مقالة بحثية

التعرف الحاسوبي على فوسفوريلازه نيوكليوزيد البيورين ومستقبل الإستروجين 1 كمؤشرات حيوية لإصابة الكبد الناتجة عن الأسيتامينوفين

DOI:

10.3791/69887

⸱

فبراير 6, 2026

 , 
1School of Chinese Materia Medica, Tianjin University of Traditional Chinese Medicine, 2College of Integrative Chinese and Western Medicine, Tianjin University of Traditional Chinese Medicine

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نقوم بتحليل سموم الشبكة وبيانات النسخ النصي حسابيا لتحديد المؤشرات الحيوية لإصابة الكبد الناتجة عن الأسيتامينوفين، كاشفا عن مستقبل الإستروجين 1 وفوسفوريلز نيوكليوزيد البيورين كأهداف تشخيصية.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

إصابة الكبد الناتجة عن الأسيتامينوفين تشكل مشكلة صحية عامة كبيرة، ومع ذلك فإن المؤشرات الحيوية المبكرة الموثوقة تفتقر إليها. هدفت هذه الدراسة إلى تحديد العلامات الحيوية المرشحة لسمية الكبد الناتجة عن الأسيتامينوفين باستخدام نهج حسابي يدمج سمية الشبكة، وعلم النسخ، وتعلم الآلة. تم التنبؤ بالأهداف المحتملة للأسيتامينوفين باستخدام المنصات الإلكترونية، مما أدى إلى 140 مرشحا. تم استرجاع جينات مرتبطة بسم الكبد (n = 657) من GeneCards، وتم تحديد 38 جينا متداخلا. تم تحليل الجينات المعبر عنها بشكل تفاضلي من مجموعة البيانات GSE74000 (n = 1,978). تم إجراء إثراء وظيفي لتحديد المسارات ذات الصلة. أعطى نموذج غابات عشوائي الأولوية ل 20 جينا للميزة، وقيم الالتحام الجزيئي مقاربات الارتباط بالأسيتامينوفين. ارتبطت DEGs بشكل أساسي بخلل وظائف الميتوكوندريا وتكوين الريبوسوم الحيوي. سلط الإثراء الوظيفي الضوء على مسارات الأيض الفضائي والإجهاد التأكسدي. كان مستقبل الإستروجين 1 وفوسفوريلايز نيوكليوزيد البيورين من أفضل الجينات المميزة، حيث أظهرت فروق تعبير كبيرة وتفاعلات قوية في الالتحام مع الأسيتامينوفين. يتنبأ هذا البروتوكول الحسابي بشكل منهجي بالمؤشرات الحيوية المرشحة لإصابة الكبد الناتجة عن الأسيتامينوفين، مما يوفر رؤى جزيئية ومرشحين للتحقق التجريبي.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الأسيتامينوفين (APAP) هو مضاد حرارة ومسكن ألم يعطى على نطاق واسع، لكن الإفراط في تناوله قد يؤدي إلى تسمم كبدي شديد وربما فشل كبدي 1,2. من المتوقع أن يحدث الضرر في الكبد بمجرد استقلاب الدواء، والاستقلاب السام التالي هو N-أسيتيل-ب-بنزوكينون إيمين (NAPQI)، مما يؤدي إلى الإجهاد التأكسدي للميتوكوندريا، وتغير في التنفس الميتوكوندري، وانتقال نفاذية الميتوكوندريا، مما يؤدي في النهاية إلى موت كريات الكبد النخرية بدلا من الاستماتة 3,4. لا تزال جرعة زائدة من APAP السبب الرئيسي لفشل الكبد الحاد (ALF) في العديد من الدول. تظهر البيانات الوبائية أن سمية APAP تمثل ما يقارب 50٪ من حالات ALF في الولايات المتحدة، وهي مسؤولة عن آلاف حالات الدخول الطارئ سنويا. تم الإبلاغ عن اتجاهات مماثلة على مستوى العالم، حيث تشكل تسمم الكبد المرتبط ب APAP نسبة رئيسية من حالات إصابات الكبد الناتجة عن الأدوية (DILI) 5,6. تسلط معدلات المرض العالية، وخطر زراعة الكبد، والعبء الصحي الكبير الضوء على الحاجة الملحة لتحسين العلامات الحيوية التشخيصية وفهم ميكانيكي لتلف الكبد الناتج عن APAP. تحديدا، يتم امتصاص APAP واستقلابه بشكل رئيسي في الكبد من خلال الجلوكورونيدات والكبريتات، مكونة مترافقات قابلة للذوبان في الماء تفرز في البول. يخضع جزء صغير (10-15٪) للهيدروكسيل بوساطة السيتوكروم P450 (CYP450) (عبر إنزيمات مثل CYP1A2 وCYP2E1 وCYP3A4) لإنتاج الوسيط التفاعلي NAPQI، الذي يرتبط بالجلوتاثيون ويفرز عبر الصفراء 7,8. نظرا لقدرة مسارات الجلوكورونيد والكبريتية المحدودة، يؤدي الجرعات المفرطة إلى زيادة تكوين NAPQI، وفي الوقت نفسه يستنزف احتياطيات الجلوتاثيون الكبدي9. بمجرد استنزاف الجلوتاثيون إلى مستويات حرجة، يبدأ NAPQI بالارتباط التساهمي بالجزيئات الكبيرة الخلوية، مما يضر بخلايا الكبد10. تزداد سمية الجرعة الزائدة من APAP، حيث يقدر عدد زيارات قسم الطوارئ سنويا بين 50,000 إلى 80,000 في الولايات المتحدة وحدها11. نظرا لأن الإجهاد التأكسدي وخلل وظيفة الميتوكوندريا هما محور السمية الكبدية الناتجة عن APAP، فقد يؤثر خلل تنظيم ESR1 بشكل غير مباشر على بقاء خلايا الكبد واستجاباتها الالتهابية أثناء إصابة APAP. تسمم APAP تحفز الإجهاد الأيضي وتنشيط الالتهابات في خلايا الكبد. قد تعكس التغيرات في تعبير PNP تغيرات في أيض النيوكليوتيدات والاستجابات المناعية أثناء تلف الكبد الناتج عن APAP.

