研究文章

苯并[a]芘与类风湿关节炎：一项整合性计算研究

112 次观看

⸱

DOI：

10.3791/70636

⸱

2026年5月26日

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Beijing University of Chinese Medicine, 2Department of Traditional Chinese Medicine Rheumatology, China-Japan Friendship Hospital, 3Third Affiliated Hospital of Beijing University of Chinese Medicine, 4Department of Rheumatology, Beijing Hospital of Traditional Chinese Medicine

本文内容

摘要

本研究采用整合的计算毒理学方法，系统性地探究了苯并[a]芘暴露与类风湿关节炎之间的关联。分析鉴定了五个核心靶基因，揭示了这些基因在关键免疫通路中的富集，并验证了BaP-蛋白质结合的稳定性，阐明了环境污染物诱导类风湿关节炎（RA）的潜在分子机制。

摘要

多环芳烃（PAHs）是一类普遍存在的环境污染物，被认为是类风湿关节炎（RA）发病过程中重要的环境影响因素。苯并[a]芘（BaP）作为PAHs的关键组分，可能与RA的发病相关；然而，其潜在的毒理学机制尚未完全阐明。本研究采用网络毒理学、机器学习与分子对接相结合的综合计算方法，系统地填补了这一知识空白。首先，基于BaP的分子结构开展网络毒理学分析，通过整合并筛选多个数据库中的靶点信息，最终鉴定出15个BaP潜在的RA相关靶基因，并构建了其相互作用网络。GO和KEGG富集分析显示，这些基因显著富集于白细胞迁移、免疫细胞信号转导等生物学过程，并与NF-κB信号通路、T细胞受体信号通路等相关。随后利用STRING数据库和Cytoscape软件进行拓扑学分析，筛选出5个核心基因（LCK、ZAP70、ITK、GZMA和ITGAL），并通过机器学习进一步验证了这些基因的重要性。分子对接与分子动力学模拟结果表明，BaP与这些靶基因编码的蛋白产物具有较强的结合亲和力，能够形成构象稳定的复合物。综上所述，本研究通过整合计算方法揭示了BaP可能参与RA发生发展的潜在机制，为今后针对环境污染物相关RA的预防与治疗研究提供了理论依据。

引言

类风湿关节炎（RA）是一种常见的自身免疫性疾病，其特征为慢性滑膜炎和血管翳形成，进而导致软骨进行性破坏和骨侵蚀。这些病理变化可引起关节功能障碍、病理性骨折风险增加，并最终导致残疾，严重影响患者的生活质量1。尽管RA的病因尚未完全明确，但其发病机制通常归因于遗传因素（如HLA-DR4和HLA-DR1基因亚型）与环境因素（如吸烟、饮酒、EB病毒（Epstein-Barr virus）感染、空气污染暴露）的共同作用2。流行病学研究已证实，空气污染中的多环芳烃（PAHs）与RA发病风险升高之间存在显著关联3。

多环芳烃（PAHs）是一类常见的空气污染物，来源于煤炭、石油、天然气和烟草等物质的不完全燃烧，被认为是类风湿关节炎（RA）发病过程中重要的环境介导因子。PAHs可与免疫细胞中的芳香烃受体（AHR）复合物结合，导致核定位信号暴露，进而促使配体-AHR复合物转位至细胞核内。在RA发病机制中，与PAH结合的AHR作为关键的环境感应器，通过多个相互关联的通路驱动免疫系统失调。AHR激活后，会与ARNT形成异源二聚体，并调控CYP基因的表达，启动炎症级联反应4。同时，AHR的激活会破坏促炎性T细胞与调节性T细胞之间的平衡：一方面，其触发AHR/Jag1/Notch信号轴，增强Th17细胞的细胞因子释放5；另一方面，AHR直接结合GOT1启动子，上调GOT1表达，从而诱导FOXP3位点的高甲基化，抑制Treg细胞的分化6。由此导致的Th17/Treg失衡有利于促炎环境的形成。此外，AHR的激活还可通过上调CCR8表达以及IL-4、IL-13等细胞因子，进一步放大Th2型免疫反应，共同加剧滑膜炎症和组织损伤7。因此，AHR的激活构成了连接环境PAH暴露与Th17/Treg/Th2免疫失衡的关键枢纽，建立了基因型、环境因素与RA病理之间的机制性桥梁。

