Research Article

Менделевская рандомизационная транскриптомика и сетевая фармакология для выявления мишеней лекарств для остеоартрита

DOI:

10.3791/69569

⸱

January 23rd, 2026

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Smart minimally invasive orthopedics and interventional Medicine department, Nanchang Hongdu Hospital of Traditional Chinese Medicine, 2Nanchang Hongdu Hospital of Traditional Chinese Medicine, 3Jiangxi University of Chinese Medicine, 4Department of Orthopedic Hospital, the 1st Affiliated Hospital, Jiangxi Medical College, Nanchang University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Мы представляем методологический протокол, который интегрирует менделевскую рандомизацию, транскриптомический анализ и сетевую фармакологию для систематического выявления кандидатных мишеней для лечения остеоартрита. Этот подход позволяет приоритизировать цели с помощью генетических, экспрессивных и взаимодействующих доказательств, используя общедоступные данные и вычислительные инструменты.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В этой статье описывается интегрированная методология, объединяющая менделевскую рандомизацию (МР), транскриптомический анализ и сетевую фармакологию для выявления и приоритизации потенциальных терапевтических целей при остеоартрите (ОА). Он предназначен для того, чтобы направлять исследователей в реализации этого мультимодального канала для изучения повторного использования лекарств и разработки новых терапевтических вмешательств для ОА. Методологическая структура состоит из пяти последовательных этапов: первый — конвейер МР-анализа, использующий двухобразцовый МР для выявления предполагаемых причинных плазменных белков, связанных с ОА, затем фильтрация по Штайгеру и сканирование ассоциаций по всему феномену для оценки причинной направленности и возможных внецелевых эффектов; во-вторых, рабочий процесс транскриптомического секвенирования, интегрирующий данные РНК-секвенации для выявления и уточнения кандидатных белковых мишеней; в-третьих, стратегия интеграции, объединение результатов МР и транскриптоми для приоритизации кандидатных белков; в-четвёртых — сетевая фармакология и процедуры молекулярного стыковки, включающие построение сетей взаимодействия белок-белок, функциональный анализ обогащения и молекулярное стыкованное соединение для изучения взаимодействий лиганд-мишень; и пятое — предполагаемое применение, сосредотачивающееся на приоритете кандидатных соединений и натуральных продуктов с потенциальной терапевтической значимостью. Организуя рабочий процесс в отдельные аналитические фазы, эта структура обеспечивает воспроизводимый подход к переходу от генетического и транскриптомного открытия к вычислительной оценке лекарственной цели, без представления конкретных экспериментальных результатов. Методология способствует систематическому и гипотетическому исследованию терапии ОА с использованием общедоступных наборов данных и вычислительных инструментов.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Остеоартрит (ОА) характеризуется прогрессирующим ухудшением состояния хряща, изменениями подхондральной кости и чрезмерным ростомкостей 1. Сейчас это одна из главных причин инвалидности и экономического бремени вовсём мире. 2. В настоящее время лечение в основном включает стероидные или нестероидные противовоспалительные препараты (НПВС) для облегчения боли и воспаления. Однако НПВС часто вызывают нежелательные побочные эффекты в желудочно-кишечной и сердечно-сосудистойсистемах 3. Операция по замене суставов предлагает альтернативу, но примерно треть пациентов не испытывает значительного облегчения боли или функциональногоулучшения 4. По мере улучшения нашего понимания молекулярных механизмов ОА появилось несколько перспективных терапевтических целей, позволяющих более точные и персонализированные методылечения 5. Учитывая важную роль человеческих белков в биологических процессах, они являются ключевыми кандидатами для разработки препаратов на основе ОА. Нельсон и др. предположили, что выбор генетически поддерживаемых мишень может помочь справиться с высоким уровнем неудач лекарств вклинической разработке 6.

