Методическая статья

Разъяснение материальной основы формулы Ици Цинцзе против IgA-нефропатии с использованием UHPLC-Q-Orbitrap HRMS, интегрированных с сетевой фармакологией

328 просмотров

⸱

DOI:

10.3791/70541

⸱

19 мая 2026 г.

 ,  ,  ,  ,  ,  ,  , 
1Department of Nephrology, Guang'anmen Hospital, China Academy of Chinese Medical Sciences., 2Institute of Chinese Materia Medica, China Academy of Chinese Medical Sciences., 3Department of New Drug Research and Development, Guang'anmen Hospital, China Academy of Chinese Medical Sciences.

В этой статье

Краткое содержание

Этот протокол описывает использование сверхвысокоэффективной жидкостной хроматографии в сочетании с гибридной квадрупольной масс-спектрометрией высокого разрешения Orbitrap (UHPLC-Q-Orbitrap HRMS), в сочетании с сетевой фармакологией и молекулярным стыковкой, для прогнозирования и валидации материальной основы формулы Ици Цинцзе (YQQJ) для лечения нефропатии IgA (IgAN).

Аннотация

В этом исследовании используются HRMS UHPLC-Q-Orbitrap для характеристики водоизвлекаемых и поглощаемых кровью компонентов YQQJ. Сетевая фармакология и молекулярное стыкинг дополнительно применяются для прогнозирования и проверки материальной основы, лежащей в основе терапевтического эффекта YQQJ против IgAN. Водный экстракт и образцы сыворотки YQQJ были проанализированы с помощью UHPLC-Q-Orbitrap HRMS для характеристики химических компонентов и идентификации поглощающих кровообращение соединений. Идентификация соединений проводилась на основе справочных баз данных, опубликованной литературы и всесторонней оценки времени удержания, точности массы ионов прекурсора, паттернов фрагментации MS/MS и изотопного распределения. Потенциальные цели прототипов кровоабсорбционных соединений предсказывались с помощью баз данных прогнозирования мишеней, а связанные с IgAN мишени собирались с интегрированных биоинформатических платформ. Основные цели были отсеяны с помощью анализа сети PPI. Была построена сеть «соединение — мишень–путь — болезнь» для выявления ключевых компонентов, а также проведено молекулярное стыкование для оценки взаимодействий между основными соединениями и мишенями. В водном экстракте YQQJ было выявлено всего 185 соединений. Из них 28 соединений вошли в кровоток в своих прототипах. PPI выявил 42 основных мишеня, связанных с терапевтическим эффектом YQQJ в IgAN. Анализы обогащения KEGG и GO показали участие в пролиферации клеток, воспалении и апоптозе, а также обогащении нескольких ключевых путей, таких как PI3K-Akt, MAPK и JAK-STAT. Анализ молекулярного докинга предсказал благоприятные связывающие взаимодействия между шестью критическими мишенями (CASP3, IGF1R, JUN, STAT3, PRKCB и PIK3CA) и тремя основными кровоабсорбующимися соединениями — деацетиласперулозидовой кислотой, генипозидиновой кислотой и диосцином — с устойчиво низкой энергией связывания, что указывает на возможные взаимодействия. Этот интегрированный анализ показывает, что YQQJ оказывает терапевтический эффект на IgAN через множество компонентов и множество мишеней. Деацетиласперулозидовая кислота, генипозидиновая кислота и диосцин считаются ключевыми активными компонентами, способствующими этим эффектам.

Введение

IgA-нефропатия (IgAN) является одним из самых распространённых первичных гломерулонефритов во всём мире. Клинические проявления отличаются высокой гетерогенностью, обычно проявляются в виде микроскопической или грубой гематурии, часто сопровождаемой разной степенью протеинурии, гипертонии и нарушения почек. Ранее исследования показывают, что до 40% пациентов прогрессируют почечная недостаточность в течение 20 лет после постановкидиагноза. 1; Однако более поздние данные указывают на заметно худший прогноз: у большинства пациентов развивается почечная недостаточность в течение 10–15 лет, а лишь небольшая часть сохраняет функцию почек на протяжении всей жизни безпрогрессирования 2,3,4. Хотя таргетные терапии недавно добились клинических успехов в управлении IgAN, их высокая стоимость и относительно медленное начало эффективности остаются серьёзными проблемами, а клинический баланс пользы и риска остаётся предметомспора 5,6.

Традиционная китайская медицина (ТКМ) демонстрирует особые преимущества в лечении сложных заболеваний. Он характеризуется стабильной терапевтической эффективностью, относительно низкой частотой побочных реакций и многоцелевыми синергетическимиэффектами 7. В отличие от фармакологических агентов с одной целью, формулы ТКМ обычно содержат несколько биоактивных компонентов, которые могут одновременно модулировать различные биологические пути. Этот многокомпонентный и многоцелевой режим действия предоставляет потенциальное терапевтическое преимущество при лечении сложных заболеваний, таких какIgAN 8. В теории ТКМ IgAN не имеет конкретного названия заболевания, но обычно классифицируется как «гематурия», «отёк», «боль в спине», «почечный отрыв» и «туберкуберкульозное заболевание». Большинство учёных считают, что её основной патогенез связан с дефицитом ци лёгких-селезёнки, что приводит к потере контроля над защитной Ци и, в свою очередь, к вторжению ветра, сырости, тепла и токсинов, что в конечном итоге повреждает почки. Хотя почка является основным органом, также могут поражаться сердце, печень, селезёнка илёгкие 9. Основываясь на этом понимании, многочисленные исследования были сосредоточены на выявлении травяных препаратов и формул с свойствами ци-тонизации, наружной консолидации, теплоочистки, детоксикации и устранения влажности для клинического леченияIgAN 10,11.

Формула Yiqi Qingjie (YQQJ) — это эффективный эмпирический рецепт, используемый в отделении нефрологии нашей больницы для лечения IgAN. Формула включает семь трав, включая Astragalus membranaceus (Хуанци), Lonicera japonica Thunb. (Цзиньиньхуа), Rheum palmatum L. (Dahuang), Hedyotis diffusa Willd. (Baihuashesao), Dioscorea nipponica Makino (Chuanshanlong), Spatholobus suberectus Dunn (Jixueteng) и Plantago asiatica L. (Чекцяньцао). YQQJ выполняет терапевтические функции: тонизация Ци, укрепление внешней формы, очищение тепла, детоксикация, активация кровообращения и стимулирование диуреза12. Клинические исследования показали, что YQQJ значительно снижает уровень протеинурии и гематурии у пациентов с IgAN, улучшает функцию почек и облегчает симптомы, связанные с иммунитетом, связанные с слизистой оболочкой, при этом демонстрируя благоприятный профиль безопасности12,13.

Хотя эта формула показала положительную клиническую эффективность, основу фармакологически активных материалов остаётся трудно разъяснить, поскольку формулы ТКМ содержат множество химических компонентов. Химическое профилирование, основанное исключительно на хроматографическом или масс-спектрометрическом анализе, может выявить общий химический состав формулы; однако он не может определить, какие соединения всасываются в системный кровообращение и напрямую способствуют терапевтическомуэффекту 14. Кроме того, традиционные исследования сетевой фармакологии в значительной степени основаны на прогнозах на базе данных и обычно проводят скрининг кандидатных соединений с использованием таких параметров, как пероральная биодоступность и подобие препарата. Этот подход может упускать из виду соединения, которые действительно оказывают фармакологическую активность invivo 15.