在大气中，多环芳烃（PAHs）以复杂的混合物形式存在，其中苯并[a]芘（BaP）是关键组分之一。在人巨噬细胞中，BaP可通过促进芳香烃受体（AHR）与CXCL8启动子的结合，诱导CXCL8（IL-8）的产生，进而上调中性粒细胞趋化因子的表达8。此外，BaP能够以剂量依赖的方式上调类风湿关节炎（RA）患者成纤维样滑膜细胞（FLS）中Slug的表达，从而加剧关节炎的进展9。在野生型小鼠中，BaP通过诱导CYP1A1酶活性，促进核因子κB受体活化因子配体（RANKL）介导的破骨细胞（OC）活化，最终导致骨量丢失10。然而，BaP毒性在RA发病机制中所起作用的具体机制仍不明确。我们假设，BaP通过直接作用于关键的免疫相关靶蛋白，干扰T细胞活化、Th17/Treg平衡以及炎症性细胞因子生成等多个信号通路，从而促进RA的发生发展，将环境中的BaP暴露与滑膜炎症及关节破坏联系起来。相较于传统的单一通路实验方法，网络毒理学更适用于本研究，因为BaP可能作用于多个免疫相关靶点及交叉通路。与通常一次仅研究一个通路或少数几个靶点的传统实验方法相比，网络毒理学能够系统性地揭示多靶点相互作用和整体效应，但其预测结果依赖于数据库信息，仍需通过实验加以验证。

目前关于BaP在类风湿关节炎（RA）中作用的研究大多局限于单一通路或线性机制描述，缺乏对多靶点、多层次网络调控特征的整合分析。因此，需要采用网络毒理学等整体性方法，以揭示BaP暴露与RA发病机制之间的复杂关联11,12,13。然而，针对环境污染物诱导疾病的网络毒理学研究仍十分匮乏。本研究的创新之处在于整合网络毒理学、机器学习与分子对接技术，系统性地探究BaP介导的RA发病机制，而非局限于单一通路或孤立靶点。研究通过拓扑学分析结合机器学习识别关键枢纽基因，并首次在分子水平上验证了BaP与各核心基因表达产物之间的结合模式及热力学稳定性。通过系统性地鉴定BaP可能促进RA发生与发展的潜在分子机制，本项计算研究旨在为理解RA的环境触发因素以及开发靶向治疗策略提供理论依据。与传统的单通路分析相比，这种整合方法能够系统评估多靶点相互作用，在研究复杂环境疾病机制方面具有更广泛的适用性。但需指出的是，本方法通过交集分析和拓扑分析优先筛选高置信度的枢纽基因，可能无意中排除了未同时满足筛选阈值但具有生物学意义的候选基因。未来的研究可探索互补策略，例如将机器学习应用于预测靶点的并集、整合其他组学数据或开展靶向实验验证，以进一步确认并拓展本研究的发现。

访问受限。请登录或开始试用以查看此内容。

方案

伦理声明
本研究未直接涉及任何人类参与者或动物受试对象。

苯并[a]芘靶标获取
通过整合多个数据库的数据对苯并[a]芘（BaP）进行了表征。在PubChem数据库（https://pubchem.ncbi.nlm.nih.gov/）中使用“Benzo[a]pyrene”作为关键词检索，获取其化学结构和标准二维结构（SMILES字符串：C1=CC=C2C3=C4C(=CC2=C1)C=CC5=C4C(=CC=C5)C=C3）14。潜在的BaP靶标从ChEMBL（https://www.ebi.ac.uk/chembl/）、SEA（https://sea.bkslab.org/）和PharmMapper（http://lilab-ecust.cn/pharmmapper）数据库中获取15,16,17。所有预测的靶标均限定于智人（Homo sapiens）蛋白质组。预测的BaP靶标完整列表（n = 474）见补充表S1。完整的分析流程在图1中以示意图形式展示。

