Ons onderzoek omvat seriële experimentele techniek en het protocol heeft deze details die nodig zijn voor lezers om onze methoden te begrijpen. Onze geïntegreerde methode compenseert het nadeel van netwerkfarmacologie en metabolomica en kan worden gebruikt voor de therapeutische meta-analyse van natuurlijke geneeskunde. Deze methode wordt gebruikt om de actieve verbinding te screenen van het ingrediënt van het bedrijf en het pak voor joggers met een enorme chemische samenstelling, zoals een traditioneel Chinees medicijn.
Selecteer om te beginnen de actieve ingrediënten en belangrijkste doelen door te zoeken op het trefwoord phyllanthi fructus in de farmacologiedatabase van traditionele Chinese geneeskundesystemen. Om de lijst van de kandidaat-actieve ingrediënten en doelen van fructus phyllanthi, of FP, te verkrijgen, zoekt u het trefwoord hyperlipidemie in de genkaartendatabase, de online Mendeliaanse overerving in de man-database en de therapeutische doeldatabase om de respectieve kandidaat-doelen van hyperlipidemie te verkrijgen. Download de spreadsheets van ziektedoelen en sla ze op in een map en verwijder de herhaalde doelen om de lijst met hyperlipidemiedoelen te verkrijgen.
Kopieer vervolgens de lijsten met FP-actieve ingrediënten, FP-doelen en hyperlipidemiedoelen naar een nieuwe spreadsheet. Gebruik de functie voor het identificeren van duplicaten van gegevens in de werkbalk om kruispuntdoelen te krijgen. Importeer de kruispuntdoellijst in de UniProt-kennisbank om de gen- en eiwitnamen te standaardiseren.
Als u een eiwiteiwitinteractienetwerk wilt construeren, plakt u de kruispuntdoellijst van FP tegen hyperlipidemie in het dialoogvenster lijst met namen van String-database 11.5. Selecteer homo sapiens in organismen. Klik op zoeken en ga verder.
Zodra de resultaten beschikbaar zijn, schakelt u de hoge niet-verbonden knooppunten in het netwerk in geavanceerde instellingen in. Stel het hoogste vertrouwen in op 0,900 in de minimaal vereiste interactiescore. Klik vervolgens op de knop Bijwerken.
Klik op exports in de titelbalk en download de korte tabeltekst van het protein protein interaction network in PNG en TSV formaat. Om een doelnetwerk voor geneesmiddelcomponentziekten te construeren, opent u Cytoscape 3.9.1 en importeert u het TSV-formaatbestand. Optimaliseer de kleur, het lettertype en de zijkant van de netwerkknooppunten via de stijlbalk in het configuratiescherm.
Met behulp van de analysenetwerkfunctie voor netwerktopologie-analyse, verkrijgt u hubgenen in CytoHubba in Cytoscape en stelt u het doelziektenetwerk voor geneesmiddelingrediënten vast. Om GO- en KEGG-verrijkingsanalyses uit te voeren, opent u David bioinformatica-bronnen. Klik op analyse starten en plak de doellijst in het linkerdialoogvenster.
Selecteer het officiële gensymbool in select identifier en homo sapiens in select species. Schakel vervolgens genenlijst in lijsttype in en klik op lijst verzenden. Klik vervolgens op functionele annotatieclustering onder bovenstaande genenlijst analyseren met een van de David-tools.
Schakel GO-term BP direct, GO-term CC direct, GO-term MF direct en genontologie in voor GO-functieverrijkingsanalyse. Schakel KEGG-pathway in pathways in voor KEGG-pathwayverrijkingsanalyse. Klik op de functionele annotatiegrafiek om de resultaten weer te geven.
Gebruik SIMCA P-software voor multivariate statistische analyse van de integraalwaarden verkregen uit LCMS-bevindingen. Gebruik orthogonale partiële kleinste kwadratenanalyse, of OPLSDA, voor de gemiddelde centrumgegevens en de modellering van steekproefklassen. Beschouw na de OPLSDA-test de metabolieten met integraal variabel belang in de projectie, of VIP-waarden, van groter dan één en een P-waarde van minder dan 0,05 van de T-test van de student als de potentiële differentiële metabolieten.
