Наше исследование включает в себя серийную экспериментальную технику, и в протоколе есть эти детали, которые необходимы читателям, чтобы понять наши методы. Наш интегрированный метод компенсирует недостаток сетевой фармакологии и метаболомики и может быть использован для терапевтического метаанализа натуральной медицины. Этот метод используется для скрининга активного соединения от ингредиента компании и костюма для бегунов с массивным химическим составом, таких как традиционная китайская медицина.
Для начала выберите активные ингредиенты и ключевые мишени, выполнив поиск по ключевому слову phyllanthi fructus в базе данных фармакологии систем традиционной китайской медицины. Чтобы получить список активных ингредиентов-кандидатов и мишеней fructus phyllanthi, или FP, выполните поиск по ключевому слову гиперлипидемия в базе данных генных карт, онлайн-базе данных менделевского наследования у человека и базе данных терапевтических мишеней для получения соответствующих потенциальных мишеней гиперлипидемии. Загрузите электронные таблицы целевых показателей заболеваний, сохраните их в папку и удалите повторяющиеся мишени, чтобы получить список мишеней гиперлипидемии.
Затем скопируйте списки активных ингредиентов FP, мишеней FP и мишеней гиперлипидемии в новую электронную таблицу. Используйте функцию идентификации дубликатов данных на панели инструментов, чтобы получить цели пересечения. Импортируйте список пересечений в базу знаний UniProt, чтобы стандартизировать названия генов и белков.
Чтобы построить сеть взаимодействия белков и белков, вставьте список пересечений целей FP против гиперлипидемии в диалоговое окно списка имен базы данных String 11.5. Выделите homo sapiens в организмы. Нажмите кнопку Поиск и продолжите.
Как только результаты будут доступны, включите узлы с высоким уровнем отключения в сети в дополнительных настройках. Установите наивысшую достоверность 0,900 в минимально требуемом балле взаимодействия. Затем нажмите кнопку обновления.
Нажмите на экспорт в строке заголовка и загрузите короткий табличный текст сети взаимодействия белков и белков в формате PNG и TSV. Чтобы создать целевую сеть лекарственного компонента заболевания, откройте Cytoscape 3.9.1 и импортируйте файл формата TSV. Оптимизируйте цвет, шрифт и боковые стороны сетевых узлов с помощью панели стилей на панели управления.
Используя функцию анализа сети для анализа топологии сети, получите гены-концентраторы в CytoHubba в Cytoscape и установите сеть целевых заболеваний лекарственного ингредиента. Чтобы выполнить анализ обогащения GO и KEGG, откройте ресурсы по биоинформатике Дэвида. Нажмите «Начать анализ» и вставьте целевой список в левое диалоговое окно.
Выберите официальный символ гена в избранном идентификаторе и homo sapiens в избранных видах. Затем включите список генов в типе списка и нажмите «Отправить список». Затем нажмите «Кластеризация функциональных аннотаций» в разделе «Проанализировать приведенный выше список генов» с помощью одного из инструментов Дэвида.
Включите термин GO BP direct, термин GO CC direct, термин GO MF direct и онтологию генов для анализа обогащения функций GO. Включите путь KEGG в путях для анализа обогащения пути KEGG. Нажмите на функциональную диаграмму аннотаций, чтобы отобразить результаты.
Используйте программное обеспечение SIMCA P для многомерного статистического анализа интегральных значений, полученных по результатам LCMS. Используйте ортогональный дискриминантный анализ частичных наименьших квадратов, или OPLSDA, для данных среднего центра и моделирования классов выборки. После теста OPLSDA рассмотрите метаболиты с интегральной переменной важностью в проекции или значениями VIP, превышающими единицу, и значением P менее 0,05 из Т-критерия студента в качестве потенциальных дифференциальных метаболитов.