类风湿关节炎分析；维恩图；机器学习靶点；分子对接结果
图1．本文数据集分析的流程图，展示了包括数据获取、预处理、差异表达分析、网络构建及验证步骤在内的整体工作流程。请点击此处查看该图的放大版本。

获取类风湿关节炎相关靶点
本研究通过在NCBI基因表达综合数据库（GEO，https://www.ncbi.nlm.nih.gov/gds/）中使用关键词“类风湿关节炎”和“智人”检索，获取了五个类风湿关节炎（RA）数据集18。根据数据集规模和实验设计，选择GSE77298（RA：16个样本；对照：7个样本）、GSE1919（RA：5个样本；对照：5个样本）和GSE55235（RA：10个样本；对照：10个样本）作为训练集，用于鉴定差异表达基因（DEGs）；而GSE12021（RA：24个样本；对照：13个样本）和GSE55457（RA：13个样本；对照：10个样本）则作为验证集。这些数据集的更多详细信息，如平台、样本及GSE编号，见表1。

使用 GEO2R 在线工具对数据进行标准化处理，生成 log2 转换后的表达矩阵用于后续分析。为消除不同实验批次带来的干扰，基于参数化经验贝叶斯框架，采用 SVA 软件包中的 ComBat 函数对数据集之间的系统性偏差进行校正。随后通过主成分分析（PCA）验证校正效果，结果显示批次间样本聚类显著改善，从而证实批次效应得到有效去除。合并并校正后的数据矩阵用于后续差异分析。

GSE 系列样本平台分组
GSE7729816 例类风湿关节炎和 7 例对照GPL570训练队列
GSE19195 例类风湿关节炎和 5 例对照GPL91训练队列
GSE5523510 例类风湿关节炎和 10 例对照GPL96训练队列
GSE1202124 例类风湿关节炎和 13 例对照GPL96验证队列
GSE5545713 例类风湿关节炎和 10 例对照GPL9验证队列

表1：本研究使用的五个GEO数据集的汇总信息。
该表格列出了每个数据集的GEO登录号（GSE系列）、样本组成（类风湿关节炎患者和健康对照的数量）、平台标识符（GPL），以及所属的训练队列或验证队列。

加权基因共表达网络分析（WGCNA）
采用加权基因共表达网络分析（WGCNA）评估与类风湿关节炎（RA）相关的差异表达基因（DEGs）的共表达网络特征19。基于校正批次效应后的表达矩阵，首先进行数据预处理：剔除标准差小于0.5的低变异基因，并使用评估优质样本和基因的函数对样本和基因质量进行评价。随后，采用层次聚类方法识别并剔除离群样本。为构建加权共表达网络，使用系统评估软阈值幂次的函数，对1至20范围内的软阈值幂次进行系统评估。最终选择幂次=12作为最优软阈值（无尺度拓扑拟合指数R²=0.90），以确保网络拓扑结构符合无尺度准则。基于该幂次值构建邻接矩阵，并计算拓扑重叠矩阵（TOM）。对基因进行层次聚类，并利用动态树切割算法识别初始基因模块。随后，通过对模块特征基因（module eigengenes）进行聚类，合并相似模块，从而构建稳健的基因模块网络。所有分析均使用专用于加权共表达网络分析的R软件包完成，以确保网络构建的可靠性与可重复性。进一步对差异表达基因/WGCNA枢纽基因与预测的BaP靶基因的交集进行分析，以鉴定与RA发病机制相关的BaP核心靶点，并利用Venn图软件进行可视化展示。

