Onderzoeksartikel

Benzo[a]pyreen en reumatoïde artritis: een geïntegreerd computationeel onderzoek

DOI:

10.3791/70636

⸱

26 mei 2026

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Beijing University of Chinese Medicine, 2Department of Traditional Chinese Medicine Rheumatology, China-Japan Friendship Hospital, 3Third Affiliated Hospital of Beijing University of Chinese Medicine, 4Department of Rheumatology, Beijing Hospital of Traditional Chinese Medicine

In dit artikel

Samenvatting

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

Deze studie maakte gebruik van een geïntegreerde computationele toxicologische benadering om systematisch het verband tussen blootstelling aan benzo[a]pyreen en reumatoïde artritis te onderzoeken. De analyse identificeerde vijf kerndoelgenen, toonde hun verrijking in belangrijke immuunroutes aan en valideerde stabiele BaP-eiwitbinding, waarmee mogelijke moleculaire mechanismen voor door milieuverontreinigende verontreinigende reumatoïde artritis (RA) werden verduidelijkt.

Samenvatting

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

Polycyclische aromatische koolwaterstoffen (PAH's), alomtegenwoordige milieuverontreinigende stoffen, worden beschouwd als belangrijke omgevingsfactoren die bijdragen aan de pathogenese van RA. Benzo[a]pyreen (BaP), een belangrijk bestanddeel van PAH's, kan geassocieerd worden met het ontstaan van RA; het onderliggende toxicologische mechanisme moet echter nog volledig worden opgehelderd. In deze studie hebben we deze kenniskloof systematisch aangepakt met een geïntegreerde aanpak die netwerktoxicologie, machine learning en moleculaire docking combineert. Aanvankelijk werd een netwerktoxicologische analyse uitgevoerd op basis van de moleculaire structuur van BaP. Door doelinformatie uit meerdere databases te integreren en te screenen, werden uiteindelijk 15 potentiële RA-gerelateerde doelgenen van BaP geïdentificeerd en werd hun interactienetwerk opgebouwd. GO- en KEGG-verrijkingsanalyses toonden aan dat deze genen significant verrijkt waren in biologische processen zoals leukocytmigratie en transductie van immuuncellen en geassocieerd waren met onder andere de NF-κB- en T-celreceptorroutes. Latere topologische analyses met behulp van de STRING-database en Cytoscape-software hebben vijf kerngenen (LCK, ZAP70, ITK, GZMA en ITGAL) uitgesloten, waarvan het belang verder werd bevestigd door machine learning. Moleculaire koppeling en simulaties van moleculaire dynamica gaven aan dat BaP een sterke bindingsaffiniteit vertoont voor de eiwitproducten van deze doelgenen, wat resulteert in de vorming van conformationeel stabiele complexen. Samenvattend maakt deze studie gebruik van een geïntegreerde computationele benadering om de mogelijke mechanismen te verduidelijken waarmee BaP kan bijdragen aan de ontwikkeling van RA, en biedt zo een theoretische basis voor toekomstige onderzoeken naar de preventie en behandeling van RA in verband met milieuverontreinigende stoffen.

Inleiding

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

RA is een veelvoorkomende auto-immuunziekte die wordt gekenmerkt door chronische synovitis en pannusvorming, die de geleidelijke afbraak van kraakbeen en boterosie aandrijven. Deze pathologische veranderingen leiden tot gewrichtsdysfunctie, een verhoogd risico op pathologische fracturen en uiteindelijk invaliditeit, waardoor de kwaliteit van leven van getroffen personen ernstig wordt verminderd1. Hoewel de etiologie van RA niet volledig is begrepen, is de pathogenese over het algemeen toe te schrijven aan de gecombineerde effecten van genetische (bijv. HLA-DR4 en HLA-DR1 gensubtypes) en omgevingsfactoren (bijv. roken, alcoholgebruik, Epstein-Barr-virusinfectie, blootstelling aan luchtvervuiling)2. Epidemiologische studies hebben een significant verband vastgesteld tussen PAH's door luchtvervuiling en een verhoogd risico op het begin van RA3.

