Onderzoeksartikel

Computationele identificatie van purinenucleosidefosforylase en oestrogeenreceptor 1 als biomarkers van door paracetamol veroorzaakte leverbeschadiging

DOI:

10.3791/69887

⸱

6 februari 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

In dit artikel

Samenvatting

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

We analyseren computergenootschappen netwerktoxicologie en transcriptomische gegevens om biomarkers van door paracetamol veroorzaakte leverschade te identificeren, waarbij oestrogeenreceptor 1 en purinenucleosidefosforylase als diagnostische doelwitten worden onthuld.

Samenvatting

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

Door paracetamol veroorzaakte leverbeschadiging is een aanzienlijk probleem voor de volksgezondheid, maar betrouwbare vroege biomarkers ontbreken. Deze studie had als doel kandidaat-biomarkers voor door paracetamol geïnduceerde hepatotoxiciteit te identificeren met behulp van een computationele benadering die netwerktoxicologie, transcriptomics en machine learning integreert. Potentiële paracetamoldoelen werden voorspeld via online platforms, wat resulteerde in 140 kandidaten. Genen gerelateerd aan hepatotoxiciteit (n = 657) werden gehaald van GeneCards en 38 overlappende genen werden geïdentificeerd. Differentieel tot expressie gebrachte genen uit de GSE74000 dataset (n = 1.978) werden geanalyseerd. Functionele verrijking werd uitgevoerd om relevante paden te identificeren. Een random forest-model gaf prioriteit aan 20 featuregenen, en moleculaire koppeling evalueerde bindingsaffiniteiten met paracetamol. DEG's werden voornamelijk geassocieerd met mitochondriale disfunctie en ribosoombiogenese. Functionele verrijking benadrukte de xenobiotische stofwisseling en oxidatieve stressroutes. Oestrogeenreceptor 1 en purinenucleosidefosforylase waren top-gerangschikte feature-genen, met significante expressieverschillen en sterke koppelingsinteracties met paracetamol. Dit computationele protocol voorspelt systematisch kandidaat-biomarkers voor door paracetamol veroorzaakte leverbeschadiging, wat moleculaire inzichten en kandidaten voor experimentele validatie biedt.

Inleiding

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

Paracetamol (APAP) is een veelvuldig toegediend koortsdempend middel en pijnstiller, maar overmatige inname kan leiden tot ernstige hepatotoxiciteit en mogelijk leverfalen 1,2. De schade aan de lever wordt verwacht zodra het geneesmiddel is gemetaboliseerd, en het daaropvolgende toxische metaboliet is N-acetyl-p-benzochinon-imine (NAPQI), wat resulteert in mitochondriale oxidatieve stress, veranderde mitochondriale ademhaling en de mitochondriale permeabiliteitsovergang, wat uiteindelijk leidt tot necrotische, in plaats van apoptotische, hepatocytdood 3,4. APAP-overdosis blijft in veel landen de belangrijkste oorzaak van acuut leverfalen (ALF). Epidemiologische gegevens tonen aan dat APAP-toxiciteit bijna 50% van de ALF-gevallen in de Verenigde Staten uitmaakt en jaarlijks verantwoordelijk is voor duizenden spoedopnames. Vergelijkbare trends zijn wereldwijd gerapporteerd, waarbij APAP-geassocieerde hepatotoxiciteit een groot deel uitmaakt van de door medicijnen veroorzaakte leverbeschadiging (DILI) gevallen 5,6. De hoge morbiditeit, het risico op levertransplantatie en de aanzienlijke zorglast onderstrepen de dringende behoefte aan verbeterde diagnostische biomarkers en een mechanistisch begrip van door APAP veroorzaakte leverschade. Specifiek wordt APAP opgenomen en voornamelijk gemetaboliseerd in de lever door glucuronidatie en sulfatering, waarbij wateroplosbare conjugaten ontstaan die via de urine worden uitgescheiden. Een kleine fractie (10-15%) ondergaat Cytochroom P450 (CYP450)-gemedieerde hydroxylatie (via enzymen zoals CYP1A2, CYP2E1 en CYP3A4) om het reactieve intermediair NAPQI te produceren, dat bindt aan glutathion en wordt uitgescheiden via gal 7,8. Door de beperkte capaciteit van glucuroniderings- en sulfateringsroutes leidt een overmatige dosering tot een verhoogde NAPQI-vorming, terwijl tegelijkertijd de leverglutathionreserves9 worden uitgeput. Zodra glutathion tot kritieke niveaus is uitgeput, begint NAPQI covalent te binden aan cellulaire macromoleculen, waardoor hepatocyten10 beschadigd raken. De toxiciteit gerelateerd aan een overdosis van APAP neemt toe, met naar schatting jaarlijks 50.000-80.000 spoedeisende hulpbezoeken alleen al in de Verenigde Staten,namelijk 11. Aangezien oxidatieve stress en mitochondriale disfunctie centraal staan bij door APAP veroorzaakte hepatotoxiciteit, kan dysregulatie van ESR1 indirect invloed hebben op de overleving van hepatocyten en ontstekingsreacties tijdens APAP-letsel. APAP-toxiciteit veroorzaakt metabole stress en ontstekingsactivatie in hepatocyten. Veranderingen in PNP-expressie kunnen een veranderde nucleotidemetabolisme en immuungerelateerde responsen tijdens door APAP veroorzaakte leverschade weerspiegelen.