ركزت التقارير المبكرة حول تسمم الكبد الناتج عن APAP بشكل أساسي على الأعراض السريرية والتغيرات المرضية في الكبد والكلى، مما وفر أساسا لدراسات لاحقة حول آليات موت الخلايا والالتهاب في سمية APAP12,13. كان من الاختراقات الرئيسية تحديد الأمينوترانسفيراز في المصل (مثل ALT وAST) كمؤشرات حيوية لإصابات الكبد. مع ظهور نماذج زراعة الخلايا وأدوات المعلوماتية الحيوية، توسعت الأبحاث الحالية حول سمية الكبد APAP لتشمل المؤشرات الحيوية التشخيصية، التنبؤية، والميكانيكية 14,15,16. ومع ذلك، لا يزال الحصول على عينات كافية من المصل أو البلازما من مرضى جرعة زائدة من APAP، خاصة غير الناجين، تحديا. ونتيجة لذلك، هناك حاجة ملحة لاستكشاف مؤشرات حيوية تشخيصية وتوقعية وميكانيكية جديدة باستخدام أساليب جديدة لدراسة سمية الكبد الناتجة عن APAP بشكل أفضل.

علم سموم الشبكة هو مجال ناشئ يبني نماذج شبكية لتحليل البيانات السمية من قواعد بيانات المركبات18,19. يساعد في توصيف سمية المواد، وكشف الآليات، والتنبؤ بالأهداف الرئيسية20,21. حاليا، يعرف علم السموم الشبكي على نطاق واسع كأداة قيمة في البحث العلمي. على سبيل المثال، دمج تينغجياو تشو وآخرون علم السموم الشبكي مع علم النسخات لتحديد آليات سامة عصبية جديدة لاثيل 2,2',4,4'-رباعي النيران (مثبط لهب شائع) وعلاماته الحيويةالمحتملة. تسلط الدراسات الحديثة الضوء أيضا على أهمية هذا النهج في تقييم سمية المنتجات الطبيعية23. ومع ذلك، لم يتم تطبيق هذا النموذج البحثي المبتكر بعد لاستكشاف الآليات المحتملة لسمية الكبد الناتجة عن APAP ولتحديد العلامات الحيوية الجديدة المرتبطة بسميته.

تم تطوير IntelliGenes كخط أنابيب للتعلم الآلي لاكتشاف المؤشرات الحيوية متعددة الجينومات24. يدمج الأساليب الإحصائية مع التعلم الآلي المتقدم لحساب درجات جين I وإنشاء ملفات تعريف للمؤشرات الحيوية الفردية. تظهر النتائج دقة متزايدة في التنبؤ بالصفات المعقدة وتمكين رؤى مرضية شخصية. تشمل القيود الاعتماد على جودة البيانات، والتحقق المحدود بين مجموعات سكانية متنوعة، والحاجة إلى اختبارات سريرية أوسع.

النقطة الأبرزة هي أن المؤشرات الحيوية الحالية لسرطان القنوات الغدية في البنكرياس (PDAC) غير كافية، واقتراح الأعضاء المشتقة من المريض (PDOs) كمنصات وظيفية لتطوير المؤشرات الحيوية25. يقيم التصنيف الظاهري للأدوية المعتمدة على PDO، ونمذجة مقاومة الكيما، وأنظمة الزراعة المشتركة، والتنميط البروتيومي/الأيضي. تظهر النتائج أن PDOs تلتقط بشكل أفضل علم الأحياء المرتبط بالعلاج، لكن القيود تشمل التباين التقني، محدودية تكرار البيئة الدقيقة، أوقات زراعة طويلة، وتحديات في التكامل السريري الروتيني26,27.

كان هدف الدراسة تقييم طرق البروتيومية التحليلية ووظيفة المعلوماتية الحيوية في تحديد المؤشراتالحيوية 28. قيم كيف تساعد الأدوات الحاسوبية في تفسير البيانات وفحص تقنيات تحليل البروتينات المعتمدة على التصلب المتعدد. أظهرت النتائج اكتشافا معينا للمؤشرات الحيوية وأهدافا علاجية جديدة، كما أوضحت أيضا أن تحديد البروتينات منخفضة الوفرة جدا لا يزال تحديا، مما قلل من حساسية تقنيات البروتيومية الموجودة. على الرغم من وجود عدة مؤشرات تشخيصية وميكانيكية وتنبؤية لسمية الكبد الناتجة عن APAP قد تم إثباتها جيدا، إلا أن هذه العلامات تعكس بشكل أساسي إصابة خلايا الكبد أو خلل في وظائف الميتوكوندريا بعد حدوث السمية29,30. في المقابل، هدفت الدراسة الحالية إلى تحديد منظمات النسخ التي قد تعدل القابلية أو استجابة المضيف للتعرض ل APAP. لذلك تم دراسة ESR1 وPNP كعلامات تنظيمية استكشافية بدلا من كمؤشرات حيوية تشخيصية تقليدية.

