Identificazione computazionale della fosforilasi dei nucleosidi purini e del recettore degli estrogeni 1 come biomarcatori del danno epatico indotto da paracetamolo

Sommario

Analizziamo computazionalmente la tossicologia delle reti e i dati trascrittomici per identificare biomarcatori di lesioni epatiche indotte dal paracetamofene, rivelando il recettore degli estrogeni 1 e la purina nucleosidi fosforilasi come bersagli diagnostici.

Abstract

Il danno epatico indotto dal paracetamolo rappresenta una grave preoccupazione per la salute pubblica, ma mancano biomarcatori affidabili nelle prime stagioni. Questo studio mirava a identificare biomarcatori candidati per l'epatotossicità indotta da paracetamolo utilizzando un approccio computazionale che integra tossicologia di reti, trascrittomica e apprendimento automatico. I potenziali bersagli del paracetamolo sono stati previsti tramite piattaforme online, producendo 140 candidati. Geni correlati all'epatotossicità (n = 657) sono stati prelevati da GeneCard e sono stati identificati 38 geni sovrapposti. Sono stati analizzati geni espressi differenzialmente dal dataset GSE74000 (n = 1.978). È stato eseguito un arricchimento funzionale per identificare i percorsi rilevanti. Un modello di foresta casuale ha dato priorità a 20 geni di caratteristiche, e l'aggancio molecolare ha valutato le affinità di legame con il paracetamolo. I DEG erano principalmente associati a disfunzione mitocondriale e biogenesi ribosomica. L'arricchimento funzionale ha evidenziato il metabolismo xenobiotico e le vie dello stress ossidativo. Il recettore degli estrogeni 1 e la fosforilasi della purina nucleosidica sono stati geni caratteristici di primo livello, mostrando differenze significative nell'espressione e forti interazioni di accoppiamento con il paracetamolo. Questo protocollo computazionale prevede sistematicamente i biomarcatori candidati per la lesione epatica indotta dal paracetamolo, fornendo informazioni molecolari e candidati per la validazione sperimentale.

Introduzione

Il paracetamolo (APAP) è un antipiretico e antidolorifico ampiamente somministrato, ma un consumo eccessivo può portare a grave epatotossicità e potenzialmente insufficienza^{epatica 1,2}. Si prevede che il danno al fegato si verifichi una volta metabolizzato il farmaco, e il metabolita tossico successivo è l'imina N-acetil-p-benzochinone (NAPQI), che provoca stress ossidativo mitocondriale, alterazione della respirazione mitocondriale e la transizione della permeabilità mitocondriale, causando infine la morte necrotica, anziché apoptotica, degli^{epatociti 3,4}. L'overdose di APAP rimane la principale causa di insufficienza epatica acuta (ALF) in molti paesi. I dati epidemiologici mostrano che la tossicità APAP rappresenta quasi il 50% dei casi di ALF negli Stati Uniti ed è responsabile di migliaia di ricoveri d'emergenza ogni anno. Tendenze simili sono state segnalate a livello globale, con l'epatotossicità associata ad APAP che costituisce una percentuale importante dei casi di lesioni epatiche indotte da farmaci (DILI^{) 5,6}. L'elevata morbilità, il rischio di trapianto epatico e il notevole carico sanitario evidenziano l'urgente necessità di migliorare i biomarcatori diagnostici e di una comprensione meccanicistica del danno epatico indotto da APAP. In particolare, l'APAP viene assorbita e principalmente metabolizzata nel fegato tramite glucuronidazione e solfatazione, formando coniugati solubili in acqua che vengono escreti nelle urine. Una frazione minore (10-15%) subisce un'idrossilazione mediata dal citocromo P450 (CYP450) (tramite enzimi come CYP1A2, CYP2E1 e CYP3A4) per produrre l'intermedio reattivo NAPQI, che si lega al glutatione ed è escretato tramite la bile ^7,8. A causa della capacità limitata delle vie di glucuronidazione e sollazione, un dosaggio eccessivo porta a un aumento della formazione di NAPQI, mentre contemporaneamente esaurisce le riserve di glutatione^{epatiche 9}. Una volta che il glutatione è esaurito a livelli critici, il NAPQI inizia a legarsi covalentmente alle macromolecole cellulari, danneggiando gli^{epatociti 10}. La tossicità correlata all'overdose dell'APAP è in aumento, con una stima di 50.000-80.000 visite al pronto soccorso solo negli^{Stati Uniti 11}. Poiché lo stress ossidativo e la disfunzione mitocondriale sono centrali nell'epatotossicità indotta da APAP, la disregolazione dell'ESR1 può influenzare indirettamente la sopravvivenza degli epatociti e le risposte infiammatorie durante la lesione dell'APAP. La tossicità APAP induce stress metabolico e attivazione infiammatoria negli epatociti. I cambiamenti nell'espressione della PNP possono riflettere alterazioni del metabolismo dei nucleotidi e risposte immunitarie durante il danno epatico indotto da APAP.