Идентификация нарушенных метаболитов и метаболических путей с помощью открытых источников баз данных, включая метаболом человека, Киотскую энциклопедию генов и геномов и MetaboAnalyst 5.0. Визуализируйте представления результатов с помощью MetaboAnalyst 5.0 и платформы Wukong. Загрузите выбранную 3D-структуру ингредиентов FP из базы данных фармакологии систем традиционной китайской медицины.
Выполните поиск по названиям ингредиентов в поле поиска названий химических веществ и загрузите соответствующие файлы 3D-структур в формате MOL two. Затем загрузите кристаллические структуры ключевых мишеней из базы данных структуры альфа-складчатого белка. Найдите целевые имена в поле поиска и загрузите соответствующие файлы кристаллической структуры в формате PDB.
Затем импортируйте ингредиенты и файлы целевой структуры в программное обеспечение AutoDock tools. Нажмите «Редактировать» и удалить воду, чтобы удалить молекулы воды. Затем нажмите «Изменить водород» и «Добавить», чтобы добавить водород.
Установите ингредиенты в качестве лиганда и выполните слепую стыковку, выбрав целые мишени в качестве рецептора. Введите значение в поле позади центра и размера, чтобы отрегулировать вновь разработанное пространство, что позволит полностью охватить лиганд и рецептор. Сохраните файлы лиганда и рецептора в формате PDBQT.
Используйте AutoDock Vina для выполнения молекулярной стыковки. Установите рецепторную полосу на имя рецепторной точки PDBQT, а лигандную полосу — на имя лигандной точки PDBQT. Получите оптимальное место для связывания лиганда с рецептором и запишите значение энергии связывания в оптимальном положении.
Импортируйте файлы стыковки в профилировщик взаимодействия белковых лигандов, чтобы получить визуальную модель системы. Загрузите файлы модели в формате PSC и импортируйте их в программное обеспечение PyMOL для дальнейшей визуализации. С помощью сетевой фармакологии было обнаружено в общей сложности 19 ингредиентов и 134 связанных с ингредиентами мишеней FP.
После сопоставления целевых показателей, связанных с ФП, с мишенями, связанными с гиперлипидемией, 62 были определены в качестве потенциальных мишеней для ФП против гиперлипидемии. Сеть взаимодействия белков была построена String и Cytoscape. Результаты обогащения GO показали, что биологические процессы FP и молекулярная функция против гиперлипидемии были в основном связаны с экспрессией генов и связыванием белка.
Обогащение KEGG доказало, что FP может вмешиваться в липидный обмен и атеросклероз. Анализ OPLSDA был использован для изучения разделения метаболитов между группами мышей с отрицательным контролем, диетой с высоким содержанием жиров и мышами с высокими дозами FP, что показало, что одни и те же групповые образцы сгруппированы вместе, и разные групповые образцы хорошо различались. В общей сложности 16 и шесть метаболитов были идентифицированы как дифференциальные метаболиты при FP, влияющие на мышей HFD в плазме и печени.
Тепловые карты, построенные MetaboAnalyst 5.0, показали, что все дифференциальные метаболиты в плазме и печени были изменены в группе диеты с высоким содержанием жиров, и большинство из них были обращены вспять в группе FP. Метаболизм триптофана значительно повлиял на метаболизм триптофана в плазме. Метаболизм таурина и гипотаурина значительно повлиял на метаболизм таурина и гипотаурина в печени.
Дифференциальные метаболиты были импортированы в плагин MetScape в Cytoscape и соответствовали генам-концентраторам, идентифицированным в сетевой фармакологии, для сбора генных сетей ферментов сложных реакций. Кроме того, ингредиенты нацелены на сеть путей метаболитов. Молекулярный докинг был использован для анализа их взаимодействия с активными лигандными центрами.
Эта технология представляет собой комплексный метод запуска фармакологических генетических ингредиентов традиционной китайской медицины. Это дает новую идею для исследований, связанных с лекарствами с полными ингредиентами.