Для устранения этих ограничений недавние исследования всё чаще применяют интегративные аналитические стратегии, сочетающие сверхвысокопроизводительную жидкостную хроматографию в сочетании с гибридной квадрупольной масс-спектрометрией высокого разрешения Orbitrap (UHPLC-Q-Orbitrap HRMS), сывороточной фармакохимией и системной фармакологией в исследованияхТКМ 16,17. Фармакохимия сыворотки выявляет соединения, входящие в системный кровообращение после введения, предоставляя тем самым фармакокинетически значимые доказательства для скрининга потенциальных биоактивныхкомпонентов 18. В то же время UHPLC-Q-Orbitrap HRMS обеспечивает высокоточное обнаружение и структурную характеристику химических компонентов в сложных травяныхматрицах 19.

По сравнению с подходами, основанными исключительно на химическом профилировании или теоретическом прогнозировании целей, интегративный рабочий процесс, применённый в этом исследовании — включающий идентификацию компонентов на основе UHPLC-Q-Orbitrap HRMS, скрининг фармакохимии сыворотки, анализ фармакологии сети и валидацию молекулярного стыковки — предлагает ряд методологических преимуществ. UHPLC-Q-Orbitrap HRMS обеспечивает всестороннюю и точную идентификацию сложных химических компонентов. Фармакохимия сыворотки ограничивает кандидатные соединения теми, которые действительно всасываются в системный кровообращение, тем самым повышая биологическую правдоподобность последующих сетевых анализов. Анализ сетевой фармакологии на основе экспериментально подтверждённых абсорбциированных соединений позволяет системно исследовать многоцелевые механизмы и лучше отражает целостные фармакологические характеристики формул ТКМ. Молекулярное стыкование дополнительно обеспечивает предварительную вычислительную валидацию предсказанных взаимодействий соединения с мишей и поддерживает рациональное приоритизация кандидатов для последующего экспериментального подтверждения. В совокупности этот интегративный рабочий процесс обеспечивает надёжную, эффективную и физиологически релевантную стратегию для разъяснения материальной основы и механизмов сложных травяных формул, таких как YQQJ.

Этот рабочий процесс особенно подходит для изучения фармакологически активных веществ, основанных и механизмов сложных травяных формул, когда данные об абсорбции in vivo можно получить из фармакокинетических исследований на животных или человеке. Он особенно применим к формулам с установленной клинической эффективностью, но неясными активными компонентами. Тем не менее, следует признать ряд ограничений. Во-первых, точность прогнозирования целей зависит от качества и полноты публичных баз данных. Во-вторых, рабочий процесс сосредоточен на прототипных соединениях, обнаруженных в обращении, и не учитывает биоактивные метаболиты, образующиеся in vivo. В-третьих, прогнозы, полученные на основе анализов сетевой фармакологии, требуют дополнительной экспериментальной валидации. Несмотря на эти ограничения, рабочий процесс обеспечивает эффективный и надёжный подход к генерации гипотез и приоритизации целей в механистических исследованиях формул ТКМ.

Поэтому в данном исследовании используется HRMS UHPLC-Q-Orbitrap для систематической характеристики как водных экстрактных компонентов, так и циркулирующих соединений YQQJ, тем самым создавая относительно обширную базу данных потенциальных активных компонентов. На основе этого набора данных анализ сетевой фармакологии в сочетании с валидацией молекулярного стыкинга прогнозирует потенциальные фармакологически активные компоненты YQQJ для лечения IgAN и служит основой для последующих механистических исследований.

Протокол

Все экспериментальные процедуры с участием животных соответствовали Руководящим принципам по уходу и использованию лабораторных животных, изданными Комитетом по защите животных Китая. Все процедуры в этом исследовании были одобрены Институциональным комитетом по уходу и использованию животных (IACUC) Экспериментального центра животных больницы Гуаньаньмэнь.

1. Применение животных и лекарства

  1. Используйте двенадцать 6-недельных самцов крыс Sprague–Dawley (SD) весом от 200 до 230 г.
  2. Размещайте всех животных в Центре экспериментальных животных.
    ПРИМЕЧАНИЕ: Поддерживайте температуру в доме 20–26 °C и относительную влажность 40–70%. Используйте цикл свет/тьма 12 ч, чтобы имитировать естественные циркадные ритмы.
  3. Акклиматизировать животных в течение 7 дней в стандартных условиях с бесплатным доступом к корму и воде до начала эксперимента. Случайным образом крыс разделят на две группы (n = 6 на группу): контрольную и группу, лечившуюся лекарственно.
  4. Считайте эквивалентную дозу, преобразованную по площади поверхности тела между людьми иживотными 20. Введите концентрированный экстракт YQQJ пероральной вентиляцией при 24,68 мл/(кг·день) лечащейся группе. Вводите одинаковый объём дистиллированной воды в контрольную группу одновременно для обеспечения синхронной обработки.
  5. Продолжайте администрирование в течение 1 дня. Разделите общую дневную дозу на три равных введения (например, в 08:00, 13:00 и 18:00), чтобы обеспечить полную дозу в течение 1 дня.
    ПРИМЕЧАНИЕ: Быстрые животные в течение 12 часов до финальной вставки с бесплатным доступом к воде.
  6. Берите образцы крови через 2 и 8 часов после окончательного введения. Анестезия крыс путём инъекции 1% пентобарбитала натрия (50 мг/кг) внутрибрюшинной инъекции. Собирайте кровь из брюшной аорты.
  7. Оставьте образцы крови вертикально при комнатной температуре на 1 час, затем центрифугуйте при 450 × г в течение 5 минут при 4 °C. Проверьте, чист ли супернатант (сыворотка) без гемолиза. Перенесите супернатантную сыворотку и храните при –80 °C для дальнейшего анализа.

2. Подготовка растворов

  1. Подготовка тестовых решений
    1. Собирайте все сырые травы YQQJ согласно формуле. Добавьте 4 объёма очищенной воды в кастрюлю и замочите на 20 минут.
      ПРИМЕЧАНИЕ: В травы добавляли очищенную воду в соотношении 4:1 (v/w).
    2. Доведите смесь до кипения, затем продолжайте наварку 30 минут на слабом огне. Профильтруйте марлю и соберите фильтрат. Повторите навар с 4 объёмами воды ещё 30 минут и снова отфильтруйте.
    3. Объедините два фильтрата. Концентрируйте комбинированный раствор с помощью ротационного испарителя, установленного при температуре водяной бани 60 °C до достижения концентрации 3 г/мл (w/v, эквивалентной сырым лекарственным материалам).
    4. Проверьте, что концентрированный экстракт — это тёмная, вязкая жидкость без видимых осадков. Храните при 4 °C для последующего использования.
  2. Подготовка эталонных решений
    1. Точно взвесьте следующие эталонные соединения: деацетиласперулозидная кислота, генипозидиновая кислота, логаниновая кислота, морронизид, хлорогеновая кислота, сверозид, плантагогуанидиновая кислота, рейн-8-O-β-D-глюкопиранозид, генистин, апигенин-7-глюкозид, диосметин-7-O-β-D-глюкопиранозид, каликозин, протодиосцин, генистеин, диосметин, псевдопротодиосцин, формонетин, 3-гидрокси-9,10-диметоксиксиптеркарпан, алоэемодин, рейн, диосцин.
    2. Растворите каждое соединение в метаноле, втянете смесь в вихрь в течение 1 минуты, затем соникайте при комнатной температуре в течение 10 минут для полного растворения.
    3. Разбавьте каждый раствор метанолом, чтобы достичь конечной концентрации 10 мкг/мл для каждого стандарта.