Менделевская рандомизация (MR) — это генетический подход для определения причинно-следственных связей между воздействием и исходами с использованием однонуклеотидных полиморфизмов (SNP) из общегеномных ассоциативных исследований (GWAS) в качестве инструментальныхпеременных 7,8. По сравнению с наблюдательными исследованиями, МР использует случайный набор генотипов на момент зачатия для уменьшения смешивания и обратнойпричинности 9. Анализ чувствительности помогает объяснить полигенную плейотропию, давая выводы, приближающие причинность. Благодаря этим преимуществам МР всё чаще используется для выявления терапевтических целей при таких заболеваниях, как рассеянный склероз и ревматоидныйартрит 10. Тем не менее, прогнозы на основе МРТ всё ещё требуют экспериментальной валидации, которую можно реализовать с помощью транскриптомного анализа для приоритизации ключевых генов, связанных с заболеваниями.

Сетевая фармакология, междисциплинарный подход, объединяющий системную биологию и вычислительныеинструменты 11, предполагает, что заболевания часто возникают из-за нарушений биологических сетей, а не мутаций отдельныхгенов 12. Этот метод позволяет анализировать многокомпонентные препараты и предсказывать их терапевтические цели на системном уровне путём анализа баз данных лекарственных заболеваний13. Молекулярное докирование, ключевой компонент этой системы, моделирует связывающие сродства между препаратами и мишенями для оценки приемлемости лекарств. Несмотря на эти достижения, немногие исследования интегрировали МР с сетевой фармакологией для ОА.

В этой статье представлен протокол, интегрирующий МРТ, транскриптомический анализ и сетевую фармакологию для выявления плазменных белков в качестве жизнеспособных терапевтических мишеней для ОА. Цель заключается не только в выявлении причинных белков, но и в приоритизации кандидатов в терапии с помощью вычислительного анализа.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Мы получили этическое одобрение и информированное согласие от Комитета по этике биомедицинских исследований Первой аффилированной больницы Университета Наньчан. Этический номер: (2025)CDYFYYLK(08-007).

МР-анализ

Извлечение данных
Данные плазмы pQTL были получены из исследования Чжэн и др.14, в котором были интегрированы пять наборов данныхGWAS 15, 16, 17, 18, 19, а также из исследования Феркингстад и др. Критерии включения данных были следующими: (i) значимые ассоциации по всему геному (p < 5 × 10⁻⁸); и (ii) плазменные белки как потенциальные терапевтические цели для ОА. Дизайн исследования изложен на рисунке 1. Во-первых, мы определили кандидаты на терапевтические мишени с использованием данных GWAS из IEU OpenGWAS и плазменных данных pQTL из исследований Zheng14 иFerkingstad 20 (Supplemental Table S1 и Supplemental Table S2). Затем были проведены фильтрация Штайгера и сканирование фенотипа для проверки надёжности результатов. IEU OpenGWAS (https://gwas.mrcieu.ac.uk/) использовался для получения сводной статистики по ОА бедра или колена (n = 417 596), ОА колена (n = 403 124) и ОА бедра (n = 393 873)21.

Команды фильтрации SNP

SNP с геномной значимостью (p < 5 × 10⁻⁸) подвергались процессу скопления (r² < 0,001, F-статистика > 10, размер окна = 10 000 кб) перед МР-анализом.

МР-анализ

Для изучения потенциальных мишеней для лекарств был проведен МР-анализ с использованием плазменных белков в качестве воздействия и OA в качестве результата, реализованного через пакет «TwoSampleMR» в R (v4.3.1). Когда для белка был доступен только один pQTL, использовалось соотношение Вальда; в противном случае применялись MR (MR-IVW) С ОБРАТНЫМ ДИСПЕРСИЕЙ, за которым следовали оценки гетерогенности и плейотропии. Коррекция Бонферрони была использована для учёта множественных тестов, при этом порог p < 5,63 × 10⁻⁵ для приоритизации белков.

Фильтрация Штайгера и сканирование фенотипа

Для оценки обратной причинности мы провели фильтрацию по Штайгеру. Результат «TRUE» с p < 0,05 указывал на отсутствие обратной причинности. Сканирование фенотипа проводилось с использованием LDtrait (https://ldlink.nih.gov/?tab=ldtrait#home-tab)22 для изучения ассоциаций pQTL с другими признаками. Пороги составляли R² = 0,1 и окно пар баз ±500 000. Плейотропные эффекты были присвоены pQTL, соответствующим обеим следующим параметрам: (i) значимой ассоциации по всему геному (p < 5 × 10⁻⁸) и (ii) связи с известными факторами риска ОА.