Vroege rapporten over door APAP veroorzaakte hepatotoxiciteit richtten zich voornamelijk op klinische symptomen en pathologische veranderingen in de lever en nieren, wat de basis vormde voor latere studies naar de mechanismen van celdood en ontsteking bij APAP-toxiciteit12,13. Een belangrijke doorbraak was de identificatie van serumaminotransferasen (bijv. ALT en AST) als biomarkers voor leverletsel. Met de komst van celkweekmodellen en bio-informatica-instrumenten is het huidige onderzoek naar APAP-hepatotoxiciteit uitgebreid naar diagnostische, prognostische en mechanistische biomarkers 14,15,16. Het verkrijgen van voldoende serum- of plasmamonsters van APAP-overdosispatiënten, vooral niet-overlevenden, blijft echter een uitdaging17. Daarom is er een dringende behoefte om nieuwe diagnostische, prognostische en mechanistische biomarkers te onderzoeken met nieuwe benaderingen om APAP-geïnduceerde hepatotoxiciteit beter te bestuderen.

Netwerktoxicologie is een opkomend vakgebied dat netwerkmodellen opbouwt om toxicologische gegevens uit verbindingdatabases te analyseren18,19. Het helpt om stoftoxiciteit te karakteriseren, mechanismen te onthullen en belangrijke doelen te voorspellen20,21. Momenteel wordt netwerktoxicologie algemeen erkend als een waardevol instrument in wetenschappelijk onderzoek. Zo integreerde Tengjiao Qu et al. netwerktoxicologie met transcriptomics om nieuwe neurotoxische mechanismen van 2,2',4,4'-tetrabromodiphenylether (een veelvoorkomend vlamvertrager) en de potentiële biomarkersdaarvan te identificeren. Recente studies benadrukken ook het belang van deze aanpak bij het beoordelen van de toxiciteit van natuurlijke producten23. Dit innovatieve onderzoeksparadigma moet echter nog worden toegepast om de mogelijke mechanismen van door APAP veroorzaakte hepatotoxiciteit te onderzoeken en nieuwe biomarkers te identificeren die met de toxiciteit geassocieerd zijn.

IntelliGenes werd ontwikkeld als een machine learning-pijplijn voor de ontdekking van multi-genomische biomarkers24. Het integreert statistische methoden met geavanceerde ML om I-Gene scores te berekenen en individuele biomarkerprofielen te creëren. De resultaten tonen een verbeterde nauwkeurigheid in het voorspellen van complexe eigenschappen en het mogelijk maken van gepersonaliseerde inzichten over ziekten. Beperkingen zijn onder andere afhankelijkheid van datakwaliteit, beperkte validatie over diverse populaties en de noodzaak van bredere klinische tests.

Het hoogtepunt is dat de huidige biomarkers van het pancreasductaal adenocarcinoom (PDAC) onvoldoende zijn, en dat patiëntafgeleide organoïden (PDO's) worden voorgesteld als functionele platforms voor biomarkerontwikkeling25. Het evalueert PDO-gebaseerde geneesmiddelfenotypering, chemoresistentiemodellering, co-kweeksystemen en proteomisch/metabolomisch profileren. Bevindingen tonen aan dat PDO's therapie-relevante biologie beter vastleggen, maar beperkingen zijn onder meer technische variabiliteit, beperkte replicatie in micro-omgevingen, lange kweektijden en uitdagingen bij routinematige klinische integratie26,27.