PAH's zijn veelvoorkomende luchtverontreinigende stoffen die ontstaan door de onvolledige verbranding van stoffen zoals steenkool, petroleum, aardgas en tabak, en worden beschouwd als belangrijke milieumediatoren van de pathogenese van RA. Ze kunnen binden aan het aryl-koolwaterstofreceptor (AHR)-complex in immuuncellen, wat leidt tot blootstelling van nucleaire lokalisatiesignalen en de daaropvolgende translocatie van het ligand–AHR-complex in de kern. In de context van RA-pathogenese fungeert PAH-gebonden AHR als een centrale omgevingssensor die immuundysregulatie via onderling verbonden routes aanstuurt. Bij activatie vormt AHR heterodimeren met ARNT en moduleert het de expressie van het CYP-gen, waardoor een inflammatoire cascade4 wordt gestart. Deze AHR-activatie verstoort tegelijkertijd het evenwicht tussen pro-inflammatoire en regulerende T-cellen: enerzijds activeert het de AHR/Jag1/Notch-signaalas, waardoor de afgifte van Th17-celcytokinen5 wordt versterkt. Aan de andere kant bindt AHR direct aan de GOT1-promotor om de expressie van GOT1 te verhogen, wat hypermethylatie van de FOXP3-locus induceert en de Treg-differentiatie6 onderdrukt. De resulterende Th17/Treg-disbalans bevordert een pro-inflammatoire omgeving. Bovendien versterkt activatie van AHR de Th2-type responsen verder door de expressie van CCR8 en cytokines zoals IL-4 en IL-13 te verhogen, die samen synoviale ontsteking en weefselschade in stand houden7. Zo dient AHR-activatie als een knooppunt dat blootstelling aan milieu-PAH koppelt aan Th17/Treg/Th2-dysregulatie, en zo een mechanistische brug legt tussen genotype, omgevingsfactoren en RA-pathologie.

In de atmosfeer bestaan PAH's als complexe mengsels, waarbij BaP een belangrijk bestanddeel is. In menselijke macrofagen kan BaP de productie van CXCL8 (IL-8) stimuleren door de binding van AHR aan de CXCL8-promotor te bevorderen, wat vervolgens de expressie van neutrofiele chemotactische factoren8 induceert. Daarnaast kan BaP de slugexpressie in fibroblast-achtige synoviocyten (FLS) van patiënten met RA op een dosisafhankelijke manier verhogen, wat de progressie van artritisverergert 9. Bij wildtypemuizen bevordert BaP de factor Receptor Activator van Nuclear-factor kappaB Ligand (RANKL)-gemedieerde osteoclast (OC) activatie door het activeren van het enzym CYP1A1, wat uiteindelijk leidt tot botverlies10. Het precieze mechanisme achter de rol van BaP-toxiciteit in de pathogenese van RA blijft echter onduidelijk. We stellen de hypothese dat BaP de pathogenese van RA bevordert door direct te interageren met belangrijke immuungerelateerde doeleiwitten en meerdere signaalroutes te verstoren die betrokken zijn bij T-celactivatie, Th17/Treg-balans en inflammatoire cytokineproductie, waardoor blootstelling aan BaP in de omgeving wordt gekoppeld aan synoviale ontsteking en gewrichtsvernietiging. Netwerktoxicologie is geschikter dan traditionele experimentele methoden met één enkele route voor deze studie, omdat BaP waarschijnlijk werkt op meerdere immuungerelateerde doelen en kruisende routes. In vergelijking met conventionele experimentele benaderingen die doorgaans één route of enkele doelen tegelijk onderzoeken, maakt netwerktoxicologie een holistisch beeld mogelijk van multi-target interacties en systemische effecten, hoewel de voorspellingen databaseafhankelijk zijn en experimentele validatie vereisen.

