Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł badawczy

Farmakologia sieciowa, transkryptomika GEO i dokowanie molekularne wywaru Zhenwu z proszkiem Wuling w leczeniu przewlekłej niewydolności serca

116 wyświetleń

⸱

11 września 2026

 ,  ,  ,  , 
1National Clinical Research Center for Traditional Chinese Medicine in Cardiovascular Diseases, Xiyuan Hospital

W tym artykule

Podsumowanie

Niniejsze badanie integruje mapowanie celów w oparciu o sieci, dane ekspresyjne z GEO oraz dokowanie w celu uszeregowania kandydatów powiązanych z kombinacją Zhenwu-Wuling w przewlekłej niewydolności serca.

Streszczenie

Wywar Zhenwu w połączeniu z proszkiem Wuling jest stosowany w przewlekłej niewydolności serca (CHF), jednak jego podłoże molekularne nie jest w pełni zdefiniowane. Zintegrowaliśmy mapowanie celów w oparciu o sieci, dane transkrypcyjne z Gene Expression Omnibus (GEO) oraz dokowanie molekularne, aby wytypować priorytetowe cele i szlaki sygnałowe. Rekordy związków dla ośmiu ziół pobrano z baz danych farmakologicznych i chemicznych, a następnie poddano przesiewowi związków i celów. Geny związane z CHF zgromadzono z sześciu zasobów dotyczących chorób, a ich pokrycie z celami związanymi z recepturą zbadano za pomocą sieci PPI oraz analiz wzbogacenia funkcjonalnego. Zbiór GSE5406 dostarczył danych o ekspresji w mięśniu sercowym dla próbek niewydolnych i niewydolnych. W wyniku analizy wyłoniono 89 przesianych związków, 314 nieredundantnych celów związków oraz 2 515 celów związanych z CHF, z czego 143 geny były wspólne. AKT1, IL6, TNF, SRC oraz ESR1 zajęły najwyższe miejsca w sieci celów choroby. Analiza ekspresji wykazała 1 348 genów różnicowo wyrażonych (DEG), a jako kandydatów na transkrypcyjne węzły sieci wybrano HSP90AA1 i STAT1. Wzbogacone terminy koncentrowały się wokół hipoksji, krążenia, sygnalizacji związanej z TNF oraz szlaków PI3K-Akt i MAPK. Dokowanie pozwoliło uzyskać ujemne przewidywane wartości dla reprezentatywnych par składnik-cel; najniższą wartość odnotowano dla STAT1 i alisol C (-9,2 kcal/mol). Wyniki te pozwalają na sformułowanie sprawdzalnej hipotezy obliczeniowej i wskazują priorytetowych kandydatów do walidacji eksperymentalnej.

Wprowadzenie

CHF obejmuje heterogenny zespół wynikający ze strukturalnych lub funkcjonalnych nieprawidłowości mięśnia sercowego. Zmiany te mogą upośledzać napełnianie komór lub wyrzut skurczowy i często towarzyszy im zastój w krążeniu płucnym lub systemowym. Typowe objawy obejmują duszność, zmęczenie oraz retencję płynów1. Retrospektywna analiza danych Global Burden of Disease z Chin z lat 1990–2023 wykazała, że krajowa zapadalność na nowo zdiagnozowaną CHF wzrosła o 208,4% w ciągu trzech dekad2.

W tradycyjnej medycynie chińskiej (TCM) niewydolność serca (CHF) odpowiada obrzękom serca, zespołowi duszności oraz obrzękom uogólnionym. Jej patogenezę opisuje się powszechnie jako niedobór w korzeniu i nadmiar w gałęzi. Niedobór yin, yang oraz qi stanowi podstawę patologiczną, podczas gdy wewnętrzna akumulacja płynów i zastój krwi reprezentują manifestujący się nadmiar. W związku z tym leczenie w ramach TCM kładzie nacisk na rozgrzewanie yang, usuwanie zalegających płynów, promowanie krążenia oraz rozwiązywanie zastojów.