لمعالجة القيود الكامنة في المنهجيات الحالية - وبشكل خاص تباين ثقافات PDOs وقضايا حساسية البروتيوميات - تستخدم هذه الدراسة إطارا حسابيا متكاملا يشمل سموم الشبكات، وعلم النسخ، وتعلم الآلة، والالتحام الجزيئي. تتجاوز هذه الاستراتيجية متعددة المستويات الحاجة إلى مجموعات كبيرة أو أنظمة تجريبية معقدة من خلال الاستفادة من التنبؤ الحسابي والتحقق المتقاطع متعدد الأوميكس. المنطق وراء هذا النهج التركيبي هو أن كل تقنية تعزز الأخرى لتقليل الإيجابيات الكاذبة: يوفر علم سموم الشبكة أولا تنبؤا على مستوى النظام للأهداف والمسارات السامة المرتبطة ب APAP؛ يؤكد تحليل النسخ بعد ذلك أي من هذه الجينات المتوقعة كانت فعلا غير منظمة أثناء سمية الكبد؛ ثم تعطي خوارزميات التعلم الآلي الأولوية لأكثر العلامات الحيوية المرشحة إفادة من هذا التجمع عالي الثقة؛ وأخيرا، يوفر الالتحام الجزيئي دعما ميكانيكيا من خلال تأكيد جدوى التفاعلات المباشرة بين APAP وأهداف البروتين المحددة.

معا، تخلق هذه الخطوات خط أنابيب متماسك قائم على الأدلة لتوقع العلامات الحيوية. هذا الجمع بين هذه الاستراتيجيات الأربع يقلل من التنبؤات الإيجابية الكاذبة ويعزز الثقة في إيجاد ESR1 وPNP كأهداف قوية في سمية الكبد الناتجة عن APAP. في هذا البحث، سيكون من الضروري وجود GSE74000 مجموعات بيانات للتعبير الجيني ذات قوة إحصائية جيدة، على الأقل ثلاث نسخ بيولوجية من أي حالة مع بيانات وصفية كاملة. يجب معالجة ملفات التعبير الخام بطريقة قياسية، والتي تشمل تصحيح الخلفية، والتطبيع (تطبيع الكم، إلخ)، وتصفية الجينات منخفضة التعبير. تم استخدام R لإجراء جميع التحليلات باستخدام حزم مثل ليما وأدوات خارجية مثل GeneCards وCytoscape، والتي تسمح ببناء شبكة. على الرغم من أن خط الأنابيب يسهل أولوية المؤشرات الحيوية بناء على التحليل المنهجي، إلا أن النتائج محدودة بجودة مجموعة البيانات، وتأثيرات الدفعات، وغياب التحقق التجريبي والتحقق في الجسم ، مما قد يؤثر على قابلية التعميم.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يوضح هذا البروتوكول طريقة حسابية لتحديد العلامات الحيوية المحتملة لتلف الكبد الناتج عن الأسيتامينوفين، والتي تستفيد من علم السموم الشبكي، وعلم النسخ، والتعلم الآلي، والالتحام الجزيئي (الشكل 1). يستهدف البروتوكول الباحثين الذين لديهم وصول إلى أدوات المعلوماتية الحيوية، ومجموعات بيانات النسخ، وبرامج الالتحام الجزيئي.

الإجراءات

الخطوة 1: تحديد أهداف الأسيتامينوفين
استرجع تمثيل SMILES للأسيتامينوفين (APAP) من PubChem. استخدم المنصات الإلكترونية (ChEMBL، SwissTargetPrediction، STITCH، SEA) للتنبؤ بالأهداف الجزيئية المحتملة ل APAP. قم بدمج وإزالة تكرار الأهداف المتوقعة لإنشاء قائمة من 140 هدفا عالي الثقة في APAP.

الخطوة 2: تحديد أهداف تسمم الكبد
استرجاع الجينات المرتبطة بسمية الكبد من قاعدة بيانات GeneCards. قم بتجميع القائمة وإزالة النسخ لتوليد مجموعة غير مكررة من 657 جينا مرتبطا بسمية الكبد. تحديد الجينات المتداخلة بين أهداف APAP والجينات المرتبطة بسمية الكبد باستخدام مخطط فين.

الخطوة 3: معالجة البيانات النصية المسبقة
حمل مجموعة البيانات GSE74000 من GEO. معالجة بيانات التعبير الخام باستخدام DESeq2 مسبقا: إزالة الجينات منخفضة التعبير، التطبيع باستخدام عوامل الحجم، وتطبيق تحويل مثبت التباين (VST). إجراء تحليل تعبيرات تفاضلية باستخدام Limma و DESeq2، مع عتبات قيمة p معدلة < 0.05 و |log2FC| > 1.

