아세트아미노펜 유발 간 손상의 바이오마커로서 퓨린 뉴클레오사이드 인산화효소와 에스트로겐 수용체 1의 계산적 동원

요약

우리는 네트워크 독성학 및 전사체 데이터를 계산적으로 분석하여 아세트아미노펜 유발 간 손상의 바이오마커를 규명하고, 에스트로겐 수용체 1과 퓨린 뉴클레오사이드 인산화효소를 진단 표적으로 밝혀냈습니다.

초록

아세트아미노펜으로 인한 간 손상은 중대한 공중보건 문제이지만, 신뢰할 만한 초기 바이오마커는 부족합니다. 본 연구는 네트워크 독성학, 전사체학, 머신러닝을 통합한 계산적 접근법을 사용하여 아세트아미노펜 유발 간 독성의 후보 바이오마커를 규명하는 것을 목표로 했습니다. 잠재적 아세트아미노펜 표적은 온라인 플랫폼을 통해 예측되어 140개의 후보가 나왔습니다. 간독성 관련 유전자(n = 657)를 GeneCards에서 추출하였고, 38개의 중복 유전자가 확인되었습니다. GSE74000 데이터셋에서 차별발현된 유전자(n = 1,978)를 분석하였습니다. 관련 경로를 규명하기 위해 기능적 농축이 수행되었습니다. 무작위 숲 모델은 20개의 특징 유전자를 우선시했으며, 분자 도킹은 아세트아미노펜과의 결합 친화도를 평가했습니다. DEGs는 주로 미토콘드리아 기능 장애와 리보솜 생합성과 관련이 있었습니다. 기능적 풍부화는 외계 생물 대사와 산화 스트레스 경로를 강조했습니다. 에스트로겐 수용체 1과 퓨린 뉴클레오사이드 포스포릴라아제가 가장 높은 특징 유전자로, 유의미한 발현 차이와 아세트아미노펜과의 강한 결합 상호작용을 보였습니다. 이 계산 프로토콜은 아세트아미노펜 유발 간 손상의 후보 바이오마커를 체계적으로 예측하여 분자적 통찰과 실험적 검증을 위한 후보를 제공합니다.

서론

아세트아미노펜(APAP)은 널리 사용되는 해열 및 진통제이지만, 과도한 복용은 심각한 간독성과 잠재적으로 간부전으로 이어질 수 있습니다 ^1,2. 간 손상은 약물이 대사될 때 발생할 것으로 예상되며, 이후 독성 대사산물이 N-아세틸-p-벤조퀴논 이민(NAPQI)으로 나타나 미토콘드리아 산화 스트레스, 미토콘드리아 호흡 변화, 미토콘드리아 투과성 전이성을 초래하여 결국 세포자멸이 아닌 괴사성 간세포 사사를 초래합니다 ^3,4. APAP 과다복용은 여전히 많은 국가에서 급성 간부전(ALF)의 주요 원인으로 남아 있습니다. 역학 자료에 따르면 APAP 독성은 미국 내 ALF 사례의 거의 50%를 차지하며, 매년 수천 건의 응급 입원을 담당하고 있습니다. 유사한 경향이 전 세계적으로 보고되었으며, APAP 관련 간독성이 약물 유발 간 손상(DILI) 사례의 주요 비율을 차지합니다 ^5,6. 높은 이환율, 간 이식 위험, 상당한 의료 부담은 진단 바이오마커 개선과 APAP 유발 간 손상에 대한 기전적 이해가 시급함을 강조합니다. 구체적으로, APAP는 간에서 글루쿠론화 및 황산화를 통해 흡수되고 주로 대사되며, 소변으로 배출되는 수용성 접합체를 형성합니다. 소량(10-15%)은 CYP1A2, CYP2E1, CYP3A4와 같은 효소를 통해 사이토크롬 P450(CYP450) 매개 하이드록실화를 거쳐 반응성 중간체인 NAPQI를 생성하며, 이는 글루타치온에 결합하고 담즙 ^7,8을 통해 배출됩니다. 글루쿠론화 및 황화 경로의 용량이 제한적이기 때문에, 과도한 투여는 NAPQI 생성을 증가시키고, 동시에 간에서 글루타치온 저장고를 감소^{시킵니다.} 글루타치온이 임계 수준으로 고갈되면 NAPQI는 세포 고분자에 공유 결합하여 간세포를 손상시키기^{시작합니다.} APAP 과다복용 관련 독성은 증가하고 있으며, 미국에서만 연간 50,000에서 80,000건의 응급실 방문이 약¹¹건에 달하는 것으로 추정됩니다. 산화 스트레스와 미토콘드리아 기능 장애가 APAP 유발 간 독성의 중심이기 때문에, ESR1의 조절 이상이 APAP 손상 시 간접적으로 간세포 생존과 염증 반응에 영향을 미칠 수 있습니다. APAP 독성은 간세포에서 대사 스트레스와 염증 활성화를 유도합니다. PNP 발현 변화는 APAP 유발 간 손상 시 뉴클레오타이드 대사 변화와 면역 관련 반응 변화를 반영할 수 있습니다.