Bestaand onderzoek naar de rol van BaP in RA beperkt zich grotendeels tot enkele paden of lineaire mechanistische beschrijvingen, zonder geïntegreerde analyse van multi-target, multi-level netwerkreguleringskenmerken. Bestaand onderzoek naar de rol van BaP in RA beperkt zich grotendeels tot enkele paden of lineaire mechanistische beschrijvingen, zonder geïntegreerde analyse van multi-target, multi-level netwerkreguleringskenmerken. Daarom zijn holistische benaderingen zoals netwerktoxicologie nodig om de complexe link tussen Blootstelling aan BaP en RA-pathogenese 11,12,13 te ontrafelen. Desalniettemin is er een schaarste aan netwerktoxicologische studies met betrekking tot door milieuverontreinigende stoffen veroorzaakte ziekten. De nieuwigheid van deze studie ligt in het integreren van netwerktoxicologie, machine learning en moleculaire koppeling om systematisch de door BaP-gemedieerde RA-pathogenese te onderzoeken, in plaats van zich te richten op één enkel pad of geïsoleerde doelwitten. Het identificeert belangrijke hubgenen via topologische analyse gecombineerd met machine learning, en biedt voor het eerst moleculaire validatie van de bindingsmodi en thermodynamische stabiliteit tussen BaP en de producten van elk kerngen. Door systematisch de potentiële moleculaire mechanismen te identificeren waarmee BaP het ontstaan en de ontwikkeling van RA kan bevorderen, wil deze computationele studie een theoretische basis bieden voor het begrijpen van omgevingstriggers van RA en voor het ontwikkelen van gerichte therapeutische strategieën. In vergelijking met traditionele single-pathway-analyses maakt deze geïntegreerde benadering systematische evaluatie van multi-target interacties mogelijk, wat bredere toepasbaarheid biedt bij het bestuderen van complexe omgevingsziektemechanismen. Het moet echter worden opgemerkt dat onze methode prioriteit geeft aan high-confidence hubgenen via intersectie- en topologische analyse, die onbedoeld biologisch relevante kandidaatgenen kunnen uitsluiten die niet gelijktijdig aan de selectiedrempels voldoen. Toekomstige studies zouden complementaire strategieën kunnen onderzoeken, zoals het toepassen van machine learning op de union set van voorspelde doelen, het integreren van andere omics-gegevens, of het uitvoeren van gerichte experimentele validatie, om onze bevindingen verder te bevestigen en uit te breiden.

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

Protocol

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

Ethische verklaring
Deze studie betrof geen directe menselijke deelnemers of dierlijke proefpersonen.

BaP-doelverwerving
BaP werd gekenmerkt door het integreren van gegevens uit meerdere databases. De PubChem-database (https://pubchem.ncbi.nlm.nih.gov/) werd doorzocht met het trefwoord "Benzo[a]pyrene" om de chemische structuur en canonieke 2D-structuur te verkrijgen (SMILES-string: C1=CC=C2C3=C4C(=CC2=C1)C=CC5=C4C(=CC=C5)C=C3)14. Potentiële BaP-doelen werden opgehaald uit de ChEMBL (https://www.ebi.ac.uk/chembl/), SEA (https://sea.bkslab.org/) en PharmMapper (http://lilab-ecust.cn/pharmmapper) databases 15,16,17. Alle voorspelde doelen waren beperkt tot het proteoom van Homo sapiens. De volledige lijst van voorspelde BaP-doelen (n = 474) wordt gegeven in Aanvullende Tabel S1. De volledige analytische workflow wordt schematisch weergegeven in Figuur 1.

figure-protocol-1
Figuur 1. Stroomdiagram van datasetanalyse in dit artikel, dat de algehele workflow illustreert, inclusief gegevensverzameling, preprocessing, differentiële expressieanalyse, netwerkconstructie en validatiestappen. Klik hier om een grotere versie van deze figuur te bekijken.

Verwerving van RA-gerelateerde doelen
In deze studie werden vijf RA-datasets verkregen uit de NCBI Gene Expression Omnibus (GEO) database(https://www.ncbi.nlm.nih.gov/gds/) met de trefwoorden "Reumatoïde artritis" en "Homo sapiens"18. Op basis van de grootte van de dataset en het experimentele ontwerp GSE77298 (RA: 16 steekproeven; Controle: 7 monsters), GSE1919 (RA: 5 monsters; Controle: 5 monsters), en GSE55235 (RA: 10 monsters; Controle: 10 monsters) vormden de trainingsset voor het identificeren van differentieel expressieve genen (DET's), terwijl GSE12021 (RA: 24 monsters; Controle: 13 monsters) en GSE55457 (RA: 13 samples; Controle: 10 monsters) diende als validatieset. Meer details over deze datasets, zoals platforms, steekproeven en GSE-series, zijn te vinden in Tabel 1.

De gegevens werden gestandaardiseerd met behulp van de GEO2R online tool, waarmee log2-getransformeerde expressiematrices werden gegenereerd voor latere analyse. Om interferentie door verschillende experimentele batches te elimineren, werden systematische biases tussen datasets gecorrigeerd met behulp van de ComBat-functie uit het SVA-pakket, gebaseerd op een parametrisch empirisch Bayes-framework. Principal Component Analysis (PCA) werd vervolgens gebruikt om het correctie-effect te verifiëren, wat een significant verbeterde clustering tussen batchmonsters liet zien en zo de effectieve verwijdering van batch-effecten bevestigde. De samengevoegde en gecorrigeerde datamatrix werd gebruikt voor de daaropvolgende differentiële analyse.