Исследование ассоциаций по всему феномену

Для учёта генной плейотропии и внецелевых эффектов мы провели общефеноменное ассоциативное исследование (PheWAS) с использованием портала AstraZeneca PheWAS (https://azphewas.com/), который содержит 15 500 бинарных фенотипов и 1 500 непрерывных фенотипов от ~450 000 участников UKBiobank 23. Пороговые значения были установлены по умолчанию для минимизации ложных срабатываний.

Сеть взаимодействия белка и белка (ИПП)

Для визуализации взаимодействий между потенциальными белковыми мишенями, выявленными MR, мы использовали GeneMANIA (https://genemania.org/) для анализа взаимодействия белок-белок и визуализациирезультатов 24.

Анализ обогащения

Для изучения биологической значимости мы провели анализ обогащения с использованием биоинформатических инструментов из https://www.bioinformatics.com.cn для анализа и визуализации данных.

Транскриптомический рабочий процесс

Общая РНК была извлечена с помощью набора реагентов для экстракции РНК в соответствии с рекомендациями производителя. Качество РНК оценивалось с помощью автоматизированной системы оценки качества РНК; использовались только образцы с RIN ≥7.0. Качество было подтверждено с помощью электрофореза агарозного геля без РНазы (гель 1,5%). Эукариотическая мРНК обогащалась с помощью олиго(dT) бусин; прокариотическая мРНК была обогащена с помощью магнитного комплекта для элиминации РНК. мРНК была фрагментирована (200-700 нт) и преобразована в кДНК с помощью комплекта подготовки библиотеки РНК. Библиотека кДНК была восстановлена на концах, A-tail, связана с адаптерами, очищена с помощью магнитных шариков для очистки ДНК (1.0×) и усилена с помощью ПЦР. Секвенирование проводилось на высокопроизводительной платформе следующего поколения. Дифференциально экспрессированные гены определялись log₂FC > 1 и скорректированы p < 0,05.

Сетевая фармакология

Для выявления потенциальных препаратов для целевых белков мы использовали BATMAN-TCM (http://bionet.ncpsb.org.cn/batman-tcm/index.php)25. Для выбора известных и предсказанных соединений использовалась пороговая оценка 0,74 (LR = 32,5). Растительные компоненты были взяты из TCMSP (https://old.tcmsp-e.com/index.php) и отфильтрованы с OB > 30% и DL > 0.1826.

Молекулярная стыковка

Для оценки взаимодействий связывания использовалась молекулярная стыковка. Белковые структуры были извлечены из PDB (https://www.rcsb.org/). Химера UCSF использовалась для предварительной обработки структур путём удаления лигандов и растворителей. AutoDock Tools использовался для расчёта зарядов Гастейгера и определения центров и размеров коробок. Структуры лекарств были получены из PubChem (https://pubchem.ncbi.nlm.nih.gov/) и предварительно обработаны аналогичным образом. Стыковка осуществлялась с помощью AutoDock Vina. Размеры коробки зависели от цели. Были рассчитаны аффинности связывания, а результаты визуализированы в UCSF Chimera.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Скрининг протеома на наличие причинных белков остеоартрита

Используя данные плазмы pQTL из исследования Чжэн и др., менделевский рандомизационный анализ (MR) выявил шесть ассоциаций белка-колена или тазобедренных ОА, одну связь белок-колено и четыре белк-тазобедренные ассоциации, соответствующие порогу значимости Бонферрони (P < 5,63 × 10⁻⁵) (Таблица 1 и Рисунок 2A-C

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Это двухобразный метод МР-анализа, который используется для прогнозирования потенциальных белков, связанных с остеоартритом (ОА), дополняемый секвенированием валидации образцов крови от пациентов с ОА и сетевой фармакологией для прогнозирования лекарственных мишеней для ОА. Мы использовали данные протеомики плазмы и данные GWAS для OA для проведения двухобразцового МР-анализа, идентифицировав 19 белков, связанных с OA, включая EFEMP1, PTHLH, PCSK1, ECM1, ISLR2, SEMA3G, SPOCK2, LRIG3, TME...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