Identificeer de verstoorde metabolieten en metabole routes door open databasebronnen, waaronder menselijk metaboloom, Kyoto-encyclopedie van genen en genomen en MetaboAnalyst 5.0. Visualiseer de resultaatweergaven door MetaboAnalyst 5.0 en het Wukong-platform. Download de geselecteerde FP-ingrediënten 3D-structuur uit de farmacologiedatabase van traditionele Chinese geneeskundesystemen.
Zoek de namen van de ingrediënten in het zoekvak voor chemische namen en download de bijbehorende 3D-structuurbestanden in MOL two-indeling. Download vervolgens de kristalstructuren van de belangrijkste doelen uit de alfa-vouweiwitstructuurdatabase. Zoek de doelnamen in het zoekvak en download de bijbehorende kristalstructuurbestanden in PDB-indeling.
Importeer vervolgens ingrediënten en doelstructuurbestanden in AutoDock-toolssoftware. Klik op bewerken en water verwijderen om watermoleculen te verwijderen. Klik vervolgens op waterstof bewerken en toevoegen om waterstof toe te voegen.
Stel de ingrediënten in als het ligand en voer blind docking uit door de hele doelen als receptor te selecteren. Voer een waarde in het vak achter het midden en de grootte in om de nieuw ontwikkelde ruimte aan te passen, waardoor het mogelijk wordt om het ligand en de receptor volledig te omvatten. Sla de ligand- en receptorbestanden op in PDBQT-indeling.
Gebruik AutoDock Vina om moleculaire docking uit te voeren. Stel de receptorbalk in op de naam van de receptorpunt PDBQT en de ligandbalk op de naam van de ligandpunt PDBQT. Verkrijg de optimale locatie voor ligandbinding aan de receptor en noteer de bindingsenergiewaarde op de optimale positie.
Importeer de dockingbestanden in de eiwitligandinteractieprofiler om het visuele systeemmodel te krijgen. Download de modelbestanden in PSC-formaat en importeer ze in PyMOL-software om verdere visualisatie te maken. Via netwerkfarmacologie werden in totaal 19 ingrediënten en 134 ingrediëntgerelateerde doelen van FP gevonden.
Na het matchen van de FP-gerelateerde doelen met de hyperlipidemie-gerelateerde doelen, werden 62 geïdentificeerd als potentiële doelen voor FP tegen hyperlipidemie. Het eiwiteiwitinteractienetwerk werd geconstrueerd door String en Cytoscape. De GO-verrijkingsresultaten suggereerden dat de biologische processen en moleculaire functie van FP tegen hyperlipidemie voornamelijk verband hielden met genexpressie en eiwitbinding.
De KEGG-verrijking bewees dat FP kon ingrijpen in het lipidenmetabolisme en atherosclerose. OPLSDA-analyse werd gebruikt om de metabolietscheiding tussen de negatieve controle-, vetrijke dieet- en hoge dosis FP-muizengroepen te onderzoeken, waaruit bleek dat dezelfde groepsmonsters samen clusterden en verschillende groepsmonsters goed onderscheidden. Een totaal van 16 en zes metabolieten werden geïdentificeerd als differentiële metabolieten in FP die HFD-muizen in het plasma en de lever beïnvloeden.
Heatmaps uitgezet door MetaboAnalyst 5.0 toonden aan dat alle differentiële metabolieten in het plasma en de lever waren veranderd in de vetrijke dieetgroep en de meeste waren omgekeerd in de FP-groep. Het tryptofaanmetabolisme werd significant beïnvloed in het plasma. Het metabolisme van taurine en hypotaurine werd significant beïnvloed in de lever.
Differentiële metabolieten werden geïmporteerd in de MetScape-plug-in in Cytoscape en kwamen overeen met de hubgenen die in de netwerkfarmacologie werden geïdentificeerd om de samengestelde reactie-enzymgennetwerken te verzamelen. Verder is het netwerk van de ingrediëntendoelen voor metabolieten geconstrueerd. Moleculaire docking werd gebruikt om hun ligand-actieve site-interacties te analyseren.
Deze technologie is een uitgebreide methode om de farmacologische genetische ingrediënten van de traditionele Chinese geneeskunde te starten. Het biedt een nieuw idee voor onderzoek met geneesmiddelen met complete ingrediënten.