Het doel van de studie was het beoordelen van analytische proteomische methoden en de rol van bio-informatica bij de identificatie van biomarkers28. Het evalueerde hoe computationele tools hielpen bij de interpretatie van gegevens en onderzocht MS-gebaseerde eiwitanalysetechnieken. De resultaten toonden verbeterde biomarkerontdekking en nieuwe behandeldoelen aan, maar maakten ook duidelijk dat het identificeren van zeer laag-abundantie eiwitten een uitdaging bleef en daarmee de gevoeligheid van bestaande proteomtechnieken verminderde. Hoewel verschillende diagnostische, mechanistische en prognostische biomarkers voor door APAP veroorzaakte hepatotoxiciteit goed zijn vastgesteld, weerspiegelen deze markers voornamelijk hepatocellulaire schade of mitochondriale disfunctie nadat toxiciteit is opgetreden29,30. Daarentegen was de huidige studie bedoeld om transcriptomische regulatoren te identificeren die de vatbaarheid of gastheerrespons op APAP-blootstelling kunnen moduleren. ESR1 en PNP werden daarom onderzocht als verkennende regulerende markers in plaats van klassieke diagnostische biomarkers.

Om de beperkingen van de huidige methodologieën aan te pakken – specifiek de cultuurvariabiliteit van PDO's en de gevoeligheidsproblemen van proteomica – maakt deze studie gebruik van een geïntegreerd computationeel kader bestaande uit netwerktoxicologie, transcriptomics, machine learning en moleculaire docking. Deze meerlaagse strategie omzeilt de noodzaak van grote cohorten of complexe experimentele systemen door gebruik te maken van computationele voorspelling en multi-omic kruisvalidatie. De reden voor deze combinatorische aanpak is dat elke techniek de andere versterkt om valse positieven te minimaliseren: netwerktoxicologie levert eerst een systeemniveau-voorspelling van APAP-gerelateerde doelen en toxische paden; Transcriptomische analyse valideert vervolgens welke van deze voorspelde genen daadwerkelijk ontregeld zijn tijdens hepatotoxiciteit; machine learning-algoritmen geven vervolgens prioriteit aan de meest informatieve kandidaat-biomarkers uit deze hoog-vertrouwenspool; en tenslotte biedt moleculaire koppeling mechanistische ondersteuning door de haalbaarheid van directe interacties tussen APAP en de geïdentificeerde eiwitdoelen te bevestigen.

Samen vormen deze stappen een coherente, op bewijs gebaseerde pijplijn voor biomarkervoorspelling. Deze combinatie van deze vier strategieën minimaliseert vals-positieve voorspellingen en vergroot het vertrouwen in het vinden van ESR1 en PNP als sterke doelwitten bij door APAP veroorzaakte hepatotoxiciteit. In dit onderzoek zou het noodzakelijk zijn om GSE74000 genexpressiedatasets te hebben die een goede statistische kracht hebben, ten minste drie biologische replica's van elke aandoening met volledige metadata. De ruwe expressiebestanden zouden op een standaardmanier verwerkt moeten worden, wat bestaat uit achtergrondcorrectie, normalisatie (quantielnormalisatie, enz.) en het filteren van laag-expressieve genen. R werd gebruikt om alle analyses uit te voeren met pakketten zoals limma en externe tools zoals GeneCards en Cytoscape, waarmee een netwerk kon worden gebouwd. Hoewel de pijplijn de prioritering van biomarkers faciliteert op basis van systematische analyse, worden de resultaten beperkt door de kwaliteit van de dataset, batch-effecten en het ontbreken van experimentele en in vivo validatie, wat de generaliseerbaarheid kan beïnvloeden.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

Dit protocol beschrijft een computationele methode om de mogelijke biomarkers van door paracetamolen veroorzaakte leverschade te definiëren, waarbij gebruikgemaakt wordt van netwerktoxicologie, transcriptomics, machine learning en moleculaire koppeling (Figuur 1). Het protocol is gericht op onderzoekers die toegang hebben tot bio-informaticatools, transcriptomische datasets en moleculaire dockingsoftware.