GSE-serieSamplesPlatformGroep
GSE7729816 RA- en 7 bedieningselementenGPL570Trainingscohort
GSE19195 RA- en 5 bedieningselementenGPL91Trainingscohort
GSE5523510 RA en 10 controlesGPL96Trainingscohort
GSE1202124 RA en 13 controlesGPL96Validatiecohort
GSE5545713 RA en 10 controlesGPL9Validatiecohort

Tabel 1: Samenvatting van de vijf GEO-datasets die in deze studie zijn gebruikt.
De tabel geeft het GEO-toetredingsnummer (GSE-serie), de samenstelling van het aantal reumatoïde artritispatiënten en gezonde controles), platformidentificatie (GPL) voor elke dataset en toewijzing aan de trainingscohort of de validatiecohort.

Analyse van gewogen genco-expressienetwerk (WGCNA)
WGCNA werd gebruikt om de co-expressienetwerkkenmerken van de DEG's die geassocieerd zijn met RA19 te beoordelen. Op basis van de batch-effect-gecorrigeerde expressiematrix werd eerst data-preprocessing uitgevoerd: genen met lage variantie en een standaarddeviatie van minder dan 0,5 werden verwijderd, terwijl de kwaliteit van monsters en genen werden geëvalueerd met een functie voor het beoordelen van goede monsters en genen. Vervolgens werd hiërarchische clustering toegepast om uitschieters te identificeren en te verwijderen. Om een gewogen co-expressienetwerk te construeren, werd een functie gebruikt voor systematische evaluatie van zachte drempelvermogenswaarden om systematisch zachte drempelvermogenswaarden te evalueren variërend van 1 tot 20. Power = 12 werd gekozen als de optimale zachte drempel (schaalvrije topologie-fitindex R2 = 0,90), waarmee werd gegarandeerd dat de netwerktopologie voldeed aan een schaalvrij criterium. Op basis van deze machtswaarde werd een adjacentiematrix geconstrueerd en werd de topologische overlapmatrix (TOM) berekend. Genen waren hiërarchisch geclusterd en een dynamisch tree-cut algoritme werd gebruikt om de eerste genmodules te identificeren. Vervolgens werden vergelijkbare modules samengevoegd door het clusteren van module-eigengenen, wat resulteerde in een robuust genmodulenetwerk. Alle analyses werden uitgevoerd met een speciaal R-pakket voor gewogen co-expressie netwerkanalyse om de betrouwbaarheid en reproduceerbaarheid van netwerkconstructie te waarborgen. Er werd een analyse uitgevoerd van de kruising tussen DEGs/WGCNA-hubgenen en voorspelde BaP-doelen om kerndoelen van BaP te identificeren die geassocieerd zijn met RA-pathogenese, die werden gevisualiseerd met Venn-diagramsoftware.

Identificatie van BaP-geassocieerde doelwitten die geassocieerd zijn met RA-pathogenese
Snijpuntanalyse werd uitgevoerd met een R-pakket voor Venn-diagrammen om BaP-doelen te identificeren die overlappen met de pathogenese van RA. Deze werden geïmporteerd in de STRING-database om een eiwit-eiwit interactie (PPI) netwerk te construeren, waarbij de soort werd ingesteld op "Homo sapiens" en de interactiebetrouwbaarheidsscore op > 0,7 om een hoge netwerkbetrouwbaarheidvan 20 te waarborgen. Deze drempel is gekozen omdat deze overeenkomt met een "hoog betrouwbaarheidsniveau" in de STRING-database, die het behoud van biologisch relevante interacties in balans brengt met het minimaliseren van vals-positieven die doorgaans gepaard gaan met lagere betrouwbaarheidsscores. Een cutoff van > 0,7 is breed toegepast in netwerktoxicologiestudies om robuuste en reproduceerbare eiwitassociaties te prioriteren. Het resulterende TSV-bestand werd gedownload uit de eiwit-eiwitinteractiedatabase (STRING) en geïmporteerd in netwerkvisualisatiesoftware (Cytoscape) voor netwerkvisualisatie. Kerneiwitten in het netwerk werden geïdentificeerd op basis van de rangschikkingsresultaten die door het Degree-algoritme in de CytoHubba-plugin werden gegenereerd en werden gebruikt voor latere analyse.

