研究記事

アセトアミノフェン誘発性肝損傷のバイオマーカーとしてのプリンヌクレオシドホスホリラーゼおよびエストロゲン受容体1の計算的同定

DOI：

10.3791/69887

⸱

2026年2月6日

 , 
1School of Chinese Materia Medica, Tianjin University of Traditional Chinese Medicine, 2College of Integrative Chinese and Western Medicine, Tianjin University of Traditional Chinese Medicine

この記事について

サマリー

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

ネットワーク毒性学およびトランスクリプトミクスデータを計算解析し、アセトアミノフェン誘発性肝損傷のバイオマーカーを特定し、診断標的としてエストロゲン受容体1およびプリンヌクレオシドホスホリラーゼを明らかにしました。

要約

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

アセトアミノフェンによる肝損傷は重大な公衆衛生上の懸念事項ですが、信頼できる早期バイオマーカーが不足しています。本研究は、ネットワーク毒性学、トランスクリプトミクス、機械学習を統合した計算的アプローチを用いて、アセトアミノフェン誘発性肝毒性の候補バイオマーカーを特定することを目的としました。潜在的なアセトアミノフェン標的はオンラインプラットフォームを用いて予測され、140の候補が出されました。肝毒性関連遺伝子(n=657)をGeneCardsから取得し、38の重複遺伝子が同定されました。GSE74000データセットの差異発現遺伝子(n = 1,978)を解析しました。機能的濃縮を行って関連経路を特定しました。ランダムフォレストモデルでは20の特徴遺伝子が優先され、分子ドッキングでアセトアミノフェンとの結合親和性が評価されました。DEGsは主にミトコンドリア機能障害やリボソームの生合成に関連していました。機能的強化は異種生物代謝および酸化ストレス経路を明らかにしました。エストロゲン受容体1とプリンヌクレオシドホスホリラーゼは、顕著な発現差異とアセトアミノフェンとの強いドッキング相互作用を示した、最も注目される特徴遺伝子でした。この計算プロトコルは、アセトアミノフェン誘発性肝損傷の候補バイオマーカーを体系的に予測し、分子的な洞察と実験的検証の候補を提供します。

概要

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

アセトアミノフェン(APAP)は広く使用されている解熱剤および鎮痛剤ですが、過剰摂取は重度の肝毒性や肝不全を引き起こす可能性があります1,2。肝臓への損傷は薬物が代謝されると予想され、その後の有毒代謝物がN-アセチル-p-ベンゾキノンイミン(NAPQI)となり、ミトコンドリア酸化ストレス、ミトコンドリア呼吸の変化、ミトコンドリアの透過性移行を引き起こし、最終的にはアポトーシスではなく壊死性肝細胞死を引き起こします3,4.APAP過剰摂取は多くの国で急性肝不全(ALF)の主な原因となっています。疫学データによると、APAP中毒は米国におけるALF症例の約50%を占めており、年間数千件の緊急入院の原因となっています。同様の傾向が世界的にも報告されており、APAP関連肝毒性が薬物誘発性肝損傷(DILI)症例の大部分を占めています5,6。高い罹患率、肝移植のリスク、そして多大な医療負担は、診断バイオマーカーの改善とAPAP誘発性肝損傷のメカニズム的理解の緊急性を強調しています。具体的には、APAPはグルクロン化と硫酸化を通じて肝臓で吸収・主に代謝され、尿中に排出される水溶性の共役体を形成します。ごく一部(10-15%)は、CYP1A2、CYP2E1、CYP3A4などの酵素を介してシトクロムP450(CYP450)介在のヒドロキシ化を経て反応性中間体NAPQIを産生し、これはグルタチオンに結合し胆汁7,8を介して排出されます。グルクロン化および硫酸化経路の能力が限られているため、過剰投与はNAPQIの生成を増加させ、同時に肝臓のグルタチオン予備を枯渇させます。グルタチオンが臨界レベルまで枯渇すると、NAPQIは細胞高分子に共有結合を開始し、肝細胞を損傷します10。APAPの過剰摂取関連毒性は増加しており、米国だけで年間約5万〜8万件の救急外来受診が推定されています。APAP誘発性肝毒性の中心は酸化ストレスとミトコンドリア機能障害であるため、ESR1の調節障害はAPAP損傷時の肝細胞生存率や炎症反応に間接的に影響を与える可能性があります。APAP毒性は肝細胞に代謝ストレスと炎症活性化を誘発します。PNP発現の変化は、APAP誘発性肝障害におけるヌクレオチド代謝の変化や免疫関連反応を反映している可能性があります。