У авторов нет конкурирующих интересов, которые можно было бы заявить.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Этот проект был поддержан Проектом Научного и технологического плана Комиссии здравоохранения провинции Цзянси (202610930) и Научным и технологическим планом Управления традиционной китайской медицины Цзянси (2025022398).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Биоанализатор Agilent 2100Agilent TechnologiesG2939AAАвтоматизированная система оценки качества РНК
AutoDock VinaИсследовательский институт СкриппсаВина 1.1.2Открытое командное программное обеспечение для вычислительной молекулярной стыковки
Платформа Illumina NovaSeq 6000IlluminaSY-415-1001Высокопроизводительная платформа секвенирования следующего поколения
Комплект подготовки библиотеки NEBNext Ultra RNANew England BiolabsNEB #E7770Фрагментировать и транскрибирать обогащённую мРНК в кДНК
Магнитный набор Ribo-ZeroЭпицентрMRZH11124Исключить рРНК
Набор реактивов ТризолИнвитрогенAM9738Извлечение полной РНК
UCSF ХимераКалифорнийский университет, Сан-ФранцискоChimera-alpha-win64Программное обеспечение для молекулярной визуализации и анализа структуры.

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Sirong, S., et al. Effects of tetrahedral framework nucleic acid/wogonin complexes on osteoarthritis. Bone Res. 8 (6), 6(2020).
  2. Glyn-Jones, S., et al. Osteoarthritis. Lancet. 386 (9991), 376-387 (2015).
  3. Bindu, S., Mazumder, S., Bandyopadhyay, U. Non-steroidal anti-inflammatory drugs (NSAIDs) and organ damage: a current perspective. Biochem Pharmacol. 180, 114147(2020).
  4. Costello, C. A., et al. Association between epidemiological factors and nonresponders to total joint replacement surgery in primary osteoarthritis patients. J Arthroplasty. 36 (5), 1502-1510.e5 (2021).
  5. Cho, Y., et al. Disease-modifying therapeutic strategies in osteoarthritis: current status and future directions. Exp Mol Med. 53 (11), 1689-1696 (2021).
  6. Nelson, M. R., et al. The support of human genetic evidence for approved drug indications. Nat Genet. 47 (8), 856-860 (2015).
  7. Reay, W. R., Cairns, M. J. Advancing the use of genome-wide association studies for drug repurposing. Nat Rev Genet. 22 (10), 658-671 (2021).
  8. Smith, G. D., Ebrahim, S. Mendelian randomization: can genetic epidemiology contribute to understanding environmental determinants of disease. Int J Epidemiol. 32 (1), 1-22 (2003).
  9. Lin, J., Zhou, J., Xu, Y. Potential drug targets for multiple sclerosis identified through Mendelian randomization analysis. Brain. 146 (8), 3364-3372 (2023).
  10. Cao, Y., Yang, Y., Hu, Q., Wei, G. Identification of potential drug targets for rheumatoid arthritis from genetic insights: a Mendelian randomization study. J Transl Med. 21 (1), 616(2023).
  11. Ju, S., et al. Potential therapeutic drug targets and pathways prediction for premature ovarian insufficiency based on network pharmacologic method. J Ethnopharmacol. 304, 116054(2023).
  12. Hopkins, A. L. Network pharmacology: the next paradigm in drug discovery. Nat Chem Biol. 4 (11), 682-690 (2008).
  13. Liu, X., et al. Integrating hippocampal metabolomics and network pharmacology deciphers the antidepressant mechanisms of Xiaoyaosan. J Ethnopharmacol. 268, 113549(2021).
  14. Zheng, J., et al. Phenome-wide Mendelian randomization mapping the influence of the plasma proteome on complex diseases. Nat Genet. 52 (10), 1122-1131 (2020).
  15. Suhre, K., et al. Connecting genetic risk to disease end points through the human blood plasma proteome. Nat Commun. 8, 14357(2017).
  16. Sun, B. B., et al. Genomic atlas of the human plasma proteome. Nature. 558 (7708), 73-79 (2018).