Procedure

Stap 1: Identificatie van paracetamoldoelen
Haal de SMILS-representatie van paracetamol (APAP) op van PubChem. Gebruik online platforms (ChEMBL, SwissTargetPrediction, STITCH, SEA) om potentiële moleculaire doelen van APAP te voorspellen. Integreer en dedupliceer de voorspelde doelen om een lijst te genereren van 140 APAP-doelen met hoge betrouwbaarheid.

Stap 2: Identificatie van Hepatotoxiciteitsdoelen
Haal hepatotoxiciteitsgerelateerde genen op uit de GeneCards-database. Verzamel en dedupliceer de lijst om een niet-redundante set van 657 genen gerelateerd aan hepatotoxiciteit te genereren. Identificeer overlappende genen tussen APAP-doelen en levertoxiciteitsgerelateerde genen met behulp van een Venn-diagram.

Stap 3: Transcriptomische gegevensvoorverwerking
Download de GSE74000 dataset van GEO. Preverwerk ruwe expressiegegevens met DESeq2: verwijder genen met lage expressie, normaliseer met groottefactoren en pas variantie-stabiliserende transformatie (VST) toe. Voer differentiële expressieanalyse uit met Limma en DESeq2, met drempels van aangepaste p-waarde < 0,05 en |log2FC| > 1.

Stap 4: Functionele Verrijkingsanalyse
Upload overlappende genen naar STRING voor genontologie (GO), KEGG-route, weefselexpressie en ziektecorrelatie-analyses. Visualiseer functionele verrijkingsresultaten met behulp van bubbeldiagrammen en heatmaps.

Stap 5: Machine Learning voor de selectie van kenmerkgenen
Pas een Random Forest-classifier toe (n_estimators=500, max_depth=10) om feature-genen van overlappende APAP- en hepatotoxiciteitsgenen te prioriteren. Evalueer de modelprestaties met behulp van Out-of-Bag (OOB) fout- en feature-importance scores. Selecteer de top 20 kenmerkgenen voor verdere analyse.

Stap 6: Moleculaire koppeling
APAP-structuur (CID 1983) uit PubChem en eiwitreceptoren (ESR1: PDB ID 1SJ0, PNP: PDB ID 1V2H) uit PDB. Bereid ligand- en receptorbestanden voor: converteer naar PDB-formaat, voeg polaire waterstoffen toe, ken ladingen toe en sla op als PDBQT-bestanden. Definieer het dockingrooster in AutoDock Tools, dat de actieve site van het eiwit bedekt. Voer moleculaire docking uit met AutoDock Vina, met exhaustiviteit ingesteld op 8, en analyseer bindingsaffiniteiten en interacties. Visualiseer dockingresultaten met PyMOL om bindingsconformaties en sleutelinteracties te analyseren.

Stap 7: Statistische Analyse
Bepaal de statistische significantie met t-tests en pas p-waarden aan voor meervoudige vergelijkingen met de Benjamini-Hochberg-methode31. Visualiseer statistisch significante associaties met behulp van heatmaps en scatterplots.

Materialen en Methoden

Identificatie van paracetamoldoelen
Om potentiële moleculaire doelen van APAP te identificeren, haalden we eerst de SMILS-representatie op uit de PubChem-database. Vervolgens gebruikten we verschillende online platforms, waaronder het Chemical European Molecular Biology Laboratory (ChemBL)32, Swiss Target Prediction33, Search Tool for the Interaction of Chemicals and Targets (STITCH)34, en Similarity ensemble approach (SEA)35, om mogelijke doelwitten te voorspellen. Na het integreren van de resultaten van deze tools selecteerden we een set high-confidence targets voor APAP. Tabel 1 definieert de belangrijkste gencategorieën die in deze studie zijn gebruikt, en verduidelijkt hun rol in data-analyse en biologische interpretatie. Het consistente gebruik van deze termen zorgt voor duidelijke communicatie van onze resultaten.

