É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de investigação

Análise Computacional da Plumbagina no Câncer de Próstata Utilizando Farmacologia de Redes e Simulações de Dinâmica Molecular

96 visualizações

⸱

11 de setembro de 2026

 ,  ,  ,  ,  ,  ,  , 
1Department of Clinical Laboratory, DongGuan SongShan Lake Tungwah Hospital, 2Dongguan Key Laboratory of Medical Molecular Biology, 3Department of Hematology, DongGuan Tungwah Hospital, 4Department of Emergency, DongGuan Tungwah Hospital, 5School of Medical Technology, Guangdong Medical University, 6Department of Clinical Laboratory, DongGuan Tungwah Hospital

* These authors contributed equally

Neste artigo

Resumo

Este estudo utilizou farmacologia de rede e simulações de dinâmica molecular para investigar os mecanismos e vias moleculares da plumbagina no tratamento do câncer de próstata. Os resultados demonstram que a plumbagina pode se ligar de forma estável a AKT1, ESR1, BCL2, EGFR, TNF, MAPK3, HSP90AA1, SRC e PPARG.

Resumo

O câncer de próstata é um importante fator de mortalidade relacionada ao câncer entre homens. Como muitos pacientes são diagnosticados apenas após a doença ter progredido para um estágio localmente avançado ou metastático, o tratamento curativo frequentemente já não é mais possível. No presente estudo, aplicamos uma abordagem computacional integrada que combina farmacologia de redes, acoplamento molecular e simulações de dinâmica molecular para explorar os possíveis mecanismos moleculares subjacentes aos efeitos terapêuticos da plumbagina no câncer de próstata. Alvos terapêuticos potenciais foram identificados por meio de análise integrada de bancos de dados, seguida pela construção de rede de interação proteína-proteína, análise de enriquecimento funcional, acoplamento molecular e simulações de dinâmica molecular para avaliar a estabilidade das interações proteína-ligante. Nossas análises computacionais identificaram que a plumbagina pode formar interações estáveis com múltiplos alvos centrais, incluindo a proteína quinase 1 serina/treonina AKT (AKT1), receptor de estrogênio 1 (ESR1), regulador da apoptose BCL2 (BCL2), receptor do fator de crescimento epidérmico (EGFR), fator de necrose tumoral (TNF), quinase 3 ativada por mitógeno (MAPK3), proteína de choque térmico 90 alfa família classe A membro 1 (HSP90AA1), protooncogene SRC, quinase tirosina não receptor (SRC) e receptor gama ativado por proliferadores de peroxissomos (PPARG), sugerindo seu potencial para modular vias-chave envolvidas na progressão do câncer de próstata. Esses in silico os achados fornecem novas perspectivas sobre os possíveis mecanismos moleculares da plumbagina e oferecem uma base racional para validação experimental futura. No entanto, pesquisas adicionais in vitro e in vivo estudos são necessários para confirmar sua atividade funcional e eficácia terapêutica.

Introdução

O câncer de próstata é heterogêneo, com manifestações clínicas que variam desde lesões detectadas por triagem assintomáticas que podem nunca progredir até malignidades agressivas, sendo uma das principais causas de morbidade e mortalidade em todo o mundo1,2. Globalmente, estima-se que o número de novos casos de câncer de próstata dobre de 1,4 milhão em 2020 para 2,9 milhões em 2040, enquanto o número anual de mortes deve aumentar de 375.000 em 2020 para aproximadamente 700.000 em 20403. Inicialmente diagnosticado como uma malignidade dependente de andrógenos, o câncer de próstata pode ser tratado com terapia de privação de andrógenos. No entanto, apesar de uma resposta inicial eficaz, a doença inevitavelmente progride para uma forma independente de andrógenos. Pacientes com câncer de próstata refratário aos hormônios apresentam risco significativamente aumentado de desenvolver metástases ósseas, levando a lesões esqueléticas clinicamente significativas4,5,6,7. Além disso, embora o câncer de próstata em estágio inicial possa ser curado com cirurgia ou radioterapia, muitos pacientes já apresentam doença localmente avançada ou metastática no momento do diagnóstico, para a qual atualmente não existe tratamento curativo8,9. Portanto, há uma necessidade urgente de desenvolver agentes eficazes e altamente seletivos para a prevenção e/ou tratamento da metástase do câncer de próstata.

Uma variedade de extratos naturais, como licopeno, produtos derivados de soja, chá verde, fenólicos da romã, apigenina, bem como as vitaminas D e E, demonstrou prevenir eficazmente o desenvolvimento do câncer de próstata10,11,12,13. A plumbagina (PLB), um composto natural de naftoquinona amplamente encontrado na natureza e um componente principal de Plumbago zeylanica, possui propriedades anti-infecciosas14, anti-inflamatórias15, antiateroscleróticas16 e antitumorais17,18. Estudos demonstraram que a PLB exerce efeitos antitumorais em diversos tipos de células cancerígenas, incluindo câncer de mama, câncer de pulmão de células não pequenas, câncer hepático, câncer pancreático, câncer colorretal, câncer de ovário, câncer de próstata, glioma e retinoblastoma19,20,21. Experimentos in vitro mostraram que a PLB inibe a proliferação de células de câncer de próstata22,23. A PLB também regula a expressão de microproteínas, o que por sua vez afeta diversos comportamentos celulares em células de câncer de próstata, incluindo o controle do ciclo celular, apoptose, autofagia e transição epitelial-mesenquimal24,25. Além disso, a PLB retarda o crescimento de células cancerígenas independentes de andrógenos em modelos de camundongos com xenoenxertos subcutâneos22,26.