鉴定与类风湿关节炎发病机制相关的 BaP 靶点
使用 R 语言的 Venn 图分析包进行交集分析，以确定 BaP 靶点中与类风湿关节炎（RA）发病机制重叠的部分。将这些靶点导入 STRING 数据库，构建蛋白质-蛋白质相互作用（PPI）网络，物种设定为“Homo sapiens”，相互作用置信度评分设定为 > 0.7，以确保网络的高可靠性20。选择该阈值是因为其对应于 STRING 数据库中的“高置信度”水平，能够在保留生物学相关相互作用的同时，最大限度地减少通常与较低置信度评分相关联的假阳性结果。在毒理学网络研究中，采用 > 0.7 的截断值已被广泛采纳，用于优先筛选出稳健且可重复的蛋白质关联。从蛋白质-蛋白质相互作用数据库（STRING）下载生成的 TSV 文件，并导入网络可视化软件 Cytoscape 进行网络可视化分析。通过 CytoHubba 插件中的 Degree 算法对网络中的核心蛋白进行排序，并根据排序结果确定核心蛋白，用于后续分析。

KEGG 和 GO 富集分析
与 BaP 调控和 RA 发病机制相关的基因缩写通过 R 中的 "org.Hs.eg.db" 注释包转换为 Entrez ID。随后使用 clusterProfiler 工具进行 KEGG 通路富集分析，显著性阈值设定为 0.05。同时，GO 功能注释覆盖了三个主要的 GO 分类：生物过程（BP）、细胞组分（CC）和分子功能（MF），并使用 enrichGO 函数进行分析，P 值和 q 值的截断值均设定为 0.05。需要注意的是，本研究未进行多重检验校正，因为此次探索性分析的主要目的是最大限度地发现潜在相关的重要生物学通路和功能术语，从而为后续实验验证生成更广泛的可检验假设。最后，使用 enrichplot 包中的 barplot 和 dotplot 函数对富集分析结果进行图形化展示。

基于机器学习的核心基因验证
为评估与BaP和RA相关的核心基因的预测能力，并保持模型的透明性，我们实施了一套系统的机器学习工作流程。利用所选核心基因的表达谱，采用11种不同的机器学习算法构建了预测模型：Lasso回归（LR）、支持向量机（SVM）、随机森林（RF）、glmBoost、逐步广义线性模型（GLM）、岭回归、弹性网络（Enet）、梯度提升机（GBM）、线性判别分析（LDA）、极端梯度提升（XGBoost）以及朴素贝叶斯。通过五折交叉验证对超参数进行优化，并采用分层抽样将数据划分为训练集和内部验证集。在整个机器学习流程中使用固定的随机种子（set.seed(123)），以确保数据划分、交叉验证折次和模型训练的可重复性。各算法的关键超参数详见补充表S2。模型性能通过多个指标进行评估，包括曲线下面积（AUC）、准确率和F1分数。为克服单一模型方法固有的局限性，我们采用堆叠集成策略，整合表现最优的基础模型的预测结果。鉴于许多机器学习模型具有“黑箱”特性，我们应用SHapley加性解释（SHAP）算法量化每个基因对预测结果的贡献。通过SHAP值的大小和方向来解释基因在分类决策中的重要性，从而增强模型输出的可解释性。

BaP与核心靶点的分子对接
为探究BaP与核心基因产物之间的结合特性，进行了分子对接模拟。BaP（配体）的三维结构从PubChem数据库获取，格式为SDF。对应核心靶点的蛋白质结构从RCSB蛋白质数据库（https://www.rcsb.org/）以PDB格式下载，并根据其UniProt编号进行选择，优先选用包含共结晶配体或高分辨率坐标的结构。在对接前，使用PyMol进行蛋白预处理，移除水分子、共结晶配体以及离子等非蛋白组分，以避免干扰21。对于原始PDB结构中包含共结晶配体的蛋白，其活性位点中心根据结合配体的原子坐标确定；对于无共结晶配体的蛋白，则依据文献报道的关键残基坐标确定活性位点中心，这些残基通常对催化活性或抑制剂结合至关重要。对接网格以确定的活性位点坐标为中心，对每个靶点采用25 × 25 × 25 Å的立方体盒子。该标准的25 Å盒子尺寸可充分覆盖每个活性位点，并为配体采样提供足够空间，同时避免过高的计算成本。所有对接计算均使用AutoDock Vina（版本1.2.5）完成。选择Vina评分最优的构象作为代表性结合模式，并记录相应的结合能。使用PyMol（版本2.5.7）生成三维结合构象，使用Discovery Studio（版本2021）生成二维相互作用图，以可视化关键相互作用，包括氢键和疏水接触。