Połączone stosowanie wywaru Zhenwu (Zhenwu Decoction) i proszku Wuling (Wuling Powder) stanowi klasyczną strategię ziołową w klinicznym leczeniu niewydolności serca (CHF). Wywar Zhenwu rozgrzewa yang i wspomaga diurezę, podczas gdy proszek Wuling wspiera yang qi i reguluje metabolizm płynów. Wspólnie obie receptury mogą wzmacniać yang i eliminować wewnętrzną wilgoć. Dowody kliniczne sugerują, że kombinacja ta może łagodzić objawy, poprawiać wskaźniki funkcji serca i spowalniać postęp niewydolności serca3. W pierwszej kolejności zmapowano składniki receptur i potencjalne cele terapeutyczne w CHF za pomocą farmakologii sieciowej, a następnie wykorzystano dokowanie molekularne do uszeregowania wybranych par składnik-cel. Profile ekspresji pochodzące z bazy GEO posłużyły następnie do osadzenia kandydatów z sieci w kontekście chorób mięśnia sercowego oraz do zbadania szlaków sygnałowych downstream. Badanie to dostarcza obliczeniowych ram generujących hipotezy w celu priorytetyzacji kandydatów do późniejszej walidacji eksperymentalnej; nie potwierdza ono skuteczności klinicznej ani zwalidowanego mechanizmu działania.

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

Protokół

This study analyzed public database resources and did not involve new human participants, human specimens, or animal experiments. All databases, web-based resources, software, analysis packages, visualization tools, molecular docking tools, and other computational resources used in this study, together with their details, are listed in the Table of Materials.

Formula composition and botanical provenance
The eight distinct crude drugs were aligned to current botanical and pharmacopoeial naming as follows: Aconiti Lateralis Radix Praeparata, the processed lateral root of Aconitum carmichaelii Debeaux; Poria, the sclerotium of Wolfiporia cocos (F.A.Wolf) Ryvarden & Gilb.; Atractylodis Macrocephalae Rhizoma, the rhizome of Atractylodes macrocephala Koidz.; Paeoniae Radix Alba, the root of Paeonia lactiflora Pall.; Zingiberis Rhizoma Recens, the fresh rhizome of Zingiber officinale Roscoe; Alismatis Rhizoma, the rhizome of Alisma orientale (Sam.) Juzep.; Polyporus, the sclerotium of Polyporus umbellatus (Pers.) Fr.; and Cinnamomi Ramulus, the young twig of Cinnamomum cassia (L.) J.Presl. The prescription comprised 9 g Aconiti Lateralis Radix Praeparata, 12 g Poria, 9 g Paeoniae Radix Alba, 12 g Atractylodis Macrocephalae Rhizoma (stir-fried Atractylodes), 9 g Zingiberis Rhizoma Recens, 9 g Polyporus, 15 g Alismatis Rhizoma, and 6 g Cinnamomi Ramulus; the corresponding ratio was 3:4:3:4:3:3:5:2. Aconiti Lateralis Radix Praeparata was treated as processed material. This was an entirely in silico study: no decoction batch was prepared, purchased, chemically assayed, or administered. Manufacturer, lot number, batch-specific processing records, and voucher specimens are therefore not applicable; the gram amounts define the formula composition and relative ratio, not experimental exposure. Poria and Atractylodis Macrocephalae Rhizoma are shared by the two formulae. Botanical names and medicinal-part terminology were checked against the 2025 Pharmacopoeia of the People’s Republic of China4.

