Интегрированный сетевой фармакологический анализ и молекулярный докинг сишеньского отвара выявляют потенциальные цели и пути при подагре

Краткое содержание

Этот протокол описывает сетевой фармакологический процесс и молекулярное докирование для выявления потенциальных мишеней, сигнальных путей и взаимодействия соединения с мишенью Sishen Decoction при подагре.

Аннотация

Подагра — это заболевание, характеризующееся гиперурикемией и отложением кристаллов уратов в суставах и мягких тканях, что приводит к рецидивирующему острому артриту. Растущая распространённость создаёт значительные клинические и социально-экономические нагрузки. Сишеньский отвар (SSD) применялся для лечения подагры, но его потенциальные молекулярные механизмы остаются неясными. В этом исследовании применялся интегрированный подход сетевой фармакологии и молекулярного докирования для выявления потенциальных мишень и сигнальных путей, связанных с SSD при подагре. Активные соединения и соответствующие мишени SSD были извлечены из базы данных традиционных китайских медицинских систем фармакологии (TCMSP), а связанные с подагрой мишени — из баз данных GeneCards и онлайн-менделевского наследования у человека (OMIM). Были выявлены перекрывающиеся мишени и использованы для построения сети препарат–компонент–мишень–болезни. Была создана сеть взаимодействия белков и белков (PPI) с использованием базы данных STRING Search Tool for the Retrieval of Interating Genes/Proteins. Были проведены анализы обогащения в Генной онтологии (GO) и Киотской энциклопедии генов и геномов (KEGG), после чего был проведен молекулярный стыковочный модуль с использованием модуля анализа сервера стыковки. Всего было связано 37 биоактивных соединений с 116 перекрывающимися целями, связанными с подагрою. Главными целями для узлов были TP53, IL6, IL1B, TNF, AKT1, EGFR, CASP3, JUN, BCL2 и MMP9. Анализ GO показал, что эти мишени участвуют в регуляции экспрессии генов и передаче сигналов. Анализ обогащения KEGG показал значимые связи с митоген-активированной протеинкиназой (MAPK), фосфоинозитид-3-киназой/протеинкиназой B (PI3K-Akt), интерлейкином-17 (IL-17) и сигнальными путями фактора опухолевой некрозы (TNF). Молекулярное стыковывание предсказывало благоприятные взаимодействия между ключевыми соединениями и мишенями хаба, при всех энергиях связи ≤−5 ккал/моль. Эти вычислительные результаты дают потенциальные механистические гипотезы о действии SSD при подагре и могут поддержать будущую экспериментальную валидацию.

Введение

Подагра — это заболевание, характеризующееся гиперурикемией и отложением кристаллов уратов в суставах и мягких тканях, что приводит к рецидивирующему острому^{артриту 1}. Его характерные черты включают повторяющиеся эпизоды сильной боли, покраснения, отёка и нарушения функции^{суставов 2,3}. Из-за основных пищевых факторов риска, таких как высокое потребление пурина и сахара, а также чрезмерное употребление алкоголя, распространённость подагры значительно выросла, что делает её серьёзной проблемой общественного здравоохранения, которая не только ухудшает качество жизни пациентов, но и накладывает значительные социально-экономические^{нагрузки 4,5,6}. Эффективное лечение подагры направлено как на устранение острых воспалительных обостряний, так и на долгосрочное снижение уровня мочевой кислоты в^{сыворотке 7,8}. Использование нестероидных противовоспалительных препаратов, колхицина или глюкокортикоидов для контроля острого воспаления подагры часто сопровождается рядом побочных эффектов, чаще всего — расстройствами желудочно-кишечного^{тракта 9,10}. Кроме того, препараты для снижения урата, такие как бензбромарон, аллопуринол и фебуксостат, несут риск гепатотоксичности и гиперчувствительности, что ограничивает их более широкое клиническое^{применение 11,12}. Поэтому изучение новых терапевтических стратегий, которые являются безопасными, эффективными и поддерживаются чётко определёнными механизмами, остаётся значительным клиническим значением.