Embora diversos estudos tenham demonstrado que o PLB inibe a proliferação e a invasão de células de câncer de próstata, atualmente não existe uma investigação sistemática dos alvos e vias pelas quais o PLB atua nessas células. Utilizando farmacologia de rede, acoplamento molecular e simulações de dinâmica molecular, este estudo buscou elucidar os alvos e vias potenciais subjacentes aos efeitos terapêuticos do PLB no câncer de próstata.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Previsão e triagem de alvos potenciais da PLB

As informações sobre a estrutura química da PLB foram obtidas a partir do banco de dados PubChem (https://pubchem.ncbi.nlm.nih.gov/). Os alvos moleculares da PLB foram previstos com base na similaridade bidimensional e tridimensional baseada em ligante, utilizando os bancos de dados SwissTarget (https://swisstargetprediction.ch/index.php), SEA (https://sea.bkslab.org/), TargetNet (http://targetnet.scbdd.com/calcnet/index/), PharmMapper (https://www.lilab-ecust.cn/pharmmapper/index.html), Comparative Toxicogenomics Database (CTD, https://ctdbase.org/), Traditional Chinese Medicine Systems Pharmacology Database and Analysis Platform (TCMSP, https://www.tcmsp-e.com/index.php) e HERB (http://herb.ac.cn/). Para garantir a confiabilidade e reprodutibilidade dos dados, foram aplicados limiares específicos de filtragem para cada banco de dados da seguinte forma: o TCMSP manteve alvos com biodisponibilidade oral (OB) ≥ 30% e semelhança a fármacos (DL) ≥ 0,18; o SwissTargetPrediction manteve entradas com probabilidade de predição ≥ 0,5; o PharmMapper selecionou alvos com pontuação de ajuste normalizada ≥ 4,0; o SEA incluiu apenas alvos com valor E < 0,001 como significativamente enriquecidos; o TargetNet manteve alvos com probabilidade de predição > 0,5; o CTD incluiu apenas alvos com evidência curada (inferida a partir de interações químico-gênicas) e pontuação de interação > 0,3; e o HERB manteve alvos com pontuação apoiada por literatura ≥ 0,4. Todos os identificadores proteicos recuperados a partir dos bancos de dados acima foram padronizados para os símbolos gênicos oficiais da HGNC humana utilizando o banco de dados UniProt (https://www.uniprot.org/), com a espécie restrita a Homo sapiens. Após a remoção de entradas duplicadas em todas as fontes, obteve-se um total de 500 alvos únicos relacionados à PLB para análises subsequentes.

Recuperação de genes associados ao câncer de próstata

Genes relacionados a doenças associadas ao câncer de próstata foram obtidos do GeneCards (https://www.GeneCardss.org/), DrugBank (https://go.drugbank.com/), CTD e HERB. Critérios específicos de inclusão por base de dados foram aplicados para garantir a confiabilidade dos dados. O GeneCardss manteve genes com pontuação de relevância ≥ 0,5, pois esse limiar abrange genes com evidência moderada a forte associando-os à consulta da doença. O DrugBank incluiu apenas entradas com evidência experimental (por exemplo, medicamentos aprovados pela FDA ou em fase de investigação para câncer de próstata) e excluiu interações previstas computacionalmente ou teóricas. O CTD manteve apenas registros com níveis de evidência classificados como "marcador" ou "mecanismo", com base em interações químico-gene-doença curadas. O HERB incluiu alvos com pontuação de confiança apoiada por literatura ≥ 0,4 para assegurar evidência experimental ou de mineração de texto suficiente. Todos os símbolos gênicos foram unificados à nomenclatura HGNC por meio da base de dados UniProt (https://www.uniprot.org/), com espécie restrita a Homo sapiens, e duplicatas foram removidas, resultando em 1.199 alvos únicos relacionados ao câncer de próstata para análises subsequentes.

Correção da anotação de conflitos e identificação de alvos sobrepostos

Os 500 alvos de PLB e os 1.199 alvos de câncer de próstata foram cruzados utilizando símbolos HGNC padronizados no Venny 2.1 (https://bioinfogp.cnb.csic.es/tools/venny/index.html), resultando em 151 alvos candidatos sobrepostos. Para resolver conflitos de anotação entre bancos de dados, foi implementado um pipeline de correção em três etapas: (i) inconsistências de sinônimos gênicos foram unificadas por meio da ferramenta de mapeamento de ID da UniProt; (ii) genes redundantes parálogos foram excluídos utilizando o CD-HIT com um limiar de similaridade de sequência > 0,4; e (iii) anotações funcionais contraditórias foram mantidas apenas se apoiadas por pelo menos dois bancos de dados independentes, enquanto descrições conflitantes únicas de uma única fonte foram descartadas.

Construção da rede e identificação de hubs

Uma rede de interação proteína-proteína (PPI) foi construída enviando os alvos sobrepostos ao banco de dados STRING (versão 12.0, https://cn.string-db.org/), com a busca restrita a Homo sapiens. Foram mantidas apenas interações com pontuação de confiança combinada ≥ 0,700 para garantir alta confiabilidade, e todos os nós sem conexões foram excluídos da rede. A rede PPI construída foi visualizada e analisada topologicamente no Cytoscape (versão 3.10.2), após o que os genes centrais foram determinados usando o plugin cytoHubba, empregando MCC (Centralidade de Clique Máxima) como algoritmo principal de classificação e Degree como métrica auxiliar de validação cruzada.

