Forschungsartikel

Benzo[a]pyren und rheumatoide Arthritis: Eine integrierte computergestützte Untersuchung

DOI:

10.3791/70636

⸱

26. Mai 2026

 ,  ,  ,  ,  ,  ,  ,  ,  , 
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

In diesem Artikel

Zusammenfassung

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

Diese Studie verwendete einen integrierten computergestützten toxikologischen Ansatz, um systematisch den Zusammenhang zwischen Benzo[a]pyren-Exposition und rheumatoider Arthritis zu untersuchen. Die Analyse identifizierte fünf zentrale Zielgene, zeigte ihre Anreicherung in wichtigen Immunwegen und validierte die stabile BaP-Protein-Bindung, wodurch potenzielle molekulare Mechanismen für durch Umweltschadstoffe induzierte rheumatoide Arthritis (RA) aufgeklärt wurden.

Zusammenfassung

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

Polyzyklische aromatische Kohlenwasserstoffe (PAHs), allgegenstäuschende Umweltschadstoffe, gelten als bedeutende Umweltfaktoren, die zur Pathogenese von RA beitragen. Benzo[a]pyren (BaP), ein Schlüsselbestandteil von PAHs, kann mit dem Beginn der RA assoziiert sein; der zugrundeliegende toxikologische Mechanismus ist jedoch noch nicht vollständig geklärt. In dieser Studie haben wir diese Wissenslücke systematisch mit einem integrierten Ansatz geschlossen, der Netzwerktoxikologie, maschinelles Lernen und molekulares Andocken kombiniert. Anfangs wurde eine Netzwerk-Toxikologieanalyse auf Basis der molekularen Struktur von BaP durchgeführt. Durch Integration und Screening von Zielinformationen aus mehreren Datenbanken wurden letztlich 15 potenzielle RA-bezogene Zielgene von BaP identifiziert und ihr Interaktionsnetzwerk aufgebaut. Analysen der GO- und KEGG-Anreicherung zeigten, dass diese Gene in biologischen Prozessen wie der Leukozytenwanderung und der Signaltransduktion von Immunzellen signifikant angereichert waren und unter anderem mit den Signalwegen der NF-κB- und T-Zellrezeptoren assoziiert waren. Die anschließende topologische Analyse mit der STRING-Datenbank und der Cytoscape-Software filterte fünf Kerngene (LCK, ZAP70, ITK, GZMA und ITGAL) aus, deren Bedeutung durch maschinelles Lernen weiter bestätigt wurde. Ergebnisse aus molekularem Andocken und molekularer Dynamik zeigten, dass BaP eine starke Bindungsaffinität für die Proteinprodukte dieser Zielgene aufweist, was zur Bildung konformationsstabiler Komplexe führt. Zusammenfassend verwendet diese Studie einen integrierten rechnergestützten Ansatz, um die möglichen Mechanismen zu erläutern, durch die BaP zur RA-Entwicklung beitragen kann, und bietet so eine theoretische Grundlage für zukünftige Untersuchungen zur Prävention und Behandlung von RA im Zusammenhang mit Umweltschadstoffen.

Einleitung

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

RA ist eine häufige Autoimmunerkrankung, die durch chronische Synovitis und Pannusbildung gekennzeichnet ist, welche die fortschreitende Zerstörung von Knorpel und Knochenerosion vorantreiben. Diese pathologischen Veränderungen führen zu Gelenkdysfunktionen, einem erhöhten Risiko pathologischer Brüche und letztlich zu einer Behinderung, wodurch die Lebensqualität der betroffenen Personen stark beeinträchtigtwird. Obwohl die Ätiologie der RA nicht vollständig verstanden ist, ist ihre Pathogenese im Allgemeinen auf die kombinierten Effekte genetischer (z. B. HLA-DR4- und HLA-DR1-Gensubtypen) und Umweltfaktoren (z. B. Rauchen, Alkoholkonsum, Epstein-Barr-Virus-Infektion, Luftverschmutzungsexposition) zurückzuführen. Epidemiologische Studien haben einen signifikanten Zusammenhang zwischen PAHs durch Luftverschmutzung und einem erhöhten Risiko für RA-Beginnfestgestellt.