APAP 유발 간독성에 대한 초기 보고서는 주로 간과 신장의 임상 증상과 병리학적 변화에 초점을 맞추었으며, 이는 APAP 독성에서 세포 사멸과 염증의 기전에 관한 후속 연구의 기초가 되었습니다^12,13. 주요 돌파구는 혈청 아미노트랜스퍼라제(예: ALT, AST)를 간 손상 바이오마커로 규명한 것이었습니다. 세포 배양 모델과 생물정보학 도구의 등장으로 APAP 간독성에 대한 현재 연구는 진단, 예후 및 기전적 바이오마커^{14, 15, 16}까지 확장되었습니다. 그러나 APAP 과다복용 환자, 특히 생존자가 아닌 환자로부터 충분한 혈청 또는 혈장 샘플을 확보하는 것은 여전히 어렵습니다¹⁷. 따라서 APAP 유발 간독성을 더 잘 연구하기 위해 새로운 진단, 예후 및 기전 바이오마커를 새로운 접근법을 활용해 탐구할 긴급한 필요가 있습니다.

네트워크 독성학은 화합물 데이터베이스에서 독성학 데이터를 분석하기 위한 네트워크 모델을 구축하는 신흥 분야입니다^18,19. 이 연구는 물질 독성을 특성화하고, 기전을 밝히며, 주요 표적을 예측하는 데 도움을^줍니다. 현재 네트워크 독성학은 과학 연구에서 가치 있는 도구로 널리 인정받고 있습니다. 예를 들어, Tengjiao Qu 등은 네트워크 독성학과 전사체학을 통합하여 2,2',4,4'-테트라브로모디페닐 에테르(흔한 난연제)와 그 잠재적 바이오마커의 새로운 신경독성 기전을 규명했다²². 최근 연구들은 또한 천연 제품의 독성 평가에 있어 이 접근법의 중요성을 강조합니다²³. 그러나 이 혁신적인 연구 패러다임은 아직 APAP 유발 간 독성의 잠재적 메커니즘을 탐구하고 독성과 관련된 새로운 바이오마커를 규명하는 데 적용되지 않았습니다.

IntelliGenes는 다중 유전체 바이오마커 발견을 위한 머신러닝 파이프라인으로 개발^{되었습니다.} 통계적 기법과 고급 머신러닝을 통합하여 I-유전자 점수를 계산하고 개별화된 바이오마커 프로필을 생성합니다. 결과는 복잡한 형질 예측과 개인 맞춤형 질병 통찰 달성에 있어 정확도가 향상됨을 보여줍니다. 제한 사항으로는 데이터 품질에 대한 의존, 다양한 인구 집단에 대한 제한된 검증, 그리고 더 광범위한 임상 시험의 필요성이 있습니다.

주요 내용은 현재 췌장 선암(PDAC) 바이오마커가 부족하다는 점이며, 환자 유래 오가노이드(PDO)를 바이오마커 개발의 기능적 플랫폼으로 제안한다는 점입니다²⁵. PDO 기반 약물 표현형 분석, 화학저항성 모델링, 공동 배양 시스템, 단백질체학/대사체 프로파일링을 평가합니다. 연구 결과는 PDO가 치료 관련 생물학을 더 잘 포착하지만, 기술적 변동성, 제한된 미세환경 복제, 긴 배양 시간, 그리고 일상적인 임상 통합의 어려움 등이 제한적임을 보여줍니다^26,27.