Análise de enriquecimento funcional

As análises de anotação funcional por Ontologia Genética (GO) e de enriquecimento de vias do Kyoto Encyclopedia of Genes and Genomes (KEGG) para os genes diferencialmente expressos foram realizadas utilizando a Plataforma Online de Análise Bioinformática (https://www.bioinformatics.com.cn, última consulta em 4 de maio de 2026). A plataforma utiliza o teste exato de Fisher para calcular os valores-P brutos, e o método de Benjamini-Hochberg (BH) foi aplicado para correção de múltiplos testes com o controle da taxa de falsas descobertas (FDR). Consideraram-se significativamente enriquecidos os termos GO (processo biológico, componente celular e função molecular) e as vias KEGG com FDR < 0,05.

Encaixe molecular

As estruturas cristalinas das proteínas-alvo selecionadas, representando conformações ativas, foram obtidas no Banco de Dados de Proteínas RCSB (https://www.rcsb.org/). A preparação das proteínas foi realizada no Discovery Studio, incluindo a remoção de moléculas de água e heteroátomos, exclusão de cadeias redundantes, reparo de resíduos ausentes, adição de átomos de hidrogênio em pH 7,4, atribuição de cargas de Gasteiger e minimização de energia. O sítio de ligação foi definido com base nas coordenadas do ligante co-cristalizado, utilizando uma grade que abrangia todos os resíduos críticos para a ligação ao substrato. O encaixe molecular do PLB foi realizado usando o servidor web SwissDock (http://www.swissdock.ch/) por meio do módulo Attracting Cavities. As energias livres de ligação foram calculadas para avaliar a afinidade, e a conformação de menor energia para cada alvo foi selecionada como a pose final do encaixe. Os resultados das simulações de encaixe molecular foram visualizados para validação.

Simulação de dinâmica molecular

Simulações de dinâmica molecular (MD) foram realizadas utilizando o GROMACS 2022.2. O campo de força Amber14SB foi usado para descrever a proteína, com o sistema solvatado em água TIP3P. Os parâmetros da plumbagina, incluindo cargas parciais AM1-BCC e tipos de átomos GAFF2, foram gerados usando o Antechamber, seguido pela conversão da topologia com o ACPYPE e atribuição dos parâmetros iônicos de Joung-Cheatham. Cada complexo proteína-ligante foi inserido em uma caixa de simulação truncada dodecaédrica com uma distância mínima entre a proteína e a caixa de 1,2 nm, solvatado com moléculas de água TIP3P e neutralizado pela adição de Na⁺/Cl⁻ 0,15 M. Após a minimização de energia utilizando o algoritmo de descida mais íngreme (Fmax < 1.000 kJ·mol⁻1·nm⁻1), o sistema passou por equilibração sequencial NVT e NPT por 200 ps cada a 298 K. As simulações de produção foram então realizadas por 200 ns sob condições NPT com um passo de integração de 2 fs utilizando o esquema de corte Verlet. Interações eletrostáticas de longo alcance foram calculadas com o método particle mesh Ewald (PME), enquanto tanto as interações eletrostáticas quanto as de van der Waals empregaram uma distância de corte de 1,2 nm. O algoritmo LINCS foi utilizado para restringir ligações contendo hidrogênio. A temperatura foi mantida em 298 K utilizando o termostato de Nosé-Hoover e a pressão em 1 bar utilizando o barostato de Parrinello-Rahman. As coordenadas foram salvas a cada 10 ps para análises posteriores. A análise e visualização das trajetórias foram realizadas utilizando utilitários do GROMACS, VMD e PyMOL, enquanto os cálculos de energia livre de ligação MM-PBSA foram realizados com gmx_MMPBSA quando apropriado.

Avaliação do equilíbrio de trajetórias de dinâmica molecular e protocolo de amostragem de energia livre MM-PBSA

Para cada complexo proteína-plumbagina, foi realizada uma simulação de dinâmica molecular com todos os átomos, com duração de 200 ns, utilizando o GROMACS. O ponto de 100 ns foi definido como o limite de equilíbrio: o segmento de 0–100 ns foi designado como a fase de relaxamento conformacional, durante a qual a estrutura principal da proteína e o sítio de ligação do ligante sofreram ajustes conformacionais contínuos; o segmento de 100–200 ns foi identificado como o platô termodinamicamente estável, evidenciado pela ausência de deriva unidirecional no RMSD, no raio de giração (Rg), no RMSF por resíduo, na SASA enterrada do ligante, nas ligações de hidrogênio intermoleculares e nas energias de interação ligante-receptor, que exibiram apenas pequenas flutuações em estado estacionário. Todos os parâmetros cinéticos quantitativos e as energias livres de ligação MM/PBSA foram calculados exclusivamente a partir da fase de equilíbrio de 100–200 ns, da qual os quadros foram extraídos uniformemente a cada 100 ps, gerando 1.000 instantâneos de equilíbrio por sistema como entrada para o gmx_MMPBSA. Os primeiros 100 ns das trajetórias de relaxamento foram descartados para eliminar interferências provenientes da deriva conformacional nos cálculos de energia livre.