KEGG en GO verrijkingsanalyse
De afkortingen van de genen die geassocieerd zijn met zowel BaP-modulatie als RA-pathogenese werden omgezet naar Entrez-ID's met behulp van de "org. Hs.eg.db" annotatiepakket in R. Vervolgens werd KEGG-padverrijkingsanalyse uitgevoerd met behulp van de clusterProfiler-tool, waarbij de significantiedrempel werd gezet op 0,05. Ondertussen besloeg GO functionele annotatie de drie belangrijkste GO-categorieën: Biologisch Proces (BP), Cellulaire Component (CC) en Moleculaire Functie (MF), en werd uitgevoerd met de enrichGO-functie, waarbij zowel P-waarde als q-waarde afkappunten werden ingesteld op 0,05. Het moet worden opgemerkt dat er geen meervoudige testcorrectie werd toegepast, aangezien het primaire doel van deze verkennende analyse was om de ontdekking van potentieel relevante biologische routes en functionele termen te maximaliseren, waardoor een breder aantal testbare hypothesen voor toekomstige experimentele validatie werd gegenereerd. Ten slotte werden de resultaten van de verrijkingsanalyse grafisch weergegeven met behulp van de barplot- en dotplotfuncties uit het enrichplotpakket.

Machine learning-gebaseerde validatie van kerngenen
Om de voorspellende capaciteit van de kerngenen die geassocieerd zijn met BaP en RA te beoordelen en om modeltransparantie te behouden, hebben we een systematische machine learning-workflow geïmplementeerd. Met behulp van de expressieprofielen van de geselecteerde kerngenen werden voorspellende modellen geconstrueerd met 11 verschillende machine learning-algoritmen: Lasso-regressie (LR), Support Vector Machine (SVM), random forest (RF), glmBoost, stapsgewijze Generalized Linear Model (GLM), ridge regressie, elastisch net (Enet), Gradient Boosting Machine (GBM), Linear Discriminant Analysis (LDA), eXtreme Gradient Boosting (XGBoost) en naïeve Bayes. Hyperparameters werden geoptimaliseerd door vijfvoudige kruisvalidatie, waarbij gestratificeerde steekproeven werden gebruikt om de data op te splitsen in trainings- en interne validatiesets. Een vaste willekeurige seed (set.seed(123)) werd door de hele machine learning-workflow gebruikt om reproduceerbaarheid van datasplitsing, cross-validation folds en modeltraining te waarborgen. De belangrijkste hyperparameters voor elk algoritme worden weergegeven in Aanvullende Tabel S2. De modelprestaties werden geëvalueerd met behulp van meerdere metrics, waaronder oppervlakte onder de curve (AUC), nauwkeurigheid en F1-score. Om de beperkingen van single-model benaderingen aan te pakken, pasten we een stacking ensemble-strategie toe die voorspellingen van de best presterende basismodellen integreerde. Omdat we het "black-box" karakter van veel machine learning-modellen erkennen, gebruikten we het SHapley Additive exPlanations (SHAP) algoritme om de bijdrage van elk gen aan de voorspellingen te kwantificeren. De grootte en richting van SHAP-waarden werden gebruikt om het belang van genen te interpreteren in de classificatiebeslissingen, waardoor de interpreteerbaarheid van de modeluitkomsten werd verbeterd.

