures local regulatory influence. The edge percolated component (EPC) assesses global structural importance via simulated random edge removal and quantification of the average connected component size. Genes ranking in the top 20 for each index were intersected to yield the final hub genes.

Machine learning-based core gene screening

Three machine learning approaches were applied to expression profiles from the GSE30529 dataset to identify reliable hub genes among candidate targets.

(1) LASSO (Least Absolute Shrinkage and Selection Operator): The regularization parameter λ was tuned via five-fold cross-validation, with the optimal value determined by average performance across folds. Input gene expression features underwent automatic Z-score standardization to eliminate effects of expression magnitude. With the penalty parameter α fixed at 1 for pure LASSO regularization, a predefined panel of 100 λ values was used for screening. The L1 penalty shrank the coefficients of low-relevance features to zero, enabling simultaneous feature selection and complexity control, while the cross-validation-tuned regularization strength mitigated the risk of overfitting.

(2) SVM-RFE (Support Vector Machine-Recursive Feature Elimination): A two-layer 5-fold cross-validation framework was employed to ensure robust feature screening. Five non-overlapping subsets were generated by stochastically dividing the entire dataset, with four used for training and one for testing across five iterations; fold-wise averaging mitigated bias from single-sample splitting. Recursive feature elimination was applied to reduce feature dimensionality and constrain model complexity, alleviating overfitting. Classification error rate and accuracy served as performance metrics to determine the optimal number of features.

(3) Random Forest (RF): An initial 500-tree random forest was constructed, with the optimal tree number determined by the minimum out-of-bag classification error rate to retrain the final model. All remaining hyperparameters, including the random feature subset size at each node split, were kept at default package settings. Gene importance scores from the final model were ranked in descending order to generate the disease signature gene set. The final set of core genes was determined by intersecting the results from these three algorithms.

Independent dataset-based verification of hub gene expression

Two independent external datasets, GSE104948 and GSE96804, were used to validate transcript levels of the hub genes. Gene expression datasets underwent normalization; expression differences between DN cases and healthy subjects were plotted using R’s ggplot2 and ggsignif toolkits.

Molecular docking

The 3D conformations of the hub target proteins (CASP1, PDB ID: 3E4C; CCL2, PDB ID: 7S00) were obtained from the Protein Data Bank. Bioactive compound 3D conformations were fetched via PubChem. Ursolic acid, 3β-hydroxyurs-12-en-28-oic acid, and quercetin were selected for docking because network pharmacology predicted interactions between these active compounds and the core targets CCL2 or CASP1. Protein structures were pretreated by stripping native ligands and water molecules, introducing polar hydrogens, and subsequently subjected to molecular docking using AutoDock Vina. The binding affinity, represented by the docking score (in kcal/mol), served to assess the strength of interactions. A binding energy threshold of −5.0 kcal/mol was set to define stable intermolecular interactions. The docked conformations were visualized using PyMOL.

Animals and experimental design

The present study used 30 8-week-old male db/db mice of specific pathogen-free (SPF) grade, along with 10 age-matched male SPF db/m mice. All experimental mice were reared in an SPF-grade facility under a 12-h light–dark photoperiod and maintained under stable conditions: 22 ± 2 °C, 50–70% relative humidity, and unrestricted access to regular chow and drinking water. Ethical approval for all in

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Identyfikacja składnika bioaktywnego i celu DJC

Z sześciu ziół wchodzących w skład DJC zidentyfikowano łącznie 66 związków bioaktywnych, które spełniły kryteria przesiewowe (OB ≥ 30% i DL ≥ 0,18). Obejmowały one 26 związków z Pseudostellaria heterophylla, 6 z Paeonia suffruticosa, 8 z Cuscuta chinensis, 6 z Alisma orientale, 10 z Rehmannia glutinosa oraz 10 z Whitmania pigra. Standaryzacja etykiet docelowych oraz eliminacja...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

DN nadal pozostaje wiodącą przyczyną ESRD, charakteryzując się złożoną i wieloczynnikową patogenezą, która nie jest jeszcze w pełni zrozumiała20,21. Chociaż DJC wykazało obiecującą skuteczność kliniczną w łagodzeniu DN, podłoże molekularne mechanizmów pozostało w dużej mierze niejasne22. W niniejszym badaniu zastosowaliśmy wielo-omiczny schemat analityczny integrujący farmakologię sieciową, narzędzia uczenia maszynowego, testy symulacji wi...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają żadnych konfliktów interesów do ujawnienia.