APAP誘発性肝毒性に関する初期の報告は主に肝臓および腎臓の臨床症状と病理学的変化に焦点を当てており、APAP毒性における細胞死と炎症のメカニズムに関する後の研究の基盤となりました12,13。重要な突破口は、肝損傷バイオマーカーとしての血清アミノトランスフェラーゼ(例:ALTやAST)の同定でした。細胞培養モデルやバイオインフォマティクスツールの登場により、APAP肝毒性に関する現在の研究は診断、予後、機構的バイオマーカー14、15、16を含むように拡大しています。しかし、APAP過剰摂取患者、特に生存者でない患者から十分な血清や血漿サンプルを採取することは依然として困難です。その結果、APAP誘発性肝毒性をよりよく研究するために、新しい診断、予後、機構的バイオマーカーを新しいアプローチで探求する緊急の必要性があります。

ネットワーク毒性学は、化合物データベースから毒性学データを分析するためのネットワークモデルを構築する新興分野です。物質毒性の特性評価、メカニズムの解明、主要な標的の予測に役立ちます。現在、ネットワーク毒性学は科学研究において価値あるツールとして広く認識されています。例えば、Tengjiao Quらはネットワーク毒性学とトランスクリプトミクスを統合し、2,2',4,4'-テトラブロモジフェニルエーテル(一般的な難燃剤)およびその潜在的なバイオマーカーの新たな神経毒性機構を特定しました22。最近の研究では、このアプローチが天然物の毒性を評価する上で重要であることも強調されています。しかし、この革新的な研究パラダイムは、APAP誘発性肝毒性の潜在的なメカニズムを探り、その毒性に関連する新たなバイオマーカーの特定にまだ適用されていません。

IntelliGenesは、マルチゲノムバイオマーカー発見のための機械学習パイプラインとして開発されました。統計手法と高度な機械学習を統合し、I遺伝子スコアを計算し、個別化されたバイオマーカープロファイルを作成します。複雑な形質の予測精度が向上し、個別化された疾患の洞察を可能にすることが示されました。制限としては、データの質への依存、多様な集団間の検証の制限、より広範な臨床試験の必要性が含まれます。

主なポイントは、現在の膵管腺腺癌(PDAC)バイオマーカーが不十分であり、患者由来オルガノイド(PDO)をバイオマーカー開発の機能的プラットフォームとして提案する25点である。PDOに基づく薬物表現型、化学抵抗性モデリング、共培養システム、プロテオミクス/代謝プロファイリングを評価します。研究結果は、PDOが治療関連の生物学的特徴をよりよく捉えることを示しているが、技術的ばらつき、微小環境での複製の制限、長時間の培養時間、そして日常的な臨床統合の課題などが制限されている(26,27)。

本研究の目的は、分析的プロテオミクス手法とバイオインフォマティクスのバイオマーカー同定における機能を評価することでした。計算ツールがデータ解釈にどのように貢献するかを評価し、MSベースのタンパク質解析技術を検討しました。この結果はバイオマーカーの発見と新たな治療標的の強化を示しましたが、非常に低存在量のタンパク質の同定が依然として困難であり、既存のプロテオミクス技術の感度を低下させることも明らかにしました。APAP誘発性肝毒性の診断的、機序的、予後的なバイオマーカーはいくつか確立されていますが、これらのマーカーは主に毒性発生後の肝細胞損傷やミトコンドリア機能障害を反映しています29,30。これに対し、本研究はAPAP曝露に対する感受性や宿主応答を調節する可能性のあるトランスクリプトム調節因子の特定を目指しました。したがって、ESR1とPNPは古典的な診断バイオマーカーではなく、探索的調節マーカーとして調査されました。