Screening and target prediction of active ingredients in Zhenwu Decoction and Wuling Powder
TCMSP was queried separately for compounds recorded for Zhenwu Decoction and Wuling Powder, including Aconiti Lateralis Radix Praeparata, Poria, Atractylodis Macrocephalae Rhizoma, Paeoniae Radix Alba, Zingiberis Rhizoma Recens, Alismatis Rhizoma, Polyporus, and Cinnamomi Ramulus. Initial filtering required oral bioavailability (OB) of at least 30% and drug-likeness (DL) of at least 0.18. When a simplified molecular-input line-entry system (SMILES) record was unavailable, the corresponding structure was retrieved from a public chemical database. SMILES records were evaluated for physicochemical and drug-likeness properties. A compound passed the secondary filter when its molecular weight was ≤500, lipophilicity ≤5, hydrogen-bond donors ≤5, hydrogen-bond acceptors ≤10, at least three of the Lipinski, Ghose, Veber, Egan, and Muegge rule sets were positive, and predicted gastrointestinal absorption was high5. Eligible structures were subjected to target prediction, and only predictions with probability >0.02 were included in the target list. TCMSP and target-prediction records were combined at the herb-compound-target level, duplicate identifiers were collapsed, and gene names were standardized to official gene symbols.

Deduplication produced 646 candidate associations; 71 rows without a mapped official gene symbol were excluded, leaving 575 standardized associations. The independent herb-level integration yielded 314 nonredundant target genes. The compound and target screening criteria are supported by the TCMSP and SwissTargetPrediction source papers6,7.

Screening of disease targets for CHF
CHF-related gene entries were downloaded from GeneCards, OMIM, TTD, DisGeNET, DrugBank, and PharmGKB. The disease search used four phrases: heart failure, congestive heart failure, diastolic heart failure, and systolic heart failure. For GeneCards, entries with relevance scores below 0.20 were excluded. The six database-derived target sets were integrated after duplicate identifiers were removed, while preserving the source database for each record. All screened gene names were standardized to official gene symbols. The overlap between the formula and CHF target lists was visualized using a Venn diagram. The shared identifiers were treated as candidate formula-related targets for CHF.

TCMSP was searched on 7 February 2026; SwissTargetPrediction, GeneCards, OMIM, and DisGeNET on 10 February 2026; and PharmGKB, TTD, and DrugBank on 12 February 2026. Disease queries were entered as heart failure, congestive heart failure, heart failure, diastolic, and heart failure, systolic; the search was restricted to Homo sapiens where supported. Retrieved entries were standardized to official gene symbols before deduplication.

Construction of the protein-protein interaction (PPI) network and screening of core targets
The shared target identifiers were queried in STRING for PPI analysis. The query used Homo sapiens interactions and a confidence cutoff above 0.9. Isolated nodes were omitted, and the resulting STRING interaction data were used for network visualization and topological analysis. Candidate hubs were ranked by network topology. Betweenness, closeness, degree, and eigenvector centralities were calculated as network descriptors. Degree was the primary ranking variable, and the five highest-degree targets were retained as candidate hubs.

Official gene symbols were used for gene-level analyses, including AKT1, IL6, TNF, SRC, ESR1, BCL2, CASP3, PPARG, PTGS2, and MMP9; protein names are written in full only when needed for clarity. The initial PPI network contained 143 nodes and 584 interaction records before visualization-specific filtering; after network processing, the graph contained 143 nodes and 292 edges.

Construction of the drug-disease-component-target network
Once names were standardized, the network data were assembled and used to construct the drug-disease-component-target graph.

GO and KEGG enrichment analyses
The candidate CHF target list was submitted to Metascape for functional annotation and pathway enrichment analysis. The analysis was run for Homo sapiens. The raw p-value cutoff was set at 0.01, a minimum overlap of 3, and a minimum enrichment score of 1.5. GO bar charts and KEGG bubble plots were generated for visualization. The 143-gene input set was used for Gene Ontology biological-process (GO-BP), molecular-function (GO-MF), and KEGG enrichment analyses. The analysis thresholds were raw p < 0.01, minimum overlap 3, and minimum enrichment 1.58. The GO-CC analysis was based on a 60-gene hit list against a 30,230-gene library. Because this input differed from the 143-gene input used for the BP, MF, and KEGG analyses, the GO-CC results were reported separately and were not quantitatively pooled with the other categories.

