Alto
LarLar > blog > Alto

Alto

Jun 04, 2024

Scientific Reports volume 12, Artigo número: 9347 (2022) Citar este artigo

2130 Acessos

2 Altmétrico

Detalhes das métricas

Eleusine indica, utilizada na medicina tradicional, apresenta atividade antiproliferativa contra diversas linhagens de células cancerígenas. No entanto, ainda faltam estudos metabolômicos para avaliar as alterações metabólicas induzidas por E. indica nas células cancerígenas. O presente estudo investigou os efeitos anticancerígenos de uma fração de raiz de E. indica (R-S5-C1-H1) nas linhagens celulares H1299, MCF-7 e SK-HEP-1 e analisou alterações metabólicas nas células cancerígenas tratadas usando ultra -cromatografia líquida de alta eficiência e espectrometria de massa de alta resolução (UHPLC-HRMS). Ensaios de atividade metabólica celular demonstraram que a viabilidade celular das três linhagens celulares de câncer foi significativamente reduzida após o tratamento com R-S5-C1-H1, com valores de concentrações inibitórias semimáximas de 12,95 µg/mL, 15,99 µg/mL e 13,69 µg. /mL às 72 horas, respectivamente. A análise microscópica utilizando corantes fluorescentes Hoechst 33342 e Anexina V revelou que as células tratadas com R-S5-C1-H1 sofreram morte celular por apoptose, enquanto a análise quimiométrica sugeriu que a apoptose foi desencadeada 48 horas após o tratamento com R-S5-C1-H1. A metabolômica celular desconvoluída revelou que os metabólitos hidrofóbicos foram significativamente alterados, incluindo triacilgliceróis, fosfatidilcolina, fosfatidiletanolamina, esfingomielina e ceramida, sugerindo que a indução de apoptose por R-S5-C1-H1 ocorreu potencialmente através da modulação da síntese de fosfolipídios e do metabolismo esfingolipídico. Estes resultados de perfil metabolômico fornecem novos insights sobre os mecanismos anticancerígenos de E. indica e facilitam a compreensão geral dos eventos moleculares após intervenções terapêuticas.

In the continuing battle of humans against cancer, which dates as far back as 3000 BC, the earliest written account of cancer is the description of breast cancer found in the Edwin Smith Papyrus1. Currently, cancer remains one of the leading causes of premature death among people aged between 30 and 69 years worldwide2,3. It is estimated that there were 19.3 million new cases in 20202 and almost 10.0 million deaths from cancer. Furthermore, the incidence of all cancers in Malaysia has been projected to almost double by 2040, from 48,639 to 86,666 new cases (2020)." href="/articles/s41598-022-13575-6#ref-CR4" id="ref-link-section-d279179327e580">4. Apesar dos recentes avanços terapêuticos5, esta doença continua a afetar a qualidade de vida dos pacientes devido às limitações dos atuais tratamentos oncológicos.

Segundo a Organização Mundial da Saúde, ainda existem muitas pessoas que dependem da fitoterapia como recurso primário de saúde6. Portanto, as plantas têm um papel importante a desempenhar na revolução da saúde. Na medicina tradicional chinesa, as ervas têm sido utilizadas para prevenir e tratar uma ampla gama de doenças7. Por exemplo, as autoridades da China incentivaram a utilização combinada da medicina tradicional chinesa e da medicina ocidental para proteger e tratar pacientes infectados com o novo coronavírus altamente infeccioso (SARS-CoV2), uma abordagem que provou ser eficaz até à data8. Nas plantas, os metabólitos secundários são distintos dos componentes do metabolismo primário, pois não estão envolvidos no metabolismo regulatório; em vez disso, funcionam para proteger a planta contra a predação e a invasão de microrganismos9. Décadas de investigação fitoquímica em mais de 150.000 espécies de plantas revelaram que os metabolitos secundários, incluindo fenólicos, flavonóides, terpenóides, alcalóides e compostos contendo enxofre, exercem uma variedade de efeitos biológicos interessantes10. Desde 1981, quase três quartos (64,9%) dos medicamentos anticancerígenos prescritos são derivados de plantas11. Assim, as plantas medicinais são consideradas fontes importantes e confiáveis ​​para a descoberta de medicamentos anticâncer12,13,14.

Metabolômica é o estudo abrangente de um conjunto completo de pequenos metabólitos (<1500 Da) dentro de uma amostra biológica15. Esta técnica amplia a visão da biologia de sistemas dos organismos, preenchendo a lacuna entre genótipo e fenótipo . A metabolômica é amplamente aplicada em estudos sobre plantas, animais, medicamentos e alimentos. Entre as tecnologias aplicadas em metabolômica, incluindo ressonância magnética nuclear (RMN), cromatografia gasosa (GC) e cromatografia líquida (LC) acoplada à espectrometria de massa (MS), a LC-MS é a técnica de escolha para detectar e determinar a composição elementar. e fórmula molecular de um analito de interesse, pois pode ser realizada sem etapa de derivatização. Além disso, a ionização suave e a aplicação não extensa de calor em LC para separação cromatográfica reduzem a chance de degradação do composto durante o perfilamento . As caracterizações metabólicas endógenas e exógenas de agentes terapêuticos utilizando metabolômica de alto rendimento permitem aos pesquisadores avaliar a eficácia e segurança desses agentes19. Na investigação do cancro, os estudos metabolómicos forneceram informações abrangentes e melhoraram a compreensão dos mecanismos subjacentes à patogénese do cancro e aos efeitos dos medicamentos através da avaliação das alterações metabólicas nas células cancerígenas20,21. Assim, a identificação e quantificação dos metabólitos extraídos permitem o monitoramento das respostas a estímulos externos nas amostras de teste22,23.

 18.2 MΩ-cm/methanol (MeOH)/chloroform was employed. Following this, the lower layer of the mixture was removed and vacuum-concentrated to obtain a semisolid crude extract./p> 50% were removed, and missing values were replaced by 1/5 of minimum positive values of the corresponding variables by default. The acquired data sets were log-transformed and Pareto-scaled prior to multivariable analyses to examine data distribution and identify outliers. Multivariate analyses of data including PCA, OPLS-DA, and hierarchical cluster analysis (heat map) were obtained. Subsequently, for OPLS-DA, the model examined internal relationships in matrix X-variables and response matrix Y. Model quality was estimated by R2X or R2Y values and Q2 values. To avoid OPLS-DA model over-fitting, an additional cross-validation tool (permutation test with Y variables randomized 100 times) was performed for each model. Goodness-of-fit parameters for the OPLS-DA model, R2X, R2Y, and Q2 were calculated (varying from 0 to 1). The R2Y and Q2 in the permutated test described the fitness of the data and the predictability of the derived model, respectively. In addition, the metabolite features (non-parametric t-test, p < 0.05) and corresponding fold changes (fold change threshold ≥ 2) showed how the selected differential metabolites varied between the treatment and control groups; these metabolites were selected and underwent further compound matching and analysis. In the current study, all metabolomics data analyses focused on the non-polar layer only and were performed on the positive ionization mode data sets, as the negative ionization mode revealed no significant differences (data excluded)./p> (2020)./p>