Moleculaire koppeling van BaP met kerndoelen
Om de bindingskenmerken tussen BaP en de kerngenproducten te onderzoeken, werden moleculaire koppelingssimulaties uitgevoerd. De driedimensionale structuur van BaP (ligand) werd verkregen in SDF-formaat uit de PubChem-database. Eiwitstructuren die overeenkomen met de kerndoelen werden opgehaald uit de RCSB Protein Data Bank (https://www.rcsb.org/) in PDB-formaat, geselecteerd op basis van hun UniProt-identificaties, met voorkeur voor structuren die co-gekristalliseerde liganden of hoge-resolutie coördinaten bevatten. Voorafgaand aan het koppelen werd eiwitbereiding uitgevoerd met PyMol, waarbij watermoleculen, co-gekristalliseerde liganden en niet-eiwitcomponenten zoals ionen werden verwijderd om interferentie21 te voorkomen. Voor eiwitten met co-gekristalliseerde liganden in hun oorspronkelijke PDB-structuren werd het centrum van de actieve plaats gedefinieerd met behulp van de atomaire coördinaten van de gebonden ligand. Voor eiwitten zonder co-gekristalliseerde liganden werd het centrum van de actieve plaats bepaald op basis van coördinaten van belangrijke residuen die in de literatuur als cruciaal voor katalytische activiteit of inhibitorbinding worden gerapporteerd. Het koppelraster was gecentreerd op de gedefinieerde coördinaten van de actieve locatie, met een kubieke doos van 25 × 25 × 25 Å-afmetingen toegepast op elk doel. Deze standaard doosgrootte van 25 Å zorgt voor volledige dekking van elke actieve site met voldoende marge voor ligandbemonstering, terwijl buitensporige rekenkosten worden vermeden. Alle dockingberekeningen werden uitgevoerd met AutoDock Vina (versie 1.2.5). De conformatie met de meest gunstige Vina-score werd gekozen als representatieve bindingsmodus, en de bijbehorende bindingsenergie werd geregistreerd. Driedimensionale bindingshoudingen werden gegenereerd met PyMol (versie 2.5.7), en tweedimensionale interactiediagrammen werden gemaakt met Discovery Studio (versie 2021) om belangrijke interacties te visualiseren, waaronder waterstofbruggen en hydrofobe contacten.

Moleculaire dynamica-simulatie
Moleculaire dynamica-simulaties werden uitgevoerd met Gromacs 2025.3, waarbij de docking-afgeleide complexen als uitgangsstructuren werden gebruikt. De eiwitatomen werden gemodelleerd met het AMBER14SB krachtveld, en watermoleculen werden weergegeven met het TIP3P-model. Elk eiwit-ligandencomplex werd opgelost in een kubieke waterbox, met een minimale afstand van 1 nm tussen het eiwitoppervlak en de doosgrens. Natrium- of chloride-ionen werden toegevoegd indien nodig om elektroneutraliteit van het systeem te bereiken. Een initiële energieminimalisatie werd uitgevoerd met een combinatie van steilste daling en conjugaatgradiëntalgoritmen, elk uitgevoerd over maximaal 10.000 stappen. Elektrostatische interacties op lange afstand werden berekend via de Particle-Mesh Ewald (PME)-methode, terwijl een afkapafstand van 1,0 nm werd toegepast op zowel van der Waals als korteafstandselektrostatische interacties. Na energieminimalisatie werden de systemen geleidelijk in evenwicht gebracht onder NVT (constant volume en temperatuur) en NPT (constante druk en temperatuur) condities. Productieruns van 100 ns werden vervolgens uitgevoerd onder constante temperatuur en druk, met een tijdstap van 0,002 ps (2 fs) en in totaal 50.000.000 stappen. Elke simulatie werd één keer uitgevoerd (geen replicatieën), omdat het primaire doel was om de stabiliteit van de bindingscomplexen onder standaardomstandigheden te beoordelen. De temperatuur werd gehandhaafd met de V-rescale thermostaat en de druk werd geregeld met de Parrinello–Rahman barostaat. Gedurende de simulatie werd consequent een 1,0 nm afkap toegepast voor niet-gebonden interacties. Om structurele stabiliteit en flexibiliteit te beoordelen, berekenden we de wortelgemiddelde kwadraatafwijking (RMSD) van atomaire posities, de wortelgemiddelde kwadraatfluctuatie (RMSF) per residu, de gyratiestraal (Rg) als maat voor structurele compactheid, en het oplosmiddel-toegankelijke oppervlak (SASA). Alle plots zijn gegenereerd met QtGrace.

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

Resultaten

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

BaP-doelverwerving
Gegevens over de moleculaire structuur van BaP zijn verkregen uit de PubChem-database (Figuur 2A). De potentiële biologische doelen van BaP werden systematisch voorspeld door informatie te integreren uit drie aanvullende databases—ChEMBL, PharmMapper en SEA—wat resulteerde in de identificatie van 474 potentiële doelen (Figuur 2B).

