$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Все процедуры сетевой фармакологии проводились в соответствии с Руководством по методам оценки сетевой фармакологии21. Комплексный рабочий процесс сетевой фармакологии, принятый в этом исследовании, схематически проиллюстрирован на рисунке 2.
Синтез производных тиазолона
Производные тиазолонов в этом исследовании были синтезированы в нашей предыдущей работе19 с помощью катализируемой медью реакции дистанционного асимметричного пропаргилирования. В реакции использовали CuI в качестве катализатора и хиральный лиганд Pybox (L1) в качестве стереоуправляющего ядра в основе DIPEA и системе растворителя метанола при -10 °C в течение 48 ч, достигая высокой энантиоселективной связи между пропаргиловыми эфирами и тиазолонами. Целевой продукт получали с выходом до 89%, энантиомерным отношением (er) 97,8:2,2 и диастереомерным отношением (dr) 17,8:1. Для получения подробной информации о методах синтеза этого ряда соединений обратитесь к предыдущим исследованиям19. Этот метод продемонстрировал широкую применимость субстрата, вмещая арильные (орто-, мета-, пара-заместители), алифатические цепи и пропаргиловые эфиры с слитыми кольцами, а также различные замещенные тиазолоны, с выходом от 51% до 98%. Эта стратегия впервые эффективно конструирует тиазолоновые каркасы с несколькими хиральными центрами в рамках одноэтапного процесса, обеспечивая высокоселективный и прямой подход к синтезу молекул хиральных лекарств со значительным потенциалом применения в медицинской химии.
Сетевое фармакологическое прогнозирование
Целевое предсказание производного тиазолона: Структурные представления производных тиазолона были сгенерированы с помощью программного обеспечения KingDraw, а соответствующие структурные файлы впоследствии были преобразованы в SMILES ID с помощью программного обеспечения Open Babel. Для прогнозирования потенциальных терапевтических мишеней на фоне ПД мы применили комплексный вычислительный подход с использованием трех различных баз данных прогнозирования мишеней: SwissTargetPrediction (http://swisstargetprediction.ch/), TargetNet (http://targetnet.scbdd.com) и SuperPred (https://prediction.charite.de). Для анализа TargetNet мы реализовали строгий критерий фильтрации, выбрав гены с вероятностью > 0. В базе данных SuperPred мы применили более строгие параметры отбора, сохранив только те гены, которые демонстрируют точность модели > 90% и вероятность > 60%, что обеспечивает прогнозирование целей с высокой степенью достоверности.
Прогнозирование мишеней ПД: На основе базы данных GeneCards (https://www.genecards.org/) и базы данных OMIM (https://omim.org/) мы провели поиск рабдомиосаркомы. Для данных, полученных из базы данных GeneCards, мы отфильтровали результаты с оценкой более 20, чтобы получить гены, связанные с рабдомиосаркомой.
Построение и анализ сетей белок-белковых взаимодействий (ИПП): Были пересечены потенциальные мишени производных тиазолонов и генов, ассоциированных с RD. Потенциальные мишени для лечения рабдомиосаркомы эмбриона человека производными тиазолона были загружены в базу данных STRING (https://www.string-db.org/) для анализа взаимосвязи между белками и белками (белок-белковое взаимодействие) с высокой степенью достоверности. Сеть PPI была построена в программном обеспечении Cytoscape (http://www.cytoscape.org/), а основные мишени были проверены на основе значений степени.
Построение сети пути соединения-заболевания-мишени: Сеть «лекарство-мишень-путь» может четко видеть мишени соединений и заболеваний, а также пути, участвующие в этих мишенях, чтобы определить возможные ключевые мишени и пути для комбинированной терапии при РД. Сначала постройте таблицу сети и таблицу атрибутов в электронной таблице. Содержимое таблицы сети в основном включает соответствие между соединением и основной мишенью, соответствие между основной мишенью и вовлеченным путем, а также соответствие между RD и основным путем. Содержимое таблицы атрибутов в основном предназначено для классификации и именования всей информации в таблице сети. После этого откройте программу Cytoscape, загрузите список цепей в место загрузки, установите начальную и конечную точки, загрузите таблицу атрибутов и, наконец, измените форму изображения.
Комплексный функциональный анализ аннотаций и сетевой фармакологии - Construction Gene Ontology (GO) Enrichment, Kyoto Encyclopedia of Genes and Genomes (KEGG): анализ обогащения основных мишеней методом GO и KEGG был выполнен с помощью базы данных DAVID (https://david.ncifcrf.gov/). В порядке убывания значения P от малого к большому для анализа были выбраны топ-10 элементов в биологическом процессе (BP), клеточном компоненте (CC) и молекулярной функции (MF) в GO, а также проанализированы топ-20 в KEGG, а также созданы пузырьковые карты GO и KEGG основных мишеней на основе онлайн-платформы микробиоинформации.
