Exploring the molecular mechanisms of huperzine a in the treatment of rosacea through network pharmacology, machine learning, and molecular dynamics simulations
Notice bibliographique
Résumé
Introduction: Rosacea is a common chronic inflammatory skin disorder and dysregulation of neuroimmune functions and neurovascular loops play critical roles in the development of rosacea. Huperzine A (Hup A) has several bioactive properties, including anti-inflammatory, antioxidant, and neuroprotective effects. However, the potential roles of Hup A in treating rosacea is unknown. Methods: Network pharmacology, molecular docking, and molecular dynamics simulation techniques has been used to investigate the anti-rosacea mechanisms of Hup A in rosacea. Results: Our results predicted 21 potential anti-rosacea targets of Hup A through public databases. KEGG pathway enrichment analysis revealed that these key targets participated in the regulation of MAPK signaling, NF-kappa B signaling, and PI3KAKT signaling pathways. Further machine learning analysis identified six core targets (BCL2, RXRA, PKN2, XDH, PRKCA, and FAP). Analysis of the GSE65914 dataset showed that XDH was upregulated in rosacea lesions, while BCL2 and RXRA were downregulated, with no significant expression changes of the other genes. Molecular docking results indicated that Hup A could bind to key targets (XDH, BCL2, and RXRA), which were further confirmed by molecular dynamics simulations. Discussion: This study systematically elucidates the potential mechanisms of Hup A in the treatment of rosacea and provides a theoretical basis for its application in rosacea therapy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».