الخطوة 4: تحليل الإثراء الوظيفي
رفع الجينات المتداخلة إلى STRING لتحليل أنطولوجيا الجينات (GO)، ومسار KEGG، وتعبير الأنسجة، وتحليل الارتباط بالأمراض. تصور نتائج الإثراء الوظيفي باستخدام مخططات الفقاعات وخرائط الحرارة.

الخطوة 5: التعلم الآلي لاختيار جينات الميزات
تطبيق مصنف الغابة العشوائي (n_estimators=500، max_depth=10) لإعطاء الأولوية لجينات الميزات من جينات APAP وسمية الكبد المتداخلة. قيم أداء النموذج باستخدام أخطاء خروج الحقيبة (OOB) ودرجات أهمية الميزة. اختر أفضل 20 جينا من الميزات لمزيد من التحليل.

الخطوة 6: الالتحام الجزيئي
استرجع بنية APAP (CID 1983) من PubChem ومستقبلات البروتين (ESR1: معرف PDB 1SJ0، PNP: معرف PDB 1V2H) من PDB. جهز ملفات الليجاند والمستقبلات: التحويل إلى صيغة PDB، إضافة الهيدروجين القطبي، تعيين الشحنات، وحفظ الملفات كملفات PDBQT. حدد شبكة الالتحام في أدوات الأوتودوك، التي تغطي الموقع النشط للبروتين. قم بإجراء التحام جزيئي باستخدام AutoDock Vina، مع ضبط الشاملة على 8، وتحليل التوافقات والتفاعلات المرتبطة بالارتباط. تصور نتائج الإرساء باستخدام PyMOL لتحليل تشكيلات الربط والتفاعلات الرئيسية.

الخطوة 7: التحليل الإحصائي
تحديد الدلالة الإحصائية باستخدام اختبارات t وضبط قيم p للمقارنات المتعددة باستخدام طريقة بنجاميني-هوشبرغ31. تصور الارتباطات ذات الدلالة الإحصائية باستخدام خرائط الحرارة ومخططات التشتت.

المواد والأساليب

تحديد أهداف الأسيتامينوفين
لتحديد الأهداف الجزيئية المحتملة ل APAP، استرجعنا أولا تمثيل SMILES الخاص به من قاعدة بيانات PubChem. ثم استخدمنا عدة منصات إلكترونية، منها مختبر البيولوجيا الجزيئية الكيميائي الأوروبي (ChemBL)32، والتنبؤ السويسري بالأهداف33، وأداة البحث عن تفاعل المواد الكيميائية والأهداف (STITCH)34، ونهج التشابه (SEA)35، للتنبؤ بأهدافها المحتملة. بعد دمج نتائج هذه الأدوات، اخترنا مجموعة من الأهداف عالية الثقة ل APAP. يحدد الجدول 1 الفئات الجينية الرئيسية المستخدمة في هذه الدراسة، موضحا أدوارها في تحليل البيانات والتفسير البيولوجي. الاستخدام المستمر لهذه المصطلحات يضمن التواصل الواضح لنتائجنا.

تحديد أهداف السمية الكبدية
تم استرجاع الجينات المحتملة المرتبطة بسمية الكبد من قاعدة بيانات GeneCards. تم تجميع جميع الجينات المحددة، وإزالة النسخ المكررة، وتم إنشاء قائمة غير مكررة للتحليلات اللاحقة. تم تنزيل مجموعة البيانات GSE74000 من مستودع GEO في 15 مارس 2024. تمت معالجة بيانات التعبير الخام وتطبيرها باستخدام حزمة ليما (تطبيع الكم). تم إجراء تحليل التعبير التفاضلي باستخدام النمذجة الخطية مع انكماش بايز التجريبي. الجينات التي تتحقق من قيمة p المعدلة < 0.05 (بنجاميني-هوشبرغ FDR) و |log₂FC| > 1 اعتبرت مهمة. تم تنفيذ تصور DEGs باستخدام مخططات البراكين وخرائط الحرارة التي تم إنشاؤها باستخدام ggplot2.

معالجة البيانات المسبقة
تمت معالجة بيانات العد الخام مسبقا باستخدام DESeq2. تمت إزالة الجينات منخفضة التعبير باستخدام عتبة كشف CPM >1 في ما لا يقل عن 70٪ من العينات. تم إجراء تطبيع حجم المكتبة باستخدام عوامل حجم DESeq2، كما هو معرف في المعادلة (1):

المعادلة 1(1)

حيث يرمز لعامل الحجم الوسيط ب sj. لتثبيت علاقات المتوسط-التباين، تم استخدام تحويل مثبت التباين (VST) في المعادلة (2):

المعادلة 2(2)

تم تحديد DEGs باستخدام اختبار والد مع تصحيح بنجاميني-هوشبرغ، مع الأخذ في الاعتبار الجينات ذات الأهمية إذا تم استخدامها في المعادلة (3):

المعادلة 3(3)

تم تعريف مجموعة DEG المشتقة من DESeq2 على أنها المعادلة (4):

المعادلة 4(4)

تم استخدام هذه المجموعة (X) في استراتيجية الإجماع مع اتجاه ليما (Y) وليما فوم (Z).

بناء شبكة PPI
تم استخدام مخططات فين لتحديد الجينات المشتركة بين أهداف APAP وأهداف سمية الكبد. ثم تم رفع الجينات المتداخلة إلى قاعدة بيانات أداة البحث لاسترجاع الجينات/البروتينات المتفاعلة (STRING) لبناء شبكات PPI.