I primi rapporti sull'epatotossicità indotta da APAP si sono concentrati principalmente sui sintomi clinici e sui cambiamenti patologici nel fegato e nei reni, fornendo la base per studi successivi sui meccanismi della morte cellulare e dell'infiammazione nella tossicità^{APAP 12,13}. Una svolta chiave è stata l'identificazione delle aminotransferasi sieriche (ad esempio, ALT e AST) come biomarcatori per lesioni epatiche. Con l'avvento dei modelli di coltura cellulare e degli strumenti bioinformatici, la ricerca attuale sull'epatotossicità APAP si è ampliata includendo biomarcatori diagnostici, prognostici e^{meccanicistici} 14,15,16. Tuttavia, ottenere campioni sufficienti di siero o plasma da pazienti con overdose APAP, specialmente dai non sopravvissuti, rimane una^{sfida 17}. Di conseguenza, è urgente esplorare nuovi biomarcatori diagnostici, prognostici e meccanicistici utilizzando approcci innovativi per studiare meglio l'epatotossicità indotta da APAP.

La tossicologia delle reti è un campo emergente che costruisce modelli di rete per analizzare dati tossicologici dai database di^{composti 18,19}. Aiuta a caratterizzare la tossicità delle sostanze, a individuare i meccanismi e a prevedere obiettivi chiave^20,21. Attualmente, la tossicologia delle reti è ampiamente riconosciuta come uno strumento prezioso nella ricerca scientifica. Ad esempio, Tengjiao Qu et al. hanno integrato la tossicologia di rete con la trascrivomica per identificare nuovi meccanismi neurotossici dell'etere 2,2',4,4'-tetrabromodifenilico (un comune ritardante di fiamma) e i suoi potenziali^{biomarcatori 22}. Studi recenti sottolineano anche l'importanza di questo approccio nella valutazione della tossicità dei prodotti^{naturali 23}. Tuttavia, questo paradigma innovativo di ricerca deve ancora essere applicato per esplorare i potenziali meccanismi dell'epatotossicità indotta da APAP e per identificare nuovi biomarcatori associati alla sua tossicità.

IntelliGenes è stato sviluppato come pipeline di apprendimento automatico per la scoperta di biomarcatori^{multi-genomici 24}. Integra metodi statistici con ML avanzato per calcolare i punteggi I-Gene e creare profili di biomarcatori personalizzati. I risultati mostrano una maggiore accuratezza nella previsione di tratti complessi e nel permettere informazioni personalizzate sulle malattie. Le limitazioni includono la dipendenza dalla qualità dei dati, la validazione limitata tra popolazioni diverse e la necessità di test clinici più ampi.