Клиническая практика традиционной китайской медицины (ТКМ) в профилактике и лечении подагры имеет долгую историю. Практикующие из разных династий накопили обширный опыт применения ТКМ для лечения этого состояния с хорошо задокументированной терапевтической эффективностью. Благодаря целостной регуляции и многопутному вмешательству патологических процессов ТКМ демонстрирует особые терапевтические^{преимущества 13}. Отвар Сышэн (SSD), происходящий из текста династии Цин «Недавно собранные проверенные формулы», состоит из пяти лекарственных трав: Astragalus membranaceus (Хуанци), Polygala tenuifolia (Юаньчжи), Achyranthes bidentata (Хуайнюси), Dendrobium nobile (Шиху) и Lonicera japonica (Цзиньиньхуа). Сообщается, что SSD снижает уровень мочевой кислоты и улучшает качество жизни пациентов с подаграй, усиливая жизненно важную ци, устраняя патогенные факторы и разблокируя сопутствующие вещества для облегчения^{боли 14,15}. Эти терапевтические эффекты соответствуют целостным регуляторным принципам ТКМ. Её потенциальная активность может включать модуляцию сложной иммунно-метаболической нейроэндокринной сети, тем самым влияя на патологическую среду, связанную с^{подагрою16}. Однако молекулярная основа, лежащая в основе терапевтического эффекта SSD при подагре, остаётся неясной. Кроме того, несмотря на предыдущие исследования SSD при других воспалительных заболеваниях, его потенциальные цели и пути при подагре не были систематически изучены с использованием интегрированного вычислительного подхода.

Сетевая фармакология, новая дисциплина, объединяющая системную биологию и полифармакологию, использует целостную стратегию «болезнь — ген — мишень — лекарство», которая естественным образом соответствует многокомпонентным и многоцелевым характеристикам формул^{ТКМ 17,18}. Молекулярное докингование дополняет этот подход, предсказывая способы связывания и аффинности между активными соединениями и целевые белки на молекулярном уровне, предоставляя тем самым подтверждающие доказательства предсказанных^{взаимодействий 19}. Сочетание глобального скрининга на основе сетевой фармакологии и оценки мишени на основе молекулярного докирования может повысить надежность прогнозирования цели и снизить вероятность ложноположительных результатов, связанных с одним аналитическим^{методом 20}. Важно, что результаты, полученные этими вычислительными подходами, предоставляют проверяемые гипотезы, требующие последующего экспериментального подтверждения. Учитывая, что молекулярные механизмы SSD при подагре остаются слабо изученными, в данном исследовании использовалась интегрированная стратегия сетевой фармакологии и молекулярного докинга для выявления потенциальных мишеней, сигнальных путей и взаимодействий соединений с мишенью, связанных с SSD при подагре.

Протокол

Это вычислительное исследование на базе данных не включает участников на людях, эксперименты на животных или клинические образцы. Согласно статье 32 Китайских мер по этическому обзору наук о жизни и медицинских исследований с участием людей, исследования, использующие законно полученные публично доступные данные, не причиняющие вреда человеческим испытуемым, не содержащие чувствительной личной информации и не имеющие коммерческих интересов, подлежат освобождению от этической проверки. Поэтому этическое одобрение для этого исследования не требуется.

Экспериментальное проектирование и аналитический конвейер этого исследования иллюстрированы на блок-схеме (рисунок 1).