تحليل الإثراء الوظيفي متعدد الأبعاد
أجرينا أولا أنطولوجيا جينية (GO)، وموسوعة كيوتو للجينات والجينومات (KEGG)، وتعبير الأنسجة، وتحليلات وظيفية مرتبطة بالأمراض للجينات المتداخلة ل APAP والسمية الكبدية باستخدام موقع STRING. بعد ذلك، أجرينا تحليلات تخصيب GO وKEGG وتحليل إثراء مجموعة الجينات (GSEA) (REACTOME) للجينات التفاضلية لسمية الكبد باستخدام أدوات Sendo Academic.

تحليل الغابات العشوائية
طبقنا التعلم الآلي لتحديد أفضل 20 جينا من جينات APAP وسمية الكبد المتداخلة في بيانات نسخ سمية الكبد الناتجة عن APAP. تم تنفيذ مصنف الغابة العشوائية، مع 500 شجرة (n_estimators=500)، وعمق الشجرة الأقصى 10 (max_depth=10)، وعدد العينتين المطلوب لتقسيم العقدة (min_samples_split=2)، ومعيار الشوائب جيني (المعيار = 'جيني')36. تم تقييم أداء النموذج باستخدام خطأ الخروج من الحقيبة (OOB)، حيث تشير القيمة القريبة من 0 إلى دقة تنبؤية أعلى. تم حساب وتصور درجات أهمية الميزات بناء على تحليل الغابة العشوائية لترتيب مساهمة كل جين، كما في المعادلة (5).

المعادلة 5(5)

n هو إجمالي عدد العينات، yi هو 1(·) دالة مؤشر، 1 إذا كان الشرط صحيحا و0 إذا كان الشرط غير ذلك؛ المعادلة 6 كان التسمية المتوقعة للعينة الثالثة باستخدام الأشجار فقط التي لم يتم تضمين III في التدريب.

التعبير التفاضلي للجينات المميزة
تم عرض اختلافات التعبير في جينات الخصائص في بيانات النسخ باستخدام مخططات الكمان. تم تحديد مؤشرات حيوية تظهر فروقا ذات دلالة إحصائية كمؤشرات حيوية جديدة محتملة لسمية الكبد الناتجة عن APAP لمزيد من البحث.

الالتحام الجزيئي
تم استرجاع المركبات الجزيئية الصغيرة (CID 1983) من قاعدة بيانات PubChem، وتم تحميل مستقبلات البروتين ESR1 وPNP (معرفات PDB 1SJ0 و1V2H) من بنك بيانات البروتين. تم تحويل هياكل الليغاند إلى صيغة PDB باستخدام OpenBabel ومعالجتها مسبقا في أدوات AutoDock عن طريق إضافة الهيدروجين القطبي، وتعيين شحنات Gasteiger، وتحديد الروابط القابلة للدوران، والحفظ بصيغة PDBQT. تم إعداد مستقبلات البروتين باستخدام PyMOL عن طريق إزالة جزيئات الماء والروابط المتبلورة معا، تلاها إضافة الهيدروجينات القطبية وتعيين شحنات كولمان باستخدام أدوات AutoDock، وحفظها كملفات PDBQT.

في الالتحام الجزيئي، استخدم برنامج AutoDock لتعريف شبكة الالتحام التي تغطي الموقع النشط للبروتين37. كان صندوق الشبكة مركزا عند الإحداثيات (x = XX·XX، y = YY· YY,z = ZZ· ZZ) بأبعاد 40 × 40 × 40 أونغروم، وتباعد شبكي 0.375 أوكتور، مما يضمن التغطية الكاملة لجيب الربط. تم استخدام أوتودوك فينا لحساب أوضاع ارتباط الليجند والبروتينات ومواجهات الربط، مع تعيين معامل الشمولية على 8، وتم توليد أعلى تسع وضعيات ربط لكل رابط.

تم إجراء التحقق من صحة بروتوكول الالتحام عن طريق إعادة تثبيت الليجند المتبلور في الموقع النشط، مما أدى إلى قيمة RMSD تبلغ < 2.0 أنجستروم، مما أكد موثوقية إجراء الإرساء. تم تصور نتائج الالتحام باستخدام PyMOL لتحليل تشكيلات الربط والتفاعلات الرئيسية، بما في ذلك الروابط الهيدروجينية.

توقعت محاكاة الالتحام أن المركب X يتناسب مع موقع ارتباط البروتين Y، مكينا روابط هيدروجينية محتملة واتصالات كارهة للماء، مع طاقة ارتباط متوقعة تبلغ -8.5 كيلو كالوري/مول.

استكشاف الأخطاء والتعديلات المحتملة
لتحسين متانة وقابلية تكرار سير العمل المقترح، يجب ملاحظة عدة اعتبارات لاستكشاف الأخطاء والتعديلات المحتملة. إذا تم تحديد عدد غير متوقع منخفض من الجينات المعبر عنها تفاضلا (DEGs)، ينصح المستخدمون بالتحقق من إجراء التطبيع، وتأكيد تصنيف المجموعة الدقيق، والنظر في تعديل تغيير الطي |log2| العتبة مع الحفاظ على التحكم المناسب في معدل الاكتشاف الخاطئ (FDR). وعلى العكس، إذا تم الحصول على عدد مفرط من DEGs، فإن تطبيق حدود FDR أكثر صرامة أو تصفية الجينات منخفضة التباين قبل تحليل التعبير التفاضلي قد يحسن النوعية.