Screening of heart failure-related targets based on the GEO database
The GSE5406 dataset9 was used for differential-expression analysis. The series included 210 myocardial samples: 108 with ischemic cardiomyopathy, 86 with idiopathic dilated cardiomyopathy, and 16 nonfailing donor controls. The GEO record identifies the platform as GPL96, the Affymetrix Human Genome U133A Array. The series matrix was already robust multi-array average (RMA)-normalized. Probes without matched SYMBOL annotations were removed after matching to the platform annotation, and rowSums(expression > 0.5) ≥ 3 was applied before limma fitting. Group levels were defined as Control, DCM, and ICM, with a no-intercept design matrix (~0 + group) and the contrasts (DCM+ICM)/2-Control, DCM-Control, and ICM-Control. Differential expression was defined as adjusted p value < 0.05 and |log2(Fold Change)| > 0.3. Because all samples were processed within one GEO series and no separate batch variable was available, no batch-correction term was introduced. Differential-expression results were visualized using heatmaps and volcano plots. DEGs were subjected to PPI analysis followed by network-based hub ranking. Docking and pose visualization were conducted for the selected targets and prescription compounds.

The GEO record identifies the platform as GPL96, the Affymetrix Human Genome U133A Array. Group levels were defined as Control, DCM, and ICM, with a no-intercept design matrix (~0 + group) and the contrasts (DCM+ICM)/2-Control, DCM-Control, and ICM-Control. The series matrix was already robust multi-array average (RMA)-normalized; probes with missing SYMBOL annotations were removed after matching to the platform annotation, and the code applies rowSums(expression > 0.5) ≥ 3 before limma fitting. Because all samples were processed within one GEO series and no separate batch variable was available, no batch-correction term was introduced.

Molecular docking verification
A three-dimensional PDB structure for each receptor was obtained from the RCSB Protein Data Bank. Protein structures were prepared by removing crystallographic waters and non-receptor ligands. Structure-data file (SDF) structures for the five highest-degree compounds were obtained from a public chemical database.

The receptor structures used for docking were AKT1/1H10 (chain A, 1.40 Å, 4IP), IL6/1ALU (chain A, 1.90 Å, TLA), TNF/1A8M (chain A, 2.30 Å, no co-crystallized ligand), SRC/1A09 (chain A, 2.00 Å, no ligand), ESR1/1A52 (chain A, 2.80 Å, EST), STAT1/1BF5 (chain A, 2.90 Å, no ligand), and HSP90AA1/3OWB (chain A, 2.05 Å, BSM). The center, box dimensions, and random seed were specified for each tested pair. The search boxes were defined to encompass the receptor for exploratory global docking.

Receptor and ligand files were prepared with the docking-preparation tools. Waters were deleted and polar hydrogens were added to receptor structures. SDF ligands were converted to PDB, then dehydrated and hydrogenated before PDBQT export. The prepared receptor-ligand files were assigned to the docking models. PDBQT files were loaded into AutoDock Vina. Vina runs were executed and scores were recorded. Scores below -5 kcal/mol were treated as comparatively more favorable and scores below -7 kcal/mol as more strongly predicted interactions10; these are not experimental thresholds. The three complexes with the best predicted scores were selected for visualization.

No search-depth or output-mode override was specified; therefore, the documented command-line defaults were used: exhaustiveness 8 and at most 9 modes. Pair-specific random seeds were used, and mode 1 (the best-scoring returned pose) was selected for representative visualization. The HSP90AA1 output-file assignment was confirmed because each mode-1 score matched the corresponding HSP90AA1 value in the docking-score matrix. Molecular dynamics simulations were not performed, so the scores are exploratory computational predictions only.

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

Wyniki

Aktywne składniki i cele wywaru Zhenwu w połączeniu z proszkiem Wuling
Uzyskano rejestry składników i celów dla każdego z ziół. Odpowiadające im liczby celów dla poszczególnych ziół wynosiły: Aconiti Lateralis Radix Praeparata – 178; Poria – 21; Atractylodis Macrocephalae Rhizoma – 18; Paeoniae Radix Alba – 86; Zingiberis Rhizoma Recens – 127; Alismatis Rhizoma – 96; Polyporus – 4 oraz Cinnamomi Ramulus – 45. Po standaryzacji symboli i usunięciu duplikatów, zintegrowany zestaw powiązany z formułą z...