Рисунок 1: Общий рабочий процесс исследования . Блок-схема иллюстрирует последовательный рабочий процесс анализов фармакологии и молекулярного докинга, включая получение активных компонентов и мишень Сисеньского декокта (SSD), сбор мишеней, связанных с подагрою, выявление перекрывающихся мишеней, построение сети препарат–компонент–мишень–болезнь и сети взаимодействия белков (PPI), анализ обогащения Генной онтологии (GO) и Киотской энциклопедии генов и геномов (KEGG). а также молекулярные стыковочные симуляции. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Получение активных компонентов и целевых белков SSD
2 января 2026 года активные химические компоненты пяти трав, составляющих SSD — Хуанци, Юаньчжи, Хуайнюси, Шиху и Цзиньиньхуа — были извлечены из базы данных²¹ по фармакологии традиционных китайских медицинских систем (TCMSP). Были применены критерии скрининга, основанные на фармакокинетических свойствах: пероральная биодоступность (OB) ≥30% и похожие на лекарственные средства (DL) ≥0,1822. Компоненты, соответствующие этим критериям, рассматривались как потенциальные активные компоненты. Затем собирались соответствующие мишени для каждого компонента. Поскольку у TCMSP не было полных данных по Юаньчжи и Шиху, химические компоненты этих двух трав были дополнительно извлечены из базы данных Herb 2.0 в тот же день. После получения имён компонентов в TCMSP был выполнен обратный поиск с использованием имён компонентов и соответствующих номеров CAS в качестве ключевых слов для получения целевой информации. Для соединений, полученных из базы данных Herb, сохранялись только те, которые успешно сопоставили с записями в TCMSP по названию компонента или номеру CAS. Затем сопоставленные соединения подвергались тем же критериям фармакокинетического скрининга (OB ≥ 30% и DL ≥ 0,18) с использованием данных TCMSP, а соединения, не имеющие полной информации о OB или DL, были исключены. Все сопоставленные и отфильтрованные соединения были ручно проверены по оригинальным записям Herb 2.0, чтобы избежать ошибки. Впоследствии информация о целях, полученная из базы данных Herb, была объединена с данными оставшихся трав для создания полного набора активных ингредиентов для SSD.

Все полученные целевые белки были стандартизированы по официальным символам генов с использованием базы данных UniProt. Была установлена индивидуальная корреспонденция путём сохранения только работ, проверенных человеком (Swiss-Prot), и исключения непроверенных (TrEMBL) записей. Когда несколько изоформ соответствовали одному и тому же символу гена, выбиралась каноническая изоформа. Стандартизированный целевой набор данных сохранялся для последующего анализа пересекающихся генов.

Коллекция мишень, связанных с подагрой
2 января 2026 года были проведены систематические поиски в базе данных GeneCards и OMIM с использованием ключевого слова «подагра» в качестве заболевания для получения целевых целей, связанных с подагрою. Цели, полученные из двух баз данных, экспортировались в WPS Spreadsheets (версия 12.1.0). Столбец Gene Symbol из OMIM располагался рядом со столбцем GeneSymbol из GeneCards, а дублирующиеся цели удалялись с помощью функции «Remove Duplicates» на основе точного совпадения официальных символов генов без регистра. Целевые показатели из двух баз данных были объединены для создания комплексного набора целей, связанных с подагрою.

Выявление пересекающихся целей между лекарством и болезнью
Набор таргетов для лекарств, полученный при скрининге активных компонентов, и набор мишеней, связанных с подагрою, были помещены в одну папку проекта (D:\Venn). Было запущено программное обеспечение R (версия 4.4.0), а пакет readxl использовался для импорта файлов Excel (.xlsx с целевой таблицей. Пакет dplyr использовался для обработки данных, включая фильтрацию и переименование столбцов перед анализом пересечений. Два целевых набора затем преобразовывались в векторы символов, а перекрывающиеся цели были выявлены с помощью функции calculate.overlap() из пакета VennDiagram. Пакет VennDiagram устанавливался из CRAN с помощью команды install.packages("VennDiagram") и хранился в стандартном пути библиотеки R. Если появлялось сообщение о том, что пакет уже установлен, установка считалась успешной. Рабочая папка настраивалась с помощью команды setwd("D:\\Venn"), которая обозначала папку с входными файлами и служила выходной директорией. Затем был выполнен скрипт R для вычисления пересечения между набором целевых препаратов и набором мишеней, связанных с подагрою. Полученные перекрывающиеся мишени были определены как потенциальные терапевтические цели SSD для лечения подагры.

Создание сети «Лекарственные компоненты-таргет-болезни»
Пересекающиеся гены, выявленные в результате перекрытия между целями SSD и целями, связанными с подагрою, сохранялись в файле overlapping_targets.txt , а информация о активных компонентах SSD — в файле drug_components.txt . Оба файла помещались в папку проекта (D:\Network), которая служила рабочей директорией для анализа. Для обеспечения воспроизводимости этот анализ проводился с использованием R. Операции чтения, фильтрации и слияния данных выполнялись с использованием комбинации базовых функций R, включая read.table(), write.table() и merge(), а также пакет dplyr для обработки кадров данных. Команда setwd("D:\Network") выполнялась для явного определения рабочего каталога.