3. Подготовка образцов

  1. Подготовка образцов экстракта YQQJ
    1. Пипетта 100 мкл водного экстракта YQQJ в центрифугную трубку объемом 1,5 мл. Добавьте 300 мкл метанола и проведите вихрь на 1 минуту. Центрифуга при 1800 × г, 4 °C в течение 10 минут. Убедитесь, что полученный супернатант чист и свободен от взвешенных частиц.
    2. Возьмите 100 мкл супернатанта и смешайте с 100 мкл ультрачистой воды, чтобы получить разбавление 1:1. Аккуратно закрутите и перенесите в автосэмплер для анализа.
  2. Подготовка образцов сыворотки с лекарственным средством
    1. Пипетта 100 мкл сыворотки в центрифугную трубку объемом 1,5 мл. Добавьте 300 мкл метанола и проведите вихрь в течение 10 минут, чтобы обеспечить осаждение белка. Центрифуга при 1800 × г, 4 °C в течение 10 минут.
    2. Соберите 270 мкл супернатанта и переведите в чистую трубку. Испарить супернатант до сухости с помощью вакуумного центробежного концентратора, установленного на 120 × г, 37 °C в течение 4 часов, пока не образуется видимый твёрдый остаток.
    3. Восстанавливайте остаток с помощью 90 мкл водного раствора 50% метанола. Вихрь в течение 1 минуты, чтобы полностью растворить остаток, затем снова центрифугировать при 1800 × г, 4 °C в течение 10 минут.
    4. Соберите 80 мкл последнего прозрачного супернатанта и переведите его в автопробоотборный флакон для анализа.

4. Аналитические условия

  1. Хроматографические условия
    1. Проведите хроматографическое разделение с помощью системы UHPLC, оснащённой хроматографической колонкой.
    2. Используйте двойную подвижную фазу (Фаза A: вода с 0,1% муравьиной кислоты; Фаза B: ацетонитрил). Примените программу градиентного элюирования, как показано в Таблице 1, при расходе 0,3 мл/мин. Установите температуру колонки на 40 °C, а объём впрыска — на 6,0 мкл.
      ПРИМЕЧАНИЕ: Характеристики колонки — 2,1 мм × 100 мм, размеры частиц 1,8 мкм.
  2. Условия РС
    1. Анализировать образцы с помощью масс-спектрометра квадрупольного орбитрап, оснащённого нагреваемым электрораспыляющим ионизационным зондом (HESI).
    2. Настройте параметры следующим образом: Ионизационное напряжение: 3,7 кВ (положительный режим) / 3,5 кВ (отрицательный режим); температура капилляров: 320 °C; давление газа в оболочке: 30 psi; вспомогательное давление газа: 10 psi; температура разолвации: 300 °C; оболочный газ и вспомогательный газ: азот; столкновенный газ: азот, 1,5 мТорр.
    3. Сбор данных в режиме полного сканирования/dd-MS2 . Установите полные параметры сканирования следующим образом: разрешение 70000, цель автоматического усиления 1×106, максимальное время изоляции 50 мс и диапазон m/z сканирования 100–1500.
    4. Собрать данные dd-MS2 с параметрами: разрешение 17500, цель управления автоматическим усилением 1×105, максимальное время изоляции 50 мс, выбрать верхние n (n≤10) наиболее интенсивные родительские ионы для фрагментации, а также динамический механизм исключения, окно изоляции m/z 2, энергия столкновения 10 В, 30 В, 60 В и порог интенсивности 1×105.

5. Обработка данных MS

  1. Обрабатывайте полученные данные MS с помощью специализированного программного обеспечения для обработки данных. Перейдите в модуль импорта данных и загрузите исходные файлы данных.
  2. Выполните модуль пика и выполните пиковую деконволюцию для группировки ионов аддуктов и генерации составных признаков.
  3. Ищите в справочных базах данных соединений, базах данных прогнозирования целей и соответствующей опубликованной литературе для идентификации кандидатов.
  4. Идентифицировать соединения с помощью двух взаимодополняющих стратегий идентификации на основе данных высокого разрешения по РС.
    1. Идентификация на основе сопоставления стандартов на основе эталонного стандарта. Подтверждайте соединения по сравнению с подлинными эталонными стандартами. Принимайте идентификацию только при выполнении всех следующих критериев:
      1. Точность массы: Массовая ошибка как ионов предшественников, так и ионов фрагментов должна быть в пределах ±5 ppm.
      2. Спектральное сходство: шкала косинусного сходства между экспериментальным спектром MS/MS и спектром MS/MS эталонного стандарта должна быть ≥ 0,85.
      3. Изотопное распределение: Балл сопоставления изотопных шаблонов должен быть ≥ 90%.
      4. Хроматографическое поведение: Отклонение времени удержания между обнаруженным соединением и эталонным стандартом должно составлять < 0,2 минуты.
        ПРИМЕЧАНИЕ: Соединения, соответствующие всем вышеуказанным критериям, обозначаются как MSI Level 1, что соответствует подтверждённой структурной идентификации.
    2. Идентификация на основе высокоразрешающих данных MS и спектрального прогнозирования in silico. Для соединений без доступных эталонных стандартов проводите предполагаемую идентификацию на основе точных измерений массы и вычислительного спектрального прогнозирования. Принимайте аннотации только при выполнении следующих критериев:
      1. Точность массы: Массовая ошибка ионов предшественников должна быть в пределах ±5 ppm, а массовая ошибка ионов фрагментов — в пределах ±10 ppm.
      2. Спектральное сходство: сравните экспериментальный спектр MS/MS с теоретическим спектром MS/MS, полученным из составной структуры SMILES с использованием алгоритма Progenesis QI. Принимайте совпадения с показателем косинусоидального сходства ≥ 0,60.
      3. Изотопное распределение: Балл сопоставления изотопных шаблонов должен быть ≥ 90%.
      4. Хроматографическое предсказание поведения: Отклонение между временем удержания экспериментов и прогнозируемым машинным обучением временем удержания должно составлять < 1,0 минуты.
        ПРИМЕЧАНИЕ: Модель прогнозирования времени удержания была обучена на основе экспериментальных хроматографических данных более 2000 эталонных соединений, проанализированных в тех же хроматографических условиях. Соединения, соответствующие этим критериям, обозначаются как MSI Level 2, представляя предполагаемо идентифицированные соединения с высокой структурной уверенностью.