본 연구의 목적은 분석적 단백질체학적 방법과 바이오인포매틱스의 바이오마커 식별 기능을 평가하는 것이었습니다²⁸. 계산 도구가 데이터 해석에 어떻게 도움이 되는지를 평가하고 MS 기반 단백질 분석 기법을 검토했습니다. 이 결과는 바이오마커 발견과 새로운 치료 표적 개발이 향상되었음을 보여주었지만, 매우 낮은 비율의 단백질을 식별하는 것이 여전히 어렵다는 점을 분명히 하여 기존 단백질체학적 기법의 민감도를 낮추게 했습니다. APAP 유발 간독성에 대한 여러 진단적, 기전적, 예후 바이오마커가 잘 확립되어 있지만, 이 마커들은 주로 독성 발생 후 간 세포 손상 또는 미토콘드리아 기능 장애를 반영합니다^29,30. 반면, 본 연구는 APAP 노출에 대한 감수성 또는 숙주 반응을 조절할 수 있는 전사체 조절자를 규명하는 것을 목표로 했습니다. 따라서 ESR1과 PNP는 고전적 진단 바이오마커보다는 탐색적 조절 지표로 연구되었습니다.

현재 방법론의 한계, 특히 PDO의 배양 변이성과 단백질체학의 민감도 문제를 해결하기 위해, 본 연구는 네트워크 독성학, 전사체학, 머신러닝, 분자 도킹을 포함한 통합 계산 프레임워크를 활용합니다. 이 다계층 전략은 계산 예측과 다중 옴 교차 검증을 활용하여 대규모 코호트나 복잡한 실험 시스템의 필요성을 우회합니다. 이 조합적 접근법의 근거는 각 기법이 서로를 강화하여 거짓 양성을 최소화하기 위함입니다: 네트워크 독성학은 먼저 APAP 관련 표적과 독성 경로의 시스템 수준 예측을 제공하고; 전사체 분석을 통해 예측된 유전자 중 간독성 기간 동안 실제로 조절 이상이 있는 것이 무엇인지 검증됩니다; 기계 학습 알고리즘은 이 높은 신뢰도 풀에서 가장 유익한 후보 바이오마커를 우선순위로 선정합니다; 마지막으로, 분자 결합은 APAP와 확인된 단백질 표적 간의 직접 상호작용 가능성을 확인함으로써 기전적 지지를 제공합니다.

이 단계들이 함께 일관되고 근거 기반의 바이오마커 예측 파이프라인을 만듭니다. 이 네 가지 전략의 조합은 거짓 양성 예측을 최소화하고, APAP 유발 간독성에서 ESR1과 PNP를 강력한 표적으로 발견하는 데 대한 신뢰도를 높입니다. 이 연구에서는 통계적 검정력이 좋은 유전자 발현 데이터셋이 GSE74000 개 이상이어야 하며, 모든 상태에 대해 최소 세 개의 생물학적 복제가 완전한 메타데이터를 포함해야 합니다. 원시 발현 파일은 배경 교정, 정규화(분위수 정규화 등), 저발현 유전자 필터링 등 표준 방식으로 처리되어야 합니다. R은 Limma 같은 패키지와 GeneCards, Cytoscape 같은 외부 도구를 사용하여 모든 분석을 수행했으며, 이를 통해 네트워크를 구축할 수 있었습니다. 파이프라인은 체계적인 분석을 기반으로 바이오마커 우선순위 지정을 가능하게 하지만, 데이터셋의 품질, 배치 효과, 실험 및 생체 내 검증의 부재로 인해 일반화 가능성에 영향을 미칠 수 있습니다.

프로토콜

이 프로토콜은 네트워크 독성학, 전사체학, 머신러닝, 분자 도킹을 활용하여 아세트아미노펜 유발 간 손상의 가능한 바이오마커를 정의하는 계산 방법을 제시합니다(그림 1). 이 프로토콜은 생물정보학 도구, 전사체 데이터셋, 분자 도킹 소프트웨어를 사용할 수 있는 연구자를 대상으로 합니다.