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

Dyskusja

CHF wymaga długoterminowego prowadzenia klinicznego i często wiąże się ze złożonymi schematami leczenia farmakologicznego. Badania przeprowadzone przez Wang JX i Zhang S11 oraz inne analizy wskazują, że długotrwała połączona konwencjonalna farmakoterapia może prowadzić do obniżenia przestrzegania zaleceń terapeutycznych. Słaba przyleżność do leczenia może zwiększać ryzyko ponownej hospitalizacji oraz negatywnych skutków emocjonalnych. Dostępne leki koncentrują się głównie na kontroli objawów i spo...

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

Oświadczenia

Autorzy nie zgłaszają żadnych konfliktów interesów związanych z niniejszym badaniem.

Podziękowania

Nie dotyczy.

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
AutoDock VinaCCSB-Scrippsv1.2.6Użyto wersji wiersza poleceń; aktualna oficjalna wersja v1.2.7; zastosowano domyślne konfiguracje CLI: exhaustiveness 8 oraz num_modes 9. https://github.com/ccsb-scripps/AutoDock-Vina/releases
AutoDockToolsThe Scripps Research Institutev1.5.7Przygotowanie receptora/liganda; wersja użyta w analizie. https://autodock.scripps.edu/
BioconductorBioconductor Project3.16 compatibility releaseŚrodowisko zgodne z R 4.2; aktualna wersja 3.23. https://bioconductor.org/about/release-announcements/
Cytoscape DesktopCytoscape Consortiumv3.7.1Wersja użyta do wizualizacji i analizy sieci; aktualna wersja v3.10.4. https://cytoscape.org/download.html
DisGeNETMedBioinformatics Solutionsv25.4Pobieranie genów związanych z CHF; wyszukano 2026-02-10. https://disgenet.com/
DrugBankOMx Personal Health Analyticsv6.0Pobieranie genów związanych z CHF; wyszukano 2026-02-12. https://go.drugbank.com/
GeneCardsWeizmann Institute of ScienceBaza danych onlinePobieranie genów związanych z CHF; wyszukano 2026-02-10. https://www.genecards.org/
GEO / GSE5406NCBIGSE5406; GPL96Znormalizowana metodą RMA seria mikroarray lewej komory serca człowieka. https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE5406
hgu133a.dbBioconductorŚrodowisko Bioconductor 3.16Adnotacja sond Affymetrix Human Genome U133A; dokładna wersja poprawki nie została zapisana. https://bioconductor.org/packages/hgu133a.db/
limmaBioconductorŚrodowisko Bioconductor 3.16Analiza różnicowej ekspresji; dokładna wersja poprawki nie została zapisana. https://bioconductor.org/packages/limma/
MacBookAppleprocesor M4Lokalna stacja robocza obliczeniowa; specyfikacja pamięci nie została zapisana. https://www.apple.com/mac/
MetascapeMetascapev3.5Wzbogacenie GO/KEGG; dokładny znacznik czasu dostępu nie został zapisany. https://metascape.org/
Microsoft ExcelMicrosoftAplikacja desktopowaKuratela i eksport danych; wersja aplikacji nie została zapisana. https://www.microsoft.com/microsoft-365/excel
OMIMJohns Hopkins UniversityBaza danych onlinePobieranie genów związanych z CHF; wyszukano 2026-02-10. https://www.omim.org/
Open BabelOpen Babel ProjectWersja nie została zapisanaKonwersja struktur w procesie dokowania. https://openbabel.org/
PharmGKBPharmGKBBaza danych onlinePobieranie genów związanych z CHF; wyszukano 2026-02-12. https://www.pharmgkb.org/
PubChemNCBIBaza danych onlineUzupełnianie struktur i zapisów SMILES. https://pubchem.ncbi.nlm.nih.gov/
PyMOLSchrödingerWersja nie została zapisanaPreprocessing białek i wizualizacja poz eksperymentalnych. https://www.pymol.org/
RR Foundation4.2.0+Rodzina wersji odnotowana dla analizy; aktualna wersja 4.6. https://www.r-project.org/
RCSB Protein Data BankRCSB PDBArchiwum onlineKrystaliczne struktury białek. https://www.rcsb.org/
RStudioPosit2026.04.0+526IDE do analiz odnotowane w notatce o wersji. https://posit.co/download/rstudio-desktop/
STRINGSTRING ConsortiumUsługa internetowaHomo sapiens; confidence >0.9; metadane wersji/sesji nie zostały zapisane. https://string-db.org/
SwissADMESIB Swiss Institute of BioinformaticsUsługa internetowaPrzesiew ADME i reguły Lipinskiego; wersja lokalna nie dotyczy. https://www.swissadme.ch/
SwissTargetPredictionSIB Swiss Institute of BioinformaticsGłówna aktualizacja 2019Homo sapiens; prawdopodobieństwo >0.02; wyszukano 2026-02-10. https://www.swisstargetprediction.ch/
TCMSPNorthwest A&F Universityv2.3Pobieranie związków; wyszukano 2026-02-07. https://tcmsp-e.com/
TTDTherapeutic Target DatabaseWersja 2026Pobieranie genów związanych z CHF; wyszukano 2026-02-12. https://ttd.idrblab.cn/
UniProtKBUniProt ConsortiumWersja 2026_01Standaryzacja symboli genów Homo sapiens po recenzji. https://www.uniprot.org/
VennyCNB-CSICv2.1.0Wizualizacja części wspólnej zestawów celów. https://bioinfogp.cnb.csic.es/tools/venny/