Функция graph_from_data_frame() использовалась как основная функция интеграции. Каждая строка drug_components.txt связывала активный компонент с соответствующим целевым геном с помощью официальных символов гена. Сохранялись только цели, присутствовавшие в overlapping_targets.txt , и дополнительной фильтрации не применялись сверх требования к пересечению. Полученный сетевой набор данных экспортировался в виде network.txt в формате edge-list. Каждая строка содержала два столбца (node1 и node2), где node1 представлял либо формулу SSD, либо активный компонент, а node2 — либо активный компонент, либо целевой ген. Узел болезни («подагра») был соединён с формулой SSD как отдельный край. Веса рёбер не присваивались, и все рёбра рассматривались одинаково (ширина рёбер = 0,8).

Файл network.txt был импортирован в программное обеспечение для визуализации сети Cytoscape (версия 3.7.2). Встроенный инструмент NetworkAnalyzer был использован через Tools → Network Analysis → Analyze Network для получения базовой структуры сети, и в качестве аналитической структуры была выбрана «Degree Distribution». Формы и цвета узлов были распределены в зависимости от типов узлов: синие ромбы — формулу SSD, синие прямоугольники — активные компоненты, оранжевые эллипсы — гены, связанные с болезнью, а красные восьмиугольники — сущность болезни подагры. Размер узла был установлен пропорционально степени узла (размер узла = 30 + градус × 5, максимальный размер = 100).

Построение сети взаимодействия белков и белков (PPI)
Фильтрованный набор пересекающихся целевых генов был импортирован в базу данных STRING (версия 12.0) 2 января 2026 года. Вид был ограничен Homo sapiens, минимальный порог доверия к взаимодействию был установлен на высоком уровне (0,700), разрозненные белки были скрыты, источники взаимодействия включали все доступные источники доказательств, а все остальные параметры сохранялись на своих настройках по умолчанию для получения известных и предсказуемых белок-белковых взаимодействий. Полученные сетевые данные экспортировались в формате значений с разделёнными вкладками (TSV) с использованием стандартных вариантов экспорта.

Экспортируемая сеть импортировалась в программное обеспечение визуализации сети для визуализации и топологического анализа. Свойства сети рассчитывались с помощью встроенного инструмента NetworkAnalyzer (Tools → Network Analysis → Analyze Network). Рассчитанные метрики включали степень, центральность промежуточности и центральность близости. Размеры узлов отображались в значения степеней с помощью функции непрерывного отображения (размер узла = 20 + степень × 3, максимальный размер = 80).

Цели хаба определялись путём ранжирования всех узлов по значениям степеней в убывающем порядке. Узлы с более высокими значениями степени считались более центральными в сети. Изолированные узлы (степень = 0) были исключены из визуализации. Схема сети была организована концентрическими кругами от центра наружу в соответствии с связностью узлов, а цвета узлов отображались с помощью градиента синего в циан, соответствующего возрастающим значениям градусов. Получившаяся сеть использовалась для выявления основных целей хаба, участвующих в потенциальном терапевтическом эффекте SSD против подагры.

Анализ обогащения генной онтологии (GO)
На основе выявленных перекрывающихся целевых генов был проведен функциональный анализ обогащения GO с использованием R. Необходимые пакеты биопроводников устанавливались в стандартный путь библиотеки R и загружались в среду анализа. Пересекающийся генный файл хранился в каталоге проекта (D:\GO), а рабочий каталог определялся с помощью функции setwd().

Преобразование и аннотация идентификаторов гена выполнялись с помощью org пакета Bioconductor. Hs.eg.db (версия 3.20.0). Официальные генные символы были преобразованы в идентификаторы генов Entrez с помощью функции bitr() в пакете анализа обогащения clusterProfiler (версия 4.21.0). Для дальнейших анализов сохранялись только гены с уникальными отображениями один к одному, тогда как неоднозначные или некартированные записи были исключены.