Il punto forte è che gli attuali biomarcatori adenocarcinoma dottale pancreatico (PDAC) sono insufficienti e che si propongono organoidi derivati dal paziente (PDO) come piattaforme funzionali per lo sviluppo di^{biomarcatori 25}. Valuta il fenotiping dei farmaci basati su PDO, la modellazione della chemioresistenza, i sistemi di co-coltura e il profiling proteomico/metabolomico. I risultati mostrano che le PDO catturano meglio la biologia rilevante per il trattamento, ma le limitazioni includono variabilità tecnica, replicazione limitata del microambiente, lunghi tempi di coltura e sfide nell'integrazione clinica^{di routine 26,27}.

Lo scopo dello studio era valutare i metodi proteomici analitici e la funzione della bioinformatica nell'identificazione dei^{biomarcatori 28}. Ha valutato come gli strumenti computazionali aiutassero nell'interpretazione dei dati ed esaminato le tecniche di analisi proteica basate sulla SM. I risultati hanno dimostrato una maggiore scoperta di biomarcatori e nuovi target terapeutici, ma hanno anche chiarito che identificare proteine a bassissima abbondanza rimaneva una sfida, riducendo così la sensibilità delle tecniche proteomiche esistenti. Sebbene diversi biomarcatori diagnostici, meccanicistici e prognostici per l'epatotossicità indotta da APAP siano stati ben stabiliti, questi marcatori riflettono principalmente lesioni epatocellulari o disfunzioni mitocondriali dopo che la tossicità si è^{verificata 29,30}. Al contrario, il presente studio mirava a identificare regolatori trascrivomici che possono modulare la suscettibilità o la risposta dell'ospite all'esposizione ad APAP. ESR1 e PNP sono quindi stati studiati come marcatori regolatori esplorativi piuttosto che come biomarcatori diagnostici classici.

Per affrontare le limitazioni insite nelle metodologie attuali — in particolare la variabilità della cultura dei PDO e le questioni di sensibilità della proteomica — questo studio impiega un quadro computazionale integrato che comprende tossicologia di rete, trascrittomica, apprendimento automatico e docking molecolare. Questa strategia multilivello evita la necessità di grandi coorti o sistemi sperimentali complessi sfruttando la previsione computazionale e la validazione incrociata multi-omica. La motivazione di questo approccio combinatorio è che ogni tecnica rafforza le altre per minimizzare i falsi positivi: la tossicologia di rete fornisce prima una previsione a livello di sistema di bersagli correlati ad APAP e vie tossiche; L'analisi trascritomica successivamente valida quali di questi geni previsti sono realmente disregolati durante l'epatotossicità; gli algoritmi di apprendimento automatico danno quindi priorità ai biomarcatori candidati più informativi da questo pool ad alta fiducia; e infine, il docking molecolare offre supporto meccanicistico confermando la fattibilità di interazioni dirette tra APAP e i bersagli proteici identificati.

Insieme, questi passaggi creano un percorso coerente e basato su evidenze per la previsione dei biomarcatori. Questa combinazione di queste quattro strategie minimizza le previsioni falsamente positive e aumenta la fiducia nel trovare ESR1 e PNP come bersagli forti nell'epatotossicità indotta da APAP. In questa ricerca, sarebbe necessario disporre di GSE74000 dataset di espressione genica con una buona potenza statistica, almeno un minimo di tre repliche biologiche di qualsiasi condizione con metadati completi. I file di espressione grezzi dovrebbero essere elaborati in modo standard, che consiste in correzione di background, normalizzazione (normalizzazione quantile, ecc.) e filtraggio dei geni a bassa espressione. R veniva utilizzato per eseguire tutte le analisi con pacchetti come limma e strumenti esterni come GeneCards e Cytoscape, che permettono di costruire una rete. Sebbene la pipeline faciliti la prioritizzazione dei biomarcatori basata su analisi sistematiche, i risultati sono limitati dalla qualità del dataset, dagli effetti batch e dall'assenza di validazione sperimentale e in vivo , che potrebbe influire sulla generalizzazione.