Identificatie van hepatotoxiciteitsdoelen
Potentiële genen geassocieerd met hepatotoxiciteit werden opgehaald uit de GeneCards-database. Alle geïdentificeerde genen werden gecompileerd, duplicaten verwijderd en er werd een niet-redundante lijst opgesteld voor latere analyses. De GSE74000 dataset werd op 15 maart 2024 gedownload uit de GEO-repository. Ruwe expressiegegevens werden verwerkt en genormaliseerd met behulp van het limma-pakket (quantielnormalisatie). Differentiële expressieanalyse werd uitgevoerd met lineaire modellering en empirische Bayes-krimp. Genen die een aangepaste p-waarde < 0,05 (Benjamini-Hochberg FDR) en |log₂FC| > 1 werden als significant beschouwd. Visualisatie van DEG's werd uitgevoerd met behulp van vulkaangrafieken en heatmaps die met ggplot2 waren gegenereerd.

Datavoorverwerking
Ruwe telgegevens werden vooraf verwerkt met DESeq2. Genen met lage expressie werden verwijderd met een detectiedrempel van CPM >1 in ten minste 70% van de monsters. Bibliotheekgrootte-normalisatie werd uitgevoerd met behulp van DESeq2-groottefactoren, zoals gedefinieerd in vergelijking (1):

Vergelijking 1(1)

Waarbij de mediane verhouding groottefactor wordt aangeduid met sj. Om gemiddelde-variantierelaties te stabiliseren, werd een variantie-stabiliserende transformatie (VST) gebruikt in vergelijking (2):

Vergelijking 2(2)

DEG's werden geïdentificeerd met behulp van de Wald-test en Benjamini-Hochberg-correctie, waarbij genen als significant werden beschouwd als ze in vergelijking (3) worden gebruikt:

Vergelijking 3(3)

De DESeq2-afgeleide DEG-verzameling werd gedefinieerd als vergelijking (4):

Vergelijking 4(4)

Deze set (X) werd gebruikt in de consensusstrategie samen met Limma Trend (Y) en Limma Voom (Z).

PPI-netwerkconstructie
Venn-diagrammen werden gebruikt om gemeenschappelijke genen te identificeren tussen APAP- en hepatotoxiciteitsdoelen. De overlappende genen werden vervolgens geüpload naar de Search Tool for the Retrieval of Interacting Genes/Proteins (STRING) database om PPI-netwerken te construeren.

Multidimensionale functionele verrijkingsanalyse
We voerden eerst Gene Ontology (GO), Kyoto Encyclopedia of Genes and Genomes (KEGG), weefselexpressie en ziektegerelateerde functionele analyses uit van overlappende genen voor APAP en hepatotoxiciteit via de STRING-website. Vervolgens voerden we GO, KEGG en Gene Set Enrichment Analysis (GSEA) (REACTOME) verrijkingsanalyses uit van de differentiële genen voor hepatotoxiciteit met behulp van Sendo Academic Tools.

Random bosanalyse
We hebben machine learning toegepast om de top 20 feature-genen te identificeren uit de overlappende APAP- en hepatotoxiciteitsgenen in de APAP-geïnduceerde hepatotoxiciteitstranscriptomgegevens. Er werd een Random Forest-classifier geïmplementeerd, met 500 bomen (n_estimators=500), een maximale boomdiepte van 10 (max_depth=10), minimaal 2 monsters nodig om een knoop te splitsen (min_samples_split=2), en het Gini-onzuiverheidscriterium (criterium='gini')36. De prestaties van het model werden geëvalueerd met behulp van de Out-of-Bag (OOB) fout, waarbij een waarde dicht bij 0 een hogere voorspellende nauwkeurigheid aangeeft. Feature-belangrijkheidsscores werden berekend en gevisualiseerd op basis van de Random Forest-analyse om de bijdrage van elk gen te rangschikken, zoals in vergelijking (5).

Vergelijking 5(5)

N was het totale aantal steekproeven, yi was de 1(·) was een indicatorfunctie, 1 als de voorwaarde waar was en 0 anders; Vergelijking 6 was het voorspelde label van monster III met alleen bomen waarbij III niet in de training werd opgenomen.

Differentiële expressie van gekarakteriseerde genen
De expressieverschillen van kenmerkgenen in de transcriptomische data werden weergegeven met behulp van vioolplots. Biomarkers die statistisch significante verschillen vertoonden, werden geïdentificeerd als potentiële nieuwe biomarkers van door APAP geïnduceerde hepatotoxiciteit voor verder onderzoek.

