Targeting Hypoglycemic Natural Products from the Cloud Forest Plants Using Chemotaxonomic Computer-Assisted Selection
Notice bibliographique
Résumé
The cloud forest (CF), a hugely biodiverse ecosystem, is a hotspot of unexplored plants with potential for discovering pharmacologically active compounds. Without sufficient ethnopharmacological information, developing strategies for rationally selecting plants for experimental studies is crucial. With this goal, a CF metabolites library was created, and a ligand-based virtual screening was conducted to identify molecules with potential hypoglycemic activity. From the most promising botanical families, plants were collected, methanolic extracts were prepared, and hypoglycemic activity was evaluated through in vitro enzyme inhibition assays on α-amylase, α-glucosidase, and dipeptidyl peptidase IV (DPP-IV). Metabolomic analyses were performed to identify the dominant metabolites in the species with the best inhibitory activity profile, and their affinity for the molecular targets was evaluated using ensemble molecular docking. This strategy led to the identification of twelve plants (in four botanical families) with hypoglycemic activity. Sida rhombifolia (Malvaceae) stood out for its DPP-IV selective inhibition versus S. glabra. A comparison of chemical profiles led to the annotation of twenty-seven metabolites over-accumulated in S. rhombifolia compared to S. glabra, among which acanthoside D and cis-tiliroside were noteworthy for their potential selective inhibition due to their specific intermolecular interactions with relevant amino acids of DPP-IV. The workflow used in this study presents a novel targeting strategy for identifying novel bioactive natural sources, which can complement the conventional selection criteria used in Natural Product Chemistry.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».