PAHs sind häufige Luftschadstoffe, die aus der unvollständigen Verbrennung von Substanzen wie Kohle, Erdöl, Erdgas und Tabak entstehen und als wichtige Umweltvermittler der Pathogenese von RA gelten. Sie können an den Aryl-Kohlenwasserstoffrezeptor-(AHR)-Komplex in Immunzellen binden, was zur Exposition von Kernlokalisationssignalen und zur daraus resultierenden Translokation des Liganden–AHR-Komplexes in den Kern führt. Im Kontext der RA-Pathogenese wirkt das PAH-gebundene AHR als zentraler Umweltsensor, der die Immundysregulation über miteinander verbundene Signalwege antreibt. Bei der Aktivierung bildet AHR Heterodimere mit ARNT und moduliert die Expression des CYP-Gens, wodurch eine entzündliche Kaskade4 ausgelöst wird. Diese AHR-Aktivierung stört gleichzeitig das Gleichgewicht zwischen pro-inflammatorischen und regulatorischen T-Zellen: Einerseits löst sie die AHR/Jag1/Notch-Signalachse aus und verstärkt die Th17-Zell-Zytokinfreisetzung5. Andererseits bindet AHR direkt an den GOT1-Promotor, um die GOT1-Expression hochzuregulieren, was eine Hypermethylierung des FOXP3-Lokus induziert und die Treg-Differenzierung6 unterdrückt. Das resultierende Th17/Treg-Ungleichgewicht begünstigt ein pro-inflammatoriskes Umfeld. Darüber hinaus verstärkt die AHR-Aktivierung die Th2-Typ-Antworten weiter, indem sie die CCR8-Expression und Zytokine wie IL-4 und IL-13 erhöht, die zusammen die Synovialentzündung und Gewebeschädenaufrechterhalten. So dient die AHR-Aktivierung als Knotenpunkt, der die Umwelt-PAH-Exposition mit der Dysregulation von Th17/Treg/Th2 verbindet und eine mechanistische Brücke zwischen Genotyp, Umweltfaktoren und RA-Pathologie schafft.

In der Atmosphäre existieren PAHs als komplexe Mischungen, wobei BaP als Schlüsselbestandteil dient. Bei menschlichen Makrophagen kann BaP die Produktion von CXCL8 (IL-8) induzieren, indem es die Bindung von AHR an den CXCL8-Promotor fördert und anschließend die Expression der neutrophilen chemotaktischen Faktoren8 induziert. Darüber hinaus kann BaP die Expression der Schnecke in fibroblastähnlichen Synoviozyten (FLS) von Patienten mit RA dosisabhängig hochregulieren, was das Arthritis-Fortschreiten9 verschärft. Bei Wildtyp-Mäusen fördert BaP die Aktivierung des Faktor-Rezeptors des nuklearen Faktor-KappaB-Ligands (RANKL)-vermittelten Osteoklasten (OC)-Aktivators, indem es die Aktivität des CYP1A1-Enzyms induziert, was letztlich zum Knochenverlust10 führt. Der genaue Mechanismus hinter der Rolle der BaP-Toxizität bei der RA-Pathogenese bleibt jedoch unklar. Wir vermuten, dass BaP die Pathogenese der RA fördert, indem es direkt mit wichtigen immunbezogenen Zielproteinen interagiert und mehrere Signalwege stört, die an der Aktivierung von T-Zellen, dem Th17/Treg-Gleichgewicht und der entzündlichen Zytokinproduktion beteiligt sind, wodurch die Umwelt-BaP-Exposition mit einer Synovialentzündung und Gelenkzerstörung in Verbindung gebracht wird. Die Netzwerktoxikologie ist für diese Studie besser geeignet als traditionelle experimentelle Methoden mit nur einem Signalweg, da BaP wahrscheinlich auf mehrere immunbezogene Ziele und sich kreuzende Wege wirkt. Im Vergleich zu herkömmlichen experimentellen Ansätzen, die typischerweise einen Pfad oder mehrere Ziele gleichzeitig untersuchen, ermöglicht die Netzwerktoxikologie eine ganzheitliche Sicht auf Multi-Ziel-Interaktionen und systemische Effekte, obwohl ihre Vorhersagen datenbankabhängig sind und eine experimentelle Validierung erfordern.

