Multidimensional Mechanistic Elucidation of Panax Notoginseng Saponins for Alcohol-Induced Osteonecrosis of the Femoral Head: Integrating Network Pharmacology, Molecular Dynamics Simulation and In Vivo Validation

Resumo Técnico: Elucidação Mecanística Multidimensional das Saponinas de Panax Notoginseng para a Osteonecrose da Cabeça do Fêmur Induzida por Álcool

Definição do Problema
A osteonecrose da cabeça do fêmur induzida por álcool (AIONFH) é uma condição ortopédica prevalente resultante do abuso crônico de álcool, caracterizada pela interrupção da perfusão da cabeça femoral, necrose de osteócitos e colapso estrutural. As terapias atuais de preservação do quadril, como estatinas e anticoagulantes, oferecem eficácia limitada, muitas vezes necessitando de artroplastia total de quadril. Embora as saponinas de Panax Notoginseng (PNS) tenham demonstrado propriedades pró-angiogênicas e antiapoptóticas em distúrbios ósseos, seus mecanismos moleculares precisos no tratamento da AIONFH permanecem mal definidos. Este estudo aborda a necessidade de elucidar sistematicamente os ingredientes ativos, alvos principais e vias de sinalização das PNS contra a AIONFH para facilitar sua translação clínica.

Metodologia
O estudo empregou uma abordagem multidimensional integrando predição computacional com validação in vivo:

1. Farmacologia de Rede & Aprendizado de Máquina:

   • Triagem de Alvos: Componentes ativos de PNS e alvos relacionados à AIONFH foram recuperados de bancos de dados (TCMSP, PubChem, GeneCards, OMIM, etc.). Alvos de interseção foram identificados, resultando em 18 alvos comuns.
   • Identificação de Alvos Principais: Três algoritmos de aprendizado de máquina — Regressão Logística, Support Vector Machine-Recursive Feature Elimination (SVM-RFE) e Random Forest — foram aplicados ao conjunto de dados GEO GSE74089 para triar alvos terapêuticos centrais a partir do conjunto de interseção.
   • Análise de Enriquecimento: Análises de Gene Ontology (GO) e Kyoto Encyclopedia of Genes and Genomes (KEGG) foram realizadas para identificar processos biológicos e vias de sinalização.

2. Simulação Molecular:

   • Docking Molecular: As interações entre cinco componentes principais de PNS (Notoginosídeo R1, Ginsenosídeos Rb1, Rg1, Re, Rd) e seis alvos centrais foram avaliadas usando AutoDock Vina.
   • Dinâmica Molecular (MD): Uma simulação de MD de 100 ns foi conduzida usando GROMACS 2022 no complexo com maior afinidade de ligação (Ginsenosídeo Re e HSD11B1). A estabilidade foi avaliada via Desvio Quadrático Médio (RMSD), Raio de Giro (Rg), Flutuação Quadrática Média (RMSF), Área de Superfície Acessível ao Solvente (SASA) e cálculos de energia livre de ligação (MM/GBSA).

3. Validação In Vivo:

   • Estabelecimento do Modelo: Um modelo de rato de AIONFH foi induzido via administração intragástrica diária de etanol a 46% por 45 dias.
   • Intervenção: Os ratos foram tratados com doses baixa, média e alta de PNS por 4 semanas.
   • Avaliações: Alterações patológicas foram avaliadas por colorações HE, TRAP, Alizarina Vermelha e ALP. A localização proteica foi analisada via imunofluorescência, e a expressão gênica (HSD11B1, Runx2, CTSK) foi quantificada via qPCR.

Principais Resultados

• Identificação de Alvos: A farmacologia de rede identificou 127 alvos potenciais de PNS e 18 alvos sobrepostos com AIONFH. Algoritmos de aprendizado de máquina convergiram para seis alvos centrais: FGF2, HSD11B1, BMP2, MMP13, TYMS e VEGFA.
• Análise de Via: O enriquecimento KEGG destacou a via do Fator de Crescimento Endotelial Vascular (VEGF) como fundamental. A análise GO indicou envolvimento significativo na diferenciação de osteoblastos.
• Interação Molecular: O docking molecular revelou que o Ginsenosídeo Re (G-Re) exibiu a maior afinidade de ligação com a HSD1B1 (energia de ligação: -12,4 kcal/mol).
• Estabilidade de Simulação: A simulação de MD de 100 ns confirmou a estabilidade do complexo G-Re–HSD11B1. Os valores de RMSD permaneceram abaixo de 0,4 Å, o Rg flutuou minimamente (2,64–2,76 Å) e ligações de hidrogênio estáveis (2–3) foram mantidas durante toda a simulação. A decomposição de energia de resíduos identificou ASP323 e ALA212 como contribuintes críticos para a ligação.
• Eficácia In Vivo:
  • Histologia: O tratamento com PNS melhorou dose-dependente a microestrutura do osso trabecular, reduziu a hiperplasia de adipócitos e diminuiu as lacunas vazias em comparação com o modelo AIONFH não tratado.
  • Metabolismo Ósseo: A coloração TRAP mostrou supressão da atividade excessiva de osteoclastos, enquanto as colorações de ALP e Alizarina Vermelha indicaram a restauração da atividade osteoblástica e deposição de cálcio.
  • Mecanismo Molecular: A imunofluorescência e o qPCR confirmaram que a AIONFH aumenta a HSD11B1 e reduz a Runx2. O tratamento com PNS suprimiu dose-dependente a expressão de HSD11B1 e restaurou os níveis de Runx2, particularmente nas doses média e alta.

Significância e Alegações
Os autores afirmam que este estudo estabelece um paradigma de pesquisa rigoroso de "predição computacional → validação molecular → verificação in vivo" para a medicina tradicional chinesa. A principal significância reside em:

1. Elucidação Mecanística: O estudo identifica a HSD11B1 como um alvo terapêutico chave para as PNS na AIONFH, um achado apresentado como inovador. O mecanismo proposto envolve a inibição da HSD11B1 pelo Ginsenosídeo Re, o que reduz a superprodução local de glicocorticoides, aliviando assim a compressão vascular e quebrando o ciclo isquemia-osteonecrose.
2. Efeito Terapêutico Multi-ligação: Demonstra-se que as PNS exercem efeitos terapêuticos através de um modo multi-componente, multi-alvo e multi-via, melhorando simultaneamente a perfusão (via VEGF/FGF2), equilibrando o metabolismo ósseo e inibindo a apoptose de osteócitos.
3. Integração Metodológica: A integração do aprendizado de máquina com a farmacologia de rede e a dinâmica molecular fornece uma estrutura robusta para dissecar mecanismos complexos de múltiplos componentes, oferecendo uma base científica para a aplicação clínica das PNS no tratamento da AIONFH.

Os autores reconhecem limitações, incluindo a dependência de bancos de dados existentes para a triagem de alvos, o foco das simulações de MD em um único complexo (G-Re–HSD11B1) e a ausência de avaliações de estabilidade estrutural de longo prazo no modelo animal. Trabalhos futuros propõem incluir validação por CRISPR/Cas9 e o desenvolvimento de modelos clínicos compostos.