Moleculaire koppeling
Kleine moleculaire verbindingen (CID 1983) werden opgehaald uit de PubChem-database, en eiwitreceptoren ESR1 en PNP (PDB ID's 1SJ0 en 1V2H) werden gedownload uit de Protein Data Bank. Ligandstructuren werden omgezet naar PDB-formaat met OpenBabel en voorbewerkt in AutoDock Tools door polaire waterstoffen toe te voegen, Gasteiger-ladingen toe te wijzen, roteerbare bindingen te definiëren en op te slaan in PDBQT-formaat. Eiwitreceptoren werden voorbereid met PyMOL door watermoleculen en co-gekristalliseerde liganden te verwijderen, gevolgd door de toevoeging van polaire waterstoffen en het toewijzen van Kollman-ladingen met AutoDock Tools, en opgeslagen als PDBQT-bestanden.

Bij moleculaire docking werd AutoDock-software gebruikt om het dockingrooster te definiëren dat de actieve plaats van eiwit37 bedekte. Het rastervak was gecentreerd op coördinaten (x = XX·XX, y = YY· YY,z = ZZ· ZZ) met afmetingen van 40 × 40 × 40 Å en een rasterafstand van 0,375 Å, waardoor volledige dekking van de bindingspocket wordt gegarandeerd. AutoDock Vina werd gebruikt om ligand-eiwitbindingsmodi en bindingsaffiniteiten te berekenen, waarbij de exhaustiviteitsparameter op 8 werd gezet, en de top negen bindingsposities werden voor elke ligand gegenereerd.

Validatie van het koppelingsprotocol werd uitgevoerd door het co-gekristalliseerde ligand opnieuw aan te koppelen in de actieve locatie, wat een RMSD-waarde van < 2,0 Å opleverde, wat de betrouwbaarheid van de koppelprocedure bevestigde. De koppelingsresultaten werden gevisualiseerd met PyMOL om bindingsconformaties en belangrijke interacties, waaronder waterstofbruggen, te analyseren.

Koppelingssimulaties voorspelden dat verbinding X past in de bindingsplaats van eiwit Y, waarbij potentiële waterstofbruggen en hydrofobe contacten ontstaan, met een voorspelde bindingsenergie van -8,5 kcal/mol.

Probleemoplossing en mogelijke aanpassingen
Om de robuustheid en reproduceerbaarheid van de voorgestelde workflow te verbeteren, moeten verschillende overwegingen voor probleemoplossing en mogelijke aanpassingen worden opgemerkt. Als een onverwacht laag aantal differentieel expressieve genen (DEGs) wordt geïdentificeerd, wordt gebruikers geadviseerd de normalisatieprocedure te verifiëren, nauwkeurige groepslabeling te controleren en de |log2-voudige verandering aan te passen| drempel, terwijl een passende false discovery rate (FDR) controle behouden blijft. Omgekeerd, als een overmatig aantal DEG's wordt verkregen, kan het toepassen van strengere FDR-cutoffs of het filteren van genen met lage variantie vóór differentiële expressieanalyse de specificiteit verbeteren.

Batcheffecten kunnen clusteringpatronen beïnvloeden in verkennende analyses zoals principal component analysis (PCA). Als monsters voornamelijk clusteren op batch in plaats van biologische conditie, moeten batchcorrectiemethoden (bijvoorbeeld empirische Bayes-benaderingen zoals ComBat) worden toegepast, en moeten monstermetadata zorgvuldig worden herzien op consistentie.

Voor de op Random Forest-gebaseerde featureselectie kunnen hoge Out-of-Bag (OOB) foutpercentages of onstabiele feature-ranglijsten wijzen op suboptimale modelconfiguratie. In dergelijke gevallen kan het verhogen van het aantal bomen, het afstellen van de meetparameter of het uitvoeren van herhaalde modelruns met consensus-featureselectie de modelstabiliteit en voorspellende betrouwbaarheid verbeteren. Daarnaast kunnen kruisvalidatiestrategieën worden gebruikt om de robuustheid van het model verder te beoordelen.

Om de betrouwbaarheid te versterken, kunnen gebruikers de analyse optioneel herhalen met alternatieve DEG-drempels of machine learning-parameterinstellingen en de consistentie van geïdentificeerde feature-genen vergelijken. Dergelijke gevoeligheidsanalyses helpen ervoor te zorgen dat de belangrijkste bevindingen niet worden bepaald door specifieke parameterkeuzes en ondersteunen de reproduceerbaarheid van de workflow over vergelijkbare transcriptomische datasets.