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

Discussie

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

RA is een complexe auto-immuunziekte die het gevolg is van de interactie tussen genetische vatbaarheid en omgevingsfactoren. Onder de vele milieurisicofactoren worden PAH's, een van de meest voorkomende luchtverontreinigende stoffen, beschouwd als een belangrijke schakel die milieublootstelling verbindt met het ontstaan van RA. Eerdere studies toonden voorlopig aan dat PAH's de balans van de differentiatie van immuuncellen via de AHR-route kunnen beïnvloeden, evenals oxidatieve stress ku...

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

Openbaarmakingen

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

De auteurs melden geen belangenconflicten in dit werk.

Dankbetuigingen

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

Dit werk werd ondersteund door de National Natural Science Foundation of China [subsidienummers 82274435, 82074223]; het Sleutelproject op Centraal Overheidsniveau: Het Vermogen tot Duurzame Gebruik van Waardevolle Chinese Geneesmiddelenbronnen [subsidienummer 2060302]; en De vijfde lichting van het Nationaal Trainingsprogramma voor Klinische Excellentie in Chinese Geneeskunde in 2022 [subsidienummer 2022178].

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

Materialen

```html

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
AutoDock Vinahttps://vina.scripps.edu1.2.5 (SCR_011958)Moleculair docking software
clusterProfiler (R-pakket)https://bioconductor.org/packages/clusterProfiler4.10.0 (SCR_016884)R-pakket voor verrijkingsanalyse
CytoHubba (Cytoscape-plug-in)https://apps.cytoscape.org/apps/cytohubba0.1Plug-in voor hub-genidentificatie (Degree-algoritme)
Cytoscapehttps://cytoscape.org3.10.1 (SCR_003032)Netwerkvisualisatiesoftware
Discovery StudioDassault Systèmes BIOVIA2021Software voor het genereren van 2D-interactiediagrammen
enrichplot (R-pakket)https://bioconductor.org/packages/enrichplot1.22.0 (SCR_021165)R-pakket voor visualisatie van verrijkingsresultaten
GROMACShttps://www.gromacs.org2025.3 (SCR_014565)Software voor moleculaire dynamica-simulatie
limma (R-pakket)https://bioconductor.org/packages/limma3.58.1 (SCR_010943)R-pakket voor differentiële expressieanalyse
org.Hs.eg.db (R-pakket)https://bioconductor.org/packages/org.Hs.eg.db3.18.0 (SCR_006442)R-annotatiepakket voor menselijke gen-identifiers
PyMolSchrödinger, Inc2.5.7 (SCR_000305)Molecuulvisualisatiesoftware
QtGracehttps://sourceforge.net/projects/grace/0.2.6Plottool voor trajectanalyse
R (programmeeromgeving)https://www.r-project.org4.3.1 (SCR_001905)Statistisch computingsoftware
STRING-databasehttps://string-db.org12 (SCR_005223)Database voor eiwit-eiwitinteracties
venn (R-pakket)https://cran.r-project.org/package=venn1.11R-pakket voor het genereren van Venn-diagrammen
WGCNA (R-pakket)https://cran.r-project.org/package=WGCNA1.72 (SCR_003302)Gespecialiseerd R-pakket voor gewogen co-expressienetwerkanalyse
```

