Todos os materiais, incluindo bancos de dados, softwares e reagentes experimentais, utilizados neste estudo estão listados na Tabela de Materiais. Todos os procedimentos experimentais foram aprovados pelo Comitê de Ética Animal do Hospital do Lago Dushu de Suzhou (número da permissão: 2410008).
Triagem de componentes ativos e aquisição de alvos de DCQD
Os componentes ativos das ervas constituintes ruibarbo, mirabilita, casca de magnólia e laranja amarga imatura na Decocção Da-Cheng-Qi (DCQD) foram selecionados no banco de dados de farmacologia dos sistemas da medicina tradicional chinesa (TCMSP) usando os seguintes critérios: biodisponibilidade oral (OB) ≥30% e semelhança com o medicamento (DL) ≥0,18. Os alvos correspondentes dos componentes ativos identificados foram então coletados. Esses limiares são amplamente adotados em estudos de farmacologia em rede para filtrar compostos com propriedades farmacocinéticas favoráveis e maior potencial para serem moléculas semelhantes a medicamentos34,35. Para melhorar a confiabilidade da seleção de compostos e reduzir o viés da triagem de banco de dados único, a validação cruzada foi realizada usando o banco de dados BATMAN-TCM. BATMAN-TCM é um banco de dados integrativo que armazena interações conhecidas e previstas entre ingredientes da MTC e proteínas-alvo, auxiliando na exploração dos mecanismos farmacológicos da MTC e na descoberta de medicamentos. A versão atualizada 2.0 oferece um conjunto de dados TTI significativamente ampliado e recursos aprimorados, tornando-se um recurso valioso para entender os mecanismos moleculares da MTC e desenvolver novos tratamentos para doenças complexas. Compostos sem alvos previstos ou com pontuações BATMAN-TCM inferiores a 20 foram excluídos. Além disso, compostos com valores relativamente baixos de OB, mas com alvos previstos em BATMAN-TCM e atividades farmacológicas bem documentadas (por exemplo, antraquinonas e flavonoides) foram mantidos por meio da curadoria bibliográfica. Para reduzir ainda mais os potenciais componentes falsos positivos, hormônios endógenos e substâncias semelhantes a neurotransmissores (por exemplo, progesterona e serotonina) foram excluídos manualmente. O conjunto composto final foi usado para a previsão subsequente de alvos e construção de rede. O fluxo de trabalho detalhado está ilustrado na Figura Suplementar 1. A lista final de componentes ativos é fornecida na Tabela Suplementar 1.
Os identificadores SMILES (um método linear de notação que usa cadeias ASCII para descrever a estrutura química das moléculas. Ao empregar símbolos e regras específicas, codifica átomos, ligações químicas e topologia molecular em uma sequência contínua de caracteres sem espaços, permitindo armazenamento conciso, inequívoco e legível por computador de informações moleculares (armazenamento e transmissão de informações moleculares concisos, inequívocos e legíveis por computador) de cada componente ativo foram recuperados do banco de dados PubChem e alvos potenciais foram previstos usando a previsão suíça de alvos, com o parâmetro do organismo definido como 'Homo sapiens' e um corte de probabilidade de >0 aplicado. Os conjuntos de alvos obtidos de ambos os bancos de dados foram mesclados, e entradas duplicadas foram removidas para gerar o conjunto final de alvos candidatos para o DCQD.
É importante notar que o Mirabilitum (Mangxiao, Na₂SO₄·10H₂O), um medicamento mineral no DCQD, não está incluído no TCMSP ou em bancos de dados de alvos compostos similares. Consequentemente, devido a essa limitação no banco de dados, a rede componente-alvo construída neste estudo não abrange as contribuições potenciais do Mirabilitum. A rede, portanto, baseia-se nos constituintes fitoquímicos dos outros três componentes herbais: Rheum palmatum, Magnolia officinalis e Citrus aurantium.
Análise de enriquecimento de alvos DCQD
Alvos DCQD foram importados para o banco de dados metascape para análise de enriquecimento, com as espécies restritas a "Homo sapiens". Foram realizadas análises de enriquecimento da ontologia genética (GO) e da enciclopédia de genes e genomas de Kyoto (KEGG), com as primeiras abrangendo processos biológicos (BP), componentes celulares (CC) e funções moleculares (MF). Os 6 melhores resultados de enriquecimento GO e os 20 melhores resultados de enriquecimento KEGG foram selecionados. Os gráficos de barras KEGG e GO foram gerados usando a ferramenta online da bioinformática. Os dados foram importados via o pacote DOSE em R para construir o gráfico de barras da ontologia da doença (DO).