Bibliografia

  1. McDonagh TA, et al. 2021 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure. Eur Heart J. 2021;42(36):3599-3726.
  2. Yang X, et al. The evolving burden of heart failure in China: a 34-year subnational analysis of trends and causes from the Global Burden of Disease Study 2023. Mil Med Res. 2025;12(1):65.
  3. Tang KH. Study on Zhenwu Decoction combined with Wuling Powder in the treatment of heart failure with yang deficiency and water flooding syndrome. Chin Med Guide. 2024;22(14):153-155.
  4. National Pharmacopoeia Commission. Pharmacopoeia of the People's Republic of China. 2025 ed. China Medical Science Press; Beijing; 2025.
  5. Daina A, Michielin O, Zoete V. SwissADME: a free web tool to evaluate pharmacokinetics, drug-likeness and medicinal chemistry friendliness of small molecules. Sci Rep. 2017;7:42717.
  6. Ru J, et al. TCMSP: a database of systems pharmacology for drug discovery from herbal medicines. J Cheminform. 2014;6:13.
  7. Daina A, Michielin O, Zoete V. SwissTargetPrediction: updated data and new features for efficient prediction of protein targets of small molecules. Nucleic Acids Res. 2019;47(W1):W357-W364.
  8. Zhou Y, et al. Metascape provides a biologist-oriented resource for the analysis of systems-level datasets. Nat Commun. 2019;10:1523.
  9. Hannenhalli S, et al. Transcriptional genomics associates FOX transcription factors with human heart failure. Circulation. 2006;114(12):1269-1276.
  10. Shahzadi Z, et al. Network pharmacology and molecular docking: combined computational approaches to explore the antihypertensive potential of Fabaceae species. Bioresour Bioprocess. 2024;11:53.
  11. Wang JX, Zhang S. Correlation between medication adherence, coping styles and depression in patients with chronic heart failure. J Int Psychiatry. 2026;53(1):225-228.
  12. National Center for Cardiovascular Diseases, Heart Failure Professional Committee of National Cardiovascular Experts Committee, Heart Failure Committee of Chinese Medical Doctor Association, et al. 2023 National guidelines for heart failure. Chin J Heart Fail Cardiomyopathies. 2023;7(4):215-311.
  13. Dong GJ, Wei Y. Expert consensus on TCM disease nomenclature of heart failure. Chin Arch Tradit Chin Med. 2025;43(7):253-258.
  14. Zhang ZJ. Treatise on Febrile Diseases. Qian CC, collator. People's Medical Publishing House; Beijing; 2005. p. 22-23.
  15. Zheng MH, Guo D. Research progress on active ingredients and mechanism of Zhenwu Decoction in the treatment of chronic heart failure. China J Tradit Chin Med Pharm. 2024;39(11):6007-6011.
  16. Chen L, Yu D, Ling S, Xu JW. Mechanism of tonifying-kidney Chinese herbal medicine in the treatment of chronic heart failure. Front Cardiovasc Med. 2022;9:988360.
  17. Wang Y, et al. A review of Chinese herbal medicine for the treatment of chronic heart failure. Curr Pharm Des. 2017;23(34):5115-5124.
  18. He Y, et al. Clinical evidence and potential mechanisms of traditional Chinese medicine for the treatment of chronic gastritis: an updated systematic review and meta-analysis. J Herb Med. 2023;42:100761.