Bestehende Forschung zur Rolle von BaP bei RA beschränkt sich meist auf einzelne Signalwege oder lineare mechanistische Beschreibungen und fehlt eine integrierte Analyse der regulatorischen Eigenschaften von Multi-Target-, Multi-Level-Netzwerken. Bestehende Forschung zur Rolle von BaP bei RA beschränkt sich meist auf einzelne Signalwege oder lineare mechanistische Beschreibungen und fehlt eine integrierte Analyse der regulatorischen Eigenschaften von Multi-Target-, Multi-Level-Netzwerken. Daher sind ganzheitliche Ansätze wie Netzwerktoxikologie erforderlich, um den komplexen Zusammenhang zwischen BaP-Exposition und RA-Pathogenese 11,12,13 zu entschlüsseln. Dennoch gibt es einen Mangel an Netzwerk-Toxikologiestudien zu durch Umweltschadstoffe verursachten Krankheiten. Die Neuheit dieser Studie liegt in der Integration von Netzwerktoxikologie, maschinellem Lernen und molekularem Andocken, um systematisch die BaP-vermittelte RA-Pathogenese zu untersuchen, anstatt sich auf einen einzelnen Signalweg oder isolierte Ziele zu konzentrieren. Es identifiziert wichtige Hub-Gene durch topologische Analyse in Kombination mit maschinellem Lernen und bietet erstmals eine molekulare Validierung der Bindungsmodi und der thermodynamischen Stabilität zwischen BaP und den Produkten jedes Kerngens. Durch die systematische Identifizierung potenzieller molekularer Mechanismen, durch die BaP das Auftreten und die Entwicklung von RA fördern kann, zielt diese computergestützte Studie darauf ab, eine theoretische Grundlage für das Verständnis der Umweltauslöser von RA und zur Entwicklung gezielter therapeutischer Strategien zu schaffen. Im Vergleich zu traditionellen Single-Pathway-Analysen ermöglicht dieser integrierte Ansatz eine systematische Evaluation von Multi-Target-Interaktionen und bietet eine breitere Anwendbarkeit bei der Untersuchung komplexer Umweltkrankheitsmechanismen. Es sollte jedoch beachtet werden, dass unsere Methode hochkonfidenzbasierte Hub-Gene durch Schnitt- und topologische Analyse priorisiert, die unbeabsichtigt biologisch relevante Kandidatengene ausschließen können, die die Selektionsschwellenwerte nicht gleichzeitig erfüllen. Zukünftige Studien könnten komplementäre Strategien erforschen, wie die Anwendung von maschinellem Lernen auf die Union der vorhergesagten Ziele, die Integration anderer Omics-Daten oder die Durchführung gezielter experimenteller Validierung, um unsere Ergebnisse weiter zu bestätigen und auszubauen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

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

Ethikerklärung
Diese Studie bezog sich nicht direkt an menschlichen Teilnehmern oder Tierproben.

BaP-Zielerfassung
BaP zeichnete sich dadurch aus, dass Daten aus mehreren Datenbanken integriert wurden. Die PubChem-Datenbank (https://pubchem.ncbi.nlm.nih.gov/) wurde mit dem Schlüsselwort "Benzo[a]pyrene" abgefragt, um ihre chemische Struktur und die kanonische 2D-Struktur zu erhalten (MILES-String: C1=CC=C2C3=C4C(=CC2=C1)C=CC5=C4C(=CC=C5)C=C3)14. Potenzielle BaP-Ziele wurden aus den Datenbanken ChEMBL (https://www.ebi.ac.uk/chembl/), SEA (https://sea.bkslab.org/) und PharmMapper (http://lilab-ecust.cn/pharmmapper) abgerufen. Alle vorhergesagten Ziele waren auf das Proteom von Homo sapiens beschränkt. Die vollständige Liste der vorhergesagten BaP-Ziele (n = 474) ist in der ergänzenden Tabelle S1 bereitgestellt. Der vollständige analytische Workflow ist schematisch in Abbildung 1 dargestellt.

