Exploring the therapeutic targets of stevioside in management of type 2 diabetes by network pharmacology and in-silico approach
Notice bibliographique
Résumé
The main objective of the current study is to investigate the pathways and therapeutic targets linked to stevioside in the management of T2D using computational approaches. We collected RNA-seq datasets from NCBI, then employed GREIN to retrieve differentially expressed genes (DEGs). Computer-assisted techniques DAVID, STRING and NetworkAnalyst were used to explore common significant pathways and therapeutic targets associated with T2D and stevioside. Molecular docking and dynamics simulations were conducted to validate the interaction between stevioside and therapeutic targets. Gene ontology and KEGG analysis revealed that prostaglandin synthesis, IL-17 signaling, inflammatory response, and interleukin signaling were potential pathways targeted by stevioside in T2D. Protein-protein interactions (PPI) analysis identified six common hub proteins ( PPARG , PTGS2 , CXCL8 , CCL2 , PTPRC , and EDN1 ). Molecular docking results showed best binding of stevioside to PPARG (−8 kcal/mol) and PTGS2 (−10.1 kcal/mol). Finally, 100 ns molecular dynamics demonstrated that the binding stability between stevioside and target protein (PPARG and PTGS2) falls within the acceptable range. This study reveals that stevioside exhibits significant potential in controlling T2D by targeting key pathways and stably binding to PPARG and PTGS2 . Further research is necessary to confirm and expand upon these significant computational results. • Pathway analysis revealed stevioside targets prostaglandin synthesis, inflammatory response pathways related to T2D. • PTGS2, CCL2, PTPRC, PPARG, CXCL8, and EDN1 common hub proteins targeted by stevioside were identified. • Molecular docking and dynamics highlight PTGS2 and PPARG as crucial therapeutic targets in the management of T2D.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».