절차

1단계: 아세트아미노펜 표적 식별
PubChem에서 SMILES 표현 중 아세트아미노펜(APAP)을 검색하세요. 온라인 플랫폼(ChEMBL, SwissTargetPrediction, STITCH, SEA)을 사용하여 APAP의 분자 표적을 예측하세요. 예측된 표적을 통합하고 중복을 제거하여 140개의 고신뢰 APAP 표적 목록을 생성합니다.

2단계: 간독성 표적 식별
GeneCards 데이터베이스에서 간독성 관련 유전자를 검색하세요. 목록을 컴파일하고 중복 제거하여 중복되지 않은 657개의 간독성 관련 유전자 집합을 생성합니다. 벤 다이어그램을 사용하여 APAP 표적과 간독성 관련 유전자 간 중복 유전자를 식별합니다.

3단계: 전사체 데이터 전처리
GEO에서 GSE74000 데이터셋을 다운로드하세요. DESeq2를 사용하여 원시 발현 데이터를 전처리합니다: 저발현 유전자를 제거하고, 크기 인자를 사용해 정규화하며, 분산 안정화 변환(VST)을 적용합니다. Limma와 DESeq2를 사용하여 조정된 p-값 임추값 0.05와 |log₂FC|를 사용하여 차별식 분석을 수행< > 1.

4단계: 기능 풍부 분석
중복되는 유전자를 STRING에 업로드하여 유전자 온톨로지(GO), KEGG 경로, 조직 발현, 질병 상관관계 분석에 활용합니다. 버블 플롯과 히트맵을 사용하여 기능 풍부화 결과를 시각화하세요.

5단계: 특징 유전자 선택을 위한 머신러닝
무작위 숲 분류기(n_estimators=500, max_depth=10)를 적용하여 겹치는 APAP와 간독성 유전자에서 특징 유전자를 우선순위로 지정합니다. 아웃 오브 백(Out-of-Bag) 오류와 특징 중요도 점수를 사용하여 모델 성능을 평가합니다. 추가 분석을 위해 상위 20개의 특징 유전자를 선택하세요.

6단계: 분자 도킹
PubChem에서 APAP 구조(CID 1983)와 PDB에서 단백질 수용체(ESR1: PDB ID 1SJ0, PNP: PDB ID 1V2H)를 추출합니다. 리간드 및 수용체 파일을 준비: PDB 형식으로 변환하고, 극성 수소를 추가하며, 전하를 할당하고, PDBQT 파일로 저장합니다. AutoDock Tools에서 단백질의 활성 부위를 포함하는 도킹 그리드를 정의하세요. AutoDock Vina를 사용하여 분자 도킹을 수행하고, 전갈성을 8로 설정하여 결합 친화도와 상호작용을 분석합니다. PyMOL을 사용하여 결합 구조와 주요 상호작용을 분석하기 위해 도킹 결과를 시각화하세요.

7단계: 통계 분석
t-검정을 사용하여 통계적 유의성을 결정하고, Benjamini-Hochberg^{방법을 사용하여} 다중 비교에 대해 p-값을 조정합니다. 히트맵과 산점도를 사용하여 통계적으로 유의미한 연관성을 시각화하세요.

재료 및 방법

아세트아미노펜 표적 식별
APAP의 잠재적 분자 표적을 식별하기 위해, 먼저 PubChem 데이터베이스에서 SMILES 표현을 검색했습니다. 그 후 Chemical European Molecular Biology Laboratory(ChemBL)³², Swiss Target Prediction³³, Search Tool for the Interaction of Chemical and Targets(STITCH)³⁴, Similarity ensemble approach(SEA)³⁵ 등 여러 온라인 플랫폼을 사용하여 가능한 표적을 예측했습니다. 이 도구들의 결과를 통합한 후, 우리는 APAP의 고신뢰 목표 세트를 선정했습니다. 표 1은 본 연구에서 사용된 주요 유전자 범주를 정의하며, 데이터 분석 및 생물학적 해석에서 이들의 역할을 명확히 합니다. 이 용어들의 일관된 사용은 결과를 명확히 전달할 수 있도록 보장합니다.