figure-protocol-1
Abbildung 1. Flussdiagramm der Datensatzanalyse in diesem Artikel, das den gesamten Arbeitsablauf einschließlich Datenerfassung, Vorverarbeitung, Analyse differenzieller Ausdrucks, Netzwerkaufbau und Validierungsschritte darstellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Erfassung von RA-bezogenen Zielen
In dieser Studie wurden fünf RA-Datensätze aus der NCBI Gene Expression Omnibus (GEO)-Datenbank(https://www.ncbi.nlm.nih.gov/gds/) mit den Schlüsselwörtern "Rheumatoide Arthritis" und "Homo sapiens" gewonnen. Basierend auf Datensatzgröße und experimentellem Design GSE77298 (RA: 16 Stichproben; Kontrolle: 7 Proben), GSE1919 (RA: 5 Proben; Kontrolle: 5 Proben), und GSE55235 (RA: 10 Proben; Kontroll: 10 Proben) bildeten das Trainingsset zur Identifizierung differenziell exprimierter Gene (DEGs), während GSE12021 (RA: 24 Proben; Kontrolle: 13 Proben) und GSE55457 (RA: 13 Proben; Kontrolle: 10 Proben) diente als Validierungsset. Weitere Details zu diesen Datensätzen, wie Plattformen, Stichproben und GSE-Serien, finden Sie in Tabelle 1.

Die Daten wurden mit dem Online-Tool GEO2R standardisiert, wodurch log2-transformierte Expressionsmatrizen für die anschließende Analyse generiert wurden. Um Interferenzen durch verschiedene experimentelle Batches zu eliminieren, wurden systematische Verzerrungen zwischen Datensätzen mithilfe der ComBat-Funktion aus dem SVA-Paket auf Basis eines parametrischen empirischen Bayes-Rahmens korrigiert. Anschließend wurde die Principal Component Analysis (PCA) verwendet, um den Korrektureffekt zu überprüfen, was eine signifikant verbesserte Probenclusterung zwischen den Chargen zeigte und somit die effektive Entfernung der Batch-Effekte bestätigte. Die zusammengeführte und korrigierte Datenmatrix wurde für die anschließende Differentialanalyse verwendet.

GSE-SerieSamplesPlattformGruppe
GSE7729816 RA und 7 SteuerungenGPL570Trainingskohorte
GSE19195 RA und 5 SteuerungenGPL91Trainingskohorte
GSE5523510 RA und 10 SteuerungenGPL96Trainingskohorte
GSE1202124 RA und 13 SteuerungenGPL96Validierungskohorte
GSE5545713 RA und 10 SteuerungenGPL9Validierungskohorte

Tabelle 1: Zusammenfassung der fünf in dieser Studie verwendeten GEO-Datensätze.
Die Tabelle liefert die GEO-Zugangsnummer (GSE-Serie), die Stichprobenzusammensetzung (Anzahl der rheumatoiden Arthritis-Patienten und gesunde Kontrollpersonen), die Plattformkennung (GPL) für jeden Datensatz sowie die Zuordnung entweder der Trainingskohorte oder der Validierungskohorte.