Análise prognóstica de genes-alvo no câncer de próstata

Análises prognósticas foram realizadas utilizando conjuntos de dados de câncer de próstata do The Cancer Genome Atlas (TCGA). Dados de sequenciamento de RNA (contagens STAR) e informações clínicas correspondentes foram obtidos do portal Genomic Data Commons (https://portal.gdc.cancer.gov). As contagens de expressão gênica foram convertidas em transcritos por milhão (TPM) e normalizadas utilizando log2(TPM + 1). Após a exclusão de amostras com informações clínicas incompletas, 498 casos foram incluídos na análise. O nível mediano de expressão de cada gene foi utilizado para dividir os pacientes em grupos de alta e baixa expressão. Análise de sobrevida de Kaplan-Meier com o teste log-rank e regressão univariada de riscos proporcionais de Cox foram realizadas para avaliar a sobrevida global (OS) para SRC e a sobrevida livre de progressão (PFS) para MAPK3, com razões de risco (HRs) e intervalos de confiança de 95% (ICs) informados. O desempenho preditivo foi ainda avaliado pela geração de curvas de característica operacional do receptor (ROC) dependentes do tempo em 1, 3 e 5 anos. As análises estatísticas foram realizadas no R versão 4.0.3, considerando-se estatisticamente significativo P < 0,05.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Resultados da previsão de alvos do PLB e câncer de próstata