Анализ обогащения GO проводился с использованием пакета анализа обогащения. Функция enrichGO() использовалась с онтологическими категориями: Биологический процесс (BP), Клеточный компонент (CC) и Молекулярная функция (MF). Статистическая значимость определялась с помощью метода коррекции с множественным тестированием Бенджамини–Хохберга, при этом скорректированное P-значение < 0,05 считалось значимым.

Для каждой категории онтологий значительно обогащённые термины ранжировались по коэффициенту обогащения:

EF = (количество генов / общее количество фоновых генов) ÷ (размер термина / общий геном генома)

Для детального анализа были выбраны топ-10 терминов. При идентичных коэффициентах обогащения термины с более низкими скорректированными P-значениями ранжировались выше.

Результаты обогащения визуализировались с помощью ggplot2 (версия 3.5.1) и enrichplot (версия 1.24.0). Пузырьковые графики и столбчатые диаграммы генерировались с помощью функций dotplot() и barplot(). Размер пузыря отражал количество обогащённых генов, тогда как цвет соответствовал значимости обогащения, выраженной как −log10 (скорректированное P-значение). Параметры по умолчанию использовались на протяжении всего процесса.

Анализ обогащения путей KEGG
Анализ обогащения путей KEGG пересекающихся целей SSD и подагры был проведён с использованием R и ранее описанного пакета анализа обогащения. Генные символы преобразовывались в идентификаторы, совместимые с KEGG, с помощью функции bitr(), предоставляемой в пакете анализа обогащения, при этом KEGG служила ресурсом аннотаций. Анализ обогащения путей проводился с использованием функции enrichKEGG() на основе гипергеометрического теста. Статистическая значимость была определена с помощью метода коррекции с множественным тестированием Бенджамини–Хохберга (BH), а пути с скорректированным P-значением < 0,05 считались значительно обогащёнными.

Результаты обогащения экспортировались в совместимые с Microsoft Excel рабочие книги с использованием пакета openxlsx (версия 4.2.8.1) и функции write.xlsx() для последующего рассмотрения и подготовки рисунков.

Впоследствии с использованием программного обеспечения для визуализации сети была построена многоуровневая сеть взаимодействия целевой и публики. Сетевые данные импортировались с помощью File → Import → Network from File. Узлы состояли из целевых генных узлов и значительно обогащённых узлов пути KEGG (скорректированное по BH P-значение < 0,05), тогда как края представляли собой задокументированные ассоциации между целевые гены и обогащёнными путями, выявленными в ходе анализа обогащения. Визуализация сети проводилась с помощью панели Style программного обеспечения для визуализации сети, при этом целевые гены отображались в виде серых эллипсов, а пути — в виде циановых прямоугольников. Дополнительные плагины не использовались. Сеть генерировалась вручную из таблицы выхода обогащения для визуализации взаимосвязей между основными целями и значительно обогащёнными путями.

Валидация молекулярного стыковки
3D-структурные файлы (формат MOL2) десяти активных компонентов, ранжированных по целевой связности в сети «лекарство–компонент–цель–заболевание», были скачаны из базы данных TCMSP. Целевая связность определялась как степень узла (то есть количество прямых связей между активным компонентом и целевой генами в сети). Активные компоненты ранжировались в порядке убывания по значениям градусов, а топ-10 компонентов были выбраны для анализа молекулярного стыковки.

Кристаллические структуры топ-10 белков-мишеней, выявленных из сети PPI, были получены из Банка данных белков RCSB (PDB) 23 января 2026 года. Вид был ограничен Homo sapiens. Для каждого целевого белка предпочтительно выбиралась структура с самым высоким кристаллографическим разрешением (наименьшее значение Å), без мутаций и кокристаллизировавшейся с нативным лигандом или ингитором. Если несколько структур соответствовали этим критериям, выбиралась структура с самым высоким разрешением и полным покрытием белковых последовательностей. Использовались следующие структуры PDB: 1GKC (MMP9), 5WHH (BCL2), 2P33 (JUN), 1RHJ (CASP3), 1WT5 (EGFR), 7APJ (AKT1), 1DU3 (TNF), 1T4Q (IL1B), 4NI9 (IL6) и 9CKJ (TP53).