Podziękowania

To dzieło zostało wsparte przez kluczowe projekty badawcze uniwersytetów prowincji Anhui (numer grantu 2024AH050968).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Creatinine (CRE) Assay KitNanjing Jiancheng Bioengineering InstituteC011-2-1
ECLBiosharpBL520B
Eosin Staining KitServicebioG1002
Goat anti-rabbit IgG-HRP ConjugateAbbkineA21020
Hematoxylin Staining KitServicebioG1004
Masson's Trichrome Stain KitServicebioG1006
Mouse IL-1β ELISA KitMeiMianMM-0040M1
Mouse IL-18 ELISA KitMeiMianMM-0169M1
Rabbit anti-mouse Caspase1 AntibodyAffinityAF5418
Rabbit anti-mouse CCL2 AntibodyAbcamab315478
Rabbit anti-mouse cleaved-Caspase-1 AntibodyAffinityAF4005
Rabbit anti-mouse GAPDH AntibodyZenbioR380626
Rabbit anti-mouse GSDMD-N AntibodyAbcamab219800
Rabbit anti-mouse NLRP3 AntibodyAbcamab263899
Rabbit anti-mouse Tubulin AntibodyAffinityAF7011
Reverse Transcription KitBiosharpBL696A
RIPA Lysis BufferBeyotime BiotechnologyP0013
RIPA Lysis BufferLeagenePS0013
RNA isolation reagentServicebioG3013-100ML
SYBR Green Master MixServicebioG3326-05
Urinary Protein Quantification KitNanjing Jiancheng Bioengineering InstituteC035-2-1
nazwa oprogramowaniawersja
AutoDock Vina1.2.3
Cytoscape software3.10.0
GraphPad Prism9.0
ImageJjava 1.8.0_345
PyMOL2.5
R software4.2.0