Protocollo

Questo protocollo delinea un metodo computazionale per definire i possibili biomarcatori del danno epatico indotto dal paracetamofene, che sfrutta la tossicologia delle reti, la trascrittomica, il machine learning e il docking molecolare (Figura 1). Il protocollo è rivolto ai ricercatori che hanno accesso a strumenti bioinformatici, dataset trascrittomici e software di docking molecolare.

Procedura

Passo 1: Identificazione dei bersagli del paracetamolo
Recupera la rappresentazione SMILES del paracetamolo (APAP) da PubChem. Utilizzare piattaforme online (ChEMBL, SwissTargetPrediction, STITCH, SEA) per prevedere potenziali bersagli molecolari di APAP. Integrare e deduplicare i target previsti per generare una lista di 140 target APAP ad alta fiducia.

Passo 2: Identificazione degli obiettivi di epatotossicità
Recuperare geni correlati all'epatotossicità dal database GeneCards. Compila e deduplica la lista per generare un insieme non ridondante di 657 geni correlati all'epatotossicità. Identificare geni sovrapposti tra i bersagli APAP e i geni correlati all'epatotossicità utilizzando un diagramma di Venn.

Passo 3: Preprocessing dei dati trascritomici
Scarica il dataset GSE74000 da GEO. Pre-elabora i dati grezzi di espressione usando DESeq2: rimuovere geni a bassa espressione, normalizzare usando fattori di dimensione e applicare la trasformazione stabilizzante della varianza (VST). Eseguire analisi di espressione differenziale usando Limma e DESeq2, con soglie di valore p aggiustato < 0,05 e |_{log 2}FC| > 1.

Passo 4: Analisi dell'arricchimento funzionale
Carica geni sovrapposti su STRING per analisi di Gene Ontology (GO), KEGG pathway, espressione tissutale e correlazione con la malattia. Visualizza i risultati dell'arricchimento funzionale usando grafici a bolle e heatmap.

Passo 5: Machine Learning per la selezione dei geni delle funzionalità
Applicare un classificatore Random Forest (n_estimators=500, max_depth=10) per dare priorità ai geni caratteristici provenienti dai geni APAP e epatotossicità sovrapposti. Valutare le prestazioni del modello utilizzando l'errore Out-of-Bag (OOB) e i punteggi di importanza delle caratteristiche. Seleziona i 20 geni principali delle caratteristiche per ulteriori analisi.

Passaggio 6: Aggancio molecolare
Recuperare la struttura APAP (CID 1983) da PubChem e dai recettori proteici (ESR1: PDB ID 1SJ0, PNP: PDB ID 1V2H) da PDB. Prepara file di ligando e recettori: converti in formato PDB, aggiungi idrogeni polari, assegna cariche e salva come file PDBQT. Definisci la griglia di attracco in AutoDock Tools, che copre il sito attivo della proteina. Esegui il docking molecolare usando AutoDock Vina, con esaustività impostata a 8, e analizza affinità e interazioni di legame. Visualizza i risultati dell'aggancio usando PyMOL per analizzare le conformazioni di binding e le interazioni delle chiavi.

Passo 7: Analisi statistica
Determinare la significatività statistica usando i test t e regolare i valori p per confronti multipli utilizzando il metodo^{Benjamini-Hochberg 31}. Visualizza associazioni statisticamente significative usando heatmap e scatter plot.

Materiali e metodi

Identificazione dei bersagli del paracetamolo
Per identificare potenziali bersagli molecolari di APAP, abbiamo prima recuperato la sua rappresentazione SMILES dal database PubChem. Abbiamo poi utilizzato diverse piattaforme online, tra cui il Laboratorio Europeo di Biologia Molecolare Chimica (ChemBL)³², Swiss Target^{Prediction 33}, Search Tool for the Interaction of Chemicals and Targets (STITCH)³⁴ e Similarity ensemble approach (SEA⁾³⁵, per prevedere i possibili obiettivi. Dopo aver integrato i risultati di questi strumenti, abbiamo selezionato un insieme di obiettivi ad alta fiducia per APAP. La Tabella 1 definisce le principali categorie geniche utilizzate in questo studio, chiarendo i loro ruoli nell'analisi dei dati e nell'interpretazione biologica. L'uso costante di questi termini garantisce una comunicazione chiara dei nostri risultati.