قد تؤثر تأثيرات الدفعات على أنماط التجميع في التحليلات الاستكشافية مثل تحليل المكونات الرئيسية (PCA). إذا تجمعت العينات بشكل رئيسي حسب الدفعة وليس حسب الحالة البيولوجية، يجب تطبيق طرق تصحيح الدفعات (مثل أساليب بايز التجريبية مثل ComBat)، ويجب إعادة تقييم بيانات العينة بعناية لتحقيق الاتساق.

بالنسبة لاختيار الميزات القائم على الغابة العشوائية، قد تشير معدلات الخطأ العالية في خروج الحقيبة (OOB) أو تصنيفات الميزات غير المستقرة إلى تكوين نموذج غير مثالي. في مثل هذه الحالات، زيادة عدد الأشجار، ضبط معامل mtry، أو إجراء تكرار تشغيل النماذج مع اختيار ميزات متفق عليها يمكن أن يعزز استقرار النموذج وموثوقية التنبؤ. بالإضافة إلى ذلك، قد تستخدم استراتيجيات التحقق المتقاطع لتقييم متانة النموذج بشكل أعمق.

لتعزيز الموثوقية، يمكن للمستخدمين تكرار التحليل اختياريا باستخدام عتبات DEG بديلة أو إعدادات معلمات التعلم الآلي ومقارنة اتساق جينات الميزات المحددة. تساعد هذه التحليلات في الحساسية على ضمان أن النتائج الرئيسية لا تعتمد على اختيارات معلمات محددة وتدعم قابلية تكرار سير العمل عبر مجموعات بيانات النسخ المماثلة.

التحليلات الإحصائية
تم تحديد الدلالة الإحصائية باستخدام اختبار t، مع الإبلاغ عن قيم p للمقارنة. تم تقييم الارتباطات الإحصائية بين مستويات التعبير الجيني والأنماط الظاهرية المرتبطة بسمية الكبد باستخدام معاملات ارتباط بيرسون وسبيرمان، اعتمادا على طبيعة البيانات. تم تعديل قيم P للمقارنات المتعددة باستخدام طريقة بنجاميني-هوشبرغ. تم تصور ارتباطات مهمة من خلال خرائط الحرارة ومخططات التشتت، مما وفر تقييما قويا للعلاقات النصية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تحديد الجينات المتداخلة ل APAP والسمية الكبدية وتحليلها الوظيفي
لتحديد الأهداف الجزيئية المحتملة ل APAP والتحقيق في أدوارها البيولوجية، تم إنشاء تنبؤات باستخدام أربع أدوات حسابية: ChEMBL، SwissTargetPrediction، STITCH، وSEA. بعد إزالة الإدخالات المكررة ودمج النتائج المتداخلة، تم إعداد قائمة غير مكررة تضم 140 هدفا مرشحا. بالإضافة إلى ذلك، تم استخراج 657 جينا مرتبطا بسمية الكبد من قاعدة بيانات GeneCards. من خلال تقاطع 140 هدفا من APAP مع 657 جين سمية الكبد، حددنا 38 جينا متداخلا (ال...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

APAP هو دواء مسكن للألم ومضاد للحرارة يوصف بشكل متكرر؛ ومع ذلك، فإن الإفراط في تناول الكمية يمكن أن يؤدي إلى تسمم كبدي كبير، وأحيانا يؤدي إلى فشل كبدي حاد38. على الرغم من التقدم في توضيح الآليات الفيزيولوجية المرضية لإصابة الكبد الناتجة عن APAP، لا يزال هناك نقص في مؤشرات حيوية موثوقة للتشخيص الدقيق والتوقعات والتحقيق الميكانيكي. لذا، هناك حاجة ملحة لتحديد مؤشرات حيوية وأساليب جديدة محتملة للتحقيق بشكل أعمق في سمية الكبد الناتجة عن APAP. في هذه الدراسة، استكشفنا ا...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المؤلفون ليس لديهم ما يكشفون عنه.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يشكر المؤلفون جامعة تيانجين للطب الصيني التقليدي على تقديم الدعم المؤسسي. نعبر عن امتناننا لمطوري قواعد البيانات العامة (GeneCards، PubChem، STRING) والأدوات مفتوحة المصدر التي مكنت هذا البحث. شكر خاص لزملاء مدرسة المواد الصينية الطبية وكلية الطب الصيني التكاملي والطب الغربي على مناقشاتهم القيمة ومساعدتهم الفنية. كما نشكر المساهمين في مجموعة بيانات GSE74000 لجعل بياناتهم متاحة للجمهور.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
قواعد البيانات وقواعد البيانات خوادم الويب
الوترhttps://cn.string-db.org/بناء شبكة PPI؛ الإثراء الوظيفي
أدوات سيندو الأكاديميةhttps://www.xiantaozi.com/تحليل إثراء GO وKEGG وGSEA
بوبكيمياءhttps://pubchem.ncbi.nlm.nih.gov/استرجاع البنى الكيميائية (APAP)
بطاقات الجينhttps://www.genecards.org/استرجاع الجينات المرتبطة بسمية الكبد
قاعدة بيانات GEOhttps://www.ncbi.nlm.nih.gov/geo/استرجاع مجموعات البيانات النصية (GSE74000)
تشيمبلhttps://www.ebi.ac.uk/chembl/توقع الأهداف
توقعات الأهداف السويسريةhttp://www.swisstargetprediction.ch/توقع الأهداف
ستيتشhttp://stitch.embl.de/التنبؤ بالتفاعل
البحرhttp://sea.bkslab.org/نهج مجموعة التشابه للتنبؤ بالأهداف
بنك بيانات البروتين (PDB)https://www.rcsb.org/استرجاع بنية البروتين (ESR1، PNP)
<قوي>برمجيات
R (الإصدار 4.x.x)https://www.r-project.org/التحليل الإحصائي ومعالجة البيانات
أدوات أوتودوك / فيناhttp://autodock.scripps.edu/تحضير ومحاكاة الالتحام الجزيئي
باي مولhttps://pymol.org/تصور البنى الجزيئية
سيتوسكيبhttps://cytoscape.org/التصور الشبكي