Симуляции молекулярного стыковки проводились с использованием онлайн-сервера CB-Dock 2 (веб-версия, доступ 23 января 2026 года), который использует AutoDock Vina в качестве стыковочного движка. Белковые структуры автоматически предварительно обрабатывались сервером, включая удаление гетероатомов и подготовку рецепторных структур. Лиганды загружались в формате MOL2. Использовалось обнаружение резонаторов, независимых от шаблона, при этом для каждой структуры белка автоматически определялись пять потенциальных связующих полости. Расчёты стыковки выполнялись с использованием стандартных параметров стыковочного двигателя: исчерпывающая мощность = 8, энергетический диапазон = 4 и максимальное количество режимов связки = 9.

Для каждой пары мишень–соединение стыковка выполнялась независимо внутри каждой из пяти обнаруженных полости. Позы стыковки оценивались с помощью функции оценки стыковочного двигателя, и поза с наименьшей энергией связи в каждой полости сохранялась как представительная конформация для этой полости. Из пяти представительных конформаций была выбрана поза стыковки с глобально самой низкой энергией связывания в качестве итогового результата стыковки для этой пары мишень–соединение и использована для последующих анализов.

Минимальное значение энергии связывания, полученное для каждого результата стыковки, фиксировалось в таблице и импортировалось в онлайн-платформу Weishengxin (доступ 23 января 2026 года) для создания тепловой карты с использованием стандартных параметров. Тепловая карта использовала цветовой градиент от жёлтого к красному, иерархическую кластеризацию по полным связям и евклидово расстояние в качестве метрики кластеризации.

Взаимодействия водородных связей автоматически идентифицировались модулем анализа сервера стыковки на основе геометрических критериев. Водородная связь определялась как взаимодействие с расстоянием донор–акцептор ≤ 3,5 Å и углом донор–водород–акцептор ≥ 120°. Водородные связи отображались пунктирными линиями как в двумерных, так и в трёхмерных диаграммах взаимодействия. Для детального анализа взаимодействия была выбрана целевой пара белок — активный компонент с глобально самой низкой энергией связи среди всех комбинаций стыковки. Этот отбор основывался на одной паре мишень–соединение, а не на индивидуальной позе стыковки, и был предназначен для выявления наиболее сильного прогнозируемого взаимодействия внутри сети. Для визуализации и анализа взаимодействия использовалась окончательная представительная поза стыковки, соответствующая этой паре мишень–соединение.

Трёхмерные и двумерные диаграммы взаимодействия были сгенерированы с использованием версий ChimeraX 1.5 и версии LigPlot+ 2.2 соответственно. В ChimeraX белки отображались с использованием стандартного мультяшного изображения, лиганды — в режиме стика, водородные связи — пунктирными линиями, а цветовая схема по умолчанию применялась. В LigPlot+ идентификация водородной связи проводилась с помощью алгоритма HBPLUS с порогом расстояния донор–акцептор 3,9 Å и пороговым углом 90°. Все остальные параметры визуализации остались на стандартных настройках.

Результаты

Терапевтические мишени SSD для подагры
Всего из базы данных TCMSP было извлечено 62 активных компонента SSD, соответствующих критериям скрининга, что соответствует 3 634 целям. Мишени, связанные с подагрой, были получены с помощью GeneCards и OMIM, и после удаления дубликатов было собрано всего 3 691 мишень. Пересечение мишеней, связанных с активными компонентами SSD, и мишенями, связанными с подаграй, дало 116 общих мишеней, которые рассматривались как потенциально т...