Identificazione degli obiettivi di epatotossicità
I geni potenzialmente associati all'epatotossicità sono stati recuperati dal database GeneCards. Tutti i geni identificati sono stati compilati, i duplicati sono stati rimossi e viene generata una lista non ridondante per le analisi a valle. Il dataset GSE74000 è stato scaricato dal repository GEO il 15 marzo 2024. I dati grezzi di espressione venivano elaborati e normalizzati utilizzando il pacchetto limma (normalizzazione quantile). L'analisi differenziale dell'espressione è stata effettuata utilizzando modellazione lineare con contrazione bayesiana empirica. Geni che rispettano il valore p corretto < 0,05 (Benjamini-Hochberg FDR) e |log₂FC| > 1 erano considerati significativi. La visualizzazione dei DEG è stata effettuata utilizzando grafici vulcanici e heatmap generati con ggplot2.

Preprocessing dei dati
I dati grezzi di conteggio sono stati pre-elaborati utilizzando DESeq2. I geni a bassa espressione sono stati rimossi utilizzando una soglia di rilevamento di CPM >1 in almeno il 70% dei campioni. La normalizzazione della dimensione della libreria è stata eseguita utilizzando i fattori di dimensione DESeq2, come definiti nell'equazione (1):

(1)

Dove il fattore mediano di rapporto e dimensione è indicato con s_j. Per stabilizzare le relazioni media-varianza, è stata utilizzata una trasformazione stabilizzante della varianza (VST) nell'equazione (2):

(2)

I DEG sono stati identificati utilizzando il test di Wald con correzione di Benjamini-Hochberg, considerando geni significativi se usati nell'equazione (3):

(3)

L'insieme DEG derivato da DESeq2 è stato definito come equazione (4):

(4)

Questo insieme (X) è stato utilizzato nella strategia di consenso insieme a Limma Trend (Y) e Limma Voom (Z).

Costruzione della rete PPI
Diagrammi di Venn sono stati utilizzati per identificare geni comuni tra i bersagli APAP e quelli di epatotossicità. I geni sovrapposti sono stati poi caricati nel database Search Tool for the Retrieval of Interacting Genes/Proteins (STRING) per costruire reti PPI.

Analisi di arricchimento funzionale multidimensionale
Abbiamo inizialmente condotto Gene Ontology (GO), Kyoto Encyclopedia of Genes and Genomes (KEGG), analisi funzionali e espressione tissutale e analisi funzionali correlate a malattie dei geni sovrapposti per APAP ed epatotossicità utilizzando il sito web STRING. Successivamente, abbiamo eseguito analisi di arricchimento GO, KEGG e Gene Set Enrichment Analysis (GSEA) (REACTOME) dei geni differenziali per l'epatotossicità utilizzando gli strumenti accademici di Sendo.

Analisi della foresta casuale
Abbiamo applicato il machine learning per identificare i primi 20 geni delle caratteristiche dai geni sovrapposti APAP e epatotossicità nei dati sul trascrittoma epatotossicità indotti da APAP. È stato implementato un classificatore Random Forest, con 500 alberi (n_estimators=500), profondità massima dell'albero di 10 (max_depth=10), minimo 2 campioni necessari per dividere un nodo (min_samples_split=2) e il criterio di impurità di Gini (criterio='gini')³⁶. Le prestazioni del modello sono state valutate utilizzando l'errore Out-of-Bag (OOB), dove un valore vicino a 0 indica una maggiore accuratezza predittiva. I punteggi di importanza delle caratteristiche sono stati calcolati e visualizzati sulla base dell'analisi Random Forest per classificare il contributo di ciascun gene, come nell'equazione (5).