간 독성 표적 식별
잠재적 간독성 관련 유전자는 GeneCards 데이터베이스에서 검색되었습니다. 모든 확인된 유전자를 집계하고, 중복 유전자를 제거했으며, 중복되지 않은 목록을 생성하여 후속 분석을 수행하였습니다. GSE74000 데이터셋은 2024년 3월 15일 GEO 저장소에서 다운로드되었습니다. 원시 표현 데이터는 limma 패키지(분위수 정규화)를 사용해 처리 및 정규화되었습니다. 미차표현 분석은 경험적 베이즈 수축을 이용한 선형 모델링을 사용하여 수행되었습니다. 유전자 만남 조정 p-값 < 0.05 (벤자미니-호흐버그 FDR) 및 |log₂FC| > 1개는 중요하다고 여겨졌습니다. DEG의 시각화는 ggplot2로 생성된 화산 플롯과 히트맵을 사용하여 수행되었습니다.

데이터 전처리
원시 카운트 데이터는 DESeq2를 사용하여 사전 처리되었습니다. 저발현 유전자는 최소 70% 이상의 샘플에서 CPM >1의 검출 임계치를 사용하여 제거하였습니다. 라이브러리 크기 정규화는 DESeq2 크기 인자를 사용하여 수행되었으며, 이는 식(1)에 정의됨:

(1)

여기서 중앙값 비율 크기 인자는 s_j로 표기됩니다. 평균-분산 관계를 안정화하기 위해 방정식 (2)에서 분산 안정화 변환(VST)이 사용되었습니다:

(2)

DEG는 벤자미니-호흐버그 보정을 적용한 Wald 검정을 사용하여 식별되었으며, (3)식에 사용된 유전자는 다음과 같이 유의미하다고 간주되었습니다:

(3)

DESeq2에서 유도된 DEG 집합은 식(4)으로 정의되었습니다:

(4)

이 집합(X)은 Limma Trend(Y) 및 Limma Voom(Z)과 함께 합의 전략에 사용되었습니다.

PPI 네트워크 구축
APAP와 간독성 표적 간의 공통 유전자를 식별하기 위해 벤 다이어그램을 사용하였습니다. 겹치는 유전자들은 상호작용 유전자/단백질 검색 도구(STRING) 데이터베이스에 업로드되어 PPI 네트워크를 구축했습니다.

다차원 기능 풍부 분석
우리는 먼저 STRING 웹사이트를 통해 유전자 온톨로지(GO), 교토 유전자 및 게놈 백과사전(KEGG), 조직 발현 및 APAP과 간독성의 중복 유전자에 대한 질병 관련 기능 분석을 수행했습니다. 다음으로, Sendo Academic Tools를 사용하여 간독성에 대한 차별 유전자의 GO, KEGG, 유전자 집합 풍부화 분석(GSEA)(REACTOME) 농축 분석을 수행하였습니다.

무작위 숲 분석
우리는 APAP 유도 간독성 전사체 데이터에서 겹치는 APAP와 간독성 유전자에서 상위 20개의 특징 유전자를 머신링을 적용하여 식별하였습니다. 랜덤 포레스트 분류기가 구현되었으며, 500 나무(n_estimators=500), 최대 나무 깊이 10(max_depth=10), 노드 분할에 최소 2개 샘플(min_samples_split=2), 그리고 Gini 불순물 기준(criterion='gini')³⁶. 모델의 성능은 아웃 오브 백(Out-of-Bag, OOB) 오차를 사용하여 평가되었으며, 0에 가까울수록 예측 정확도가 높음을 나타냅니다. 특징 중요도 점수는 랜덤 포레스트 분석을 기반으로 계산 및 시각화하여 각 유전자의 기여도를 순위 매기도록 했습니다.

(5)

N은 총 샘플 수, y_i는 1(·)은 지시 함수, 조건이 참일 때는 1, 그렇지 않으면 0; 는 III가 훈련에 포함되지 않은 트리만을 사용하여 예측된 표본 III의 라벨이었습니다.

특징 유전자의 차별 발현
전사체 데이터 내 특징 유전자의 발현 차이는 바이올린 플롯을 사용하여 시각화하였다. 통계적으로 유의한 차이를 보이는 바이오마커들은 APAP 유발 간독성의 잠재적 새로운 바이오마커로 확인되어 추가 연구를 수행하였습니다.