  17. Yao, C., et al. Genome-wide mapping of plasma protein QTLs identifies putatively causal genes and pathways for cardiovascular disease. Nat Commun. 9 (1), 3268(2018).
  18. Emilsson, V., et al. Co-regulatory networks of human serum proteins link genetics to disease. Science. 361 (6404), 769-773 (2018).
  19. Folkersen, L., et al. Mapping of 79 loci for 83 plasma protein biomarkers in cardiovascular disease. PLoS Genet. 13 (4), e1006706(2017).
  20. Ferkingstad, E., et al. Large-scale integration of the plasma proteome with genetics and disease. Nat Genet. 53 (12), 1712-1721 (2021).
  21. Tachmazidou, I., et al. Identification of new therapeutic targets for osteoarthritis through genome-wide analyses of UK Biobank data. Nat Genet. 51 (2), 230-236 (2019).
  22. Lin, S. H., Brown, D. W., Machiela, M. J. LDtrait: an online tool for identifying published phenotype associations in linkage disequilibrium. Cancer Res. 80 (16), 3443-3446 (2020).
  23. Wang, Q., et al. Rare variant contribution to human disease in 281,104 UK Biobank exomes. Nature. 597 (7877), 527-532 (2021).
  24. Warde-Farley, D., et al. The GeneMANIA prediction server: biological network integration for gene prioritization and predicting gene function. Nucleic Acids Res. 38 (Web Server issue), W214-W220 (2010).
  25. Kong, X., et al. BATMAN-TCM 2.0: an enhanced integrative database for known and predicted interactions between traditional Chinese medicine ingredients and target proteins. Nucleic Acids Res. 51 (Database issue), D1268-D1276 (2023).
  26. Liu, H., Wang, J., Zhou, W., Wang, Y., Yang, L. Systems approaches and polypharmacology for drug discovery from herbal medicines: an example using licorice. J Ethnopharmacol. 146 (3), 773-793 (2013).
  27. Collins, K. H., et al. Adipose tissue is a critical regulator of osteoarthritis. Proc Natl Acad Sci U S A. 118 (1), (2021).
  28. Godziuk, K., Hawker, G. A. Obesity and body mass index: past and future considerations in osteoarthritis research. Osteoarthritis Cartilage. 32 (4), 452-459 (2024).
  29. Kohno, H., et al. Synovial fluids from patients with osteoarthritis and rheumatoid arthritis contain high levels of parathyroid hormone-related peptide. J Bone Miner Res. 12 (5), 847-854 (1997).
  30. Binvignat, M., Sellam, J., Berenbaum, F., Felson, D. T. The role of obesity and adipose tissue dysfunction in osteoarthritis pain. Nat Rev Rheumatol. 20, (2024).
  31. D'Angelo, D., De Martino, M., Arra, C., Fusco, A. Emerging role of USP8, HMGA, and non-coding RNAs in pituitary tumorigenesis. Cancers (Basel). 11 (9), (2019).
  32. Islam, M. T., Chen, F., Chen, H. The oncogenic role of ubiquitin-specific peptidase USP8 and its signaling pathways targeting for cancer therapeutics. Arch Biochem Biophys. 701, 108811(2021).
  33. Hunter, D. J., Bierma-Zeinstra, S. Osteoarthritis. Lancet. 393 (10182), 1745-1759 (2019).
  34. Den Hollander, W., et al. Knee and hip articular cartilage have distinct epigenomic landscapes: implications for future cartilage regeneration approaches. Ann Rheum Dis. 73 (12), 2208-2212 (2014).
  35. Han, J., et al. Discovery of novel USP8 inhibitors via ubiquitin-rhodamine-110 fluorometric assay-based high-throughput screening. Bioorg Chem. 101, 103962(2020).
  36. Martineau-Doizé, B., Lai, W. H., Warshawsky, H., Bergeron, J. J. In vivo demonstration of cell types in bone that harbor epidermal growth factor receptors. Endocrinology. 123 (2), 841-858 (1988).
  37. Qin, L., Beier, F. EGFR signaling: friend or foe for cartilage. JBMR Plus. 3 (2), e10177(2019).
  38. Konttinen, Y. T., et al. Acidic cysteine endoproteinase cathepsin K in the degeneration of the superficial articular hyaline cartilage in osteoarthritis. Arthritis Rheum. 46 (4), 953-960 (2002).
