Artículo de investigación

Identificación computacional de la fosforilasa de nucleósido purina y el receptor de estrógenos 1 como biomarcadores de la lesión hepática inducida por acetaminofén

DOI:

10.3791/69887

⸱

6 de febrero de 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

En este artículo

Resumen

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

Analizamos computacionalmente la toxicología de redes y los datos transcriptómicos para identificar biomarcadores de daño hepático inducido por acetaminofén, revelando el receptor de estrógenos 1 y la fosforilasa de nucleósido purina como objetivos diagnósticos.

Resumen

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

La lesión hepática inducida por paracetamol es una preocupación importante de salud pública, pero faltan biomarcadores tempranos fiables. Este estudio tuvo como objetivo identificar biomarcadores candidatos para la hepatotoxicidad inducida por acetaminofén utilizando un enfoque computacional que integra toxicología de redes, transcriptómica y aprendizaje automático. Se predijeron posibles objetivos del paracetamol utilizando plataformas en línea, lo que dio 140 candidatos. Se extrajeron genes relacionados con la hepatotoxicidad (n = 657) de GeneCards e identificaron 38 genes superpuestos. Se analizaron genes expresados diferencialmente del conjunto de datos GSE74000 (n = 1.978). Se realizó un enriquecimiento funcional para identificar vías relevantes. Un modelo de bosque aleatorio priorizó 20 genes de características, y el acoplamiento molecular evaluó las afinidades de unión con el paracetamol. Las DEGs se asociaron principalmente con disfunción mitocondrial y biogénesis de ribosomas. El enriquecimiento funcional destacó el metabolismo xenobiótico y las vías de estrés oxidativo. El receptor de estrógenos 1 y la fosforilasa nucleósido purina fueron genes de característica más destacados, mostrando diferencias significativas en la expresión y fuertes interacciones de acoplamiento con paracetamol. Este protocolo computacional predice sistemáticamente biomarcadores candidatos para la lesión hepática inducida por paracetamol, proporcionando información molecular y candidatos para validación experimental.

Introducción

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

El paracetamol (APAP) es un antipirético y analgésico ampliamente administrado, pero una ingesta excesiva puede provocar hepatotoxicidad severa y potencialmente insuficiencia hepática 1,2. Se prevé que el daño al hígado ocurra una vez metabolizado el fármaco, y el metabolito tóxico subsecuente es la N-acetil-p-benzoquinona imina (NAPQI), que provoca estrés oxidativo mitocondrial, alteración de la respiración mitocondrial y la transición de permeabilidad mitocondrial, causando finalmente la muerte necrótica, en lugar de apoptótica, delos hepatocitos 3,4. La sobredosis de APAP sigue siendo la principal causa de insuficiencia hepática aguda (ALF) en muchos países. Los datos epidemiológicos muestran que la toxicidad de APAP representa casi el 50% de los casos de ALF en Estados Unidos y es responsable de miles de ingresos de emergencia anualmente. Se han reportado tendencias similares a nivel global, con la hepatotoxicidad asociada a APAP constituyendo una proporción importante de los casos de lesión hepática inducida por fármacos (DILI) 5,6. La alta morbilidad, el riesgo de trasplante hepático y la considerable carga sanitaria ponen de manifiesto la urgente necesidad de mejorar los biomarcadores diagnósticos y de una comprensión mecanicista del daño hepático inducido por APAP. Específicamente, APAP se absorbe y metaboliza principalmente en el hígado mediante glucuronidación y sulfatación, formando conjugados solubles en agua que se excretan en la orina. Una fracción menor (10-15%) sufre hidroxilación mediada por el citocromo P450 (CYP450) (a través de enzimas como CYP1A2, CYP2E1 y CYP3A4) para producir el intermedio reactivo NAPQI, que se une al glutatión y se excreta a través de labilis 7,8. Debido a la capacidad limitada de las vías de glucuronidación y sulfatación, una dosificación excesiva conduce a un aumento de la formación de NAPQI, mientras que al mismo tiempo se agotan las reservas hepáticasde glutatión 9. Una vez que el glutatión se agota a niveles críticos, NAPQI comienza a unirse covalentemente a las macromoléculas celulares, dañando loshepatocitos 10. La toxicidad relacionada con sobredosis de APAP está aumentando, con unas 50.000-80.000 visitas anuales a urgenciassolo en Estados Unidos, 11. Dado que el estrés oxidativo y la disfunción mitocondrial son centrales en la hepatotoxicidad inducida por APAP, la desregulación de la ESR1 puede influir indirectamente en la supervivencia de los hepatocitos y en las respuestas inflamatorias durante la lesión de APAP. La toxicidad por APAP induce estrés metabólico y activación inflamatoria en los hepatocitos. Los cambios en la expresión de PNP pueden reflejar alteraciones en el metabolismo de nucleótidos y respuestas relacionadas con el sistema inmunitario durante el daño hepático inducido por APAP.