現在の方法論に内在する限界、特にPDOの培養変異性やプロテオミクスの感度問題に対処するため、本研究はネットワーク毒性学、トランスクリプトミクス、機械学習、分子ドッキングを含む統合計算フレームワークを用います。この多層的な戦略は、計算予測とマルチオミックの相互検証を活用することで、大規模なコホートや複雑な実験システムの必要性を回避します。この組み合わせアプローチの根拠は、各手法が互いに偽陽性を最小限に抑えるために互いを強化しているからです。ネットワーク毒性学はまずAPAP関連標的および毒性経路のシステムレベルの予測を提供します。その後、トランスクリプトミクス解析により、これらの予測遺伝子のうち、肝毒性時に本当に調節が乱れるものがどれかが検証されます。機械学習アルゴリズムは、この高い信頼度プールから最も有益な候補バイオマーカーを優先します。最後に、分子ドッキングはAPAPと同定されたタンパク質標的との直接的な相互作用の実現可能性を確認することで、機構的支援を提供します。

これらのステップが一体化することで、バイオマーカー予測のための一貫したエビデンスに基づくパイプラインが形成されます。これら4つの戦略の組み合わせにより、偽陽性予測を最小限に抑え、APAP誘発性肝毒性においてESR1およびPNPを強力な標的として発見する信頼性を高めます。本研究では、統計力の高い遺伝子発現データセットGSE74000つ、いかなる状態でも最低3回の生物学的複製が完全なメタデータを持つ必要があります。生の発現ファイルは標準的な方法で処理されなければならず、背景補正、正規化(分位元正規化など)、低発現遺伝子のフィルタリングが含まれます。Rは、Limmaなどのパッケージや、GeneCardsやCytoscapeなどの外部ツールを使ってすべての解析を行い、ネットワーク構築を可能にしました。このパイプラインは体系的分析に基づくバイオマーカーの優先順位付けを促進しますが、データセットの質、バッチ効果、実験的および 生体内 での検証の欠如により結果が制限されており、一般化可能性に影響を与える可能性があります。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

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

本プロトコルは、ネットワーク毒性学、トランスクリプトミクス、機械学習、分子ドッキングを活用し、アセトアミノフェン誘発性肝障害のバイオマーカーを定義する計算手法を示しています(図1)。このプロトコルは、バイオインフォマティクスツール、トランスクリプトミックデータセット、分子ドッキングソフトウェアにアクセスできる研究者を対象としています。

手続き

ステップ1:アセトアミノフェン標的の特定
PubChemからアセトアミノフェン(APAP)のSMILES表現を取得できます。オンラインプラットフォーム(ChEMBL、SwissTargetPrediction、STITCH、SEA)を利用してAPAPの分子標的を予測しましょう。予測されたターゲットを統合・重複除去して、140の高信頼度APAPターゲットのリストを作成します。

ステップ2:肝毒性標的の特定
GeneCardsデータベースから肝毒性関連遺伝子を取得してください。リストをまとめて重複を解消し、冗長でない657個の肝毒性関連遺伝子セットを生成します。ベン図を用いてAPAP標的と肝毒性関連遺伝子の重複遺伝子を特定します。

ステップ3:トランスクリプトミックデータの前処理
GEOからGSE74000データセットをダウンロードしてください。DESeq2を用いて生の発現データを前処理します:低発現遺伝子を除去し、サイズ因子で正規化し、分散安定化変換(VST)を適用します。LimmaとDESeq2を用いて差分式解析を行い、調整p<値の閾値は0.05、|log2FC|> 1.

ステップ4:機能豊化分析
重なり合う遺伝子をSTRINGにアップロードし、遺伝子オントロジー(GO)、KEGG経路、組織発現、疾患相関解析を行います。バブルプロットやヒートマップを用いて機能的濃縮結果を可視化します。

ステップ5:特徴遺伝子選択のための機械学習
ランダムフォレスト分類器(n_estimators=500、max_depth=10)を適用し、APAP遺伝子と肝毒性遺伝子の重なり合う特徴遺伝子を優先的に選びます。Out-of-Bag(OOB)誤差と特徴重要度スコアを用いてモデル性能を評価します。さらなる分析のために上位20の特徴遺伝子を選択してください。