分子动力学模拟
使用 Gromacs 2025.3 进行分子动力学模拟，以对接获得的复合物作为初始结构。蛋白质原子采用 AMBER14SB 力场进行建模，水分子使用 TIP3P 模型表示。每个蛋白质-配体复合物被置于立方水盒子中溶剂化，蛋白质表面与盒子边界之间的最小距离为 1 nm。根据需要添加钠离子或氯离子以实现体系的电中性。首先结合最陡下降法和共轭梯度算法进行初始能量最小化，每种算法最多运行 10,000 步。长程静电相互作用通过粒子-网格埃瓦尔德（Particle-Mesh Ewald, PME）方法计算，范德华相互作用和短程静电相互作用均采用 1.0 nm 的截断距离。在能量最小化之后，体系在 NVT（恒定体积和温度）和 NPT（恒定压力和温度）条件下逐步进行平衡。随后在恒定温度和压力下进行 100 ns 的生产模拟，时间步长为 0.002 ps（2 fs），总共 50,000,000 步。每项模拟仅执行一次（无重复），主要目的是评估结合复合物在标准条件下的稳定性。温度通过 V-rescale 温控器维持，压力由 Parrinello–Rahman 压力耦合器控制。在整个模拟过程中，非键相互作用始终采用 1.0 nm 的截断距离。为了评估结构的稳定性和柔性，我们计算了原子位置的均方根偏差（RMSD）、每个残基的均方根涨落（RMSF）、作为结构紧密性度量的回转半径（Rg），以及溶剂可及表面积（SASA）。所有图表均使用 QtGrace 生成。

访问受限。请登录或开始试用以查看此内容。

结果

BaP 靶点获取
BaP 的分子结构数据来自 PubChem 数据库（图 2A）。通过整合来自三个互补数据库——ChEMBL、PharmMapper 和 SEA 的信息，系统性预测了 BaP 的潜在生物学靶点，共鉴定出 474 个潜在靶点（图 2B）。

多环芳烃结构，维恩图；苯并[a]芘化合物，基因重叠分析。
图 2．与类风湿关节炎（rheumatoid arthritis，RA）相关的苯并[a]芘（BaP）靶蛋白的鉴定。（A）BaP 的化学结构，显示其分子构...

访问受限。请登录或开始试用以查看此内容。

讨论

类风湿关节炎（RA）是一种复杂的自身免疫性疾病，由遗传易感性与环境因素相互作用所致。在众多环境风险因素中，多环芳烃（PAHs）作为最常见的空气污染物之一，被认为是连接环境暴露与RA发病的重要环节。早期研究初步揭示，PAHs可通过芳香烃受体（AHR）通路影响免疫细胞分化的平衡，并诱导氧化应激。苯并[a]芘（BaP）是PAHs中具有高度代表性的组分，因其毒性强且在环境中广泛存在而受到广泛关注22。然而，BaP在特定细胞和信号网络中的直接作用靶点及核心作用机制尚不明确，这限制了对RA风险的预警能力以及针对环境因素的早期干预设计。为弥补这一空白，本研究提出假设：BaP可能通过直接结合五个核心免疫相关蛋白（LCK、ZAP70、ITK、GZMA和ITGAL），进而干扰T细胞受体、NF-κB和Th17信号通路，促进RA的发生发展。本研究通过整合网络毒理学、机器学习与分子对接技术，尝试构建一个系统的计算框架，突破单一通路分析的局限，为理解BaP通过多靶点调控机制参与RA发病提供理论依据。

通过这一整合分析，从最初的15个基因中鉴定出5个与类风湿关节炎...