Analyse des gewichteten Gen-Koexpressionsnetzwerks (WGCNA)
WGCNA wurde verwendet, um die Koexpressionsnetzwerkeigenschaften der mit RA19 assoziierten DEGs zu bewerten. Basierend auf der batch-effect-korrigierten Expressionsmatrix wurde zunächst die Datenvorverarbeitung durchgeführt: Gene mit niedriger Varianz und einer Standardabweichung von weniger als 0,5 wurden entfernt, während die Qualität von Proben und Genen mittels einer Funktion zur Bewertung guter Proben und Gene bewertet wurde. Anschließend wurde hierarchische Clustering angewandt, um Ausreißerproben zu identifizieren und zu entfernen. Um ein gewichtetes Co-Expression-Netzwerk zu konstruieren, wurde eine Funktion zur systematischen Bewertung von Soft-Thresholding-Powerwerten verwendet, um Soft-Thresholding-Powerwerte von 1 bis 20 systematisch zu bewerten. Power = 12 wurde als optimaler weicher Schwellenwert ausgewählt (skalenfreier Topologie-Anpassungsindex R2 = 0,90), um sicherzustellen, dass die Netzwerktopologie einem skalierungsfreien Kriterium entsprach. Basierend auf diesem Potenzwert wurde eine Adjazenzmatrix konstruiert und die topologische Überlappungsmatrix (TOM) berechnet. Gene wurden hierarchisch gruppiert, und ein dynamischer Baumschnitt-Algorithmus wurde verwendet, um die anfänglichen Genmodule zu identifizieren. Anschließend wurden ähnliche Module durch das Clustern von Modul-Eigengenen zusammengeführt, was zu einem robusten Genmodul-Netzwerk führte. Alle Analysen wurden mit einem dedizierten R-Paket für gewichtete Co-Expression-Netzwerkanalysen durchgeführt, um die Zuverlässigkeit und Reproduzierbarkeit des Netzwerkaufbaus sicherzustellen. Eine Analyse der Schnittstelle zwischen DEGs/WGCNA-Hubgenen und vorhergesagten BaP-Zielen wurde durchgeführt, um Kernziele von BaP zu identifizieren, die mit RA-Pathogenese assoziiert sind, welche mit Venn-Diagramm-Software visualisiert wurden.

Identifikation von BaP-assoziierten Zielen, die mit der RA-Pathogenese assoziiert sind, assoziiert
Die Schnittanalyse wurde mit einem R-Paket für Venn-Diagramme durchgeführt, um BaP-Ziele zu identifizieren, die sich mit der RA-Pathogenese überschneiden. Diese wurden in die STRING-Datenbank importiert, um ein Protein-Protein-Interaktionsnetzwerk (PPI) zu erstellen, wobei die Spezies auf "Homo sapiens" gesetzt und der Interaktionskonfidenzwert auf > 0,7 gesetzt wurde, um eine hohe Netzwerkzuverlässigkeitvon 20 zu gewährleisten. Dieser Schwellenwert wurde gewählt, weil er einem "hohen Konfidenz"-Level in der STRING-Datenbank entspricht, das die Bindung biologisch relevanter Interaktionen mit der Minimierung von Fehlalarmen, die typischerweise mit niedrigeren Konfidenzwerten verbunden sind, ausbalanciert. Eine Grenze von > 0,7 wurde in Netzwerktoxikologiestudien weit verbreitet übernommen, um robuste und reproduzierbare Proteinassoziationen zu priorisieren. Die resultierende TSV-Datei wurde aus der Protein-Protein-Interaktionsdatenbank (STRING) heruntergeladen und in die Netzwerkvisualisierungssoftware (Cytoscape) für die Netzwerkvisualisierung importiert. Kernproteine im Netzwerk wurden anhand der vom Degree-Algorithmus im CytoHubba-Plugin generierten Ranking-Ergebnisse identifiziert und für die anschließende Analyse verwendet.

KEGG- und GO-Anreicherungsanalyse
Die Abkürzungen der Gene, die sowohl mit der BaP-Modulation als auch der RA-Pathogenese assoziiert sind, wurden mithilfe der "org. Hs.eg.db" Annotationspaket in R. Anschließend wurde die KEGG-Signalweganreicherungsanalyse mit dem clusterProfiler-Tool durchgeführt, wobei die Signifikanzschwelle auf 0,05 gesetzt wurde. Unterdessen umfasste die GO-funktionale Annotation die drei Hauptkategorien der GO: Biologischer Prozess (BP), Zelluläre Komponente (CC) und Molekulare Funktion (MF) und wurde mit der EnrichGO-Funktion durchgeführt, wobei sowohl P- als auch q-Wert-Grenzwerte auf 0,05 gesetzt wurden. Es sei darauf hingewiesen, dass keine mehrfache Testkorrektur angewandt wurde, da das Hauptziel dieser explorativen Analyse darin bestand, die Entdeckung potenziell relevanter biologischer Wege und funktioneller Begriffe zu maximieren und so einen breiteren Satz testbarer Hypothesen für zukünftige experimentelle Validierung zu erzeugen. Schließlich wurden die Ergebnisse der Anreicherungsanalyse grafisch mit den Barplot- und Dotplot-Funktionen aus dem Enrichplot-Paket dargestellt.