6. Сетевая фармакология

  1. Идентификация всасывающихся компонентов и мишеней, связанных с IgAN,
    1. Импортировать идентифицированные прототипы кровопоглощённых компонентов YQQJ в базу данных прогнозирования целей. Выберите «Homo sapiens» в качестве целевого вида и получите его потенциальные цели. Запишите их как целевой набор кровоабсорбируемых соединений в YQQJ.
    2. Используйте ключевое слово «IgA-нефропатия» для получения мишеней заболеваний, связанных с IgAN, с интегрированных биоинформатических платформ. Объединяйте результаты из нескольких источников, чтобы минимизировать предвзятость.
      ПРИМЕЧАНИЕ: Используйте базу данных белков, чтобы преобразовать все полученные мишени в формат символов гена для обеспечения согласованности.
  2. Построение сети взаимодействия белок-белок (PPI) и идентификация основных мишеней
    1. Объедините целевой набор YQQJ, поглощающих кровь, с набором целей IgAN и извлеките их пересечение.
    2. Загрузите пересекающиеся цели на платформуPPI 21. Настройте настройки: установите организм как Homo sapiens, уровень доверия — 0,90, и убрать все отключённые узлы.
    3. Импортируйте данные PPI в программное обеспечениевизуализации 22. Запустите плагин топологического анализа. Вычислите центральность степени (DC)23, центральность между степенями (BC)24 и центральность близости (CC)25.
    4. Проводите скрининг основных терапевтических целей YQQJ на IgAN, фильтруя узлы с топологическими параметрами (DC, BC и CC), превышающими медиану.
  3. Создание и анализ интегрированной сети «YQQJ–компоненты–мишени–пути–болезнь»
    1. Подготовьте файл атрибутов узла: Создайте таблицу с двумя столбцами. Обозначьте первый столбец как Node Name , а второй — Node Type. Назначьте каждому узлу одну из пяти категорий (формула, компонент всасывания крови, цель пересечения, путь или заболевание).
    2. Подготовьте файл взаимодействия с сетью (edge): создайте таблицу, определяющую связи между узлами (например, Blood-Absorption Component to Intersection Target). Убедитесь, что все имена узлов совпадают с именами атрибутов узлов, чтобы избежать ошибок сопоставления.
    3. Импортируйте и постройте сеть: запустите программное обеспечение визуализации сети. Перейдите в File > Import > Network , чтобы загрузить edge-файл. В окне предварительного просмотра сопоставьте столбцы как Source Node и Target Node и нажмите OK , чтобы сгенерировать начальный граф.
    4. Отметьте атрибуты узла и задайте визуальные стили: импортируйте файл атрибутов узла через File > Import > Table. Откройте панель Style и сопоставьте столбец Node Type с конкретными визуальными свойствами, включая форму узла, цвет заполнения и размер.
    5. Выполните топологический анализ: перейдите в раздел Tools > Analysis Network для проведения топологических расчётов. Фильтруйте и определяйте основные активные соединения и ключевые терапевтические цели на основе значений степени.
      ПРИМЕЧАНИЕ: Используйте те же топологические параметры, что описаны на шаге 6.2, чтобы обеспечить согласованность идентификации ядра узла.
    6. Экспорт сетевого изображения: Завершить структуру сети. Перейдите в раздел File > Export > Network to Image, чтобы сохранить оптимизированную визуализацию.
  4. Обогащение GO и анализ путей KEGG
    1. Отправьте список генов: Откройте веб-платформу функциональных аннотаций. Перейдите к Шагу 1: Отправьте список генов и загрузите ранее отфильтрованный список основных целевыхгенов 26.
    2. Выберите вид: В выпадающих меню для Step 2: Input as Species и Step 3: Analysis as Species выберите H. sapiens. (человек), чтобы убедиться, что анализ проводится в правильном биологическом контексте.
    3. Настройте пользовательский анализ: выберите режим пользовательского анализа . В категории Обогащение проверьте следующие базы данных: Molecular Function Gene Ontology (GO), GO Biological Process (BP), GO Cellular Component (CC) и Kyoto Encyclopedia of Genes and Genomes (KEGG) Pathway.
    4. Установите порог значимости: установите порог P-значения на < 0,01, минимальное обогащение на ≥ 1,5, а минимальное перекрытие на ≥ 3. Держите все остальные параметры на их стандартных настройках.
    5. Выполните анализ: нажмите кнопку «Анализ обогащения », чтобы отправить задачу, и дождитесь завершения расчёта.
    6. Получение и экспорт результатов: Доступ к странице сгенерированного отчёта по анализу. Нажмите кнопку скачивания, чтобы экспортировать подробные данные обогащения в формате таблицы, а также соответствующие столбчатые диаграммы и тепловые карты.

7. Проверка молекулярного стыковки

  1. Скачайте высокоразрешённые (< 2,50 Å) 3D-белковые структуры основных мишень и 2D-химические структуры основных компонентов, поглощённых кровью, из баз данных структурнойбиологии 27.
  2. Запустите программное обеспечение для молекулярного стыковки и импортируйте загруженные структуры.
  3. Выполните следующие этапы предварительной обработки последовательно: перейти к редактированию > удалить воду, чтобы удалить молекулы воды; выберите Редактировать > Удалить гетероатомы , чтобы убрать нестандартные остатки.
  4. Перейдите в раздел Редактировать > водороды > добавить > только полярные атомы. Сохраняйте обработанные структуры в формате PDBQT через File > Save > Write PDBQT.
  5. Определите место стыковки с помощью инструмента Grid > Grid Box. Размеры коробки сетки адаптивно корректировались (20–100 Å) для обеспечения полного покрытия прогнозируемых областей связывания.
  6. Инициализируйте параметры стыковки: выберите рецептор через Docking > Macromolecule > Set Rigid Filename и откройте лиганд через Docking > Ligand > Open. Параметры стыковки были установлены следующим образом: исчерпывающая мощность = 32, энергетический диапазон = 3 ккал/моль, сохранялось до 10 режимов связывания. Для белков с кокристаллизованными лигандами коробка стыковочной сетки была центрирована на центроиде лиганда с удлинением 8,0 Å, тогда как для белков без кокристаллизированных лигандов связывающие карманы предсказывались с помощью DoGSiteScorer с покрытием примерно 90%.
  7. Выберите Ламарковский генетический алгоритм (LGA) в качестве стратегии поиска. Выполните симуляцию через стыковку > запустите AutoDock.
  8. Оцените аффинность связывания на основе рассчитанной энергии связи (балл стыковки)28.
    ПРИМЕЧАНИЕ: Меньшая энергия связывания указывает на более сильную прогнозируемую биоактивность и более высокую структурную стабильность белкового лиганда. Порог ≤ -5,0 ккал/моль обычно используется для определения благоприятной стабильности связывания.

Результаты

Анализ составляющих водного экстракта YQQJ
Компонентный анализ водного экстракта YQQJ проводился в условиях, установленных в ПРОТОКОЛЕ 4. UHPLC-Q-Orbitrap HRMS использовался как в положительных, так и в отрицательных ионных режимах полного сканирования для профилирования водного экстракта YQQJ, а полученная хроматограмма иона базового пика (BPI) показана на рисунке 1. На этой основе самостоятельно созданная база данных химических компонентов в сочетании со спектральной характеристикой MS/MS позволила успешно идентифицировать 185 соединений из водного экстракта, при этом подробная информация была изложена в Дополнительной таблице 1. Репрезентативные спектральные сопоставления и фрагментационные паттерны MS/MS, используемые для идентификации соединений, показаны на дополнительном рисунке 1. Статистический анализ категорий соединений показал, что флавоноиды и терпеноиды являются преобладающими компонентами в YQQJ, составляя 94 соединения — самая распространённая доля.