Молекулярный докинг: основные белки-мишени были выбраны из базы данных PDB (https://www.rcsb.org/), и были загружены структурные файлы основных мишеней. Первоначально белки были обезвожены с помощью программного обеспечения PyMol с последующим разделением лигандов и рецепторов. Впоследствии белки были гидрированы с помощью программного обеспечения ADFRSuite, и были получены параметры сетчатого бокса для программного обеспечения молекулярного докинга AutoDock. Файлы pdbqt производных тиазолидинона и основных белков-мишеней были подготовлены с помощью программного обеспечения AutoDock Vina. Затем было проведено моделирование молекулярного докинга производных тиазолонов и основных белков-мишеней. Наконец, модели молекулярного докинга были визуализированы с помощью программного обеспечения PyMol.
Моделирование молекулярной динамики: PDB-файл был преобразован в GROMACS-совместимый формат GRO с использованием силового поля amber99sb-ildn и модели воды TIP3P:
gmx pdb2gmx -f Pro.pdb -o Pro_temp_H.gro -ff amber99sb-ildn -water tip3p -ignh
Был добавлен кубический периодический пограничный бокс с расстоянием 1,2 нм от белка:
gmx editconf -f Pro_temp_H.gro -o Pro_temp_H_box.gro -c -d 1.2 -bt cubic
Коробка была заполнена молекулами воды TIP3P:
gmx solvate -cp Pro_temp_H_box.gro -o Pro_temp_H_box_water.gro -p topol.top
Нейтрализация системы проводилась путем добавления ионов Na:
gmx grompp -f ions.mdp -c Pro_temp_H_box_water.gro -p topol.top -ions.tpr
gmx genion -s ions.tpr -o Pro_temp_H_box_water_ion.gro -p topol.top -neutral
Минимизация энергопотребления была выполнена:
gmx grompp -f minim.mdp -c Pro_temp_H_box_water_ion.gro -p topol.top -o em.tpr
gmx mdrun -v -deffnm em
Балансировка ОНВ проводилась:
gmx grompp -f nvt.mdp -c em.gro -r em.gro -p topol.top -o nvt.tpr
gmx mdrun -deffnm nvt -v
Уравновешивание ДНЯО проводилось:
gmx grompp -f npt.mdp -c nvt.gro -r nvt.gro -t nvt.cpt -p topol.top -o npt.tpr
gmx mdrun -deffnm npt -v
Начато моделирование молекулярной динамики производства:
gmx grompp -f md.mdp -c npt.gro -t npt.cpt -p topol.top -o md_0_1.tpr
gmx mdrun -deffnm md_0_1 -v
По завершении моделирования результирующие траектории были проанализированы с помощью Visual Molecular Dynamics (VMD) и PyMOL, а анализ свободной энергии связывания между белками и низкомолекулярными лигандами был выполнен с помощью программы g_mmpbsa.
Оценка влияния препарата на жизнеспособность клеток РД
Клетки РД (Embryonal Rhabdomyosarcoma Cell; STR Authenticated) в логарифмической фазе роста трипсинизировали с получением клеточной суспензии в концентрации 1 х105 клеток/мл. Затем эту суспензию засеивали в 96-луночный планшет с плотностью 1 x 104 клеток/лунку (100 μл на лунку) и инкубировали при 37 °C с 5%CO2 для обеспечения адгезии клеток. После адгезии среду заменяли 100 мкл бессывороточной среды, содержащей 1% FBS, и клетки голодали в течение 12 ч. Затем среду заменяли на 100 мкл соответствующей среды, содержащей различные концентрации испытуемого соединения. Контрольные скважины обрабатывали либо средой, содержащей растворители, либо обычной средой, а глухие лунки, содержащие только соответствующую среду без ячеек, включали. Планшеты инкубировали при 37 °С с 5%СО2 в течение 24 ч (продолжительность была определена в предварительных экспериментах как оптимальная для наблюдения максимального ингибирующего действия этого класса соединений на клетки РД. То есть время, необходимое для того, чтобы значение OD плотности ячеек достигло примерно 1,0%. После этого в каждую лунку добавляли по 10 мкл раствора CCK-8, и планшеты инкубировали еще 1-4 ч. Наконец, поглощение на длине волны 450 нм измеряли с помощью считывателя микропланшетов. Ячейки, обработанные растворителем, служили контрольной группой, а глухие лунки использовались для коррекции исходного уровня. Жизнеспособность клеток рассчитывали на основе показаний абсорбции.
Выживаемость % = [(контрольная группа-пустой)-(экспериментальная группа-пустой)]/(контрольная группа-пустой) x 100%