访问受限。请登录或开始试用以查看此内容。

披露

作者在本研究中无利益冲突。

致谢

本工作得到国家自然科学基金 [资助号 82274435、82074223]；中央级重点专项：贵重中药资源可持续利用能力建设 [资助号 2060302]；以及 2022 年第五批全国中医药临床优秀人才研修项目 [资助号 2022178] 的支持。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
AutoDock Vinahttps://vina.scripps.edu1.2.5 (SCR_011958)分子对接软件
clusterProfiler (R 软件包)https://bioconductor.org/packages/clusterProfiler4.10.0 (SCR_016884)用于富集分析的 R 软件包
CytoHubba (Cytoscape 插件)https://apps.cytoscape.org/apps/cytohubba0.1用于枢纽基因识别的插件（Degree 算法）
Cytoscapehttps://cytoscape.org3.10.1 (SCR_003032)网络可视化软件
Discovery StudioDassault Systèmes BIOVIA2021用于生成二维相互作用图的软件
enrichplot (R 软件包)https://bioconductor.org/packages/enrichplot1.22.0 (SCR_021165)用于富集结果可视化的 R 软件包
GROMACShttps://www.gromacs.org2025.3 (SCR_014565)分子动力学模拟软件
limma (R 软件包)https://bioconductor.org/packages/limma3.58.1 (SCR_010943)用于差异表达分析的 R 软件包
org.Hs.eg.db (R 软件包)https://bioconductor.org/packages/org.Hs.eg.db3.18.0 (SCR_006442)用于人类基因标识符注释的 R 软件包
PyMolSchrödinger, Inc2.5.7 (SCR_000305)分子可视化软件
QtGracehttps://sourceforge.net/projects/grace/0.2.6用于轨迹分析的绘图工具
R (编程环境)https://www.r-project.org4.3.1 (SCR_001905)统计计算软件
STRING 数据库https://string-db.org12 (SCR_005223)蛋白质-蛋白质相互作用数据库
venn (R 软件包)https://cran.r-project.org/package=venn1.11用于生成维恩图的 R 软件包
WGCNA (R 软件包)https://cran.r-project.org/package=WGCNA1.72 (SCR_003302)专用于加权共表达网络分析的 R 软件包