Maschinell-Lern-basierte Validierung von Kerngenen
Um die Prädiktionsfähigkeit der mit BaP und RA assoziierten Kerngene zu bewerten und die Modelltransparenz zu gewährleisten, haben wir einen systematischen Machine-Learning-Workflow implementiert. Unter Verwendung der Expressionsprofile der ausgewählten Kerngene wurden prädiktive Modelle mit 11 verschiedenen maschinellen Lernalgorithmen erstellt: Lasso-Regression (LR), Support Vector Machine (SVM), Random Forest (RF), glmBoost, schrittweise generalisiertes lineares Modell (GLM), Ridge-Regression, elastisches Netz (Enet), Gradient Boosting Machine (GBM), Linear Discriminant Analysis (LDA), eXtreme Gradient Boosting (XGBoost) und naïve Bayes. Hyperparameter wurden durch fünffache Kreuzvalidierung optimiert, wobei stratifizierte Stichproben verwendet wurden, um die Daten in Trainings- und interne Validierungssätze zu unterteilen. Ein fester zufälliger Seed (set.seed(123)) wurde im gesamten Machine-Learning-Workflow verwendet, um die Reproduzierbarkeit von Datenaufteilung, Kreuzvalidierungsfaltungen und Modelltraining sicherzustellen. Die wichtigsten Hyperparameter für jeden Algorithmus sind in der ergänzenden Tabelle S2 angegeben. Die Modellleistung wurde anhand mehrerer Kennzahlen bewertet, darunter Fläche unter der Kurve (AUC), Genauigkeit und F1-Score. Um die Einschränkungen einzelmodellbasierter Ansätze zu adressieren, haben wir eine Stacking-Ensemble-Strategie angewandt, die Vorhersagen der leistungsfähigsten Basismodelle integriert. In Anerkennung der "Black-Box"-Natur vieler Machine-Learning-Modelle nutzten wir den SHapley Additive ExPlanations (SHAP)-Algorithmus, um den Beitrag jedes Gens zu den Vorhersagen zu quantifizieren. Die Größe und Richtung der SHAP-Werte wurden verwendet, um die Genbedeutung in den Klassifikationsentscheidungen zu interpretieren und so die Interpretierbarkeit der Modellausgaben zu verbessern.