Construção da rede "Fitoterápico-Componente-Alvo"
Os componentes relevantes do DCQD e seus alvos correspondentes foram importados para o Cytoscape 3.10.3 para construir um diagrama de rede ilustrando as relações "remédio herbal-componente-alvo". O plugin CytoNCA foi utilizado para calcular os valores de grau, e os 5 principais componentes ativos foram avaliados com base no ranking.
Recuperação de alvos ARDS de bancos de dados públicos
Usando "síndrome do desconforto respiratório agudo" como palavra-chave, alvos relacionados à SDRA foram recuperados dos bancos de dados OMIM e GeneCards. Nos Gene Cards, alvos com pontuação de relevância >5 foram selecionados. Após a fusão e remoção de duplicados de ambos os bancos de dados, um conjunto de alvos candidatos para o ARDS foi obtido.
Análise de bioinformática
O conjunto de dados relacionado a sepse-ARDS GSE32707 (plataforma GPL570, n = 45), composto por dados de RNA-seq de células mononucleares do sangue periférico de 30 pacientes com SDRA induzida por sepse e 15 controles saudáveis, foi baixado do banco de dados GEO do NCBI. Os dados eram importados usando o pacote GEOquery em R, e a normalização era realizada usando o pacote limma para minimizar a variabilidade entre amostras. Genes diferencialmente expressos (DEGs) foram identificados usando os limiares |log 2FC| > 1 e p < 0,05. A visualização foi realizada por meio de gráficos vulcânicos e mapas de calor. Análises de enriquecimento GO e KEGG foram realizadas para análise de vias, com resultados apresentados como gráficos de bolhas e gráficos de barras.
Previsão de potenciais alvos para DCQD no tratamento de SDRA
Um diagrama de Venn foi gerado usando a ferramenta online de bioinformática para comparar os DEGs, alvos relacionados ao ARDS de bancos de dados públicos e alvos de fármacos DCQD, identificando assim potenciais alvos terapêuticos da DCQD para o ARDS.
Construção da rede de interação proteína-proteína (PPI) e triagem de alvos centrais
Os alvos sobrepostos foram importados para o banco de dados STRING com a espécie definida como "Homo sapiens" e um limiar de pontuação de interação de 0,4. Os dados da rede PPI foram exportados no formato TSV e visualizados usando o Cytoscape 3.10.3. O plugin CytoHubba foi aplicado para selecionar os 10 principais alvos com base em MCC, MNC, grau, EPC, intermediação, proximidade, radialidade e escores de estresse. A interseção desses alvos gerou 5 alvos principais.
Construção da rede "Fitoterápico-Componente-Doença-Alvo"
Com base nos alvos sobrepostos, os componentes correspondentes do DCQD foram identificados. Os componentes relevantes, juntamente com seus alvos associados e ligações de doenças, foram importados para o Cytoscape 3.10.3 para construir um diagrama de rede ilustrando as relações "remédio herbal-componente-alvo-doença".
Análise de enriquecimento de alvos centrais e construção da rede "componente de medicina herbal-alvo-via da doença"
Para explorar as funções biológicas potenciais e as principais vias de sinalização da DCQD no tratamento do SDRA, os alvos centrais foram submetidos a análises de enriquecimento GO e KEGG no Metascape (espécie: "Homo sapiens"). Foram selecionados os 10 melhores resultados do enriquecimento do GO e os 13 melhores do enriquecimento do KEGG. A visualização foi realizada usando ferramentas de Bioinformática para gerar gráficos de bolhas KEGG, gráficos de barra GO e gráficos de bolhas Sankey. Além disso, com base nos resultados do enriquecimento funcional, um diagrama de rede foi construído no Cytoscape 3.10.3 para ilustrar as relações "componente de medicina herbal-alvo-via doença".