Referenties

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Zhao, Y., Chen, G. Y., Fang, M. Research trends of rheumatoid arthritis and depression from 2019 to 2023: a bibliometric analysis. J Multidiscip Healthc. 17, 4465-4474 (2024).
  2. Venetsanopoulou, A. I., Alamanos, Y., Voulgari, P. V., Drosos, A. A. Epidemiology of rheumatoid arthritis: genetic and environmental influences. Expert Rev Clin Immunol. 18 (9), 923-931 (2022).
  3. Beidelschies, M., et al. Polycyclic aromatic hydrocarbons and risk of rheumatoid arthritis: a cross-sectional analysis of the National Health and Nutrition Examination Survey, 2007 - 2016. BMJ Open. 13 (5), e071514(2023).
  4. Xi, X., et al. Polycyclic aromatic hydrocarbons affect rheumatoid arthritis pathogenesis via aryl hydrocarbon receptor. Front Immunol. 13, 797815(2022).
  5. Xia, M., et al. Vehicular exhaust particles promote allergic airway inflammation through an aryl hydrocarbon receptor-notch signaling cascade. J Allergy Clin Immunol. 136 (2), 441-453 (2015).
  6. Sun, L., et al. Particulate matter of 2.5 µm or less in diameter disturbs the balance of TH17/regulatory T cells by targeting glutamate oxaloacetate transaminase 1 and hypoxia-inducible factor 1α in an asthma model. J Allergy Clin Immunol. 145 (1), 402-414 (2020).
  7. Hew, K. M., et al. Childhood exposure to ambient polycyclic aromatic hydrocarbons is linked to epigenetic modifications and impaired systemic immunity in T cells. Clin Exp Allergy. 45 (1), 238-248 (2015).
  8. Podechard, N., et al. Interleukin-8 induction by the environmental contaminant benzo(a)pyrene is aryl hydrocarbon receptor-dependent and leads to lung inflammation. Toxicol Lett. 177 (2), 130-137 (2008).
  9. Lee, J., et al. A role for benzo[a]pyrene and Slug in invasive properties of fibroblast-like synoviocytes in rheumatoid arthritis: a potential molecular link between smoking and radiographic progression. Joint Bone Spine. 80 (6), 621-625 (2013).
  10. Iqbal, J., et al. Smoke carcinogens cause bone loss through the aryl hydrocarbon receptor and induction of Cyp1 enzymes. Proc Natl Acad Sci USA. 110 (27), 11115-11120 (2013).
  11. Chen, G. Y., et al. Mechanisms of total glucosides of paeony in alleviating methotrexate-induced liver injury. Drug Des Devel Ther. 19, 3407-3423 (2025).
  12. Chen, G. Y., et al. Prediction of Rhizoma Drynariae targets in the treatment of osteoarthritis based on network pharmacology and experimental verification. Evid Based Complement Alternat Med. 2021, 5233462(2021).
  13. Chen, G., Yan, Z., Wang, Y., Tao, Q. Rheumatoid Arthritis and Fibromyalgia Syndrome: A Bibliometric and Bioinformatics Perspective on Comorbidity Research. J Multidiscip Healthc. 18, 6811-6827 (2025).
  14. Kim, S., et al. PubChem 2023 update. Nucleic Acids Res. 51 (D1), D1373-D1380 (2023).
  15. 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).
  16. Keiser, M. J., et al. Relating protein pharmacology by ligand chemistry. Nat Biotechnol. 25 (2), 197-206 (2007).
  17. Liu, X., et al. PharmMapper server: a web server for potential drug target identification using pharmacophore mapping approach. Nucleic Acids Res. 38 (2), W609-W614 (2010).
  18. Barrett, T., et al. NCBI GEO: archive for functional genomics data sets—update. Nucleic Acids Res. 41 (D1), D991-D995 (2013).
  19. Langfelder, P., Horvath, S. Fast R functions for robust correlations and hierarchical clustering. J Stat Softw. 46 (11), 1-17 (2012).
  20. Szklarczyk, D., et al. The STRING database in 2023: protein-protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Res. 51 (D1), D638-D646 (2023).
  21. wwPDB consortium. Protein Data Bank: the single global archive for 3D macromolecular structure data. Nucleic Acids Res. 47 (D1), D520-D528 (2019).
  22. Gentner, N. J., Weber, L. P. Intranasal benzo[a]pyrene alters circadian blood pressure patterns and causes lung inflammation in rats. Arch Toxicol. 85 (4), 337-346 (2011).
  23. Ordóñez, D., et al. Cell-mediated cytotoxicity in Lyme arthritis. Arthritis Rheumatol. 75 (5), 782-793 (2023).
  24. Zheng, Y., et al. Role of the granzyme family in rheumatoid arthritis: current insights and future perspectives. Front Immunol. 14, 1137918(2023).
  25. Wang, H., et al. Triple knockdown of CD11a, CD49d, and PSGL1 in T cells reduces CAR-T cell toxicity but preserves activity against solid tumors in mice. Sci Transl Med. 17 (782), eadl6432(2025).
  26. So, T., et al. Antigen-independent signalosome of CARMA1, PKCθ, and TNF receptor-associated factor 2 (TRAF2) determines NF-κB signaling in T cells. Proc Natl Acad Sci USA. 108 (7), 2903-2908 (2011).
  27. Genheden, S., Ryde, U. The MM/PBSA and MM/GBSA methods to estimate ligand-binding affinities. Expert Opi Drug Discov. 10 (5), 449-461 (2015).

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

Polycyclische aromatische koolwaterstoffennetwerktoxicologiemoleculaire dockingmachine learningscreening van doelgenenNF kB signaalrouteT celreceptorimmuuncelsignalering

Gerelateerde artikelen