Обсуждение

Подагра — это кристаллическая артропатия, вызванная отложением кристаллов уратов в суставах в результате гиперурикемии. Кристаллы мононатриевого урата (MSU) в полости сустава распознаваются рецепторами распознавания образов на поверхности макрофагов и нейтрофилов, что приводит к активации инфламмасомы семейства NOD-подобных рецепторов — 3 (NLRP3) с пириновым доменом и последующего высвобождения^IL-1β23. Этот процесс дополнительно запускает сигнальные пути, включая ...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
AutoDock Vina	The Scripps Research Institute	Версия, интегрированная в веб-сервер CB-Dock 2	Движок докинг-анализа, используемый для расчетов молекулярного докинга и оценки энергии связывания
CB-Dock 2	Liu et al. (Nucleic Acids Research, 2022)	Веб-версия (выпущена в мае 2022 года); обращение 23 января 2026 года; URL: https://cadd.labshare.cn/cb-dock2	Используется для моделирования молекулярного докинга между активными соединениями и целевыми белками
ChimeraX	UCSF Resource for Biocomputing, Visualization, and Informatics	Версия 1.5	Используется для трехмерной визуализации докинг-комплексов
clusterProfiler	Bioconductor	Версия 4.21.0	Используется для анализа обогащения GO и KEGG
Cytoscape	Cytoscape Consortium / Institute for Systems Biology	Версия 3.7.2	Используется для построения сетей, визуализации и анализа PPI
dplyr	CRAN	Версия 1.2.1	Используется для манипуляции данными и создания сетевых наборов данных
enrichplot	Bioconductor	Версия 1.24.0	Используется для визуализации результатов обогащения GO и KEGG
GeneCards	Crown Human Genome Center, Weizmann Institute of Science	Версия 5.26; обращение 2 января 2026 года; URL: https://www.genecards.org	Используется для получения мишеней болезней, связанных с подагрой
ggplot2	CRAN	Версия 3.5.1	Используется для визуализации результатов обогащения GO
Herb Database	Fang et al. (Nucleic Acids Research, 2024)	Версия 2.0 (выпущена 15 марта 2023 года); обращение 2 января 2026 года; URL: http://herb.ac.cn/v2	Используется для дополнения информации об активных соединениях для Yuanzhi и Shihu
LigPlot+	European Bioinformatics Institute (EMBL-EBI)	Версия 2.2	Используется для создания двухмерных диаграмм взаимодействия белок-лиганд
OMIM (Online Mendelian Inheritance in Man)	McKusick-Nathans Institute of Genetic Medicine, Johns Hopkins University School of Medicine	Обращение 2 января 2026 года; URL: https://omim.org	Используется для получения мишеней болезней, связанных с подагрой
openxlsx	CRAN	Версия 4.2.8.1	Используется для экспорта и обработки электронных таблиц
org.Hs.eg.db	Bioconductor	Версия 3.20.0	Пакет аннотации человеческого генома, используемый для конвертации и аннотации идентификаторов генов
Protein Data Bank (RCSB PDB)	RCSB PDB	Обращение 23 января 2026 года; URL: https://www.rcsb.org	Используется для получения кристаллических структур белков
R (The R Project for Statistical Computing)	R Foundation for Statistical Computing	Версия 4.4.0	Используется для обработки данных, анализа обогащения и создания сетей
readxl	CRAN	Версия 1.5.0	Используется для импорта электронных таблиц и обработки данных
STRING Database	EMBL / Szklarczyk et al.	Версия 12.0 (обращение 2 января 2026 года); URL: https://string-db.org	Используется для построения сети PPI
Traditional Chinese Medicine Systems Pharmacology Database and Analysis Platform (TCMSP)	Center for Bioinformatics, Northwest A&F University / Dalian University of Technology	Версия 2.3 (обращение 2 января 2026 года); URL: https://tcmsp-e.com	Используется для получения активных соединений и соответствующих мишеней
UniProt (Universal Protein Resource)	UniProt Consortium (EMBL-EBI / SIB / PIR)	Версия 202504 (обращение 2 января 2026 года); URL: https://www.uniprot.org	Используется для стандартизации мишеней и аннотации генов
VennDiagram	CRAN	Версия 1.7.3	Используется для идентификации пересекающихся мишеней лекарств и болезней
Weishengxin Online Plotting Platform	Shanghai NewCore Biotechnology Co., Ltd.	Обращение 23 января 2026 года; URL: https://www.bioinformatics.com.cn	Используется для создания тепловых карт и визуализаций обогащения
WPS Spreadsheets	Kingsoft Office	Версия 12.1.0	Используется для удаления дубликатов, управления электронными таблицами и обработки данных