O CID do PLB no PubChem é 10205, com o nome IUPAC: 5-hidroxi-2-metilnaftaleno-1,4-diona, SMILES: CC1=CC(=O)C2=C(C1=O)C=CC=C2O, InChIKey: VCMMXZQDRFWYSE-UHFFFAOYSA-N, InChI: InChI=1S/C11H8O3/c1-6-5-9(13)10-7(11(6)14)3-2-4-8(10)12/h2-5,12H,1H3, massa molecular: 188,18, fórmula molecular: C11H8O3, número CAS: 481-42-5. Após a remoção de duplicatas, este estudo previu 500 alvos potenciais para o PLB utilizando as bases de...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Estudos demonstraram que AKT1, ESR1, BCL2, EGFR, TNF, MAPK3, HSP90AA1, SRC e PPARG desempenham papéis diversos na promoção da progressão do câncer. A via de sinalização da fosfatidilinositol 3-quinase (PI3K)/proteína quinase serina/treonina (AKT)/alvo mecanicista da rapamicina (mTOR) é uma via crucial de transdução de sinais intracelulares que regula diversos processos fisiopatológicos, incluindo crescimento celular, proliferação, apoptose, angiogênese, respostas inflamatórias e quimiotaxia43. AKT...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores não têm conflitos de interesse a declarar.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Base de Dados de Toxicogenômica ComparativaInstituto Nacional de Estudos de Saúde Ambiental, Instituto Nacional de Transtornos Neurológicos e Derrameshttps://ctdbase.org/O CTD é um banco de dados robusto e de acesso público que tem como objetivo aprimorar a compreensão sobre como as exposições ambientais afetam a saúde humana.
Fornece informações manualmente curadas sobre interações químico-gene/proteína, relações químico-doença e gene-doença. Esses dados são integrados com informações funcionais e de vias metabólicas para auxiliar no desenvolvimento de hipóteses sobre os mecanismos subjacentes a doenças influenciadas por fatores ambientais.
CytoscapeInstituto de Biologia de Sistemas, ISB, Leroy Hoodhttps://cytoscape.org/Inicialmente projetado especificamente para redes de interação biomolecular, o software evoluiu para uma plataforma versátil de análise de redes complexas, amplamente aplicada em áreas como bioinformática, medicina de sistemas, redes sociais e redes semânticas
banco de dados DAVIDInstitutos Nacionais de Saúde (NIH)https://davidbioinformatics.nih.gov/list.jspDAVID, abreviação de Database for Annotation, Visualization and Integrated Discovery, é a plataforma on-line gratuita mais clássica e amplamente utilizada para anotação funcional de conjuntos de genes e análise de enriquecimento
DrugBankUniversidade de Alberta, Canadáhttps://go.drugbank.com/O DrugBank é o sistema operacional de inteligência para a indústria biofarmacêutica, fornecendo o conhecimento biomédico mais abrangente e estruturado para auxiliar no avanço de terapias, desde a descoberta até o impacto no paciente
GeneCardLifeMap Scienceshttps://www.genecards.org/GeneCards é uma base de dados integrativa e pesquisável que fornece informações abrangentes e de fácil utilização sobre todos os genes humanos anotados e preditos. A base de conhecimento integra automaticamente dados centrados em genes provenientes de 193 fontes web, incluindo informações genômicas, transcriptômicas, proteômicas, genéticas, clínicas e funcionais.
gmx_MMPBSAUniversidade Columbia de Medellinhttps://valdes-tresanco-ms.github.io/gmx_MMPBSA/gmx_MMPBSA, uma ferramenta de código aberto para cálculo de energia livre desenvolvida por Valdés-Tresanco et al., foi adotado para calcular energias livres de ligação com base nas metodologias MM/PBSA e MM/GBSA. Baseado no mecanismo MMPBSA.py do AmberTools, ele processa diretamente arquivos de trajetória gerados pelo GROMACS, sem necessidade de conversão manual de formato. Foram realizadas decomposição energética por resíduo, varredura computacional de alanina e correção de entropia para quantificar as contribuições de aminoácidos-chave para a ligação, e o módulo embutido gmx_MMPBSA_ana foi utilizado para análise estatística e visualização dos componentes energéticos.
GROMACSInstituto Real de Tecnologia (KTH), Universidade de Uppsalawww.gromacs.orgO GROMACS é um pacote versátil para realizar dinâmica molecular, ou seja, simular as equações de movimento de Newton para sistemas com centenas a milhões de partículas, sendo um projeto conduzido pela comunidade. Contribuições são bem-vindas sob diversas formas, incluindo melhorias na documentação, correções para conserto de erros, orientações nos fóruns, relatos de erros que nos permitam reproduzir o problema e novas funcionalidades.
HERBUniversidade de Medicina Chinesa de Pequim, Universidade de Medicina Chinesa de Pequimhttp://herb.ac.cn/Um banco de dados de medicina tradicional chinesa guiado por experimentos e referências de alto rendimento.
PharmMapperEscola de Ciência e Tecnologia Farmacêuticas / Escola de Ciência e Engenharia da Informação, Universidade de Ciência e Tecnologia do Leste da Chinahttps://www.lilab-ecust.cn/pharmmapper/index.htmlO PharmMapper Server é um servidor web de acesso livre projetado para identificar candidatos a alvos potenciais para pequenas moléculas sonda (fármacos, produtos naturais ou outros compostos recém-descobertos cujos alvos de ligação são desconhecidos), utilizando uma abordagem de mapeamento de farmacóforo. Beneficiado pelo método de mapeamento altamente eficiente e robusto, o PharmMapper possui alta capacidade de processamento e pode identificar os candidatos a alvos potenciais a partir da base de dados em algumas horas.
PubChemInstitutos Nacionais de Saúde (NIH)https://pubchem.ncbi.nlm.nih.gov/O PubChem é um banco de dados aberto de química dos Institutos Nacionais de Saúde (NIH)