Bibliografia

  1. Demir S, Nawroth PP, Herzig S, Ekim Üstünel B. Emerging targets in type 2 diabetes and diabetic complications. Adv Sci (Weinh). 2021;8(18):e2100275.
  2. Zimmet PZ, Magliano DJ, Herman WH, Shaw JE. Diabetes: a 21st century challenge. Lancet Diabetes Endocrinol. 2014;2(1):56-64.
  3. Liu M, et al. Loss of glomerular aldolase B in diabetic nephropathy promotes renal fibrosis via activating Akt/GSK-3β/β-catenin axis. J Adv Res. 2025;76:207-18.
  4. Wang L, et al. Puerarin reduces diabetic nephropathy-induced podocyte pyroptosis by modulating the SIRT1/NLRP3/caspase-1 pathway. Mol Cell Endocrinol. 2025;595:112409.
  5. Wang Y, et al. C-reactive protein promotes diabetic kidney disease via Smad3-mediated NLRP3 inflammasome activation. Mol Ther. 2025;33(1):263-78.
  6. Liu Y, et al. Role of MCP-1 as an inflammatory biomarker in nephropathy. Front Immunol. 2024;14:1303076.
  7. Bai Z, Huang X, Nie S. Kidney function-related protection of polysaccharides from red kidney bean and small black soybean via urine metabolomics in type 2 diabetic rats. Carbohydr Polym. 2025;355:123311.
  8. Xuan C, et al. Isoquercitrin alleviates diabetic nephropathy by inhibiting STAT3 phosphorylation and dimerization. Adv Sci (Weinh). 2025;12(25):e2414587.
  9. Hu Q, et al. Diabetic nephropathy: focusing on pathological signals, clinical treatment, and dietary regulation. Biomed Pharmacother. 2023;159:114252.
  10. Wu YJ, et al. Danzhi Jiangtang Capsule mediates NIT-1 insulinoma cell proliferation and apoptosis by GLP-1/Akt signaling pathway. Evid Based Complement Alternat Med. 2019;2019:5356825.
  11. Sun M, et al. Danzhi Jiangtang Capsule ameliorates kidney injury via inhibition of the JAK-STAT signaling pathway and increased antioxidant capacity in STZ-induced diabetic nephropathy rats. Biosci Trends. 2018;12(6):595-604.
  12. Fang Z, et al. Radix pseudostellariae of Danzhi Jiangtang capsule relieves oxidative stress of vascular endothelium in diabetic macroangiopathy. Saudi Pharm J. 2020;28(6):683-91.
  13. Xie J, et al. Danzhi Jiangtang capsule reduces renal injury in rats with diabetes induced by high fat diet and streptozotocin via downregulating toll-like receptor 4-nuclear factor-κB pathway and apoptosis. J Tradit Chin Med. 2023;43(2):312-21.
  14. Fang Z, et al. The effects of Danzhi Jiangtang capsule on clinical indices and vascular endothelial function in patients with impaired glucose tolerance of Qi-Yin deficiency type. Ann Med. 2023;55(2):2291185.
  15. Li X, et al. Network pharmacology prediction and molecular docking-based strategy to explore the potential mechanism of Huanglian Jiedu Decoction against sepsis. Comput Biol Med. 2022;144:105389.
  16. Zhao L, et al. Network pharmacology, a promising approach to reveal the pharmacology mechanism of Chinese medicine formula. J Ethnopharmacol. 2023;309:116306.
  17. Li X, et al. Network pharmacology approaches for research of traditional Chinese medicines. Chin J Nat Med. 2023;21(5):323-32.
  18. Zhao N, et al. Integrated chemical composition, transcriptomics, and network pharmacology to reveal the mechanism of Jia-Wei-Si-Miao-Yong-An Decoction in ACS model rats. Phytomedicine. 2025;145:157027.
  19. Wu J, et al. Use of molecular dynamics simulations to study how plant biomolecules help improve environmental health. Sci Total Environ. 2023;869:161871.
  20. Abhirami BL, Krishna AA, Kumaran A, Chiu CH. Targeting NF-κB in diabetic nephropathy: exploring the therapeutic potential of phytoconstituents. Arch Pharm Res. 2025;48(7-8):577-637.
  21. Joumaa JP, et al. Mechanisms, biomarkers, and treatment approaches for diabetic kidney disease: current insights and future perspectives. J Clin Med. 2025;14(3):727.
  22. Shi H, et al. In vivo and in vitro studies of Danzhi Jiangtang capsules against diabetic cardiomyopathy via TLR4/MyD88/NF-κB signaling pathway. Saudi Pharm J. 2021;29(12):1432-40.
  23. Deng Y, et al. Mechanism exploration of Wenshen Jianpi Decoction on renoprotection in diabetic nephropathy via transcriptomics and metabolomics. Phytomedicine. 2025;139:156446.
  24. Li J, et al. Mechanistic investigation of astragalus root in the management of T2DM-NAFLD comorbidity: an integrated network pharmacology, molecular docking, molecular dynamics simulation, and in vitro study. Pharmaceuticals (Basel). 2026;19(2):289.
  25. Li X, et al. Integrating network pharmacology, bioinformatics, and experimental validation to unveil the molecular targets and mechanisms of galangin for treating hepatocellular carcinoma. BMC Complement Med Ther. 2024;24(1):208.
  26. Zhao L, et al. Inflammation in diabetes complications: molecular mechanisms and therapeutic interventions. MedComm (2020). 2024;5(4):e516.
  27. Shen J, et al. Different types of cell death in diabetic endothelial dysfunction. Biomed Pharmacother. 2023;168:115802.
  28. Li J, et al. Investigating the effects and potential mechanisms of astragalus root against diabetic nephropathy based on bioinformatics analysis and in vitro validation. Int J Mol Sci. 2026;27(10):4641.
  29. Tang L, et al. ATP6AP1 drives pyroptosis-mediated immune evasion in hepatocellular carcinoma: a machine learning-guided therapeutic target. Discov Oncol. 2025;16(1):616.
  30. Wu Y, Ma Y. CCL2-CCR2 signaling axis in obesity and metabolic diseases. J Cell Physiol. 2024;239:e31192.
  31. Song Z, et al. The novel potential therapeutic target PSMP/MSMP promotes acute kidney injury via CCR2. Mol Ther. 2024;32(7):2248-63.
  32. Yang Y, et al. CCL2-CCR2 axis in cardiovascular disease: research advances and challenges. Sci Bull (Beijing). 2025;70(6):820-4.
  33. Pozzi S, Satchi-Fainaro R. The role of CCL2/CCR2 axis in cancer and inflammation: the next frontier in nanomedicine. Adv Drug Deliv Rev. 2024;209:115318.
  34. Torices S, et al. Targeting the CCL2/CCR2 axis in HIV-1 infection and ischemic stroke. Stroke. 2026;57(2):538-48.
  35. Scurt FG, et al. Monocyte chemoattractant protein-1 predicts the development of diabetic nephropathy. Diabetes Metab Res Rev. 2022;38(2):e3497.
  36. Xu J, et al. (5R)-5-hydroxytriptolide ameliorates diabetic kidney damage by inhibiting macrophage infiltration and its cross-talk with renal resident cells. Int Immunopharmacol. 2024;126:111253.
  37. Wang X, et al. Discovery of the pharmacodynamic material basis of Danggui Buxue Decoction in the treatment of diabetic kidney disease based on lipidomics regulation. Phytomedicine. 2025;141:156643.
  38. Fu J, Wu H. Structural mechanisms of NLRP3 inflammasome assembly and activation. Annu Rev Immunol. 2023;41:301-16.
  39. Makoni NJ, Nichols MR. The intricate biophysical puzzle of caspase-1 activation. Arch Biochem Biophys. 2021;699:108753.
  40. Shi Y, et al. Inhibition of caspase-1 suppresses GSDMD-mediated peritoneal mesothelial cell pyroptosis and inflammation in peritoneal fibrosis. Small. 2025;21:e2409362.
  41. Broz P. Pyroptosis: molecular mechanisms and roles in disease. Cell Res. 2025;35(5):334-44.
  42. Zhang G, et al. Emodin influences pyroptosis-related caspase 1-GSDMD axis alleviated cerebral ischemia-reperfusion injury in rats. Sci Rep. 2025;15(1):19397.
  43. Ouyang PW, et al. Procyanidin B2 attenuates microvascular dysfunction in diabetic retinopathy via inhibition of caspase-1/GSDMD-mediated pyroptosis. J Ethnopharmacol. 2025;344:119528.
  44. Chen J, et al. Chlorogenic acid attenuates deoxynivalenol-induced apoptosis and pyroptosis in human keratinocytes via activating Nrf2/HO-1 and inhibiting NLRP3/GSDMD pathway. Food Chem Toxicol. 2024;186:113578.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Biologianumer 233numer 233Warto pustaNumerPiroptozao CCL2 CCR2

Powiązane artykuły