Statistische analyses
De statistische significantie werd bepaald met een t-test, waarbij p-waarden werden gerapporteerd ter vergelijking. Statistische correlaties tussen genexpressieniveaus en levertoxiciteitsgerelateerde fenotypes werden beoordeeld met behulp van Pearson- en Spearman-correlatiecoëfficiënten, afhankelijk van de datanormaliteit. P-waarden werden aangepast voor meervoudige vergelijkingen met behulp van de Benjamini-Hochberg-methode. Significante associaties werden weergegeven met heatmaps en scatterplots, wat een robuuste evaluatie van transcriptomische relaties bood.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Identificatie van overlappende genen voor APAP en hepatotoxiciteit en hun functionele analyse
Om potentiële moleculaire doelen van APAP te bepalen en hun biologische rol te onderzoeken, werden voorspellingen gegenereerd met vier computationele tools: ChEMBL, SwissTargetPrediction, STITCH en SEA. Na het verwijderen van dubbele vermeldingen en de integratie van overlappende resultaten werd een niet-redundante lijst van 140 kandidaatdoelen samengesteld. Daarnaast werden 657 genen gerelateerd aan hepatoto...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

APAP is een vaak voorgeschreven pijnstillend en koortsonderdrukkend; Overmatige inname kan echter leiden tot aanzienlijke hepatotoxiciteit, soms met als hoogtepunt acute leverfalen38. Ondanks vooruitgang in het ophelderen van de pathofysiologische mechanismen van door APAP veroorzaakte leverschade, blijft er een tekort aan betrouwbare biomarkers voor nauwkeurige diagnose, prognose en mechanistisch onderzoek. Er is daarom een dringende behoefte om potentiële nieuwe...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs hebben niets te onthullen.

Dankbetuigingen

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

De auteurs bedanken de Tianjin University of Traditional Chinese Medicine voor het bieden van institutionele ondersteuning. Wij spreken onze dank uit aan de ontwikkelaars van publieke databases (GeneCards, PubChem, STRING) en open-source tools die dit onderzoek mogelijk maakten. Speciale dank aan collega's van de School of Chinese Materia Medica en het College of Integrative Chinese and Western Medicine voor hun waardevolle discussies en technische ondersteuning. We erkennen ook de bijdragers van de GSE74000 dataset voor het openbaar beschikbaar stellen van hun gegevens.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Databases & Web Servers
STRINGhttps://cn.string-db.org/PPI netwerkconstructie; Functionele verrijking
Sendo Academic Toolshttps://www.xiantaozi.com/GO, KEGG en GSEA verrijkingsanalyse
PubChemhttps://pubchem.ncbi.nlm.nih.gov/Ophalen van chemische structuren (APAP)
GeneCardshttps://www.genecards.org/Ophalen van hepatotoxiciteit-gerelateerde genen
GEO Databasehttps://www.ncbi.nlm.nih.gov/geo/Transcriptomische dataset ophalen (GSE74000)
ChEMBLhttps://www.ebi.ac.uk/chembl/Doelwitvoorspelling
SwissTargetPredictionhttp://www.swisstargetprediction.ch/Doelwitvoorspelling
STITCHhttp://stitch.embl.de/Interactievoorspelling
SEAhttp://sea.bkslab.org/Similarity ensemble benadering voor doelwitvoorspelling
Protein Data Bank (PDB)https://www.rcsb.org/Ophalen van eiwitstructuur (ESR1, PNP)
Software
R (Versie 4.x.x)https://www.r-project.org/Statistische analyse en gegevensverwerking
AutoDock Tools / Vinahttp://autodock.scripps.edu/Molecuuldocken voorbereiding en simulatie
PyMOLhttps://pymol.org/Visualisatie van moleculaire structuren
Cytoscapehttps://cytoscape.org/Netwerkvisualisatie

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Leverbeschadiging door acetaminophenidentificatie van biomarkersnetwerktoxicologietranscriptoomanalysemachine learningRandom Forest modelmoleculaire dockingbiomarkers voor hepatotoxiciteit

Gerelateerde artikelen