(5)

N era il numero totale di campioni, y_i era 1(·) una funzione indicatrice, 1 se la condizione era vera e 0 altrimenti; era l'etichetta prevista del campione III utilizzando solo alberi dove III non era incluso nell'addestramento.

Espressione differenziale di geni caratterizzati
Le differenze di espressione dei geni delle caratteristiche nei dati trascritomici sono state visualizzate utilizzando grafici di violino. I biomarcatori che mostravano differenze statisticamente significative sono stati identificati come potenziali nuovi biomarcatori dell'epatotossicità indotta da APAP per ulteriori indagini.

Aggancio molecolare
I composti di piccole molecole (CID 1983) sono stati recuperati dal database PubChem, e i recettori proteici ESR1 e PNP (ID PDB 1SJ0 e 1V2H) sono stati scaricati dalla Protein Data Bank. Le strutture dei liganti sono state convertite in formato PDB usando OpenBabel e preprocessate in AutoDock Tools aggiungendo idrogeni polari, assegnando cariche di Gasteiger, definendo legami rotabili e risparmiando in formato PDBQT. I recettori proteici sono stati preparati utilizzando PyMOL rimuovendo molecole d'acqua e liganti co-cristallizzati, seguiti dall'aggiunta di idrogeni polari e dall'assegnazione delle cariche di Kollman tramite AutoDock Tools, e salvati come file PDBQT.

Nel docking molecolare, il software AutoDock è stato utilizzato per definire la griglia di docking che copre il sito attivo della^{proteina 37}. La casella della griglia era centrata sulle coordinate (x = XX·XX, y = YY· YY,z = ZZ· ZZ) con dimensioni di 40 × 40 × 40 Å e una distanza a griglia di 0,375 Å, garantendo una copertura completa della tasca di rilacciamento. AutoDock Vina è stato impiegato per calcolare le modalità di legame ligando-proteina e le affinità di legame, con il parametro di esaustività impostato a 8, e le prime nove pose di legame sono state generate per ciascun ligando.

La validazione del protocollo di attracco è stata effettuata ri-agganciando il ligando co-cristallizzato nel sito attivo, ottenendo un valore RMSD di < 2,0 Å, confermando l'affidabilità della procedura di aggancio. I risultati dell'attracco sono stati visualizzati utilizzando PyMOL per analizzare le conformazioni di legame e le interazioni chiave, inclusi i legami a idrogeno.

Le simulazioni di attracco hanno previsto che il Composto X si inserisce nel sito di legame della proteina Y, formando potenziali legami idrogeno e contatti idrofobi, con un'energia di legame prevista di -8,5 kcal/mol.

Risoluzione dei problemi e potenziali modifiche
Per migliorare la robustezza e la riproducibilità del flusso di lavoro proposto, vanno presi in considerazione diverse considerazioni di risoluzione dei problemi e potenziali modifiche. Se viene identificato un numero inaspettatamente basso di geni espressi differenzialmente (DEG), si consiglia agli utenti di verificare la procedura di normalizzazione, confermare l'etichettatura accurata dei gruppi e considerare l'adeguamento del cambiamento di fold |log2| soglia mantenendo un controllo adeguato del tasso di false scoperte (FDR). Al contrario, se si ottiene un numero eccessivo di DEG, applicare cutoff FDR più rigidi o filtrare geni a bassa varianza prima dell'analisi di espressione differenziale può migliorare la specificità.

Gli effetti batch possono influenzare i modelli di clustering in analisi esplorative come l'analisi dei componenti principali (PCA). Se i campioni si raggruppano prevalentemente per condizione batch piuttosto che biologica, dovrebbero essere applicati metodi di correzione batch (ad esempio, approcci bayiani empirici come ComBat) e i metadati del campione dovrebbero essere rivalutati attentamente per coerenza.