PyMOLSchrödingerhttps://pymol.orgPyMOL, inicialmente desenvolvido por Warren Lyford DeLano e atualmente mantido pela SchröO PyMOL, desenvolvido pela Schrödinger, Inc., é uma ferramenta de visualização molecular multiplataforma amplamente utilizada em biologia estrutural e descoberta de fármacos assistida por computador. Estruturas de complexos proteína-ligante obtidas no RCSB PDB foram carregadas no PyMOL para visualizar conformações de ligação, ligações de hidrogênio e resíduos interagentes chave. Superposição estrutural, renderização de superfícies e gráficos moleculares de alta resolução, prontos para publicação, foram gerados por meio da interface integrada de scripts em Python.
RCSB Protein Data BankColaboratório de Pesquisa em Bioinformática Estruturalhttps://www.rcsb.org/O RCSB PDB (Protein Data Bank do Research Collaboratory for Structural Bioinformatics) atua como o centro de dados dos Estados Unidos do consórcio Worldwide Protein Data Bank (wwPDB), estabelecido e liderado por Helen M. Berman em 1998. Ele armazena estruturas atômicas tridimensionais determinadas experimentalmente de proteínas, ácidos nucleicos e seus complexos, resolvidas por cristalografia de raios X, microscopia crioeletrônica e espectroscopia de RMN, além de integrar milhões de modelos de estruturas proteicas preditos por inteligência artificial a partir do AlphaFold. O portal web oferece busca multidimensional, visualização molecular 3D em tempo real, download em lote de arquivos de coordenadas e anotações de referências cruzadas que vinculam dados estruturais a funções gênicas, doenças e ligantes de pequenas moléculas, sendo amplamente utilizado em estudos de identificação de alvos e de docking molecular.
SEA Laboratório Shoichet do Departamento de Química Farmacêutica da Universidade da Califórnia, São Francisco (UCSF)https://sea.bkslab.org/A abordagem de conjunto de similaridade (SEA) relaciona proteínas com base na similaridade química conjunta entre seus ligantes. Pode ser utilizada para pesquisar rapidamente grandes bases de dados de compostos e para construir mapas de similaridade entre alvos
banco de dados STRINGGlobal Biodata Coalition e ELIXIRhttps://cn.string-db.org/STRING é uma base de dados de interações proteína-proteína conhecidas e previstas. As interações incluem associações diretas (físicas) e indiretas (funcionais); originam-se de predições computacionais, da transferência de conhecimento entre organismos e de interações agregadas a partir de outras bases de dados (primárias).
Servidor web Swiss Dock Grupo de Modelagem Molecular da Universidade de Lausanne e do Instituto Suíço de Bioinformática SIBhttps://www.swissdock.ch/O SwissDock é um serviço web que prevê as interações moleculares prováveis entre uma proteína alvo e uma molécula pequena.
SwissTarget Grupo de Modelagem Molecular do SIB | Instituto Suíço de Bioinformáticahttps://swisstargetprediction.ch/index.phpEste site permite estimar os alvos macromoleculares mais prováveis de uma molécula pequena, considerada bioativa. A previsão baseia-se numa combinação de similaridade 2D e 3D com uma biblioteca de 37 000 compostos ativos conhecidos sobre mais de 3000 proteínas de três espécies diferentes.
TargetNetBiologia Computacional & Grupo de Desenho de Fármacoshttp://targetnet.scbdd.com/calcnet/index/TargetNet é um servidor web aberto que pode ser utilizado para identificar ou prever a ligação a múltiplos alvos para qualquer molécula dada
Plataforma e Banco de Dados de Farmacologia Sistêmica da Medicina Tradicional ChinesaZhejiang Jiwei Health Co., Ltdhttps://www.tcmsp-e.com/index.phpTCMSP é uma plataforma única de farmacologia sistêmica de medicamentos herbácoros chineses que representa as relações entre fármacos, alvos e doenças. A base de dados inclui substâncias químicas, alvos e redes de fármaco-alvo, bem como redes associadas de fármaco-alvo-doença, além de propriedades farmacocinéticas para compostos naturais, envolvendo biodisponibilidade oral, semelhança a fármacos, permeabilidade do epitélio intestinal, barreira hematoencefálica,  solubilidade aquosa e etc. Este avanço despertou um novo interesse na busca de fármacos candidatos em diversos tipos de ervas tradicionais chinesas.
banco de dados UniProtInstituto Europeu de Bioinformática (EMBL-EBI), o Instituto Suíço de Bioinformática (SIB) e o Recurso de Informação sobre Proteínas (PIR)https://www.uniprot.org/UniProt é a base de dados mundial’principal recurso de alta qualidade, abrangente e de acesso livre à informação de sequência e função proteica
Ferramenta online Venny 2.1Centro Nacional de Biotecnologiaía, (CNB-CSIC)https://bioinfogp.cnb.csic.es/tools/venny/index.htmlO Venny consiste em um único arquivo html padrão. Sinta-se à vontade para salvá-lo em seu disco rígido, abri-lo com seu navegador favorito e começar a criar diagramas de Venn atraentes em segundos, mesmo sem conexão com a internet.
VMDGrupo de Pesquisa em Biofísica Teórica e Computacional (TCBG) no Beckman Institute, Universidade de Illinois em Urbana-Champaign, EUAhttps://www.ks.uiuc.edu/Research/vmd/O VMD (Visual Molecular Dynamics) é um software gratuito e multiplataforma de visualização molecular e análise de trajetórias desenvolvido pelo grupo de Biofísica Teórica e Computacional liderado pelo professor Klaus Schulten na Universidade de Illinois em Urbana-Champaign. Ele suporta estruturas PDB padrão e trajetórias de dinâmica molecular geradas por GROMACS, NAMD e Amber, com diversos estilos de renderização molecular e uma interface integrada de script Tcl. Foram realizadas análises quantitativas, incluindo RMSD, ocupação de ligações de hidrogênio, SASA e geometria do sítio de ligação do ligante, para caracterizar interações dinâmicas proteína-ligante e flutuações conformacionais.