Всасывающиеся в кровь компоненты YQQJ
Для уточнения прямых биоактивных веществ in vivo были проанализированы образцы сыворотки, собранные после введения YQQJ. Хроматограмма BPI пустой сыворотки (рисунок 2) была включена для сравнения с целью отличия соединений, полученных из лекарственных средств, от эндогенных компонентов сыворотки. На основе BPI сыворотки, содержащей препарат (рисунок 3), было выявлено в крови всего 28 прототипных компонентов, в основном флавоноиды, терпеноиды и стероиды. Экстракционные ионные хроматограммы (EIC) представительных соединений в экстракте YQQJ, пустой сыворотке и сыворотке, содержащей препарат, дополнительно подтвердили наличие компонентов, полученных из лекарственных средств, в кровообращении (Дополнительный рисунок 2). Среди них 10 соединений происходят от Spatholobus suberectus Dunn, 7 — от Dioscorea nipponica Makino, 7 — от Astragalus membranaceus, 6 — от Hedyotis diffusa Willd., 6 — от Lonicera japonica Thunb., 4 — от Plantago asiatica L. и 4 — от Rheum palmatum.L., как изложено в дополнительной таблице 1.

Прогнозирование целевых компонентов YQQJ, связанных с IgAN
Всего 28 идентифицированных прототипов компонентов, поступающих в кровоток, были внесены в базы данных прогнозирования целей, что дало 459 потенциальных целей. Тем временем было получено 2779 целей, связанных с IgAN, с интегрированных биоинформатических платформ. Анализ пересечений выявил 247 перекрывающихся целей между YQQJ и IgAN (рисунок 4).

Строительство и анализ сети PPI
247 пересекающихся целей были загружены в платформу PPI, а программное обеспечение визуализации использовалось для отбора основных целей на основе трёх топологических параметров: DC, BC и CC. В итоге было определено 42 цели как основные узлы. Рабочий процесс, используемый для отбора этих основных целей, изложен на дополнительном рисунке 3. В сети PPI размер и цвет узлов варьировались в зависимости от значений параметров (рисунок 5), среди которых TP53, SRC, AKT1, ESR1 и STAT3 вошли в пятёрку лучших основных целей.

Сеть YQQJ «Формула–всасывающиеся компоненты – основные цели–пути–болезни»
Для систематического выявления многокомпонентных и многоцелевых механизмов YQQJ против IgAN была построена сеть взаимодействия «Формула–Компоненты с поглощением крови – Основные мишени – Пути – Болезни» с использованием программного обеспечения для визуализации. Сеть состояла из 96 узлов и 459 рёбер, где каждое ребро представляло связь или взаимодействие между двумя узлами (рисунок 6).

Анализ обогащения GO и KEGG
Анализ обогащения ГО по 42 ключевым целям выявил 1162 срока BP, 52 CC и 92 MF. На рисунке 7 показаны топ-10 наиболее значительно обогащённых терминов ГО в категориях BP, CC и MF. Анализ обогащения KEGG также выявил 182 пути, связанных с этими основными целями. Рисунок 8 иллюстрирует топ-20 значительно обогащённых путей, тесно связанных с патогенезом IgAN. На этих графиках более глубокие красные цвета указывают на более высокую статистическую значимость, тогда как большие размеры пузырьков или длинные полоски символизируют большее количество обогащённых целей внутри каждого пути.

Оценка молекулярного стыковки
В этом исследовании, на основе предыдущего анализа ключевых мишеней и связанных путей YQQJ при леченииIgAN 29,30,31,32, шесть основных мишеней, включая CASP3 (PDB ID: 6X8I), IGF1R (PDB ID: 1JQH), JUN (PDB ID: 8RPP), STAT3 (PDB ID: 6NJS), PRKCB (PDB ID: 8SE3) и PIK3CA (PDB ID: 5FI4), в качестве рецепторных белков для молекулярного стыкинга. В соответствии с основным патогенезом ТКМ IgAN, определяемым как «патогенный ветер, влажное тепло и токсины, проникающие в почку», в качестве лигандов были выбраны активные компоненты с теплоочищающими, удаленными и детоксикационными свойствами, а именно деацетиласперулозидовая кислота и генипозидиновая кислота из Hedyotis diffusa Willd., а также диосцин из Dioscorea nipponica. Макино. Результаты стыковки показаны на рисунке 9. Среди всех комбинаций лиганд-рецепторов диосцин демонстрировал заметно низкую энергию связи со всеми выбранными мишеньями, что указывает на более высокую предсказанную аффинность связывания. За исключением взаимодействий между JUN и деацетиласперулозидовой кислотой/генипозидиновой кислотой, другие пары стыковки также демонстрировали благоприятную связывающую активность. Репрезентативные 3D-конформации стыковки визуализированы на рисунке 10.