Molekulare Andockung von BaP mit Kernzielen
Um die Bindungseigenschaften zwischen BaP und den Kerngenprodukten zu untersuchen, wurden molekulare Andocksimulationen durchgeführt. Die dreidimensionale Struktur von BaP (Liganden) wurde im SDF-Format aus der PubChem-Datenbank gewonnen. Proteinstrukturen, die den Kernzielen entsprechen, wurden aus der RCSB Protein Data Bank (https://www.rcsb.org/) im PDB-Format abgerufen, ausgewählt nach ihren UniProt-Identifikatoren, wobei Strukturen mit kokristallisierten Liganden oder hochauflösenden Koordinaten bevorzugt wurden. Vor dem Andocken wurde die Proteinpräparation mit PyMol durchgeführt, bei der Wassermoleküle, kokristallisierte Liganden und Nicht-Proteinkomponenten wie Ionen entfernt wurden, um Interferenz21 zu verhindern. Für Proteine mit kokristallisierten Liganden in ihren ursprünglichen PDB-Strukturen wurde das Zentrum der aktiven Stelle anhand der atomaren Koordinaten des gebundenen Liganden definiert. Für Proteine ohne kokristallisierte Liganden wurde das Zentrum der aktiven Stelle anhand der Koordinaten von Schlüsselresten bestimmt, die in der Literatur als kritisch für katalytische Aktivität oder Inhibitorbindung bezeichnet wurden. Das Andockgitter war an den definierten Koordinaten des aktiven Standorts zentriert, wobei auf jedes Ziel eine kubische Box mit 25 × 25 × 25 Å-Abmessungen angewendet wurde. Diese standardmäßige Boxgröße von 25 Å gewährleistet eine vollständige Abdeckung jeder aktiven Stelle mit ausreichendem Spielraum für die Ligandenentnahme und vermeidet dabei übermäßige Rechenkosten. Alle Andockberechnungen wurden mit AutoDock Vina (Version 1.2.5) durchgeführt. Die Konformation mit dem günstigsten Vina-Wert wurde als repräsentativer Bindungsmodus ausgewählt, und die entsprechende Bindungsenergie wurde aufgezeichnet. Mit PyMol (Version 2.5.7) wurden dreidimensionale Bindungsposen erzeugt, und zweidimensionale Interaktionsdiagramme wurden mit Discovery Studio (Version 2021) erstellt, um wichtige Wechselwirkungen wie Wasserstoffbrücken und hydrophobe Kontakte zu visualisieren.

Molekulardynamik-Simulation
Molekulardynamik-Simulationen wurden mit Gromacs 2025.3 durchgeführt, wobei die vom Andocken abgeleiteten Komplexe als Ausgangsstrukturen verwendet wurden. Die Proteinatome wurden mit dem AMBER14SB Kraftfeld modelliert, und Wassermoleküle wurden mit dem TIP3P-Modell dargestellt. Jeder Protein-Ligand-Komplex wurde in einer kubischen Wasserbox gelöst, mit einem Mindestabstand von 1 nm zwischen der Proteinoberfläche und der Boxgrenze. Natrium- oder Chloridonen wurden je nach Bedarf hinzugefügt, um die Elektroneutralität des Systems zu erreichen. Eine anfängliche Energieminimierung erfolgte mit einer Kombination aus steilsten Abstiegs- und konjugierten Gradientenalgorithmen, die jeweils bis zu 10.000 Schritte umfassen. Langstrecken-elektrostatische Wechselwirkungen wurden mit der Particle-Mesh-Ewald (PME)-Methode berechnet, während sowohl Van-der-Waals- als auch kurzstreckenelektrostatische Wechselwirkungen eine Cutoff-Distanz von 1,0 nm angewendet wurde. Nach der Energieminimierung wurden die Systeme schrittweise unter NVT- (konstantes Volumen und Temperatur) und NPT (konstanter Druck und Temperatur) ausgeglichen. Produktionsläufe von 100 n wurden dann unter konstanter Temperatur und Druck durchgeführt, mit einem Zeitsprung von 0,002 ps (2 fs) und insgesamt 50.000.000 Schritten. Jede Simulation wurde einmal durchgeführt (ohne Replikate), da das Hauptziel darin bestand, die Stabilität der Bindungskomplexe unter Standardbedingungen zu bewerten. Die Temperatur wurde mit dem V-Rescale-Thermostat gehalten, und der Druck wurde mit dem Parrinello–Rahman-Barostat geregelt. Während der gesamten Simulation wurde für nicht-gebundene Wechselwirkungen konsequent eine 1,0-nm-Grenze angewendet. Um die strukturelle Stabilität und Flexibilität zu bewerten, berechneten wir die Wurzelmittelquadratabweichung (RMSD) der Atompositionen, die Wurzelmittelquadratfluktuation (RMSF) pro Rest, den Gyrationsradius (Rg) als Maß für strukturelle Kompaktheit und die lösungsmittelzugängliche Oberfläche (SASA). Alle Plots wurden mit QtGrace generiert.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