参考文献

  1. Zhao, Y., Chen, G. Y., Fang, M. Research trends of rheumatoid arthritis and depression from 2019 to 2023: a bibliometric analysis. J Multidiscip Healthc. 17, 4465-4474 (2024).
  2. Venetsanopoulou, A. I., Alamanos, Y., Voulgari, P. V., Drosos, A. A. Epidemiology of rheumatoid arthritis: genetic and environmental influences. Expert Rev Clin Immunol. 18 (9), 923-931 (2022).
  3. Beidelschies, M., et al. Polycyclic aromatic hydrocarbons and risk of rheumatoid arthritis: a cross-sectional analysis of the National Health and Nutrition Examination Survey, 2007 - 2016. BMJ Open. 13 (5), e071514(2023).
  4. Xi, X., et al. Polycyclic aromatic hydrocarbons affect rheumatoid arthritis pathogenesis via aryl hydrocarbon receptor. Front Immunol. 13, 797815(2022).
  5. Xia, M., et al. Vehicular exhaust particles promote allergic airway inflammation through an aryl hydrocarbon receptor-notch signaling cascade. J Allergy Clin Immunol. 136 (2), 441-453 (2015).
  6. Sun, L., et al. Particulate matter of 2.5 µm or less in diameter disturbs the balance of TH17/regulatory T cells by targeting glutamate oxaloacetate transaminase 1 and hypoxia-inducible factor 1α in an asthma model. J Allergy Clin Immunol. 145 (1), 402-414 (2020).
  7. Hew, K. M., et al. Childhood exposure to ambient polycyclic aromatic hydrocarbons is linked to epigenetic modifications and impaired systemic immunity in T cells. Clin Exp Allergy. 45 (1), 238-248 (2015).
  8. Podechard, N., et al. Interleukin-8 induction by the environmental contaminant benzo(a)pyrene is aryl hydrocarbon receptor-dependent and leads to lung inflammation. Toxicol Lett. 177 (2), 130-137 (2008).
  9. Lee, J., et al. A role for benzo[a]pyrene and Slug in invasive properties of fibroblast-like synoviocytes in rheumatoid arthritis: a potential molecular link between smoking and radiographic progression. Joint Bone Spine. 80 (6), 621-625 (2013).
  10. Iqbal, J., et al. Smoke carcinogens cause bone loss through the aryl hydrocarbon receptor and induction of Cyp1 enzymes. Proc Natl Acad Sci USA. 110 (27), 11115-11120 (2013).
  11. Chen, G. Y., et al. Mechanisms of total glucosides of paeony in alleviating methotrexate-induced liver injury. Drug Des Devel Ther. 19, 3407-3423 (2025).
  12. Chen, G. Y., et al. Prediction of Rhizoma Drynariae targets in the treatment of osteoarthritis based on network pharmacology and experimental verification. Evid Based Complement Alternat Med. 2021, 5233462(2021).
  13. Chen, G., Yan, Z., Wang, Y., Tao, Q. Rheumatoid Arthritis and Fibromyalgia Syndrome: A Bibliometric and Bioinformatics Perspective on Comorbidity Research. J Multidiscip Healthc. 18, 6811-6827 (2025).
  14. Kim, S., et al. PubChem 2023 update. Nucleic Acids Res. 51 (D1), D1373-D1380 (2023).
  15. 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).
  16. Keiser, M. J., et al. Relating protein pharmacology by ligand chemistry. Nat Biotechnol. 25 (2), 197-206 (2007).
  17. Liu, X., et al. PharmMapper server: a web server for potential drug target identification using pharmacophore mapping approach. Nucleic Acids Res. 38 (2), W609-W614 (2010).
  18. Barrett, T., et al. NCBI GEO: archive for functional genomics data sets—update. Nucleic Acids Res. 41 (D1), D991-D995 (2013).
  19. Langfelder, P., Horvath, S. Fast R functions for robust correlations and hierarchical clustering. J Stat Softw. 46 (11), 1-17 (2012).
  20. Szklarczyk, D., et al. The STRING database in 2023: protein-protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Res. 51 (D1), D638-D646 (2023).
  21. wwPDB consortium. Protein Data Bank: the single global archive for 3D macromolecular structure data. Nucleic Acids Res. 47 (D1), D520-D528 (2019).
  22. Gentner, N. J., Weber, L. P. Intranasal benzo[a]pyrene alters circadian blood pressure patterns and causes lung inflammation in rats. Arch Toxicol. 85 (4), 337-346 (2011).
  23. Ordóñez, D., et al. Cell-mediated cytotoxicity in Lyme arthritis. Arthritis Rheumatol. 75 (5), 782-793 (2023).
  24. Zheng, Y., et al. Role of the granzyme family in rheumatoid arthritis: current insights and future perspectives. Front Immunol. 14, 1137918(2023).
  25. Wang, H., et al. Triple knockdown of CD11a, CD49d, and PSGL1 in T cells reduces CAR-T cell toxicity but preserves activity against solid tumors in mice. Sci Transl Med. 17 (782), eadl6432(2025).
  26. So, T., et al. Antigen-independent signalosome of CARMA1, PKCθ, and TNF receptor-associated factor 2 (TRAF2) determines NF-κB signaling in T cells. Proc Natl Acad Sci USA. 108 (7), 2903-2908 (2011).
  27. Genheden, S., Ryde, U. The MM/PBSA and MM/GBSA methods to estimate ligand-binding affinities. Expert Opi Drug Discov. 10 (5), 449-461 (2015).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

NF B T

相关文章