분자 도킹
소분자 화합물(CID 1983)은 PubChem 데이터베이스에서 검색되었고, 단백질 수용체 ESR1과 PNP(PDB ID 1SJ0 및 1V2H)는 단백질 데이터 뱅크에서 다운로드되었습니다. 리간드 구조는 OpenBabel을 사용해 PDB 형식으로 변환되었고, 극성 수소를 추가하고 가스테이거 전하를 할당하며 회전 가능한 결합을 정의하고 PDBQT 형식으로 저장하여 AutoDock Tools에서 사전 처리되었습니다. 단백질 수용체는 PyMOL을 사용하여 물 분자와 공동결정 리간드를 제거하고, 극성 수소를 첨가하고 AutoDock 도구를 이용해 콜만 전하를 할당하여 PDBQT 파일로 저장했습니다.

분자 도킹에서는 AutoDock 소프트웨어를 사용하여 단백질³⁷의 활성 부위를 덮는 도킹 그리드를 정의했습니다. 격자 박스는 좌표 (x = XX·XX, y = YY· YY,z = ZZ· ZZ는 40 × 40 × 40 Å 크기와 0.375 Å의 격자 간격을 가졌으며, 이는 제본용 포켓을 완전히 덮을 수 있도록 보장합니다. AutoDock Vina를 사용해 리간드-단백질 결합 모드와 결합 친화도를 계산했으며, 전복성 매개변수를 8로 설정하고 각 리간드별로 상위 9개의 결합 포즈를 생성했습니다.

도킹 프로토콜 검증은 공동결정화된 리간드를 활성 부위에 다시 도킹하여 RMSD 값 < 2.0 Å를 얻어 도킹 절차의 신뢰성을 확인했습니다. 도킹 결과는 PyMOL을 사용해 결합 구조와 주요 상호작용, 수소 결합을 분석하기 위해 시각화되었습니다.

도킹 시뮬레이션 결과 화합물 X는 단백질 Y의 결합 부위에 맞춰져 잠재적 수소 결합과 소수성 접촉을 형성하며, 예상 결합 에너지는 -8.5 kcal/mol로 예측되었습니다.

문제 해결 및 잠재적 수정
제안된 워크플로우의 견고성과 재현성을 높이기 위해 여러 가지 문제 해결 사항과 잠재적 수정 사항을 기록해야 합니다. 예상치 못하게 낮은 수의 차별 발현 유전자(DEGs)가 확인되면, 사용자는 정규화 절차를 검증하고, 정확한 그룹 라벨링을 확인하며, |log2 중의 변화를 조정하는 것을 권장합니다. 적절한 오발견률(FDR) 통제를 유지하면서 임계값을 측정합니다. 반대로 DEG가 과도하게 얻을 경우, 차별 발현 분석 전에 더 엄격한 FDR 컷오프를 적용하거나 분산이 낮은 유전자를 필터링하는 것이 특이성을 향상시킬 수 있습니다.

배치 효과는 주성분 분석(PCA)과 같은 탐색적 분석에서 군집 패턴에 영향을 줄 수 있습니다. 샘플이 주로 생물학적 상태가 아닌 배치별로 집결된다면, 배치 보정 방법(예: ComBat과 같은 경험적 베이즈 접근법)을 적용하고, 샘플 메타데이터를 일관성을 위해 신중하게 재평가해야 합니다.

무작위 숲 기반 특징 선택의 경우, 높은 아웃 오브 백(Out-of-Bag) 오류율이나 불안정한 특징 순위는 모델 구성이 최적이 아닐 수 있음을 나타낼 수 있습니다. 이런 경우에는 트리 수를 늘리거나, mtry 매개변수를 조정하거나, 합의된 특징 선택을 통한 반복 모델 실행을 수행하는 것이 모델 안정성과 예측 신뢰도를 높일 수 있습니다. 또한, 교차 검증 전략을 사용하여 모델의 견고성을 더욱 평가할 수 있습니다.

신뢰성을 높이기 위해 사용자는 선택적으로 대체 DEG 임계값이나 머신러닝 매개변수 설정을 사용해 분석을 반복하고, 식별된 특징 유전자의 일관성을 비교할 수 있습니다. 이러한 민감도 분석은 주요 발견이 특정 매개변수 선택에 의해 좌우되지 않도록 보장하고, 유사한 전사체 데이터셋 간 워크플로우의 재현성을 지원합니다.