ステップ6:分子ドッキング
PubChemからAPAP構造(CID 1983)を、PDBからタンパク質受容体(ESR1: PDB ID 1SJ0、PNP: PDB ID 1V2H)を取得。リガンドと受容体のファイルを準備し、PDB形式に変換し、極性水素を追加し、電荷を割り当て、PDBQTファイルとして保存します。AutoDock Toolsでタンパク質の活性部位をカバーするドッキンググリッドを定義します。AutoDock Vinaを用いて分子ドッキングを行い、抽出度を8に設定し、結合親和性や相互作用を解析します。PyMOLを用いて結合構造や主要な相互作用を解析するためにドッキング結果を可視化します。

ステップ7:統計分析
t検定を用いて統計的有意性を決定し、ベンジャミニ・ホッホバーグ法を用いて複数比較のp値を調整します。ヒートマップや散布図を用いて統計的に有意な関連を可視化します。

材料と方法

アセトアミノフェン標的の同定
APAPの分子標的を特定するために、まずPubChemデータベースからそのSMILES表現を取得しました。その後、Chemical European Molecular Biology Laboratory(ChemBL)32、Swiss TargetPrediction 33、Search Tool for the Interaction of Chemical and Targets(STITCH)34、Similarity ensemble approach(SEA)35など複数のオンラインプラットフォームを用いて、可能なターゲットを予測しました。これらのツールの結果を統合した後、APAPの高信頼度目標群を選定しました。表1は本研究で用いられる主要な遺伝子カテゴリーを定義し、データ分析および生物学的解釈におけるそれらの役割を明確にしています。これらの用語を一貫して使うことで、結果の明確な伝達が保証されます。

肝毒性標的の特定
肝毒性に関連する遺伝子の可能性はGeneCardsデータベースから取得されました。同定されたすべての遺伝子をまとめ、重複を除去し、後続解析用の冗長でないリストが作成されました。GSE74000データセットは2024年3月15日にGEOリポジトリからダウンロードされました。生の発現データはLimmaパッケージ(分位元正規化)を用いて処理・正規化されました。差別表現解析は、経験的ベイズ収縮を用いた線形モデリングを用いて実施されました。遺伝子の交差調整p値<0.05(ベンジャミニ・ホッホバーグFDR)および|log₂FC|>1つは重要と見なされました。DEGの可視化は、ggplot2で生成された火山プロットとヒートマップを用いて行われました。

データ前処理
生カウントデータはDESeq2で前処理されました。低発現遺伝子は、少なくとも70%のサンプルでCPM >1の検出閾値を用いて除去されました。ライブラリサイズ正規化は、式(1)に定義されたDESeq2サイズファクターを用いて実施されました。

式1(1)

ここで中央値比率の大きさ因子は sjで表されます。平均-分散関係を安定化するために、式(2)では分散安定化変換(VST)が用いられました。

式2(2)

DEGは、Wald検定とベンジャミニ・ホッホバーグ補正を用いて同定され、(3)式に用いれば遺伝子が有意とみなされました。

式3(3)

DESeq2由来のDEG集合は式(4)として定義されました。

式4(4)

この集合(X)は、リマトレンド(Y)およびリマヴーム(Z)とともにコンセンサス戦略で使用されました。

PPIネットワーク構築
APAPと肝毒性標的間の共通遺伝子を特定するためにベン図を用いました。重なり合う遺伝子は、相互作用遺伝子/タンパク質検索ツール(STRING)データベースにアップロードされ、PPIネットワークを構築しました。

多次元機能強化解析
まず、STRINGウェブサイトを用いて遺伝子オントロジー(GO)、京都の遺伝子・ゲノム百科事典(KEGG)、組織発現、APAPと肝毒性の重なり遺伝子の疾患関連機能解析を行いました。次に、Sendo Academic Toolsを用いて肝毒性に関する遺伝子セット濃縮解析(GSEA)(REACTOME)を用いた肝毒性の差異遺伝子の濃縮解析を行いました。

ランダムフォレスト解析
機械学習を用いて、APAP誘導肝毒性トランスクリプトームデータにおけるAPAP遺伝子と肝毒性遺伝子の重複から上位20の特徴遺伝子を特定しました。ランダムフォレスト分類器が実装され、500本の木(n_estimators=500)、最大木深10(max_depth=10)、ノード分割に必要な最低2サンプル(min_samples_split=2)、そしてジニ不純物基準(criterion='gini」)36が適用されました。モデルのパフォーマンスはアウト・オブ・バッグ(Out-of-Bag)誤差(Out-of-Bag, OOB)を用いて評価され、0に近い数値ほど予測精度が高いことを示します。特徴重要度スコアはランダムフォレスト解析に基づいて計算・可視化され、各遺伝子の寄与をランク付けしました(式(5)参照)。