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

BaP-Zielerfassung
Daten zur molekularen Struktur von BaP wurden aus der PubChem-Datenbank gewonnen (Abbildung 2A). Die potenziellen biologischen Ziele von BaP wurden systematisch vorhergesagt, indem Informationen aus drei komplementären Datenbanken – ChEMBL, PharmMapper und SEA – integriert wurden, was zur Identifikation von 474 potenziellen Zielen führte (Abbildung 2B).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

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

RA ist eine komplexe Autoimmunerkrankung, die aus der Wechselwirkung zwischen genetischer Anfälligkeit und Umweltfaktoren resultiert. Unter zahlreichen Umweltrisikofaktoren gelten PAHs, einer der häufigsten Luftschadstoffe, als wichtiger Zusammenhang zwischen Umweltbelastung und Ausbruch von RA. Frühere Studien zeigten vorläufig, dass PAHs das Gleichgewicht der Immunzelldifferenzierung über den AHR-Weg beeinflussen und oxidativen Stress auslösen können. BaP, ein sehr repräsentativer Best...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

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

Die Autoren berichten von keinem Interessenkonflikt in dieser Arbeit.

Danksagungen

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

Diese Arbeit wurde von der National Natural Science Foundation of China unterstützt [Fördernummern 82274435, 82074223]; das Schlüsselprojekt auf Ebene der Zentralregierung: Die Fähigkeit zur Etablierung nachhaltiger Nutzung wertvoller Ressourcen der chinesischen Medizin [Fördernummer 2060302]; und der fünfte Jahrgang des Nationalen Ausbildungsprogramms für klinische Exzellenz in der chinesischen Medizin im Jahr 2022 [Fördernummer 2022178].

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
AutoDock Vinahttps://vina.scripps.edu1.2.5 (SCR_011958)Molekulare Andocksoftware
clusterProfiler (R-Paket)https://bioconductor.org/packages/clusterProfiler4.10.0 (SCR_016884)R-Paket für die Anreicherungsanalyse
CytoHubba (Cytoscape-Plugin)https://apps.cytoscape.org/apps/cytohubba0.1Plugin zur Hub-Gen-Identifikation (Degree-Algorithmus)
Zytoscapehttps://cytoscape.org3.10.1 (SCR_003032)Netzwerkvisualisierungssoftware
Discovery StudioDassault Systè mes BIOVIA2021Software zur Erstellung von 2D-Interaktionsdiagrammen
enrichplot (R-Paket)https://bioconductor.org/packages/enrichplot1.22.0 (SCR_021165)R-Paket zur Visualisierung von Anreicherungsergebnissen
GROMACShttps://www.gromacs.org2025.3 (SCR_014565)Molekulardynamik-Simulationssoftware
Limma (R-Paket)https://bioconductor.org/packages/limma3.58.1 (SCR_010943)R-Paket für differentiale Ausdrucksanalyse
org. Hs.eg.db (R-Paket)https://bioconductor.org/packages/org. Hs.eg.db3.18.0 (SCR_006442)R-Annotationspaket für menschliche Genidentifizatoren
PyMolSchrö dinger, Inc2.5.7 (SCR_000305)Molekulare Visualisierungssoftware
QtGracehttps://sourceforge.net/projects/grace/0.2.6Plottwerkzeug für Trajektorienanalyse
R (Programmierumgebung)https://www.r-project.org4.3.1 (SCR_001905)Statistische Rechensoftware
STRING-Datenbankhttps://string-db.org12 (SCR_005223)Datenbank für Protein-Protein-Interaktionen
venn (R-Paket)https://cran.r-project.org/package=venn1.11R-Paket zur Erzeugung von Venn-Diagrammen
WGCNA (R-Paket)https://cran.r-project.org/package=WGCNA1,72 (SCR_003302)Spezielles R-Paket für die Analyse gewichteter Ko-Ausdrucksnetzwerke

Referenzen

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

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Polyzyklische aromatische KohlenwasserstoffeNetzwerk ToxikologieMolekulares DockingMaschinelles LernenTarget Gen ScreeningNF B SignalwegT Zell RezeptorImmunzell Signalisierung

Verwandte Artikel