통계 분석
통계적 유의성은 t-검정을 사용하여 산출되었으며, 비교를 위해 p-값이 보고되었습니다. 유전자 발현 수준과 간독성 관련 표현형 간의 통계적 상관관계는 데이터 정규성에 따라 Pearson 및 Spearman 상관계수를 사용하여 평가하였다. P-값은 벤자미니-호흐버그 방식을 사용하여 다중 비교를 위해 조정되었습니다. 히트맵과 산점도를 통해 유의미한 연관성을 시각화하여 전사체 관계의 견고한 평가를 제공하였습니다.

결과

APAP와 간독성에 대한 중복 유전자의 식별 및 그 기능 분석
APAP의 잠재적 분자 표적을 규명하고 그 생물학적 역할을 조사하기 위해 ChEMBL, SwissTargetPrediction, STITCH, SEA 네 가지 계산 도구를 사용하여 예측이 생성되었습니다. 중복 항목 제거와 중복 결과의 통합을 거쳐, 중복되지 않은 140개의 후보 대상 목록이 작성되었습니다. 추가로, GeneCards 데이터베이스에서 657개의 간독성 관련 유전자가 추출되었습니다. 140개의 APAP 표적을 657개의 간독성 유전자와 교차시켜 38개의 중복 유전자를 확인했습니다(그림 2A). 38개의 중복 유전자에는 ESR1과 PNP가 포함되었으며, 이들은 가장 유의미한 차별 발현(조정 p < 0.05, |log₂FC| > 1)을 보였으며, 추가 분석을 위해 우선순위가 지정되었습니다(표 2). 그 후 STRING을 사용하여 ...

토론

APAP는 자주 처방되는 진통제 및 해열제이며; 그러나 과도한 섭취는 심각한 간 독성을 초래할 수 있으며, 때로는 급성 간부전으로 이어질 수 있습니다³⁸. APAP 유발 간 손상의 병태생리학적 기전이 밝혀지고 있음에도 불구하고, 정확한 진단, 예후, 기전 조사를 위한 신뢰할 수 있는 바이오마커는 여전히 부족합니다. 따라서 APAP 유발 간독성을 더 연구할 잠재적 새로운 바이오마커와 접근법을 시급히 규명할 필요가 있습니다. 본 연구에서는 네트워크 독성학과 전사체학을 결합하여 APAP 유도 간 독성의 기저를 탐구하고, 두 가지 잠재적 새로운 바이오마커인 ESR1과 PNP를 확인하였습니다. 이 발견들은 APAP 유발 간 독성 기전과 잠재적 치료 표적에 대한 새로운 통찰을 제공합니다.

연구의 초기 단계에서는 약물 표적 예측 및 화학 물질의 생리활성 분석에 널리 사용되는 ChemBL 3...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
Databases & 웹 서버
스트링	https://cn.string-db.org/		PPI 네트워크 구축; 기능 풍부화
센도 학술 도구	https://www.xiantaozi.com/		고, 케그, 그리고 GSEA 농축 분석
퍼블켐	https://pubchem.ncbi.nlm.nih.gov/		화학 구조물 추출(APAP)
유전자 카드	https://www.genecards.org/		간독성 관련 유전자 추출
지오 데이터베이스	https://www.ncbi.nlm.nih.gov/geo/		전사체 데이터셋 검색(GSE74000)
ChEMBL	https://www.ebi.ac.uk/chembl/		목표 예측
스위스타겟 예측	http://www.swisstargetprediction.ch/		목표 예측
스티치	http://stitch.embl.de/		상호작용 예측
SEA	http://sea.bkslab.org/		목표 예측을 위한 유사성 앙상블 접근법
단백질 데이터 뱅크(PDB)	https://www.rcsb.org/		단백질 구조 추출 (ESR1, PNP)
Software
R (버전 4.x.x)	https://www.r-project.org/		통계 분석 및 데이터 처리
AutoDock 도구 / 비나	http://autodock.scripps.edu/		분자 도킹 준비 및 시뮬레이션
파이몰	https://pymol.org/		분자 구조의 시각화
사이토스케이프	https://cytoscape.org/		네트워크 시각화