figure-results-1
Рисунок 1: Хроматограммы иона Base Peak водного экстракта YQQJ .(A) Хроматограмма BPI положительного ионного режима. (B) Хроматограмма BPI отрицательного ионного режима. Хроматограммы показывают общий химический профиль водного экстракта YQQJ при установленных условиях HRMS UHPLC-Q-Orbitrap. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-2
Рисунок 2: Хроматограммы иона базового пика пустой сыворотки. (A) Хроматограмма BPI положительного ионного режима. (B) Хроматограмма BPI отрицательного ионного режима. Хроматограммы отражают эндогенный профиль фона сыворотки, используемый в качестве контроля для сравнения с сывороткой, содержащей препарат, с целью отличия компонентов, полученных из лекарственного средства, от эндогенных компонентов. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-3
Рисунок 3: Хроматограммы иона Base Peak сыворотки сыворотки с YQQJ. (A) Хроматограмма BPI положительного ионного режима. (B) Хроматограмма BPI отрицательного ионного режима. Хроматограммы отражают профиль всасывающихся компонентов, обнаруженных в сыворотке после введения YQQJ. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-4
Рисунок 4: Диаграмма Венна перекрывающихся целей между YQQJ и IgAN. Диаграмма показывает количество прогнозируемых целей YQQJ, связанных с IgAN, и их пересечения, выделяя общие цели, потенциально участвующие в терапевтическом эффекте. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-5
Рисунок 5: Сеть взаимодействия белков и белков (PPI) основных мишеней. Узлы представляют белковые мишени, а рёбра — взаимодействия между мишенями. Размер узла и интенсивность цвета соответствуют значениям градусов, при этом крупные и темные узлы указывают на более высокую связность внутри сети. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-6
Рисунок 6: Интегрированная сеть компонентов, целей, путей и заболеваний YQQJ. Сеть иллюстрирует взаимосвязь между формулой, компонентами, всасывающими кровь, основными целями, путями и IgAN. Треугольник символизирует болезнь; круг обозначает пути; V-образный узел представляет собой формулу YQQJ; бриллиант символизирует травы; шестиугольник представляет компоненты; Восьмиугольник представляет прототипы компонентов, поглощённых кровью; прямоугольник представляет цели. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-7
Рисунок 7: Анализ обогащения GO основных целей. Столбочный график показывает топ-10 обогащённых терминов генной онтологии по категориям BP, CC и MF. Ось x обозначает члены GO, а ось y показывает −log10(p-значение), что указывает на значимость обогащения. Сокращения: BP = Биологический процесс; CC = клеточный компонент; MF = Молекулярная функция. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-8
Рисунок 8: Анализ обогащения путей KEGG основных целей. Пузырьковый график показывает топ-20 обогащённых путей KEGG. Размер точек указывает количество обогащённых генов, а цветовой градиент — −log10(p-значение), при этом более красные цвета указывают на более высокую статистическую значимость. Ось x показывает соотношение генов, а ось y — термины пути. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-9
Рисунок 9: Тепловая карта энергии связывания молекулярного стыковки. Тепловая карта показывает энергии связи (ккал/моль) между основными мишенями и ключевыми поглощающими кровь соединениями. Более низкие значения энергии связывания указывают на более сильную прогнозируемую аффинность связывания. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-10
Рисунок 10: Репрезентативные молекулярные стыковочные конформации. (A) Связывание конформации деацетиласперулозидовой кислоты с CASP3. (B) Связывающая конформация диосцина с STAT3. (C) Связывание конформации генипозидиновой кислоты с PIK3CA. Изображения показывают предсказанные взаимодействия лиганд–белок и ориентацию связывания. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Дополнительный рисунок 1: Структурная идентификация представительных соединений с помощью высокоразрешающего MS/ MS.(A) Сравнение спектрального спектра деацетиласперулозидовой кислоты от головы до хвоста между экспериментальным спектром (верх, красный) и спектром справочной базы данных (нижний, синий). (B) Высокоразрешающий спектр фрагментации MS/MS деацетиласперулозидовой кислоты. (C) Сравнение спектральных сравнений генипозидовой кислоты с эталонной базой данных. (D) Экспериментальный спектр фрагментации РС/РС генипозидовой кислоты. (E) Сравнение спектра диосцина с эталонной базой данных. (F) Высокоразрешающий спектр фрагментации MS/MS диосцина. Эти панели иллюстрируют спектральное сопоставление, используемое для идентификации составных веществ. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный рисунок 2: Экстракционные ионные хроматограммы (EIC) представительных соединений по образцам .(A) EIC деацетиласперулозидовой кислоты. (B) EIC генипозидиновой кислоты. (C) EIC Диосцина. Для каждой панели верхний след представляет собой водный экстракт YQQJ (ZY), средний след — пустую контрольную сыворотку (KBX), а нижний след — образцы сыворотки с компонентами, абсорбующимися кровью, после введения YQQJ (GYX). Сравнение подчёркивает наличие в сыворотке соединений, полученных из лекарственных средств. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный рисунок 3: Рабочий процесс для отбора основных целей. Блок-схема иллюстрирует поэтапный процесс идентификации целей, включая прогнозирование соединенных целей, сбор целей, связанных с IgAN, анализ пересечений, построение сетей PPI и скрининг основных целей на основе топологических параметров. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Время (мин)Мобильная фаза
A (v%)B (v%)
0982
1.0982
14.07030
25.00100
28.00100
28.1982
30.0982

Таблица 1: Программа элюирования градиентов UHPLC. В таблице представлены состав подвижной фазы и градиентные условия для хроматографического разделения, включая временные точки и соответствующие пропорции водных (фаза A) и органических (фаза B) растворителей.

Дополнительная таблица 1: Идентифицированные химические компоненты водного экстракта YQQJ. В таблице перечислены соединения, идентифицированные по системе UHPLC-Q-Orbitrap HRMS, включая прототипные компоненты, абсорбующие кровь (A1–A28), а также их классификацию и травяное происхождение. Сокращения: BHSSC = Hedyotis diffusa Willd.; CSL = Dioscorea nipponica Makino; DH = Rheum palmatum L.; JXT = Spatholobus suberectus Dunn; HQ = Astragalus membranaceus.; CQC = Plantago asiatica L.; JYH = Lonicera japonica. Танб. Составные классы включают A = алкалоиды; Ald = альдегиды; F = флавоноиды; N = нуклеозиды; O = Другие; OA = Органические кислоты; P = фенолы; PA = фенольные кислоты; Phe = фенилпропаноиды; Q = Квинонес; S = сахариды; Ste = стероиды; T = терпеноиды; Tan = Танины. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

В настоящем исследовании была использована интегрированная стратегия, объединяющая «идентификацию HRMS UHPLC-Q-Orbitrap – анализ фармакохимии сыворотки – прогнозирование фармакологии сети – валидация молекулярного стыковки» для систематического выяснения потенциальных материальных основ и механизмов YQQJ в лечении IgAN. В отличие от предыдущих исследований, которые в основном опирались на рассеянный склероз для анализа химических компонентов травяных формул и затем предсказывали механизмы с помощью только сетевойфармакологии 16, сывороточная фармакохимия следует процессу «сложных растительных компонентов — компонентов, всасивающих кровь — прямых активных веществ in vivo — фармакодинамической основе материала». Выявляя компоненты, входящие в системный кровообращение после введения, этот подход широко считается эффективной стратегией для определения фармакодинамической материальной основы формул ТКМ.

В этом исследовании анализ HRMS UHPLC-Q-Orbitrap изначально выявил 185 компонентов YQQJ, из которых 28 были подтверждены как прототипы всасывающихся веществ, что обеспечило надёжную химическую основу для последующих механистических исследований. Точность этой идентификации зависела от всестороннего сопоставления времени удержания, точной массы и информации о фрагментации MS/MS 14. На основе стратегии фармакохимии сыворотки эти прототипы абсорбцирующих кровообращения были использованы в качестве отправной точки для построения сети, что повысило значение между травяными компонентами и реальной эффективностьюin vivo 33. Интегрируя пересекающиеся мишени соединения с болезнью с скринингом основных узлов на основе ИПП, а затем анализами обогащения GO и KEGG, были выявлены ключевые сигнальные пути, связанные сIgAN 15. Результаты молекулярного стыкирования показали, что основные компоненты для абсорбции крови происходят из Hedyotis diffusa Willd. и Dioscorea nipponica Makino.может взаимодействовать с основными целями на основе предсказанной аффинности связывания, а не экспериментально подтверждённой функциональной активности. Эти результаты подтверждают гипотезу о том, что деацетиласперулозидная кислота, генипозидиновая кислота и диосцин могут служить потенциальными ключевыми фармакодинамическими компонентами YQQJ до дальнейшей экспериментальной проверки.

С технической точки зрения предварительная обработка образцов была крайне важна. Из-за сложности сыворотки и наличия эндогенных белков (например, гормонов и ферментов) вмешательство в обнаружение компонентов, всасасывающих кровь, неизбежно. В этом исследовании применялась метанольная преципитация для обогащения аналитов и уменьшения фоновых помех, обеспечивая как чувствительность, так и точность анализа MS34. Что касается временных моментов анализа крови, разные компоненты в травяных формулах могут проявлять разные паттерны всасывания и in vivo трансформации, что может влиять на их обнаружение в сыворотке. Поэтому, на основе предварительных испытаний, образцы сыворотки собирались через 2 и 8 часов после окончательного введения для максимального покрытия циркулирующих компонентов.

Для успешной реализации этого рабочего процесса оказалось особенно важным несколько процедурных этапов. Точная идентификация соединений во многом зависит от совместной оценки времени удержания, высокой точности массы и диагностических ионов фрагментов MS/MS. Кроме того, правильные сроки отбора образцов сыворотки необходимы для захвата всасывающихся веществ, которые могут появиться в кровообращении на разных стадиях после введения. Поэтому необходима тщательная оптимизация условий предварительной обработки образцов и хроматографического разделения для обеспечения надёжного обнаружения прототипов соединений в сложных биологических матрицах.