Referências

  1. Bray F, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2024;74(3):229-63.
  2. Loeb S, et al. Overdiagnosis and overtreatment of prostate cancer. Eur Urol. 2014;65(6):1046-55.
  3. James ND, et al. The Lancet Commission on prostate cancer: planning for the surge in cases. Lancet. 2024;403(10437):1683-722.
  4. Bussard KM, Gay CV, Mastro AM. The bone microenvironment in metastasis: what is special about bone? Cancer Metastasis Rev. 2008;27(1):41-55.
  5. Keller ET, et al. New trends in the treatment of bone metastasis. J Cell Biochem. 2007;102(5):1095-102.
  6. Kingsley LA, Fournier PG, Chirgwin JM, Guise TA. Molecular biology of bone metastasis. Mol Cancer Ther. 2007;6(10):2609-17.
  7. Valdespino V, Tsagozis P, Pisa P. Current perspectives in the treatment of advanced prostate cancer. Med Oncol. 2007;24(3):273-86.
  8. Albertsen P. Predicting survival for men with clinically localized prostate cancer: what do we need in contemporary practice? Cancer. 2008;112(1):1-3.
  9. So A, Gleave M, Hurtado-Col A, Nelson C. Mechanisms of the development of androgen independence in prostate cancer. World J Urol. 2005;23(1):1-9.
  10. Gupta S. Prostate cancer chemoprevention: current status and future prospects. Toxicol Appl Pharmacol. 2007;224(3):369-76.
  11. Patel D, Shukla S, Gupta S. Apigenin and cancer chemoprevention: progress, potential, and promise. Int J Oncol. 2007;30(1):233-45.
  12. Kallifatidis G, Hoy JJ, Lokeshwar BL. Bioactive natural products for chemoprevention and treatment of castration-resistant prostate cancer. Semin Cancer Biol. 2016;40-41:160-9.
  13. Montuori E, et al. Marine natural products with activities against prostate cancer: recent discoveries. Int J Mol Sci. 2023;24(2):1435.
  14. de Paiva SR, Figueiredo MR, Aragão TV, Kaplan MAC. Antimicrobial activity in vitro of plumbagin isolated from Plumbago species. Mem Inst Oswaldo Cruz. 2003;98(7):959-61.
  15. Luo P, et al. Anti-inflammatory and analgesic effect of plumbagin through inhibition of nuclear factor-κB activation. J Pharmacol Exp Ther. 2010;335(3):735-42.
  16. Sharma I, Gusain D, Dixit VP. Hypolipidaemic and antiatherosclerotic effects of plumbagin in rabbits. Indian J Physiol Pharmacol. 1991;35(1):10-4.
  17. Awale S, et al. Targeting pancreatic cancer with novel plumbagin derivatives: design, synthesis, molecular mechanism, in vitro and in vivo evaluation. J Med Chem. 2023;66(12):8054-65.
  18. Zhang R, Jiang Q, Guo R, Guo K, Qiu J. Unveiling the power of plumbagin: revitalizing exhausted T cells to combat tongue cancer. Cancer Cell Int. 2025;25(1):271.
  19. Panichayupakaranant P, Ahmad MI. Plumbagin and its role in chronic diseases. Adv Exp Med Biol. 2016;929:229-46.
  20. Kuete V, et al. Cytotoxicity of plumbagin, rapanone, and 12 other naturally occurring quinones from Kenyan flora towards human carcinoma cells. BMC Pharmacol Toxicol. 2016;17(1):60.
  21. Gharbaran R, Shi C, Onwumere O, Redenti S. Plumbagin induces cytotoxicity via loss of mitochondrial membrane potential and caspase activation in metastatic retinoblastoma. Anticancer Res. 2021;41(10):4725-32.
  22. Aziz MH, Dreckschmidt NE, Verma AK. Plumbagin, a medicinal plant-derived naphthoquinone, is a novel inhibitor of the growth and invasion of hormone-refractory prostate cancer. Cancer Res. 2008;68(21):9024-32.
  23. Powolny AA, Singh SV. Plumbagin-induced apoptosis in human prostate cancer cells is associated with modulation of cellular redox status and generation of reactive oxygen species. Pharm Res. 2008;25(9):2171-80.
  24. Qiu JX, et al. Plumbagin elicits differential proteomic responses mainly involving cell cycle, apoptosis, autophagy, and epithelial-to-mesenchymal transition pathways in human prostate cancer PC-3 and DU145 cells. Drug Des Devel Ther. 2015;9:349-417.
  25. Wang F, et al. Plumbagin induces cell cycle arrest and autophagy and suppresses epithelial-to-mesenchymal transition involving the PI3K/Akt/mTOR-mediated pathway in human pancreatic cancer cells. Drug Des Devel Ther. 2015;9:537-60.
  26. Lai L, et al. Plumbagin inhibits tumour angiogenesis and tumour growth through the Ras signalling pathway following activation of the VEGF receptor-2. Br J Pharmacol. 2012;165(4b):1084-96.
  27. Wu WI, et al. Crystal structure of human AKT1 with an allosteric inhibitor reveals a new mode of kinase inhibition. PLoS One. 2010;5(9):e12913.
  28. Bai L, et al. A potent and selective small-molecule degrader of STAT3 achieves complete tumor regression in vivo. Cancer Cell. 2019;36(5):498-511.e17.
  29. Fanning SW, et al. The SERM/SERD bazedoxifene disrupts ESR1 helix 12 to overcome acquired hormone resistance in breast cancer cells. Elife. 2018;7:e37161.
  30. Suraweera CD, Caria S, Järvå M, Hinds MG, Kvansakul M. A structural investigation of NRZ-mediated apoptosis regulation in zebrafish. Cell Death Dis. 2018;9(10):967.
  31. Boulanger MJ, Chow DC, Brevnova EE, Garcia KC. Hexameric structure and assembly of the interleukin-6/IL-6 α-receptor/gp130 complex. Science. 2003;300(5628):2101-4.
  32. Jia Y, et al. Overcoming EGFR(T790M) and EGFR(C797S) resistance with mutant-selective allosteric inhibitors. Nature. 2016;534(7605):129-32.
  33. Dos Santos Nascimento IJ, da Silva-Júnior EF. TNF-α inhibitors from natural compounds: an overview, CADD approaches, and their exploration as anti-inflammatory agents. Comb Chem High Throughput Screen. 2022;25(14):2317-40.
  34. Chaikuad A, et al. A unique inhibitor binding site in ERK1/2 is associated with slow binding kinetics. Nat Chem Biol. 2014;10(10):853-60.
  35. Brasca MG, et al. Discovery of NMS-E973 as a novel, selective, and potent inhibitor of heat shock protein 90. Bioorg Med Chem. 2013;21(22):7047-63.
  36. Gurbani D, et al. Structure and characterization of a covalent inhibitor of Src kinase. Front Mol Biosci. 2020;7:81.
  37. Gellrich L, et al. L-thyroxin and the nonclassical thyroid hormone TETRAC are potent activators of PPARγ. J Med Chem. 2020;63(13):6727-40.
  38. Weng Z, Shen X, Zheng J, Liang H, Liu Y. Structural basis of DEPTOR to recognize phosphatidic acid using its tandem DEP domains. J Mol Biol. 2021;433(13):166989.
  39. Huck JD, et al. Structures of Hsp90α and Hsp90β bound to a purine-scaffold inhibitor reveal an exploitable residue for drug selectivity. Proteins. 2019;87(10):869-77.
  40. Luo G, et al. Discovery of isonicotinamides as highly selective, brain-penetrable, and orally active glycogen synthase kinase-3 inhibitors. J Med Chem. 2016;59(3):1041-51.
  41. Orlando BJ, Malkowski MG. Crystal structure of rofecoxib bound to human cyclooxygenase-2. Acta Crystallogr F Struct Biol Commun. 2016;72(Pt 10):772-6.