Acoplamento molecular e visualização
As estruturas moleculares secundárias dos compostos foram recuperadas do banco de dados PubChem, enquanto as estruturas 3D dos alvos centrais foram obtidas do banco de dados PDB (http://www.rcsb.org/). Moléculas de água e resíduos de aminoácidos foram removidos usando PyMOL. Proteínas-alvo e compostos foram importados para o AutoDock para acoplamento molecular e cálculo das energias de ligação. A visualização foi realizada usando PyMOL. Um mapa de calor de energia de ligação foi gerado usando o pacote pheatmap em R, com alvos centrais no eixo x, compostos no eixo y e um gradiente de cor representando energias de ligação. Diagramas de interação bidimensional dos resultados do acoplamento foram gerados usando o Discovery Studio Visualizer 4.5. O acoplamento molecular foi realizado para avaliar a viabilidade de ligação entre compostos e alvos, em vez de prever a eficácia inibitória real.
Construção do modelo de camundongos ARDS
Este estudo foi aprovado pelo comitê de ética médica do Hospital Dushu do Lago Suzhou (2410008). Foram obtidos camundongos machos saudáveis C57BL/6J (n = 30; 20 ± 5 g). Os camundongos foram divididos em um grupo controle (n = 10), um grupo LPS (n = 10, LPS 10 mg/kg) e um grupo DCQD (n = 10, recebendo DCQD 0,9 g/kg via gavage oral combinado com LPS 10 mg/kg). Os camundongos do grupo LPS receberam uma injeção intraperitoneal de LPS. Os camundongos do grupo DCQD receberam DCQD 0,9 g/kg via gavage oral imediatamente após a injeção intraperitoneal de LPS. As medições foram feitas imediatamente antes e após a extração pulmonar de todos os camundongos. Posteriormente, os tecidos pulmonares foram armazenados a -80 °C.
Análise de manchas ocidentais (WB)
Proteínas foram isoladas de lisados de tecido pulmonar de camundongo, e suas concentrações foram medidas usando um kit de quantificação de proteínas BCA. Posteriormente, as proteínas foram desnaturadas fervendo a 95 °C por 10 minutos. As proteínas desnaturadas foram separadas em um gel SDS-PAGE de 10% preparado com um kit de preparação de gel, e depois transferidas para uma membrana PVDF. Para evitar a ligação inespecífica, as membranas do PVDF foram bloqueadas em temperatura ambiente por 5 minutos usando um tampão rápido de bloqueio sem proteínas. Após a lavagem com PBST, as membranas foram incubadas durante a noite a 4 °C com anticorpos primários contra MMP9, HSP90, MYC e ARG1. Após outra lavagem com PBST, as membranas foram incubadas por 2 horas em temperatura ambiente com IgG(H+L) anti-coelho conjugado com HRP. Por fim, foi aplicado o substrato do kit de detecção de quimiluminescência ultra-sensível, e bandas proteicas quimioluminescentes foram detectadas usando um sistema de imagem quimioluminescente BIO-RAD. A análise em tons de cinza foi realizada com o ImageJ. Os anticorpos usados neste experimento estão listados na Tabela Suplementar 2.
Análise de ensaio imunossorvente ligado a enzimas (ELISA)
Primeiro, o líquido de lavagem broncoalveolar (BALF) foi coletado realizando a lavagem três vezes com 2 mL de soro. Os fluidos de lavagem resultantes foram agrupados e centrifugados a 10.000 g por 10 minutos para remover as células. O sobrenadante era então aspirado e armazenado congelado em nitrogênio líquido. Posteriormente, as concentrações das citocinas-alvo foram determinadas seguindo as instruções do fabricante, utilizando o Kit IL-6 ELISA, o Kit ELISA IL-18 do Camundongo e o Kit ELISA TNF-alfa do Rato. Em seguida, a placa de reação era colocada em um leitor de microplaca, e o valor de densidade óptica (OD) de cada poço era medido em um comprimento de onda de 450 nm, com o poço de controle em branco usado para ajuste zero. Por fim, uma curva padrão foi traçada com base nas concentrações e nos valores correspondentes de OD dos padrões. A concentração do fator alvo em cada amostra foi calculada de acordo com a equação padrão da curva.
Análise estatística
Os dados foram analisados usando o GraphPad Prism 10.1.2. A importância das diferenças entre os grupos foi avaliada estatisticamente por meio de análise unidirecional da variância ou teste t de Student. Se o valor P for menor que 0,05, a diferença é considerada significativa; se o valor P for menor que 0,01, ele é considerado altamente significativo.