  19. Wang H, et al. β-Sitosterol as a promising anticancer agent for chemoprevention and chemotherapy: mechanisms of action and future prospects. Adv Nutr. 2023;14(5):1085-1110.
  20. Dwivedi J, et al. Aspects of β-sitosterol's pharmacology, nutrition and analysis. Curr Pharm Biotechnol. 2025;26(14):2234-2256.
  21. Khan Z, et al. Multifunctional roles and pharmacological potential of β-sitosterol: emerging evidence toward clinical applications. Chem Biol Interact. 2022;365:110117.
  22. Jittiwat J, Suksamrarn A, Tocharus C, Tocharus J. Dihydrocapsaicin effectively mitigates cerebral ischemia-induced pathological changes in vivo, partly via antioxidant and anti-apoptotic pathways. Life Sci. 2021;283:119842.
  23. Lai Y, et al. Dihydrocapsaicin suppresses the STING-mediated accumulation of ROS and NLRP3 inflammasome and alleviates apoptosis after ischemia-reperfusion injury of perforator skin flap. Phytother Res. 2024;38(5):2539-2559.
  24. Chen Y, et al. Dihydrocapsaicin attenuates oxidative stress and apoptosis in acute myocardial infarction via promoting Raf-1/ASK1 complex formation. Phytomedicine. 2025;146:157126.
  25. Li YX, Liu SY. Kaempferol alleviates myocardial injury in rats with coronary heart disease via regulating the PI3K/AKT/mTOR pathway. Chin J Histochem Cytochem. 2025;34(5):439-445.
  26. Wu JP, Chen JJ, Yuan Q, et al. Effects and mechanisms of kaempferol on cardiomyocyte apoptosis induced by hypoxia/reoxygenation injury. Shaanxi Med J. 2024;53(1):3-7,18.
  27. Chen MJ, Li XD, Wang NN. Effects and mechanisms of kaempferol on cardiac function in rat models of chronic heart failure. Prog Anat Sci. 2023;29(1):18-20,24.
  28. Zhou WM, Lang SK, Ge X, et al. Benzoylaconine alleviates oxygen-glucose deprivation/reoxygenation-induced cardiomyocyte injury via the phosphatidylinositol 3-kinase/protein kinase B pathway. Chin J Geriatr Heart Brain Vessel Dis. 2025;27(2):211-216.
  29. Brand CS, Lighthouse JK, Trembley MA. Protective transcriptional mechanisms in cardiomyocytes and cardiac fibroblasts. J Mol Cell Cardiol. 2019;132:1-12.
  30. Wang X, Chen ZQ, Li L, et al. Effects of Zhenwu Decoction on cardiomyocyte apoptosis and PI3K-AKT pathway in heart failure rats. Chin J Comp Med. 2022;32(7):27-33,57.
  31. Lou WZ, Huang SS, Chen BS. Mechanism analysis of Ginkgo biloba leaves against chronic heart failure. Zhejiang Clin Med J. 2026;28(1):32-37.
  32. Hanna A, Frangogiannis NG. Inflammatory cytokines and chemokines as therapeutic targets in heart failure. Cardiovasc Drugs Ther. 2020;34(6):849-863.
  33. Berger M, et al. IL-6 and hsCRP predict cardiovascular mortality in patients with heart failure with preserved ejection fraction. ESC Heart Fail. 2024;11(6):3607-3615.
  34. Zhang H, Dhalla NS. The role of pro-inflammatory cytokines in the pathogenesis of cardiovascular disease. Int J Mol Sci. 2024;25(2):1082.