  42. Nuti E, et al. Development of thioaryl-based matrix metalloproteinase-12 inhibitors with alternative zinc-binding groups: synthesis, potentiometric, NMR, and crystallographic studies. J Med Chem. 2018;61(10):4421-35.
  43. Li Q, Li Z, Luo T, Shi H. Targeting the PI3K/AKT/mTOR and RAF/MEK/ERK pathways for cancer therapy. Mol Biomed. 2022;3(1):47.
  44. Wang B, et al. Propofol protects against hydrogen peroxide-induced injury in cardiac H9c2 cells via Akt activation and Bcl-2 up-regulation. Biochem Biophys Res Commun. 2009;389(1):105-11.
  45. Majewska E, Szeliga M. AKT/GSK3β signaling in glioblastoma. Neurochem Res. 2017;42(3):918-24.
  46. Yang H, et al. mTOR kinase structure, mechanism, and regulation. Nature. 2013;497(7448):217-23.
  47. Fong CJ, Sherwood ER, Mendelsohn J, Lee C, Kozlowski JM. Epidermal growth factor receptor monoclonal antibody inhibits constitutive receptor phosphorylation, reduces autonomous growth, and sensitizes androgen-independent prostatic carcinoma cells to tumor necrosis factor α. Cancer Res. 1992;52(21):5887-92.
  48. Visakorpi T, Kallioniemi OP, Koivula T, Harvey J, Isola J. Expression of epidermal growth factor receptor and ERBB2 (HER-2/Neu) oncoprotein in prostatic carcinomas. Mod Pathol. 1992;5(6):643-8.
  49. Ibrahim GK, et al. Differential immunoreactivity of epidermal growth factor receptor in benign, dysplastic, and malignant prostatic tissues. J Urol. 1993;149(1):170-3.
  50. Davies P, Eaton CL. Binding of epidermal growth factor by human normal, hypertrophic, and carcinomatous prostate. Prostate. 1989;14(2):123-32.
  51. Bahar ME, Kim HJ, Kim DR. Targeting the RAS/RAF/MAPK pathway for cancer therapy: from mechanism to clinical studies. Signal Transduct Target Ther. 2023;8(1):455.
  52. Guo YJ, et al. ERK/MAPK signalling pathway and tumorigenesis. Exp Ther Med. 2020;19(3):1997-2007.
  53. Ullah R, Yin Q, Snell AH, Wan L. RAF-MEK-ERK pathway in cancer evolution and treatment. Semin Cancer Biol. 2022;85:123-54.
  54. Chambard JC, Lefloch R, Pouysségur J, Lenormand P. ERK implication in cell cycle regulation. Biochim Biophys Acta. 2007;1773(8):1299-310.
  55. Gesmundo I, et al. Proton pump inhibitors promote the growth of androgen-sensitive prostate cancer cells through ErbB2, ERK1/2, PI3K/Akt, GSK-3β signaling and inhibition of cellular prostatic acid phosphatase. Cancer Lett. 2019;449:252-62.
  56. Schopf FH, Biebl MM, Buchner J. The HSP90 chaperone machinery. Nat Rev Mol Cell Biol. 2017;18(6):345-60.
  57. García-Alonso S, et al. Structure of the RAF1-HSP90-CDC37 complex reveals the basis of RAF1 regulation. Mol Cell. 2022;82(18):3438-52.e8.
  58. Chiosis G, Digwal CS, Trepel JB, Neckers L. Structural and functional complexity of HSP90 in cellular homeostasis and disease. Nat Rev Mol Cell Biol. 2023;24(11):797-815.
  59. Li J, Buchner J. Structure, function, and regulation of the Hsp90 machinery. Biomed J. 2013;36(3):106-17.
  60. Youssef ME, et al. Role of ganetespib, an HSP90 inhibitor, in cancer therapy: from molecular mechanisms to clinical practice. Int J Mol Sci. 2023;24(5):5014.
  61. Solit DB, Scher HI, Rosen N. Hsp90 as a therapeutic target in prostate cancer. Semin Oncol. 2003;30(5):709-16.
  62. Hoter A, Rizk S, Naim HY. The multiple roles and therapeutic potential of molecular chaperones in prostate cancer. Cancers (Basel). 2019;11(8):1194.
  63. Moon SJ, et al. Bruceantin targets HSP90 to overcome resistance to hormone therapy in castration-resistant prostate cancer. Theranostics. 2021;11(2):958-73.
  64. Li J, et al. Androgen-targeted hsa_circ_0085121 encodes a novel protein and improves the development of prostate cancer through facilitating the activity of the PI3K/Akt/mTOR pathway and enhancing AR-V7 alternative splicing. Cell Death Dis. 2024;15(11):848.
  65. Taneja SS, et al. Toremifene: a promising therapy for the prevention of prostate cancer and complications of androgen deprivation therapy. Expert Opin Investig Drugs. 2006;15(3):293-305.
  66. Yang J, et al. Protective effect of Fuzi Lizhong decoction against non-alcoholic fatty liver disease via an anti-inflammatory response through regulation of p53 and PPARG signaling. Biol Pharm Bull. 2020;43(11):1626-33.
  67. Sui Q, et al. Ganoderic acid A: an in-depth review of pharmacological effects and molecular docking analysis. J Ethnopharmacol. 2025;349:119868.
  68. Zhang T, et al. PPARG is a potential target of Tanshinone IIA in prostate cancer treatment: a combination study of molecular docking and dynamic simulation based on transcriptomic bioinformatics. Eur J Med Res. 2023;28(1):487.
  69. Astakhova A, et al. Inhibitors of oxidative phosphorylation modulate astrocyte inflammatory responses through AMPK-dependent Ptgs2 mRNA stabilization. Cells. 2019;8(10):1185.
  70. Liu Y, Cai Y, He C, Chen M, Li H. Anticancer properties and pharmaceutical applications of plumbagin: a review. Am J Chin Med. 2017;45(3):423-41.
  71. Ahmad I, et al. Synergistic inhibition of colon cancer cell proliferation via p53, Bax, and Bcl-2 modulation by curcumin and plumbagin combination. ACS Omega. 2025;10(18):19045-60.
  72. Bello IJ, Oyebode OT, Olanlokun JO, Omodara TO, Olorunsogo OO. Plumbagin induces testicular damage via mitochondrial-dependent cell death. Chem Biol Interact. 2021;347:109582.
  73. Hafeez BB, et al. Plumbagin inhibits prostate carcinogenesis in intact and castrated PTEN knockout mice via targeting PKCε, Stat3, and epithelial-to-mesenchymal transition markers. Cancer Prev Res (Phila). 2015;8(5):375-86.
  74. Kumar MR, et al. Formulation of plumbagin-loaded long-circulating pegylated liposomes: in vivo evaluation in C57BL/6J mice bearing B16F1 melanoma. Drug Deliv. 2011;18(7):511-22.
  75. Mandala Rayabandla SK, et al. Preparation, in vitro characterization, pharmacokinetic, and pharmacodynamic evaluation of chitosan-based plumbagin microspheres in mice bearing B16F1 melanoma. Drug Deliv. 2010;17(3):103-13.
  76. Tiwari SB, Pai RM, Udupa N. Temperature-sensitive liposomes of plumbagin: characterization and in vivo evaluation in mice bearing melanoma B16F1. J Drug Target. 2002;10(8):585-91.
  77. Onoue S, Yamada S, Chan HK. Nanodrugs: pharmacokinetics and safety. Int J Nanomedicine. 2014;9:1025-37.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Explorar mais artigos

Terapia com PlumbaginaDocagem MolecularRede de Interação ProteicaEnriquecimento FuncionalInteração Proteína-LiganteAlvos TerapêuticosProgressão do Câncer
Fale conosco
Recomendar à biblioteca

Privacidade

Termos de Uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.