  39. Lecaille, F., Kaleta, J., Brömme, D. Human and parasitic papain-like cysteine proteases: their role in physiology and pathology and recent developments in inhibitor design. Chem Rev. 102 (12), 4459-4488 (2002).
  40. Huberts, D. H., Van Der Klei, I. J. Moonlighting proteins: an intriguing mode of multitasking. Biochim Biophys Acta. 1803 (4), 520-525 (2010).
  41. Piatigorsky, J. Gene sharing, lens crystallins and speculations on an eye/ear evolutionary relationship. Integr Comp Biol. 43 (4), 492-499 (2003).
  42. Schiavone, N., et al. A conserved AU-rich element in the 3′ untranslated region of BCL-2 mRNA is endowed with a destabilizing function involved in BCL-2 down-regulation during apoptosis. FASEB J. 14 (1), 174-184 (2000).
  43. Papucci, L., et al. Impact of targeting the adenine- and uracil-rich element of BCL-2 mRNA with oligoribonucleotides on apoptosis, cell cycle, and neuronal differentiation in SH-SY5Y cells. Mol Pharmacol. 73 (2), 498-508 (2008).
  44. Banerjee, P., Markande, S., Kalarikkal, M., Joseph, J. Sumoylation modulates the function of DDX19 in mRNA export. J Cell Sci. 135 (4), (2022).
  45. Primorac, D., Stover, M. L., Clark, S. H., Rowe, D. W. Molecular basis of nanomelia, a heritable chondrodystrophy of chicken. Matrix Biol. 14 (4), 297-305 (1994).
  46. Styrkarsdottir, U., et al. Whole-genome sequencing identifies rare genotypes in COMP and CHADL associated with high risk of hip osteoarthritis. Nat Genet. 49 (5), 801-805 (2017).
  47. Kashima, I., et al. Binding of a novel SMG-1-UPF1-eRF1-eRF3 complex to the exon junction complex triggers UPF1 phosphorylation and nonsense-mediated mRNA decay. Genes Dev. 20 (3), 355-367 (2006).
  48. Yamashita, A., et al. SMG-8 and SMG-9, two novel subunits of the SMG-1 complex, regulate remodeling of the mRNA surveillance complex during nonsense-mediated mRNA decay. Genes Dev. 23 (9), 1091-1105 (2009).
  49. Hug, N., Cáceres, J. F. The RNA helicase DHX34 activates NMD by promoting a transition from the surveillance to the decay-inducing complex. Cell Rep. 8 (6), 1845-1856 (2014).
  50. Yamashita, A., Ohnishi, T., Kashima, I., Taya, Y., Ohno, S. Human SMG-1 associates with components of the mRNA surveillance complex and regulates nonsense-mediated mRNA decay. Genes Dev. 15 (17), 2215-2228 (2001).
  51. Campbell, D. J. The kallikrein-kinin system in humans. Clin Exp Pharmacol Physiol. 28 (12), 1060-1065 (2001).
  52. Bhoola, K. D., Elson, C. J., Dieppe, P. A. Kinins: key mediators in inflammatory arthritis. Br J Rheumatol. 31 (8), 509-518 (1992).
  53. Mateos, J., et al. Differential protein profiling of synovial fluid from rheumatoid arthritis and osteoarthritis patients using LC-MALDI TOF/TOF. J Proteomics. 75 (10), 2869-2878 (2012).
  54. Pelletier, J. P., et al. Inhibition of subchondral bone resorption in early experimental dog osteoarthritis by licofelone is associated with reduced synthesis of MMP-13 and cathepsin K. Bone. 34 (3), 527-538 (2004).
  55. Vasiljeva, O., et al. Emerging roles of cysteine cathepsins in disease and their potential as drug targets. Curr Pharm Des. 13 (4), 387-403 (2007).
  56. Zeng, Z., et al. Pelargonidin ameliorates inflammatory response and cartilage degeneration in osteoarthritis via suppressing the NF-κB pathway. Arch Biochem Biophys. 743, 109668(2023).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Mendelian RandomizationTranscriptomic AnalysisNetwork PharmacologyOsteoarthritis Drug TargetsTwo Sample MRRNA SequencingProtein Protein InteractionFunctional EnrichmentMolecular DockingDrug Repurposing

Related Articles