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Aminoshariae, A., Khan, A. Acetaminophen: old drug, new issues. J Endod. 41 (5), 588-593 (2015).
  2. Bertolini, A., et al. Paracetamol: new vistas of an old drug. CNS Drug Rev. 12 (3-4), 250-275 (2006).
  3. Hayward, K. L., Powell, E. E., Irvine, K. M., Martin, J. H. Can paracetamol (acetaminophen) be administered to patients with liver impairment. Br J Clin Pharmacol. 81 (2), 210-222 (2016).
  4. Lee, W. M. Acetaminophen (APAP) hepatotoxicity: isn't it time for APAP to go away. J Hepatol. 67 (6), 1324-1331 (2017).
  5. Li, X., Ni, J., Chen, L. Advances in the study of acetaminophen-induced liver injury. Front Pharmacol. 14, 1239395(2023).
  6. Li, R., et al. Underlying mechanisms and treatment of acetaminopheninduced liver injury (review). Mol Med Rep. 31 (4), 106(2025).
  7. Black, M. Acetaminophen hepatotoxicity. Annu Rev Med. 35, 577-593 (1984).
  8. Lai, Y., Zhong, X. B. Special section on mechanisms of drug metabolism in acetaminophen-induced hepatotoxicity: editorial. Drug Metab Dispos. 52 (8), 704-706 (2024).
  9. Jaeschke, H., et al. Recommendations for the use of the acetaminophen hepatotoxicity model for mechanistic studies and how to avoid common pitfalls. Acta Pharm Sin B. 11 (12), 3740-3755 (2021).
  10. Ameer, B., Greenblatt, D. J. Acetaminophen. Ann Intern Med. 87 (2), 202-209 (1977).
  11. Blieden, M., Paramore, L. C., Shah, D., Ben-Joseph, R. A perspective on the epidemiology of acetaminophen exposure and toxicity in the United States. Expert Rev Clin Pharmacol. 7 (3), 341-348 (2014).
  12. Vitols, S. Paracetamol hepatotoxicity at therapeutic doses. J Intern Med. 253 (2), 95-98 (2003).
  13. Hinson, J. A., Pohl, L. R., Monks, T. J., Gillette, J. R. Acetaminophen-induced hepatotoxicity. Life Sci. 29 (2), 107-116 (1981).
  14. Monte, A. A., et al. Genetic variants associated with ALT elevation from therapeutic acetaminophen. Clin Toxicol (Phila). 60 (11), 1198-1204 (2022).
  15. Zhang, C. J., et al. A human liver organoid screening platform for DILI risk prediction. J Hepatol. 78 (5), 998-1006 (2023).
  16. McGill, M. R., Jaeschke, H. Mechanistic biomarkers in acetaminophen-induced hepatotoxicity and acute liver failure: from preclinical models to patients. Expert Opin Drug Metab Toxicol. 10 (7), 1005-1017 (2014).
  17. Zhou, Y., et al. Rapid and non-invasive analysis of paracetamol overdose using paper arrow-mass spectrometry: a prospective observational study. BMC Med. 22 (1), 553(2024).
  18. Panagiotou, G., Taboureau, O. The impact of network biology in pharmacology and toxicology. SAR QSAR Environ Res. 23 (3-4), 221-235 (2012).
  19. Lan, Y., Peng, Q., Fu, B., Liu, H. Effective analysis of thyroid toxicity and mechanisms of acetyltributyl citrate using network toxicology, molecular docking, and machine learning strategies. Toxicology. 511, 154029(2025).
  20. Guan, T., et al. Probing the potential mechanism of permethrin exposure on Alzheimer's disease through enantiomer-specific network toxicology, multi-spectroscopic, and docking approaches. Chemosphere. 369, 143786(2024).
  21. Zheng, Q., Peng, Q., Shen, J., Liu, H. Efficient analysis of toxicity and mechanisms of acetyl tributyl citrate on aging with network toxicology and molecular docking strategy. Toxicology. 510, 154009(2025).
  22. Qu, T., et al. Integration of network toxicology and transcriptomics reveals the novel neurotoxic mechanisms of 2,2',4,4'-tetrabromodiphenyl ether. J Hazard Mater. 486, 136999(2025).
  23. Ran, Q., et al. Integrated bioinformatics and multi-omics to investigate the mechanism of Rhododendron molle Flos-induced hepatotoxicity. J Ethnopharmacol. 341, 119308(2025).
  24. DeGroat, W., et al. Intelligenes: a novel machine learning pipeline for biomarker discovery and predictive analysis using multi-genomic profiles. Bioinformatics. 39 (12), btad755(2023).
  25. Chew, C. A., et al. Functional precision in pancreatic cancer: redefining biomarkers with patient-derived organoids. Int J Mol Sci. 26 (18), 9083(2025).