Per la selezione delle caratteristiche basata su Random Forest, alti tassi di errore Out-of-Bag (OOB) o classifiche instabili delle caratteristiche possono indicare una configurazione del modello subottimale. In tali casi, aumentare il numero di alberi, modificare il parametro mtry o eseguire ripetute esecuzioni del modello con selezione di caratteristiche consensuale può migliorare la stabilità del modello e l'affidabilità predittiva. Inoltre, possono essere impiegate strategie di validazione incrociata per valutare ulteriormente la robustezza dei modelli.

Per rafforzare l'affidabilità, gli utenti possono opzionalmente ripetere l'analisi utilizzando soglie alternative di DEG o impostazioni dei parametri di apprendimento automatico e confrontare la consistenza dei geni caratteristici identificati. Tali analisi di sensibilità aiutano a garantire che i risultati chiave non siano guidati da scelte specifiche di parametri e supportano la riproducibilità del flusso di lavoro tra dataset trascrivomici simili.

Analisi statistiche
La significatività statistica è stata determinata tramite un test t, con i valori p riportati per il confronto. Le correlazioni statistiche tra i livelli di espressione genica e i fenotipi correlati all'epatotossicità sono state valutate utilizzando i coefficienti di correlazione di Pearson e Spearman, a seconda della normalità dei dati. I valori p sono stati aggiustati per confronti multipli utilizzando il metodo di Benjamini-Hochberg. Sono state visualizzate associazioni significative con mappe di calore e diagrammi a scatter, fornendo una valutazione robusta delle relazioni trascricomiche.

Risultati

Identificazione di geni sovrapposti per APAP ed epatotossicità e la loro analisi funzionale
Per determinare potenziali bersagli molecolari di APAP e indagare i loro ruoli biologici, sono state generate previsioni utilizzando quattro strumenti computazionali: ChEMBL, SwissTargetPrediction, STITCH e SEA. Dopo la rimozione delle voci duplicate e l'integrazione di risultati sovrapposti, fu compilata una lista non ridondante di 140 target candidati. Inoltre, sono stati estratti 657 geni correlati all'epato...

Discussione

L'APAP è un agente analgesico e antipiretico frequentemente prescritto; tuttavia, un consumo eccessivo può portare a una significativa epatotossicità, talvolta culminando in insufficienza epatica^{acuta 38}. Nonostante i progressi nell'elucidare i meccanismi fisiopatologici delle lesioni epatiche indotte da APAP, rimane una scarsità di biomarcatori affidabili per una diagnosi accurata, una prognosi e un'indagine meccanicistica. Pertanto, è urgente identificare potenz...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Database & Database Server web
STRING	https://cn.string-db.org/		costruzione di reti PPI; Arricchimento funzionale
Strumenti accademici di Sendo	https://www.xiantaozi.com/		Analisi di arricchimento GO, KEGG e GSEA
PubChem	https://pubchem.ncbi.nlm.nih.gov/		Recupero delle strutture chimiche (APAP)
GeneCards	https://www.genecards.org/		Recupero di geni correlati all'epatotossicità
GEO Database	https://www.ncbi.nlm.nih.gov/geo/		Recupero di dataset trasscrittomici (GSE74000)
ChEMBL	https://www.ebi.ac.uk/chembl/		Previsione dell'obiettivo
Previsione SwissTarget	http://www.swisstargetprediction.ch/		Previsione dell'obiettivo
STITCH	http://stitch.embl.de/		Previsione dell'interazione
MARE	http://sea.bkslab.org/		Approccio a ensemble di similarità per la previsione dei bersagli
Banca Dati Proteiche (PDB)	https://www.rcsb.org/		Recupero della struttura proteica (ESR1, PNP)
Software
R (Versione 4.x.x)	https://www.r-project.org/		Analisi statistica e elaborazione dei dati
AutoDock Tools / Vina	http://autodock.scripps.edu/		Preparazione e simulazione dell'aggancio molecolare
PyMOL	https://pymol.org/		Visualizzazione delle strutture molecolari
Cytoscape	https://cytoscape.org/		Visualizzazione della rete