式5(5)

Nはサンプル総数、yiは1(·)は指標関数、条件が真なら1、そうでなければ0でした。式6、3が訓練に含まれていない木のみを用いたサンプルiiiの予測ラベルでした。

特徴付けられた遺伝子の差異発現
トランスクリプトミックデータにおける特徴遺伝子の発現差は、バイオリンプロットを用いて可視化しました。APAP誘発性肝毒性の潜在的な新規バイオマーカーとして、統計的に有意な差異を示すバイオマーカーが特定されました。

分子ドッキング
小分子化合物(CID 1983)はPubChemデータベースから取得され、タンパク質受容体ESR1およびPNP(PDB ID 1SJ0および1V2H)はProtein Data Bankからダウンロードされました。リガンド構造はOpenBabelを使ってPDB形式に変換され、AutoDock Toolsで極性水素の追加、ガスタイガー電荷の割り当て、回転可能な結合の定義、PDBQT形式での保存によって事前処理されました。タンパク質受容体はPyMOLを用いて水分子と共結晶配位子を除去し、その後極性水素を加え、AutoDockツールを使ってコールマン電荷を割り当て、PDBQTファイルとして保存しました。

分子ドッキングでは、AutoDockソフトウェアを用いてタンパク質37の活性部位を覆うドッキンググリッドを定義しました。グリッドボックスは座標(x = XX·XX, y = YY·YY,z = ZZ·ZZは40×40×40Å、グリッド間隔0.375Åで、バインディングポケットを完全にカバーしています。AutoDock Vinaを用いてリガンド-タンパク質結合モードと結合親和性を計算し、網羅パラメータを8に設定し、各リガンドの上位9つの結合ポーズを生成しました。

ドッキングプロトコルの検証は、共結晶リガンドを活性部位に再ドッキングすることで実施され、RMSD値が< 2.0 Åとなり、ドッキング手順の信頼性が確認されました。ドッキング結果はPyMOLを用いて結合構造や主要な相互作用、水素結合を含む解析を行いました。

ドッキングシミュレーションでは、化合物Xがタンパク質Yの結合部位に適合し、潜在的な水素結合や疎水性接触を形成し、結合エネルギーは-8.5 kcal/molと予測されました。

トラブルシューティングと可能な改造
提案されたワークフローの堅牢性と再現性を高めるために、いくつかのトラブルシューティングの考慮事項や潜在的な修正事項を記載する必要があります。もし予想外に少数の差分発現遺伝子(DEGs)が確認された場合、ユーザーは正規化手順の検証、正確なグループラベリングの確認、そして|log2フォールドの変化|適切な偽発見率(FDR)制御を維持しつつ閾値。逆に、DEGが過剰に取られる場合は、より厳格なFDRカットオフを適用したり、差異発現解析前に低分散遺伝子をフィルタリングすることで特異性が向上します。

バッチ効果は主成分分析(PCA)などの探索的解析においてクラスタリングパターンに影響を与えることがあります。サンプルが生物学的状態ではなくバッチごとにクラスタリングされる場合は、バッチ補正手法(例:ComBatのような経験的ベイズ手法)を適用し、サンプルメタデータの整合性を慎重に再評価する必要があります。

ランダムフォレストベースの特徴選択では、高いアウトオブバッグ(OOB)エラー率や不安定な特徴順位は最適でないモデル構成を示すことがあります。このような場合、木の数を増やす、メントライパラメータの調整、またはコンセンサス特徴選択を用いた繰り返しのモデル実行を行うことで、モデルの安定性と予測信頼性が向上します。さらに、モデルの堅牢性をさらに評価するためにクロスバリデーション戦略を用いることもあります。

信頼性を高めるために、ユーザーはオプションで代替のDEG閾値や機械学習パラメータ設定を用いて分析を繰り返し、特定された特徴遺伝子の一貫性を比較することができます。このような感度分析は、主要な発見が特定のパラメータ選択に左右されず、類似したトランスクリプトミックデータセット間でのワークフローの再現性を支えるのに役立ちます。