Могут возникнуть аналитические трудности во время подготовки образцов и анализа РС. Например, неполное осаждение белка может привести к эффектам матрицы, подавляющим эффективность ионизации, тогда как чрезмерный фоновый шум снижает чувствительность к обнаружению. Эти проблемы можно смягчить путём оптимизации соотношения растворителей во время осадки белка, улучшения хроматографических условий разделения и корректировки параметров получения РС. Во время обработки данных ложноположительные составные аннотации могут возникать при исключительном использовании сопоставления базы данных; поэтому рекомендуется ручная проверка фрагментационных паттернов MS/MS и их удержания для повышения надёжности идентификации.

В этой работе были включены несколько методологических аспектов. Во-первых, вместо традиционных критериев, таких как пероральная биодоступность и подобие препарата, для прогнозирования цели использовались только экспериментально проверенные компоненты всасывания крови. Этот подход позволил избежать возможного пропуска активных соединений из-за заранее установленных порогов фильтрации и исключить нерелевантные компоненты, которые не являются биодоступными in vivo, тем самым усиливая физиологическую значимость прогнозированиясетей 16. Во-вторых, выбор активных лигандов для стыковки был специально сосредоточен на основных компонентах, происходящих из трав, с функциями «устранения ветровой влажности и очищения теплового токсина» (Hedyotis diffusa Willd. и Dioscorea nipponica Makino.), что создало механистический мост между патологической концепцией ТКМ «токсин ветром-влажностью и тепла, вторгающийся в почку» и современными патологическими особенностями IgAN. Это предоставляет предварительные доказательства в пользу теории ТКМ корреляции формулы и шаблона. В-третьих, учитывая возможные различия в размере и качестве данных между базами данных, было интегрировано несколько платформ для расширения охватов целей и снижения предвзятости, возникаемой одной базойданных 35.

По сравнению с традиционными стратегиями, которые напрямую применяют сетевую фармакологию ко всем обнаруженным химическим компонентам, текущий рабочий процесс делает акцент на приоритете соединений, основанных на доказательствах, на основе экспериментально обнаруженных абсорбционных компонентов. Этот процесс поэтапной фильтрации сокращает количество кандидатов соединений, поступающих в вычислительный анализ, и улучшает интерпретируемость сетей взаимодействия соединения с целью. Кроме того, в отличие от исследований, ориентированных на метаболомику, которые в основном фиксируют эндогенные метаболические нарушения, текущая стратегия сосредоточена на экзогенных прототипах соединений, полученных из травяных лекарств, что позволяет более прямое приписывать фармакологическую активность конкретным растительным компонентам.

С практической методологической точки зрения этот рабочий процесс даёт несколько преимуществ для изучения сложных травяных формул. Интеграция HRMS с сывороточной фармакохимией позволяет надёжно идентифицировать биодоступные компоненты, а последующее сочетание сетевой фармакологии и молекулярного стыкинга создаёт иерархическую аналитическую структуру, связывающую химические данные с механистическим прогнозированием. Кроме того, ограничение построения сети экспериментально проверенными соединениями снижает её сложность и способствует более чёткой идентификации взаимодействий ядра соединения с мишенью.

У этого исследования есть и ограничения. Во-первых, сетевая фармакология и молекулярное стыковка — это предиктивные вычислительные подходы. Сильное связывание не обязательно приводит к биологической регуляции in vivo, поскольку молекулярное стыкование не учитывает динамику белков, клеточный контекст или дальнейшие сигналы. Кроме того, действующий протокол стыковки не включал повторную проверку стыковки с использованием кокристаллизованных лигандов или бенчмаркинг с известными ингибиторами, что может ограничивать оценку точности стыковки. Будущие исследования, включающие валидацию на основе RMSD, молекулярно-динамические симуляции и экспериментальные анализы, ещё больше укрепят надёжность этих прогнозов. В настоящее время наша группа завершила механистическую валидацию, показав, что диосцин действует по пути JAK2/STAT3, что в некоторой степени укрепляет достоверность предсказания и обеспечивает частичную экспериментальную поддержку ключевых целей, выявленных в исследовании, хотя другие взаимодействия компонент–мишень всё ещё требуютподтверждения 36. Во-вторых, влияние пропорциональной совместимости и дозировочных связей между травами не было включено в текущий анализ. Будущие исследования могут внедрить модели сетей с взвешенностью дозы и эффекта для лучшего отражания клинических практикназначения 37.

В заключение, текущий рабочий процесс — высокоразрешающая идентификация компонентов на основе МС на основе поглощения крови, анализ на основе сетевой фармакологии, ориентированный на мишени и пути, а также валидация молекулярного стыкинга — позволяет эффективно сузить базу активного материала и мишени действия по сложной травяной формуле. Это обеспечивает чёткое экспериментальное направление для последующего биологического подтверждения и ускоряет механистические исследования формул ТКМ. В будущем интеграция пространственной метаболомики, органоидных моделей и мультиомических технологий может позволить динамическую и трёхмерную валидацию и расширение текущих результатов в системах, более точных воспроизводящих физиологические и патологические условия, тем самым предоставляя более надёжные доказательства для разъяснения научной основы формул ТКМ.

Раскрытие информации

Авторы не заявляют о конфликтах интересов.

Благодарности

Эта работа была поддержана Национальным фондом естественных наук Китая (грант No 81973675), Проектом по продвижению медицинских больниц высокого уровня Китая (Грант No HLCMHPP2023039), а также Пекинский фонд естественных наук (грант No 7252259).

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
AutoDock 4.2.6Институт исследований сценариев-
Хроматографическая колонкаКорпорация Уотерс.ACQUITY UPLC HSS T3
Высокоскоростная рефрижераторная центрифугаТехнологии лаборатории ХеттичаMikro 220R
Интегрированные биоинформатические платформыWeizmann  Институт   of  Наука-База данных GeneCards (https://www.genecards.org/)
Интегрированные биоинформатические платформыThe  Johns  Hopkins  Университет   School  of  Медицина-База данных OMIM (https://omim.org/).
LC-MS/4 L ацетонитрилТермо Фишер СайентификA955-4
LC-MS/4 L метанолТермо Фишер СайентификA456-4
LC-MS/4 L ВодаТермо Фишер СайентификW6-4
LC-MS/50 мл муравьиная кислотаТермо Фишер СайентификA117-50
Программное обеспечение для обработки данных масс-спектрометрииКорпорация Уотерс.-Программное обеспечение Progenesis QI 3.0
Программное обеспечение для молекулярного стыковкиЛаборатория ОлсонаAutoDock 4.2.6
Платформа PPIКомпания по базе данных STRING-Онлайн-платформа STRING (https://string-db.org)
База данных белковЕвропейский институт биоинформатики; Швейцарский институт биоинформатики; Информационный ресурс о белках-Платформа UniProt (https://www.uniprot.org/)
Квадрупольный масс-спектрометр орбитрапТермо Фишер СайентификIQLAAEGAAPFALGMAZR
Эталонные базы данных соединенийTCM Pro 2.0, Beijing Hexin Technology Co., Ltd.-
Роторный испарительШанхайская Титанская Научная Компания, LtdTR-3L
Базы данных по структурной биологии.Брукхейвенская национальная лаборатория-База данных RCSB PDB (https://www.rcsb.org/)
Базы данных по структурной биологии.Национальный центр биотехнологической информации-База данных PubChem (https://pubchem.ncbi.nlm.nih.gov/)
Базы данных прогнозирования целейШвейцарский институт биоинформатики SIB-База данных SwissTargetPrediction (https://www.swisstargetprediction.ch)
Базы данных прогнозирования целейШанхай   Институт   of  Materia  Медика-База данных TCMSP (https://www.tcmsp-e.com/tcmsp.php)
Плагин топологического анализа--плагин Centiscape 2.2; Сетевой анализатор
Система UHPLCVanquish Flex-
Сверхвысокопроизводительный жидкостный хроматографТермо Фишер СайентификVanquish Flex UHPLC
Ультразвуковой экстракторKunshan Ultrasonic Instruments Co., Ltd.KQ3200D
Вакуумный центробежный концентраторNingBo Scientz Biotechnology Co., Ltd.SCIENTZ-1LS
Программное обеспечение для визуализации--Cytoscape 3.10.4
Веб-платформа функционального аннотирования.Broad  Институт-Онлайн-платформа Metascape (https://metascape.org)