Los primeros informes sobre la hepatotoxicidad inducida por APAP se centraron principalmente en los síntomas clínicos y los cambios patológicos en el hígado y los riñones, proporcionando la base para estudios posteriores sobre los mecanismos de muerte celular e inflamación en la toxicidad deAPAP 12,13. Un avance clave fue la identificación de aminotransferasas séricas (por ejemplo, ALT y AST) como biomarcadores de lesión hepática. Con la llegada de modelos de cultivo celular y herramientas bioinformáticas, la investigación actual sobre la hepatotoxicidad APAP se ha ampliado para incluir biomarcadores diagnósticos, pronósticos ymecanicistas 14,15,16. Sin embargo, obtener suficientes muestras de suero o plasma de pacientes con sobredosis APAP, especialmente de no supervivientes, sigue siendoun reto 17. Como resultado, existe una necesidad urgente de explorar nuevos biomarcadores diagnósticos, pronósticos y mecanicistas utilizando enfoques novedosos para estudiar mejor la hepatotoxicidad inducida por APAP.

La toxicología de redes es un campo emergente que construye modelos de redes para analizar datos toxicológicos de bases de datos de compuestos18,19. Ayuda a caracterizar la toxicidad de sustancias, identificar mecanismos y predecir objetivos clave20,21. Actualmente, la toxicología de redes es ampliamente reconocida como una herramienta valiosa en la investigación científica. Por ejemplo, Tengjiao Qu et al. integraron la toxicología de redes con transcriptómica para identificar nuevos mecanismos neurotóxicos del éter 2,2',4,4'-tetrabromodifenilo (un retardante común de llama) y sus posibles biomarcadores22. Estudios recientes también destacan la importancia de este enfoque para evaluar la toxicidad de productos naturales23. Sin embargo, este paradigma innovador de investigación aún no se ha aplicado para explorar los posibles mecanismos de la hepatotoxicidad inducida por APAP e identificar nuevos biomarcadores asociados a su toxicidad.

IntelliGenes se desarrolló como una cadena de aprendizaje automático para el descubrimiento de biomarcadoresmultigenómicos 24. Integra métodos estadísticos con aprendizaje automático avanzado para calcular puntuaciones de I-Gene y crear perfiles individualizados de biomarcadores. Los resultados muestran una mayor precisión en la predicción de rasgos complejos y en la posibilidad de obtener información personalizada sobre la enfermedad. Las limitaciones incluyen la dependencia de la calidad de los datos, la validación limitada entre poblaciones diversas y la necesidad de pruebas clínicas más amplias.

Lo destacado es que los biomarcadores actuales de adenocarcinoma ductal pancreático (PDAC) son insuficientes, y proponer organoides derivados del paciente (PDOs) como plataformas funcionales para el desarrollo debiomarcadores 25. Evalúa el fenotipado de fármacos basados en PDO, la modelización de quimiorresistencia, los sistemas de cocultivo y el perfilado proteómico/metabolómico. Los hallazgos muestran que las PDOs capturan mejor la biología relevante para el tratamiento, pero las limitaciones incluyen variabilidad técnica, replicación limitada del microambiente, largos tiempos de cultivo y desafíos en la integración clínicarutinaria 26,27.

El propósito del estudio fue evaluar métodos proteómicos analíticos y la función de la bioinformática en la identificación de biomarcadores28. Evaluó cómo las herramientas computacionales ayudaban en la interpretación de datos y examinó técnicas de análisis de proteínas basadas en EM. Los resultados demostraron un mayor descubrimiento de biomarcadores y nuevos objetivos terapéuticos, pero también dejaron claro que identificar proteínas de muy baja abundancia seguía siendo un reto, reduciendo así la sensibilidad de las técnicas proteómicas existentes. Aunque varios biomarcadores diagnósticos, mecanicistas y pronósticos para la hepatotoxicidad inducida por APAP han estado bien establecidos, estos marcadores reflejan principalmente daño hepatocelular o disfunción mitocondrial tras la ocurrenciade toxicidad 29,30. En cambio, el presente estudio pretendía identificar reguladores transcriptómicos que puedan modular la susceptibilidad o la respuesta del huésped a la exposición a APAP. Por tanto, se investigaron ESR1 y PNP como marcadores regulatorios exploratorios en lugar de biomarcadores diagnósticos clásicos.

Para abordar las limitaciones inherentes a las metodologías actuales —específicamente la variabilidad del cultivo de las PDOs y las cuestiones de sensibilidad de la proteómica— este estudio emplea un marco computacional integrado que comprende toxicología de redes, transcriptómica, aprendizaje automático y acoplamiento molecular. Esta estrategia multinivel evita la necesidad de grandes cohortes o sistemas experimentales complejos aprovechando la predicción computacional y la validación cruzada multi-ómica. La razón de este enfoque combinatorio es que cada técnica refuerza a las demás para minimizar falsos positivos: la toxicología de redes proporciona primero una predicción a nivel de sistema de objetivos relacionados con APAP y vías tóxicas; El análisis transcriptómico valida posteriormente cuáles de estos genes predichos están genuinamente desregulados durante la hepatotoxicidad; Los algoritmos de aprendizaje automático priorizan entonces los biomarcadores candidatos más informativos de este grupo de alta confianza; y finalmente, el acoplamiento molecular ofrece apoyo mecanicista al confirmar la viabilidad de interacciones directas entre APAP y los objetivos proteicos identificados.

Juntos, estos pasos crean una cadena coherente y basada en la evidencia para la predicción de biomarcadores. Esta combinación de estas cuatro estrategias minimiza las predicciones falsas positivas y aumenta la confianza en encontrar ESR1 y PNP como objetivos fuertes en la hepatotoxicidad inducida por APAP. En esta investigación, sería necesario contar con GSE74000 conjuntos de datos de expresión génica que tengan un buen poder estadístico, al menos un mínimo de tres réplicas biológicas de cualquier condición con metadatos completos. Los archivos de expresión en bruto tendrían que procesarse de manera estándar, que consiste en corrección de fondo, normalización (normalización de cuantiles, etc.) y filtrado de genes de baja expresión. R se utilizó para realizar todos los análisis con paquetes como limma y herramientas externas como GeneCards y Cytoscape, que permiten construir una red. Aunque la cadena facilita la priorización de biomarcadores basada en análisis sistemáticos, los resultados están limitados por la calidad del conjunto de datos, los efectos por lotes y la ausencia de validación experimental e in vivo , lo que podría afectar la generalización.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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

Este protocolo describe un método computacional para definir los posibles biomarcadores del daño hepático inducido por acetaminofén, que aprovecha la toxicología de redes, transcriptómica, aprendizaje automático y acoplamiento molecular (Figura 1). El protocolo está dirigido a investigadores que tienen acceso a herramientas de bioinformática, conjuntos de datos transcriptómicos y software de acoplamiento molecular.

Procedimiento

Paso 1: Identificación de los objetivos del paracetamol
Recupera la representación SMILES del paracetamol (APAP) de PubChem. Utiliza plataformas en línea (ChEMBL, SwissTargetPrediction, STITCH, SEA) para predecir posibles objetivos moleculares de APAP. Integrar y deduplicar los objetivos predichos para generar una lista de 140 objetivos APAP de alta confianza.

Paso 2: Identificación de objetivos de hepatotoxicidad
Recuperar genes relacionados con hepatotoxicidad de la base de datos GeneCards. Compila y deduplica la lista para generar un conjunto no redundante de 657 genes relacionados con la hepatotoxicidad. Identificar genes superpuestos entre los objetivos de APAP y los genes relacionados con hepatotoxicidad utilizando un diagrama de Venn.

Paso 3: Preprocesamiento de datos transcriptómicos
Descarga el conjunto de datos GSE74000 de GEO. Preprocesar los datos de expresión en bruto usando DESeq2: eliminar genes de baja expresión, normalizar usando factores de tamaño y aplicar la transformación estabilizadora de varianza (VST). Realizar análisis de expresión diferencial usando Limma y DESeq2, con umbrales de valor p ajustado < 0,05 y |log 2FC| > 1.

Paso 4: Análisis de Enriquecimiento Funcional
Subir genes superpuestos a STRING para análisis de Ontología Génica (GO), vía KEGG, expresión tisular y correlación de enfermedades. Visualiza los resultados del enriquecimiento funcional usando diagramas de burbujas y mapas de calor.

Paso 5: Aprendizaje automático para la selección de genes de características
Aplicar un clasificador de Bosque Aleatorio (n_estimators=500, max_depth=10) para priorizar genes de características de los genes solapados APAP y de hepatotoxicidad. Evalúa el rendimiento del modelo utilizando el error Out-of-Bag (OOB) y las puntuaciones de importancia de las características. Selecciona los 20 genes principales de las características para un análisis más detallado.

Paso 6: Acoplamiento molecular
Recuperar la estructura APAP (CID 1983) de PubChem y receptores proteicos (ESR1: PDB ID 1SJ0, PNP: PDB ID 1V2H) de PDB. Prepara archivos de ligandos y receptores: convierte a formato PDB, añade hidrógenos polares, asigna cargas y guarda como archivos PDBQT. Define la cuadrícula de acoplamiento en AutoDock Tools, que cubre el sitio activo de la proteína. Realiza acoplamiento molecular usando AutoDock Vina, con exhaustividad ajustada a 8, y analiza afinidades e interacciones de enlace. Visualiza los resultados del acoplamiento usando PyMOL para analizar conformaciones de enlace e interacciones de claves.

Paso 7: Análisis estadístico
Determinar la significación estadística usando pruebas t y ajustar los valores p para comparaciones múltiples utilizando el métodode Benjamini-Hochberg 31. Visualiza asociaciones estadísticamente significativas usando mapas de calor y diagramas de dispersión.

Materiales y métodos

Identificación de objetivos del paracetamol
Para identificar posibles objetivos moleculares de APAP, primero recuperamos su representación SMILES de la base de datos PubChem. Posteriormente utilizamos varias plataformas en línea, incluyendo el Laboratorio Europeo de Biología Molecular Química (ChemBL)32, Swiss TargetPrediction 33, Search Tool for the Interaction of Chemicals and Targets (STITCH)34 y el enfoque de conjunto de similitudes (SEA)35, para predecir sus posibles objetivos. Tras integrar los resultados de estas herramientas, seleccionamos un conjunto de objetivos de alta confianza para APAP. La Tabla 1 define las principales categorías génicas utilizadas en este estudio, aclarando su papel en el análisis de datos y la interpretación biológica. El uso constante de estos términos garantiza una comunicación clara de nuestros resultados.

Identificación de objetivos de hepatotoxicidad
Se recuperaron genes potencialmente asociados a la hepatotoxicidad de la base de datos GeneCards. Se compilaron todos los genes identificados, se eliminaron duplicados y se generó una lista no redundante para análisis posteriores. El conjunto de datos GSE74000 fue descargado del repositorio GEO el 15 de marzo de 2024. Los datos de expresión en bruto se procesaron y normalizaron utilizando el paquete limma (normalización cuantil). El análisis diferencial de expresión se realizó mediante modelado lineal con contracción bayesiana empírica. Genes que cumplen con el valor p ajustado < 0,05 (Benjamini-Hochberg FDR) y |log₂FC| > 1 se consideraban significativas. La visualización de los DEGs se realizó utilizando gráficos de volcán y mapas de calor generados con ggplot2.

Preprocesamiento de datos
Los datos de recuento en bruto se preprocesaron usando DESeq2. Los genes de baja expresión se eliminaron utilizando un umbral de detección de CPM >1 en al menos el 70% de las muestras. La normalización del tamaño de la biblioteca se realizó utilizando factores de tamaño DESeq2, tal como se define en la ecuación (1):

Ecuación 1(1)

Donde el factor de tamaño de la razón mediana se denota por sj. Para estabilizar las relaciones media-varianza, se utilizó una transformación estabilizadora de la varianza (VST) en la ecuación (2):

Ecuación 2(2)

Los DEG se identificaron mediante la prueba de Wald con corrección de Benjamini-Hochberg, considerando genes significativos si se usan en la ecuación (3):

Ecuación 3(3)

El conjunto DEG derivado de DESeq2 se definió como la ecuación (4):

Ecuación 4(4)

Este conjunto (X) se utilizó en la estrategia de consenso junto con la tendencia Limma (Y) y la Limma Voom (Z).

Construcción de redes PPI
Se utilizaron diagramas de Venn para identificar genes comunes entre los objetivos APAP y de hepatotoxicidad. Los genes superpuestos se subieron entonces a la base de datos Search Tool for the Retrieval of Interacting Genes/Proteins (STRING) para construir redes PPI.

Análisis de enriquecimiento funcional multidimensional
Primero realizamos análisis de Ontología Génica (GO), Enciclopedia de Genes y Genomas de Kyoto (KEGG), expresión tisular y análisis funcionales relacionados con enfermedades de los genes superpuestos para APAP y hepatotoxicidad utilizando la web STRING. A continuación, realizamos análisis de enriquecimiento de GO, KEGG y Análisis de Enriquecimiento de Conjuntos Génicos (GSEA) (REACTOME) de los genes diferenciales para hepatotoxicidad utilizando herramientas académicas de Sendo.

Análisis de bosque aleatorio
Aplicamos aprendizaje automático para identificar los 20 genes principales de características a partir de los genes superpuestos de APAP y hepatotoxicidad en los datos del transcriptoma de hepatotoxicidad inducida por APAP. Se implementó un clasificador de Bosque Aleatorio, con 500 árboles (n_estimators=500), profundidad máxima de árboles de 10 (max_depth=10), mínimo 2 muestras necesarias para partir un nodo (min_samples_split=2) y el criterio de impureza de Gini (criterio='gini')36. El rendimiento del modelo se evaluó utilizando el error Out-of-Bag (OOB), donde un valor cercano a 0 indica una mayor precisión predictiva. Las puntuaciones de importancia de las características se calcularon y visualizaron basándose en el análisis de Bosque Aleatorio para clasificar la contribución de cada gen, como en la ecuación (5).

Ecuación 5(5)

N era el número total de muestras, yi era la función 1(·) una función indicadora, 1 si la condición era cierta y 0 en caso contrario; Ecuación 6 fue la etiqueta prevista de la muestra iii usando solo árboles donde iii no se incluyó en la formación.

Expresión diferencial de genes caracterizados
Las diferencias de expresión de los genes de características en los datos transcriptómicos se visualizaron utilizando gráficos de violín. Se identificaron biomarcadores que mostraron diferencias estadísticamente significativas como posibles biomarcadores novedosos de hepatotoxicidad inducida por APAP para una investigación más profunda.

Acoplamiento molecular
Se recuperaron compuestos de pequeñas moléculas (CID 1983) de la base de datos PubChem, y los receptores proteicos ESR1 y PNP (IDs PDB 1SJ0 y 1V2H) se descargaron del Banco de Datos de Proteínas. Las estructuras de ligandos se convirtieron al formato PDB usando OpenBabel y se preprocesaron en AutoDock Tools añadiendo hidrógenos polares, asignando cargas de Gasteiger, definiendo enlaces rotativos y ahorrando en formato PDBQT. Los receptores proteicos se prepararon usando PyMOL eliminando moléculas de agua y ligandos cocristalizados, seguido de la adición de hidrógenos polares y asignación de cargas de Kollman usando AutoDock Tools, y guardados como archivos PDBQT.

En el acoplamiento molecular, se utilizó software AutoDock para definir la rejilla de acoplamiento que cubre el sitio activo de la proteína37. La cuadrícula estaba centrada en las coordenadas (x = XX·XX, y = YY· YY,z = ZZ· ZZ) con dimensiones de 40 × 40 × 40 Å y un espaciado de 0,375 Å, asegurando una cobertura completa de la bolsa de encuadernación. AutoDock Vina se empleó para calcular los modos de unión ligando-proteína y las afinidades de unión, con el parámetro de exhaustividad establecido en 8, y se generaron las nueve primeras posturas de unión para cada ligando.

La validación del protocolo de acoplamiento se realizó reacoplando el ligando cocristalizado en el sitio activo, lo que obtuvo un valor RMSD de < 2,0 Å, confirmando la fiabilidad del procedimiento de acoplamiento. Los resultados del acoplamiento se visualizaron utilizando PyMOL para analizar conformaciones de unión e interacciones clave, incluyendo enlaces de hidrógeno.

Las simulaciones de acoplamiento predijeron que el Compuesto X encaja en el sitio de unión de la proteína Y, formando enlaces de hidrógeno potenciales y contactos hidrofóbicos, con una energía de unión prevista de -8,5 kcal/mol.

Resolución de problemas y posibles modificaciones
Para mejorar la robustez y reproducibilidad del flujo de trabajo propuesto, deben señalarse varias consideraciones de resolución de problemas y posibles modificaciones. Si se identifica un número inesperadamente bajo de genes expresados diferencialmente (DEGs), se recomienda a los usuarios verificar el procedimiento de normalización, confirmar el etiquetado preciso de los grupos y considerar ajustar el cambio de plegamiento |log2| umbral manteniendo un control adecuado de la tasa de descubrimiento de falsos (FDR). Por el contrario, si se obtiene un número excesivo de DEGs, aplicar cortes de FDR más estrictos o filtrar genes de baja varianza antes del análisis diferencial de expresión puede mejorar la especificidad.

Los efectos por lotes pueden influir en patrones de agrupación en análisis exploratorios como el análisis de componentes principales (PCA). Si las muestras agrupan predominantemente por lote en lugar de por condición biológica, deben aplicarse métodos de corrección por lotes (por ejemplo, enfoques bayesianos empíricos como ComBat) y los metadatos de la muestra deben reevaluarse cuidadosamente para garantizar la consistencia.

Para la selección de características basada en Random Forest, las altas tasas de error Out-of-Bag (OOB) o las clasificaciones inestables de características pueden indicar una configuración subóptima del modelo. En tales casos, aumentar el número de árboles, ajustar el parámetro mtry o realizar repetidas ejecuciones del modelo con selección de características por consenso puede mejorar la estabilidad del modelo y la fiabilidad predictiva. Además, pueden emplearse estrategias de validación cruzada para evaluar mejor la robustez del modelo.

Para reforzar la fiabilidad, los usuarios pueden repetir opcionalmente el análisis utilizando umbrales alternativos de DEG o ajustes de parámetros de aprendizaje automático y comparar la consistencia de genes de características identificados. Estos análisis de sensibilidad ayudan a garantizar que los hallazgos clave no estén impulsados por elecciones específicas de parámetros y apoyan la reproducibilidad del flujo de trabajo entre conjuntos de datos transcriptómicos similares.

Análisis estadísticos
La significación estadística se determinó mediante una prueba t, reportándose valores p para comparación. Las correlaciones estadísticas entre los niveles de expresión génica y los fenotipos relacionados con la hepatotoxicidad se evaluaron utilizando los coeficientes de correlación de Pearson y Spearman, dependiendo de la normalidad de los datos. Los valores p se ajustaron para comparaciones múltiples utilizando el método de Benjamini-Hochberg. Se visualizaron asociaciones significativas con mapas de calor y diagramas de dispersión, proporcionando una evaluación robusta de las relaciones transcriptómicas.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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

Identificación de genes superpuestos para APAP y hepatotoxicidad, así como su análisis funcional
Para determinar posibles objetivos moleculares de APAP e investigar sus roles biológicos, se generaron predicciones utilizando cuatro herramientas computacionales: ChEMBL, SwissTargetPrediction, STITCH y SEA. Tras la eliminación de entradas duplicadas y la integración de resultados superpuestos, se compiló una lista no redundante de 140 objetivos candidatos. Además, se extrajeron 657 genes relacionados con...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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

APAP es un agente analgésico y antipirético frecuentemente prescrito; sin embargo, una ingesta excesiva puede provocar una hepatotoxicidad significativa, que a veces culmina en insuficiencia hepáticaaguda 38. A pesar de los avances en la elucidación de los mecanismos fisiopatológicos de la lesión hepática inducida por APAP, sigue existiendo una escasez de biomarcadores fiables para un diagnóstico preciso, un pronóstico y una investigación mecanicista. Por tanto, e...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Los autores no tienen nada que revelar.

Agradecimientos

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

Los autores agradecen a la Universidad de Medicina Tradicional China de Tianjin su apoyo institucional. Expresamos nuestro agradecimiento a los desarrolladores de bases de datos públicas (GeneCards, PubChem, STRING) y herramientas de código abierto que permitieron esta investigación. Un agradecimiento especial a los colegas de la Escuela de Materia Médica China y del Colegio de Medicina Integrativa China y Occidental por sus valiosas discusiones y asistencia técnica. También agradecemos a los contribuyentes del conjunto de datos GSE74000 por hacer sus datos disponibles públicamente.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Bases de datos y bases de datos Servidores web
STRINGhttps://cn.string-db.org/construcción de redes PPI; Enriquecimiento funcional
Herramientas Académicas de Sendohttps://www.xiantaozi.com/Análisis de enriquecimiento de GO, KEGG y GSEA
PubChemhttps://pubchem.ncbi.nlm.nih.gov/Recuperación de estructuras químicas (APAP)
GeneCardshttps://www.genecards.org/Recuperación de genes relacionados con la hepatotoxicidad
Base de Datos GEOhttps://www.ncbi.nlm.nih.gov/geo/Recuperación de conjuntos de datos transcriptómicos (GSE74000)
ChEMBLhttps://www.ebi.ac.uk/chembl/Predicción del objetivo
SwissTargetPredictionhttp://www.swisstargetprediction.ch/Predicción del objetivo
STITCHhttp://stitch.embl.de/Predicción de interacción
MARhttp://sea.bkslab.org/Enfoque de conjunto de similitudes para la predicción de objetivos
Banco de Datos de Proteínas (PDB)https://www.rcsb.org/Recuperación de la estructura de proteínas (ESR1, PNP)
Software
R (Versión 4.x.x)https://www.r-project.org/Análisis estadístico y procesamiento de datos
AutoDock Tools / Vinahttp://autodock.scripps.edu/Preparación y simulación del acoplamiento molecular
PyMOLhttps://pymol.org/Visualización de estructuras moleculares
Cytoscapehttps://cytoscape.org/Visualización de redes

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Lesi n Hep tica por Acetaminof nIdentificaci n de BiomarcadoresToxicolog a de RedesAn lisis micoAprendizaje Autom ticoModelo de Bosques AleatoriosAcoplamiento MolecularBiomarcadores de Hepatotoxicidad

Artículos relacionados