統計解析
統計的有意性はt検定を用いて決定し、比較のためにp値を報告しました。遺伝子発現レベルと肝毒性関連表現型との統計的相関は、データの正規性に基づきPearson相関係数およびSpearman相関係数を用いて評価されました。P値はベンジャミニ・ホッホバーグ法を用いて複数比較で調整されました。ヒートマップや散布図を用いて有意な関連を可視化し、トランスクリプトム関係の堅牢な評価を提供しました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

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

APAPと肝毒性の重なり遺伝子の同定およびその機能解析
APAPの分子標的を特定し、その生物学的役割を調査するために、ChEMBL、SwissTargetPrediction、STITCH、SEAの4つの計算ツールを用いて予測が生成されました。重複項目の削除と重複結果の統合後、140の候補対象からなる冗長でないリストが作成されました。さらに、GeneCardsデータベースから657の肝毒性関連遺伝子が抽出されました。140のAPAP標的を657の肝毒性遺伝子と交差させることで、38の重なり合う遺伝子を同定しました(図2A)。38の重なり遺伝子にはESR1とPNPが含まれ、これらは最も有意な差異発現を示しました(調整p < 0.05、|log₂FC| >1)。これらはさらなる解析のために優先的に検討されました(表2)。次にSTRINGを用いてAPAP肝毒性ネットワークを構築し、これらの標的間の相互作用を可視化しました(図2B)。

...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

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

APAPは頻繁に処方される鎮痛剤および解熱剤です。しかし、過剰摂取は重大な肝毒性を引き起こし、時には急性肝不全に至ることもあります。APAP誘発性肝損傷の病態生理学的メカニズムの解明が進んでいるにもかかわらず、正確な診断、予後、機構的調査のための信頼できるバイオマーカーは依然として不足しています。したがって、APAP誘発性肝毒性をさらに調査するための新たなバイオマーカーやアプローチの特定が緊急に求められています。本研究では、ネットワーク毒性学とトランスクリプトミクスを組み合わせてAPAP誘発性肝毒性の基礎メカニズムを探り、ESR1とPNPという2つの新規バイオマーカーの可能性を特定しました。これらの発見は、APAP誘発性肝毒性のメカニズムと潜在的な治療標的に関する新たな知見を提供します。

研究の初期段階では、薬物標的予測や化学物質の生体活性分析に一般的に使われる4つの広く認知されたオンラインツール、ChemBL39

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

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

著者たちは何も明かすことはありません。

謝辞

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

著者たちは、天津中医薬大学が制度的支援を提供してくれたことに感謝しています。この研究を可能にしてくださった公開データベース(GeneCards、PubChem、STRING)やオープンソースツールの開発者に感謝申し上げます。中国薬学部および統合中西医学院の同僚の皆様、貴重な議論と技術支援に感謝いたします。また、GSE74000データセットの貢献者の皆様がデータを公開してくださったことにも感謝します。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
データベース&ウェブサーバー
ストリングhttps://cn.string-db.org/PPIネットワークの建設;機能的濃縮
センド・アカデミック・ツールズhttps://www.xiantaozi.com/GO、KEGG、GSEAの濃縮分析
パブケムhttps://pubchem.ncbi.nlm.nih.gov/化学構造の検索(APAP)
GeneCards(遺伝子カード)https://www.genecards.org/肝毒性関連遺伝子の回収
GEOデータベースhttps://www.ncbi.nlm.nih.gov/geo/トランスクリプトミックデータセット検索(GSE74000)
ChEMBLhttps://www.ebi.ac.uk/chembl/ターゲット予測
スイスターゲット予測http://www.swisstargetprediction.ch/ターゲット予測
スティッチhttp://stitch.embl.de/相互作用予測
東南アジアhttp://sea.bkslab.org/ターゲット予測のための類似性アンサンブルアプローチ
タンパク質データバンク(PDB)https://www.rcsb.org/タンパク質構造回帰(ESR1、PNP)
Software
R(バージョン4.x.x)https://www.r-project.org/統計解析とデータ処理
AutoDockツール / Vinahttp://autodock.scripps.edu/分子ドッキングの準備とシミュレーション
PyMOLhttps://pymol.org/分子構造の可視化
サイトスケープhttps://cytoscape.org/ネットワーク可視化

参考文献

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

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

関連記事