Ссылки

  1. Pattrapornpisut, P., Avila-Casado, C., Reich, H. N. IgA nephropathy: Core curriculum 2021. Am J Kidney Dis. 78 (3), 429-441 (2021).
  2. Pitcher, D., et al. Long-term outcomes in IgA nephropathy. Clin J Am Soc Nephrol. 18 (6), 727-738 (2023).
  3. Shen, X., et al. Long-term outcomes of IgA nephropathy in China. Nephrol Dial Transplant. 40 (6), 1137-1146 (2025).
  4. Roberts, I. S. D. Pathology of IgA nephropathy: A global perspective. Nephrology (Carlton). 29 (Suppl 2), 71-74 (2024).
  5. Floege, J., Bernier-Jean, A., Barratt, J., Rovin, B. Treatment of patients with IgA nephropathy: A call for a new paradigm. Kidney Int. 107 (4), 640-651 (2025).
  6. Zhang, Y., Zhang, H. Current understanding and new insights in the treatment of IgA nephropathy. Nephrology (Carlton). 29 (Suppl 2), 75-79 (2024).
  7. Kang, S. Comparative analysis of western medicine and traditional Chinese medicine. 4th Int. Conf. Social Sciences and Humanities and Arts (SSHA 2025), 2025, , 350-355 (2025).
  8. Wang, X. H., et al. Traditional Chinese medicine in treating IgA nephropathy. J Transl Intern Med. 9 (3), 161-167 (2021).
  9. Zeng, Q., Xu, J. L., Liang, Y., Yu, R. H. Etiology and treatment progress of IgA nephropathy. Med Recapitulate. 28 (1), 163-167 (2022).
  10. Guo, T., et al. Regulation of immune dysfunction in IgA nephropathy. Chin J Basic Med Tradit Chin Med. 30 (3), 552-555 (2024).
  11. Deng, Q. H., Zou, D., Zhang, S. L., Zhou, X. Regulation of mucosal immunity in IgA nephropathy. Acta Chin Med. 40 (5), 1026-1031 (2025).
  12. Zhang, S. Q., Rao, X. R., Dai, X. W. Clinical observation of Yiqi Qingjie Fang. Guangming J Chin Med. (12), 44-45 (2006).
  13. Dong, M. Y., et al. Efficacy of Yiqi Qingjie Fang combined with immunosuppressants. Chin J Integr Tradit West Med. 39 (7), 791-797 (2019).
  14. Yu, Y., Yao, C., Guo, D. A. Chemical basis of traditional Chinese medicine. Acta Pharm Sin B. 11 (6), 1469-1492 (2021).
  15. Zhou, W. X., Cheng, X. R., Zhang, Y. X. Network pharmacology: A new concept. Chin J Pharmacol Toxicol. 26 (1), 4-9 (2012).
  16. Huang, Q., et al. Active components of Eucommia ulmoides. Chin J New Drugs Clin Rem. 40 (6), 460-469 (2021).
  17. Zhang, A. H., et al. Chinmedomics approach. Engineering. 5 (1), 60-68 (2019).
  18. Wang, X., Zhang, A., Sun, H., Yan, G. Serum pharmacochemistry of TCM. Phytother Res. 31, 7-14 (2017).
  19. Liu, R., Zhao, Z., Dai, S., Che, X., Liu, W. Bioactive compound identification. J Agric Food Chem. 67 (13), 3811-3825 (2019).
  20. Xu, S. Y., Bian, R. L., Chen, X. Pharmacological experimental methodology. Chin Pharmacol Bull. (1), 19(1992).
  21. Szklarczyk, D., et al. STRING v11 database. Nucleic Acids Res. 47 (D1), D607-D613 (2019).
  22. Shannon, P., et al. Cytoscape software. Genome Res. 13 (11), 2498-2504 (2003).
  23. Jeong, H., Mason, S. P., Barabási, A. L., Oltvai, Z. N. Protein network centrality. Nature. 411 (6833), 41-42 (2001).
  24. Joy, M. P., Brock, A., Ingber, D. E., Huang, S. High-betweenness proteins. J Biomed Biotechnol. (2), 96-103 (2005).
  25. Wuchty, S., Stadler, P. F. Centers of complex networks. J Theor Biol. 223 (1), 45-53 (2003).
  26. Zhou, Y., et al. Metascape resource. Nat Commun. 10 (1), 1523(2019).
  27. Burley, S. K., et al. RCSB PDB resources. Nucleic Acids Res. 53 (D1), D564-D574 (2025).
  28. Laskowski, R. A., Swindells, M. B. LigPlot+. J Chem Inf Model. 51 (10), 2778-2786 (2011).
  29. Cheung, C. K., et al. Pathogenesis of IgA nephropathy. Nat Rev Nephrol. 21 (1), 9-23 (2025).
  30. Zhao, L., et al. Triptolide and IgA nephropathy. Cell Prolif. 55 (9), e13278(2022).
  31. Tao, J., et al. JAK-STAT activity in IgA nephropathy. Clin J Am Soc Nephrol. 15 (7), 973-982 (2020).
  32. Cox, S. N., et al. Wnt/β-catenin and PI3K/AKT pathways. Kidney Int. 78 (4), 396-407 (2010).
  33. Nie, X., et al. Huagan Jian analysis. Chin Tradit Herb Drugs. 53 (2), 382-394 (2022).
  34. Wu, X. W., et al. Serum pharmacochemistry methodology. Chin J Exp Tradit Med Formulae. 25 (3), 173-179 (2019).
  35. Abbasi, K., et al. Deep learning in drug target prediction. Curr Med Chem. 28 (11), 2100-2113 (2021).
  36. Zhou, L., et al. Dioscorea nipponica mechanisms. J Ethnopharmacol. 353 (Pt A), 120272(2025).
  37. Zhang, K. Y., et al. Dose–effect network pharmacology. Chin J Hosp Pharm. 43 (7), 738-747 (2023).

Перепечатки и разрешения

Теги

KEGG
Разъяснение материальной основы формулы Ици Цинцзе против IgA-нефропатии с использованием UHPLC-Q-Orbitrap HRMS, интегрированных с сетевой фармакологией
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.