  26. Hu, J. W., Pan, Y. Z., Zhang, X. X., Li, J. T., Jin, Y. Applications and challenges of patient-derived organoids in hepatobiliary and pancreatic cancers. World J Gastroenterol. 31 (20), 106747(2025).
  27. Boj, S. F., et al. Organoid models of human and mouse ductal pancreatic cancer. Cell. 160 (1-2), 324-338 (2015).
  28. Diouf, O., Soumboundou, M., Sall, C. Proteomics analysis techniques and bioinformatics approaches for biomarkers discovery. Int J Biol Chem Sci. 17 (7), 2943-2957 (2024).
  29. McGill, M. R., Jaeschke, H. Metabolism and disposition of acetaminophen: recent advances in relation to hepatotoxicity and diagnosis. Pharm Res. 30 (9), 2174-2187 (2013).
  30. Jaeschke, H., Ramachandran, A. Acetaminophen hepatotoxicity: paradigm for understanding mechanisms of drug-induced liver injury. Annu Rev Pathol. 19, 453-478 (2024).
  31. Pang, Z., et al. MetaboAnalyst 5.0: narrowing the gap between raw spectra and functional insights. Nucleic Acids Res. 49 (W1), W388-W396 (2021).
  32. Zdrazil, B., et al. The ChEMBL database in 2023: a drug discovery platform spanning multiple bioactivity data types and time periods. Nucleic Acids Res. 52 (D1), D1180-D1192 (2024).
  33. Daina, A., Michielin, O., Zoete, V. SwissTargetPrediction: updated data and new features for efficient prediction of protein targets of small molecules. Nucleic Acids Res. 47 (W1), W357-W364 (2019).
  34. Szklarczyk, D., et al. STITCH 5: augmenting protein-chemical interaction networks with tissue and affinity data. Nucleic Acids Res. 44 (D1), D380-D384 (2016).
  35. Keiser, M. J., et al. Relating protein pharmacology by ligand chemistry. Nat Biotechnol. 25 (2), 197-206 (2007).
  36. Nematzadeh, S., Kiani, F., Torkamanian-Afshar, M., Aydin, N. Tuning hyperparameters of machine learning algorithms and deep neural networks using metaheuristics: a bioinformatics study on biomedical and biological cases. Comput Biol Chem. 97, 107619(2022).
  37. Li, S., et al. Immunomodulatory peptides from sturgeon cartilage: isolation, identification, molecular docking and effects on RAW264.7 cells. Food Chem X. 24, 101863(2024).
  38. Chidiac, A. S., Buckley, N. A., Noghrehchi, F., Cairns, R. Paracetamol (acetaminophen) overdose and hepatotoxicity: mechanism, treatment, prevention measures, and estimates of burden of disease. Expert Opin Drug Metab Toxicol. 19 (5), 297-317 (2023).
  39. Nowotka, M. M., et al. Using ChEMBL web services for building applications and data processing workflows relevant to drug discovery. Expert Opin Drug Discov. 12 (8), 757-767 (2017).
  40. Daina, A., Michielin, O., Zoete, V. SwissTargetPrediction: updated data and new features for efficient prediction of protein targets of small molecules. Nucleic Acids Res. 47 (W1), 357-364 (2019).
  41. Kuhn, M., et al. STITCH 2: an interaction network database for small molecules and proteins. Nucleic Acids Res. 38 (Database issue), D552-D556 (2010).
  42. Josephy, D. P. The molecular toxicology of acetaminophen. Drug Metab Rev. 37 (4), 581-594 (2005).
  43. Pogosian, L. G., Nersesova, L. S., Gazariants, M. G., Mkrtchian, Z. S., Akopian, Z. I. Some inhibitors of purine nucleoside phosphorylase. Biomed Khim. 57 (5), 526-534 (2011).
  44. Walker, P. L., et al. Purine nucleoside phosphorylase deficiency: a mutation update. Nucleosides Nucleotides Nucleic Acids. 30 (12), 1243-1247 (2011).
  45. Skácel, J., et al. synthesis, biological evaluation, and crystallographic study of novel purine nucleoside phosphorylase inhibitors. J Med Chem. 66 (10), 6652-6681 (2023).
  46. Zhao, X., et al. a natural steroid saponin, shows remarkable protective effect against acetaminophen-induced liver damage in vitro and in vivo. Toxicol Lett. 214 (1), 69-80 (2012).
  47. Arao, Y., Korach, K. S. The physiological role of estrogen receptor functional domains. Essays Biochem. 65 (6), 867-875 (2021).
  48. Chen, P., Li, B., Ou-Yang, L. Role of estrogen receptors in health and disease. Front Endocrinol (Lausanne). 13, 839005(2022).
  49. Höllein, A., et al. The combination of WGS and RNA-seq is superior to conventional diagnostic tests in multiple myeloma: ready for prime time. Cancer Genet. 242, 15-24 (2020).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة