Article de recherche

Identification informatique de la phosphorylase des nucléosides purines et du récepteur œstrogène 1 comme biomarqueurs de la lésion hépatique induite par l’acétaminophène

DOI :

10.3791/69887

⸱

6 février 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

Dans cet article

Résumé

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

Nous analysons informatiquement la toxicologie en réseau et les données transcriptomiques afin d’identifier les biomarqueurs des lésions hépatiques induites par l’acétaminophène, révélant ainsi le récepteur œstrogène 1 et la phosphorylase nucléoside purine comme cibles diagnostiques.

Résumé

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

Les lésions hépatiques induites par l’acétaminophène constituent un problème important de santé publique, mais des biomarqueurs précoces fiables font défaut. Cette étude visait à identifier des biomarqueurs candidats pour l’hépatotoxicité induite par l’acétaminophène en utilisant une approche computationnelle intégrant la toxicologie des réseaux, la transcriptomique et l’apprentissage automatique. Les cibles potentielles de l’acétaminophène ont été prédites via des plateformes en ligne, donnant 140 candidats. Des gènes liés à l’hépatotoxicité (n = 657) ont été extraits de GeneCards, et 38 gènes qui se chevauchent ont été identifiés. Les gènes exprimés différemment issus du jeu de données GSE74000 (n = 1 978) ont été analysés. Un enrichissement fonctionnel a été réalisé pour identifier les voies pertinentes. Un modèle de forêt aléatoire a priorisé 20 gènes de caractéristiques, et un docking moléculaire a évalué les affinités de liaison avec l’acétaminophène. Les DEG étaient principalement associés à un dysfonctionnement mitochondrial et à la biogenèse des ribosomes. L’enrichissement fonctionnel a mis en lumière le métabolisme xénobiotique et les voies du stress oxydatif. Le récepteur œstrogène 1 et la phosphorylase nucléoside purine étaient des gènes caractéristiques les plus bien classés, montrant des différences d’expression significatives et de fortes interactions d’amarrage avec l’acétaminophène. Ce protocole computationnel prédit systématiquement les biomarqueurs candidats pour les lésions hépatiques induites par l’acétaminophène, fournissant des informations moléculaires et des candidats pour validation expérimentale.

Introduction

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

L’acétaminophène (APAP) est un antipyrétique et un analgésique largement administré, mais une consommation excessive peut entraîner une hépatotoxicité sévère et potentiellement une insuffisancehépatique 1,2. Les dommages au foie sont anticipés une fois le médicament métabolisé, et le métabolite toxique qui en résulte est la N-acétyl-p-benzoquinone imine (NAPQI), ce qui entraîne un stress oxydatif mitochondrial, une altération de la respiration mitochondriale et la transition de perméabilité mitochondriale, provoquant finalement la mort nécrotique, plutôt que apoptotique, deshépatocytes 3,4. La surdose APAP reste la principale cause d’insuffisance hépatique aiguë (ALF) dans de nombreux pays. Les données épidémiologiques montrent que la toxicité APAP représente près de 50 % des cas de FLA aux États-Unis et est responsable de milliers d’admissions d’urgence chaque année. Des tendances similaires ont été rapportées à l’échelle mondiale, l’hépatotoxicité associée à l’APAP constituant une proportion majeure des cas de lésion hépatique induite par des médicaments (DILI) 5,6. La morbidité élevée, le risque de transplantation hépatique et la charge importante des soins de santé soulignent l’urgence d’améliorer les biomarqueurs diagnostiques et une compréhension mécaniste des lésions hépatiques induites par l’APAP. Plus précisément, l’APAP est absorbée et principalement métabolisée dans le foie par glucuronidation et sulfatation, formant des conjugués hydrosolubles qui sont excrétés dans l’urine. Une fraction mineure (10-15 %) subit une hydroxylation médiée par le cytochrome P450 (CYP450) (via des enzymes telles que CYP1A2, CYP2E1 et CYP3A4) pour produire l’intermédiaire réactif NAPQI, qui se lie au glutathion et est excrété via la bile 7,8. En raison de la capacité limitée des voies de glucuronidation et de sulfatation, un dosage excessif entraîne une augmentation de la formation de NAPQI, tout en épuisant simultanément les réserves hépatiquesde glutathion 9. Une fois le glutathion épuisé à des niveaux critiques, le NAPQI commence à se lier covalemment aux macromolécules cellulaires, endommageant leshépatocytes 10. La toxicité liée aux overdoses de l’APAP est en hausse, avec environ 50 000 à 80 000 visites aux urgences annuelles rien qu’auxÉtats-Unis 11. Puisque le stress oxydatif et la dysfonction mitochondriale sont au cœur de l’hépatotoxicité induite par l’APAP, la dysrégulation de l’ESR1 peut influencer indirectement la survie des hépatocytes et les réponses inflammatoires lors de la lésion de l’APAP. La toxicité APAP induit un stress métabolique et une activation inflammatoire dans les hépatocytes. Les modifications de l’expression de la PNP peuvent refléter un métabolisme nucléotidique altéré et des réponses liées au système immunitaire lors de lésions hépatiques induites par l’APAP.

Les premiers rapports sur l’hépatotoxicité induite par l’APAP se sont principalement concentrés sur les symptômes cliniques et les modifications pathologiques du foie et des reins, fournissant la base d’études ultérieures sur les mécanismes de la mort cellulaire et de l’inflammation dans la toxicité del’APAP 12,13. Une avancée majeure a été l’identification des aminotransférases sériques (par exemple, ALT et AST) comme biomarqueurs des lésions hépatiques. Avec l’avènement des modèles de cultures cellulaires et des outils bioinformatiques, les recherches actuelles sur l’hépatotoxicité APAP se sont élargies pour inclure les biomarqueurs diagnostiques, pronostiques etmécanistes 14,15,16. Cependant, obtenir suffisamment d’échantillons sérumiques ou plasmatiques auprès des patients surdosés par APAP, en particulier les non-survivants, resteun défi 17. En conséquence, il est urgent d’explorer de nouveaux biomarqueurs diagnostiques, pronostiques et mécanistes en utilisant de nouvelles approches pour mieux étudier l’hépatotoxicité induite par l’APAP.

La toxicologie des réseaux est un domaine émergent qui construit des modèles de réseaux pour analyser les données toxicologiques issues des bases de données decomposés 18,19. Il aide à caractériser la toxicité des substances, à identifier les mécanismes et à prédire les cibles clés20,21. Actuellement, la toxicologie des réseaux est largement reconnue comme un outil précieux dans la recherche scientifique. Par exemple, Tengjiao Qu et al. ont intégré la toxicologie en réseau avec la transcriptomique pour identifier de nouveaux mécanismes neurotoxiques de l’éther 2,2',4,4'-tétrabromodiphényl (un retardateur de flamme courant) et de ses biomarqueurspotentiels 22. Des études récentes soulignent également l’importance de cette approche pour évaluer la toxicité des produitsnaturels 23. Cependant, ce paradigme de recherche innovant n’a pas encore été appliqué pour explorer les mécanismes potentiels de l’hépatotoxicité induite par l’APAP et pour identifier de nouveaux biomarqueurs associés à sa toxicité.

IntelliGenes a été développé comme un pipeline d’apprentissage automatique pour la découverte de biomarqueursmultigénomiques 24. Il intègre des méthodes statistiques avec un apprentissage automatique avancé pour calculer les scores du gène I et créer des profils de biomarqueurs individualisés. Les résultats montrent une meilleure précision dans la prédiction des traits complexes et la possibilité d’obtenir des analyses personnalisées sur la maladie. Les limites incluent la dépendance à la qualité des données, une validation limitée auprès de populations diverses et la nécessité de tests cliniques plus larges.

Le point fort est que les biomarqueurs actuels de l’adénocarcinome ductal pancréatique (PDAC) sont insuffisants, et de proposer des organoïdes dérivés du patient (PDO) comme plateformes fonctionnelles pour le développement debiomarqueurs 25. Il évalue le phénotypage des médicaments basés sur les PDO, la modélisation de la chimiorésistance, les systèmes de co-culture et le profilage protéomique/métabolomique. Les résultats montrent que les PDO captent mieux la biologie pertinente pour le traitement, mais les limites incluent la variabilité technique, la réplication limitée du microenvironnement, les temps de culture longs et les difficultés dans l’intégration cliniquede routine 26,27.

L’objectif de l’étude était d’évaluer les méthodes protéomiques analytiques et la fonction de la bioinformatique dans l’identification desbiomarqueurs 28. Il a évalué comment les outils computationnels aidaient à l’interprétation des données et a examiné les techniques d’analyse des protéines basées sur la SEP. Les résultats ont démontré une découverte accrue de biomarqueurs et de nouvelles cibles thérapeutiques, mais ont également montré que l’identification de protéines à très faible abondance restait un défi, réduisant ainsi la sensibilité des techniques protéomiques existantes. Bien que plusieurs biomarqueurs diagnostiques, mécanistiques et pronostiques de l’hépatotoxicité induite par l’APAP aient été bien établis, ces marqueurs reflètent principalement une lésion hépatocellulaire ou un dysfonctionnement mitochondrial après que la toxicité s’estproduite 29,30. En revanche, la présente étude visait à identifier des régulateurs transcriptomiques susceptibles de moduler la susceptibilité ou la réponse de l’hôte à l’exposition à APAP. ESR1 et PNP ont donc été étudiés comme marqueurs régulateurs exploratoires plutôt que comme biomarqueurs diagnostiques classiques.

Pour répondre aux limites inhérentes aux méthodologies actuelles — en particulier la variabilité des PDO et les questions de sensibilité de la protéomique — cette étude utilise un cadre computationnel intégré comprenant la toxicologie des réseaux, la transcriptomique, l’apprentissage automatique et l’amarrage moléculaire. Cette stratégie à plusieurs niveaux contourne le besoin de grandes cohortes ou de systèmes expérimentaux complexes en tirant parti de la prédiction computationnelle et de la validation croisée multi-omique. La raison d’être de cette approche combinatoire est que chaque technique renforce les autres pour minimiser les faux positifs : la toxicologie des réseaux fournit d’abord une prédiction au niveau du système des cibles et voies toxiques liées à l’APAP ; L’analyse transcriptomique valide ensuite lesquels de ces gènes prédits sont réellement dérégulés lors de l’hépatotoxicité ; les algorithmes d’apprentissage automatique priorisent ensuite les biomarqueurs candidats les plus informatifs de ce bassin de confiance élevé ; et enfin, le docking moléculaire offre un soutien mécanistique en confirmant la faisabilité d’interactions directes entre APAP et les cibles protéiques identifiées.

Ensemble, ces étapes créent un pipeline cohérent et fondé sur des preuves pour la prédiction des biomarqueurs. Cette combinaison de ces quatre stratégies minimise les prédictions fausses positives et renforce la confiance dans la recherche d’ESR1 et PNP comme cibles fortes dans l’hépatotoxicité induite par APAP. Dans cette recherche, il serait nécessaire de disposer de GSE74000 ensembles de données d’expression génique ayant une bonne puissance statistique, au moins trois réplications biologiques de toute condition avec des métadonnées complètes. Les fichiers d’expression bruts devaient être traités de manière standard, ce qui consistait en correction de fond, normalisation (normalisation de quantiles, etc.) et filtrage des gènes peu exprimés. R était utilisé pour effectuer toutes les analyses avec des logiciels tels que limma et des outils externes tels que GeneCards et Cytoscape, qui permettent de construire un réseau. Bien que le pipeline facilite la priorisation des biomarqueurs basée sur une analyse systématique, les résultats sont limités par la qualité du jeu de données, les effets des lots et l’absence de validation expérimentale et in vivo , ce qui pourrait affecter la généralisation.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

Ce protocole décrit une méthode computationnelle pour définir les biomarqueurs possibles des lésions hépatiques induites par l’acétaminophène, qui tire parti de la toxicologie des réseaux, de la transcriptomique, de l’apprentissage automatique et du docking moléculaire (Figure 1). Le protocole s’adresse aux chercheurs ayant accès à des outils de bioinformatique, des ensembles de données transcriptomiques et des logiciels d’amarrage moléculaire.

Procédure

Étape 1 : Identification des cibles de l’acétaminophène
Récupérez la représentation SMILES de l’acétaminophène (APAP) sur PubChem. Utilisez des plateformes en ligne (ChEMBL, SwissTargetPrediction, STITCH, SEA) pour prédire les cibles moléculaires potentielles de l’APAP. Intégrez et dédupliquez les cibles prédites pour générer une liste de 140 cibles APAP à haute confiance.

Étape 2 : Identification des cibles d’hépatotoxicité
Récupérer les gènes liés à l’hépatotoxicité à partir de la base de données GeneCards. Compiler et dédupliquer la liste pour générer un ensemble non redondant de 657 gènes liés à l’hépatotoxicité. Identifier les gènes qui se chevauchent entre les cibles APAP et les gènes liés à l’hépatotoxicité à l’aide d’un diagramme de Venn.

Étape 3 : Prétraitement des données transcriptomiques
Téléchargez le jeu de données GSE74000 depuis GEO. Prétraiter les données brutes d’expression à l’aide de DESeq2 : retirer les gènes de basse expression, normaliser en utilisant les facteurs de taille, et appliquer la transformation stabilisatrice de variance (VST). Effectuer une analyse d’expression différentielle en utilisant Limma et DESeq2, avec des seuils de valeur p ajustée < 0,05 et |log 2FC| > 1.

Étape 4 : Analyse de l’enrichissement fonctionnel
Téléverser les gènes qui se chevauchent dans STRING pour les analyses de l’ontologie génique (GO), de la voie KEGG, de l’expression tissulaire et de la corrélation de la maladie. Visualisez les résultats de l’enrichissement fonctionnel à l’aide de diagrammes de bulles et de cartes thermiques.

Étape 5 : Apprentissage automatique pour la sélection des gènes de fonctionnalités
Appliquer un classificateur de forêt aléatoire (n_estimators=500, max_depth=10) pour prioriser les gènes caractéristiques issus des gènes APAP et d’hépatotoxicité qui se chevauchent. Évaluer la performance du modèle en utilisant l’erreur Hors de Sac (OOB) et les scores d’importance des caractéristiques. Sélectionnez les 20 principaux gènes caractéristiques pour une analyse approfondie.

Étape 6 : Amarrage moléculaire
Récupérer la structure APAP (CID 1983) à partir de PubChem et des récepteurs protéiques (ESR1 : PDB ID 1SJ0, PNP : PDB ID 1V2H) à partir de PDB. Préparez les fichiers ligands et récepteurs : convertissez en format PDB, ajoutez des hydrogènes polaires, attribuez des charges et enregistrez en fichiers PDBQT. Définissez la grille d’amarrage dans AutoDock Tools, couvrant le site actif de la protéine. Effectuer un docking moléculaire à l’aide d’AutoDock Vina, avec une exhaustivité réglée à 8, et analyser les affinités et interactions de liaison. Visualisez les résultats de l’amarrage en utilisant PyMOL pour analyser les conformations de liaison et les interactions de clés.

Étape 7 : Analyse statistique
Déterminer la signification statistique à l’aide des tests t et ajuster les valeurs p pour les comparaisons multiples à l’aide de la méthodede Benjamini-Hochberg 31. Visualisez des associations statistiquement significatives à l’aide de cartes thermiques et de nuages de points.

Matériaux et méthodes

Identification des cibles de l’acétaminophène
Pour identifier les cibles moléculaires potentielles d’APAP, nous avons d’abord récupéré sa représentation SMILES à partir de la base de données PubChem. Nous avons ensuite utilisé plusieurs plateformes en ligne, dont le Laboratoire européen de biologie moléculaire chimique (ChemBL)32, Swiss TargetPrediction 33, l’outil de recherche pour l’interaction des produits chimiques et des cibles (STITCH)34, et l’approche d’ensemble de similarité (SEA)35, pour prédire ses cibles potentielles. Après avoir intégré les résultats de ces outils, nous avons sélectionné un ensemble de cibles à haute confiance pour APAP. Le tableau 1 définit les principales catégories de gènes utilisées dans cette étude, clarifiant leur rôle dans l’analyse des données et l’interprétation biologique. L’utilisation régulière de ces termes garantit une communication claire de nos résultats.

Identification des cibles d’hépatotoxicité
Des gènes potentiellement associés à l’hépatotoxicité ont été extraits de la base de données GeneCards. Tous les gènes identifiés ont été compilés, les doublons supprimés, et une liste non redondante a été générée pour les analyses en aval. Le jeu de données GSE74000 a été téléchargé depuis le dépôt GEO le 15 mars 2024. Les données brutes d’expression étaient traitées et normalisées à l’aide du package limma (normalisation quantile). L’analyse différentielle de l’expression a été réalisée à l’aide de modélisation linéaire avec un retrait bayesien empirique. Gènes respectant la valeur p ajustée < 0,05 (Benjamini-Hochberg FDR) et |log₂FC| > 1 étaient considérés comme significatifs. La visualisation des DEG a été réalisée à l’aide de diagrammes volcaniques et de cartes thermiques générées avec ggplot2.

Prétraitement des données
Les données brutes de comptage étaient prétraitées à l’aide de DESeq2. Les gènes à faible expression ont été retirés en utilisant un seuil de détection de CPM >1 dans au moins 70 % des échantillons. La normalisation de la taille de la bibliothèque a été réalisée à l’aide des facteurs de taille DESeq2, tels que définis dans l’équation (1) :

Équation 1(1)

Où le facteur de taille du rapport médian est noté sj. Pour stabiliser les relations moyenne-variance, une transformation stabilisatrice de la variance (VST) a été utilisée dans l’équation (2) :

Équation 2(2)

Les DEG ont été identifiés à l’aide du test de Wald avec correction de Benjamini-Hochberg, en considérant les gènes significatifs s’ils étaient utilisés dans l’équation (3) :

Équation 3(3)

L’ensemble DEG dérivé de DESeq2 a été défini comme équation (4) :

Équation 4(4)

Cet ensemble (X) a été utilisé dans la stratégie de consensus avec la tendance de Limma (Y) et la Limma Voom (Z).

Construction du réseau PPI
Des diagrammes de Venn ont été utilisés pour identifier les gènes communs entre les cibles APAP et d’hépatotoxicité. Les gènes qui se chevauchent ont ensuite été téléchargés dans la base de données Search Tool for the Retrieval of Interacting Genes/Proteins (STRING) afin de construire des réseaux PPI.

Analyse d’enrichissement fonctionnel multidimensionnel
Nous avons d’abord mené l’Ontologie Génique (GO), l’Encyclopédie des Gènes et Génomes de Kyoto (KEGG), l’expression tissulaire et des analyses fonctionnelles liées à la maladie des gènes chevauchants pour l’APAP et l’hépatotoxicité via le site web STRING. Ensuite, nous avons réalisé des analyses d’enrichissement GO, KEGG et Gene Set Enrichment Analysis (GSEA) (REACTOME) des gènes différentiels pour l’hépatotoxicité à l’aide des outils académiques de Sendo.

Analyse de la forêt aléatoire
Nous avons appliqué l’apprentissage automatique pour identifier les 20 principaux gènes caractéristiques à partir des gènes APAP et d’hépatotoxicité qui se chevauchent dans les données du transcriptome d’hépatotoxicité induite par l’APAP. Un classificateur de forêt aléatoire a été implémenté, avec 500 arbres (n_estimators=500), une profondeur maximale d’arbre de 10 (max_depth=10), un minimum de 2 échantillons nécessaires pour diviser un nœud (min_samples_split=2), et le critère d’impureté de Gini (critère ='gini')36. La performance du modèle a été évaluée à l’aide de l’erreur Out-of-Bag (OOB), où une valeur proche de 0 indique une précision prédictive plus élevée. Les scores d’importance des caractéristiques ont été calculés et visualisés à partir de l’analyse de la forêt aléatoire pour classer la contribution de chaque gène, comme dans l’équation (5).

Équation 5(5)

N était le nombre total d’échantillons, yi était la fonction 1(·) une fonction indicatrice, 1 si la condition était vraie et 0 sinon ; Équation 6 était l’étiquette prédite de l’échantillon III utilisant uniquement des arbres où III n’était pas inclus dans l’entraînement.

Expression différentielle des gènes caractérisés
Les différences d’expression des gènes caractéristiques dans les données transcriptomiques ont été visualisées à l’aide de graphiques de violon. Des biomarqueurs présentant des différences statistiquement significatives ont été identifiés comme de nouveaux biomarqueurs potentiels de l’hépatotoxicité induite par l’APAP pour une investigation plus approfondie.

Amarrage moléculaire
Des composés moléculaires de petite taille (CID 1983) ont été extraits de la base de données PubChem, et les récepteurs protéiques ESR1 et PNP (IDs PDB 1SJ0 et 1V2H) ont été téléchargés depuis la Protein Data Bank. Les structures de ligands ont été converties au format PDB grâce à OpenBabel et prétraitées dans AutoDock Tools en ajoutant des hydrogènes polaires, en attribuant des charges de Gasteiger, en définissant des liaisons rotatives et en économisant en format PDBQT. Les récepteurs protéiques ont été préparés à l’aide de PyMOL en retirant les molécules d’eau et les ligands co-cristallisés, suivis de l’ajout d’hydrogènes polaires et de l’attribution des charges de Kollman à l’aide d’AutoDock Tools, puis enregistrés sous forme de fichiers PDBQT.

En amarrage moléculaire, un logiciel AutoDock a été utilisé pour définir la grille d’amarrage couvrant le site actif de la protéine37. La boîte de grille était centrée aux coordonnées (x = XX·XX, y = YY· YY,z = ZZ· ZZ) avec des dimensions de 40 × 40 × 40 Å et un espacement de la grille de 0,375 Å, assurant une couverture complète de la poche de liaison. AutoDock Vina a été utilisé pour calculer les modes de liaison ligand-protéine et les affinités de liaison, avec le paramètre d’exhaustivité fixé à 8, et les neuf premières poses de liaison ont été générées pour chaque ligand.

La validation du protocole d’amarrage a été effectuée en réamarrant le ligand co-cristallisé sur le site actif, obtenant une valeur RMSD de < 2,0 Å, confirmant la fiabilité de la procédure d’amarrage. Les résultats de l’amarrage ont été visualisés à l’aide de PyMOL pour analyser les conformations de liaison et les interactions clés, y compris la liaison hydrogène.

Les simulations d’amarrage ont prédit que le composé X s’insère dans le site de liaison de la protéine Y, formant des liaisons hydrogène potentielles et des contacts hydrophobes, avec une énergie de liaison prévue de -8,5 kcal/mol.

Dépannage et modifications potentielles
Pour améliorer la robustesse et la reproductibilité du flux de travail proposé, plusieurs considérations de dépannage et modifications potentielles doivent être prises en compte. Si un nombre inattendu de gènes différenciellement exprimés (DEG) est identifié, il est conseillé aux utilisateurs de vérifier la procédure de normalisation, de confirmer l’identification exacte du marquage des groupes, et d’envisager d’ajuster le changement de pliage |log2| seuil tout en maintenant un contrôle approprié du taux de fausses découvertes (FDR). Inversement, si un nombre excessif de DEG est obtenu, appliquer des seuils FDR plus stricts ou filtrer les gènes à faible variance avant l’analyse d’expression différentielle peut améliorer la spécificité.

Les effets des lots peuvent influencer les schémas de regroupement dans les analyses exploratoires telles que l’analyse des composantes principales (ACP). Si les échantillons se regroupent principalement par lot plutôt que par condition biologique, des méthodes de correction par lots (par exemple, des approches bayiennes empiriques telles que ComBat) doivent être appliquées, et les métadonnées d’échantillons doivent être soigneusement réévaluées pour assurer la cohérence.

Pour la sélection des caractéristiques basée sur la Forêt Aléatoire, des taux d’erreur élevés hors de sac (OOB) ou des classements instables des caractéristiques peuvent indiquer une configuration sous-optimale du modèle. Dans de tels cas, augmenter le nombre d’arbres, ajuster le paramètre mtry ou effectuer des exécutions répétées avec sélection de caractéristiques par consensus peut améliorer la stabilité du modèle et la fiabilité prédictive. De plus, des stratégies de validation croisée peuvent être employées pour évaluer davantage la robustesse des modèles.

Pour renforcer la fiabilité, les utilisateurs peuvent éventuellement répéter l’analyse en utilisant des seuils DEG alternatifs ou des paramètres d’apprentissage automatique et comparer la cohérence des gènes de caractéristiques identifiés. Ces analyses de sensibilité permettent de garantir que les résultats clés ne sont pas dictés par des choix de paramètres spécifiques et soutiennent la reproductibilité du flux de travail à travers des ensembles de données transcriptomiques similaires.