  35. Wu PL, Wei M, Zhu W. Src signaling pathway and its role in the pathophysiology of heart failure. Int J Cardiovasc Dis. 2013;40(1):6-8,15.
  36. Li W, et al. Src tyrosine kinase promotes cardiac remodeling induced by chronic sympathetic activation. Biosci Rep. 2023;43(10):BSR20231097.
  37. Zhai Y, et al. Src-family protein tyrosine kinases: a promising target for treating cardiovascular diseases. Int J Med Sci. 2021;18(5):1216-1224.
  38. Qian C, Liu J, Liu H. Targeting estrogen receptor signaling for treating heart failure. Heart Fail Rev. 2024;29(1):125-131.
  39. Fukuma N, et al. Estrogen receptor-α non-nuclear signaling confers cardioprotection and is essential to cGMP-PDE5 inhibition efficacy. JACC Basic Transl Sci. 2020;5(3):282-295.
  40. Sun Y, et al. Signaling pathway of MAPK/ERK in cell proliferation, differentiation, migration, senescence and apoptosis. J Recept Signal Transduct Res. 2015;35(6):600-604.
  41. Zhang Z, et al. Targeting MAPK-ERK/JNK pathway: a potential intervention mechanism of myocardial fibrosis in heart failure. Biomed Pharmacother. 2024;173:116413.
  42. Deng S, et al. PI3K/AKT signaling tips the balance of cytoskeletal forces for cancer progression. Cancers (Basel). 2022;14(7):1652.
  43. Ghafouri-Fard S, et al. Interplay between PI3K/AKT pathway and heart disorders. Mol Biol Rep. 2022;49(10):9767-9781.
  44. Cardiovascular Branch of Chinese Medical Association, Cardiovascular Physicians Branch of Chinese Medical Doctor Association, Heart Failure Professional Committee of Chinese Medical Doctor Association, et al. 2024 Chinese guidelines for the diagnosis and treatment of heart failure. Chin J Cardiovasc Dis. 2024;52(3):235-275.
  45. Li TT, et al. Correlations of BNP, Hcy and blood lipid levels with cardiac function and prognosis in elderly patients with chronic heart failure. Chin J Evid Based Cardiovasc Med. 2021;13(9):1050-1053.
  46. Zhou L. Clinical study on TCM syndrome types, blood lipid levels and cardiac function in 150 patients with chronic heart failure. Guide China Med. 2024;22(12):77-79.
  47. Müller-Ehmsen J, Schwinger RH. TNF and congestive heart failure: therapeutic possibilities. Expert Opin Ther Targets. 2004;8(3):203-209.
  48. Arvunescu AM, et al. Inflammation in heart failure—future perspectives. J Clin Med. 2023;12(24):7738.
  49. Yu L, Feng Z. The role of Toll-like receptor signaling in the progression of heart failure. Mediators Inflamm. 2018;2018:9874109.
  50. Ye S, et al. Toll-like receptor 2 signaling deficiency in cardiac cells ameliorates Ang II-induced cardiac inflammation and remodeling. Transl Res. 2021;233:62-76.
  51. Vianello E, et al. The advanced glycation end-products (AGE)-receptor for AGE system (RAGE): an inflammatory pathway linking obesity and cardiovascular diseases. Int J Mol Sci. 2025;26(8):3707.

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

Przedruki i uprawnienia

Przeglądaj więcej artykułów

Przesiewanie związkówmapowanie celówgeny różnicowo wyrażaneszlak PI3K-Akt
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.