Analyses statistiques
La signification statistique a été déterminée à l’aide d’un test t, avec des valeurs p rapportées pour comparaison. Les corrélations statistiques entre les niveaux d’expression génique et les phénotypes liés à l’hépatotoxicité ont été évaluées à l’aide des coefficients de corrélation de Pearson et Spearman, selon la normalité des données. Les valeurs p ont été ajustées pour des comparaisons multiples à l’aide de la méthode de Benjamini-Hochberg. Des associations significatives ont été visualisées avec des cartes thermiques et des nuages de points, fournissant une évaluation robuste des relations transcriptomiques.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

Identification des gènes chevauchants pour l’APAP et l’hépatotoxicité ainsi que leur analyse fonctionnelle
Pour déterminer les cibles moléculaires potentielles de l’APAP et étudier leur rôle biologique, des prédictions ont été générées à l’aide de quatre outils informatiques : ChEMBL, SwissTargetPrediction, STITCH et SEA. Après la suppression des entrées en double et l’intégration des résultats qui se chevauchent, une liste non redondante de 140 cibles candidates a été compilée. De plus, 657 gènes lié...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

L’APAP est un analgésique et un agent antipyrétique fréquemment prescrit ; Cependant, une consommation excessive peut entraîner une hépatotoxicité significative, culminant parfois avec une insuffisance hépatiqueaiguë 38. Malgré les avancées dans l’élucidation des mécanismes physiopathologiques des lésions hépatiques induites par l’APAP, il subsiste une pénurie de biomarqueurs fiables pour un diagnostic précis, un pronostic et une investigation mécanistique. Il est...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Les auteurs n’ont rien à divulguer.

Remerciements

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

Les auteurs remercient l’Université de médecine traditionnelle chinoise de Tianjin pour son soutien institutionnel. Nous exprimons notre gratitude aux développeurs de bases de données publiques (GeneCards, PubChem, STRING) et d’outils open source qui ont permis cette recherche. Un merci tout particulier aux collègues de l’École de Matéria Médicale Chinoise et du Collège de Médecine Intégrative Chinoise et Occidentale pour leurs précieuses discussions et leur assistance technique. Nous remercions également les contributeurs du jeu de données GSE74000 pour avoir rendu leurs données accessibles au public.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
bases de données & bases de données Serveurs web
STRINGhttps://cn.string-db.org/la construction de réseaux PPI ; Enrichissement fonctionnel
Outils académiques de Sendohttps://www.xiantaozi.com/Analyse d’enrichissement GO, KEGG et GSEA
PubChemhttps://pubchem.ncbi.nlm.nih.gov/Récupération des structures chimiques (APAP)
GeneCardshttps://www.genecards.org/Récupération des gènes liés à l’hépatotoxicité
Base de données GEOhttps://www.ncbi.nlm.nih.gov/geo/Récupération de jeux de données transcriptomiques (GSE74000)
ChEMBLhttps://www.ebi.ac.uk/chembl/Prédiction de la cible
SwissTargetPredictionhttp://www.swisstargetprediction.ch/Prédiction de la cible
STITCHhttp://stitch.embl.de/Prédiction d’interaction
MERhttp://sea.bkslab.org/Approche par ensemble de similarité pour la prédiction des cibles
Banque de données protéiques (PDB)https://www.rcsb.org/Récupération de la structure protéique (ESR1, PNP)
Logiciel
R (Version 4.x.x)https://www.r-project.org/Analyse statistique et traitement des données
AutoDock Tools / Vinahttp://autodock.scripps.edu/Préparation et simulation de l’amarrage moléculaire
PyMOLhttps://pymol.org/Visualisation des structures moléculaires
Cytoscapehttps://cytoscape.org/Visualisation de réseau

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

L sion h patique induite par l ac taminoph neIdentification de biomarqueursToxicologie en r seauAnalyse transcriptomiqueApprentissage automatiqueMod le de for t al atoireAmarrage mol culaireBiomarqueurs d h patotoxicit

Articles connexes