Artykuł badawczy

Obliczeniowa identyfikacja fosforylazy nukleozydowej puryny i receptora estrogenowego 1 jako biomarkerów uszkodzenia wątroby wywołanego paracetamolem

DOI:

10.3791/69887

⸱

6 lutego 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

W tym artykule

Podsumowanie

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

Komputerowo analizujemy toksykologię sieciową i dane transkryptomiczne, aby zidentyfikować biomarkery uszkodzenia wątroby wywołanego paracetamolem, ujawniając receptor estrogenowy 1 oraz fosforylazę nukleozydową puryną jako cele diagnostyczne.

Streszczenie

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

Uszkodzenie wątroby wywołane paracetamolem stanowi poważny problem zdrowia publicznego, jednak brakuje wiarygodnych wczesnych biomarkerów. Celem tego badania było zidentyfikowanie kandydatów na biomarkery dla hepatotoksyczności indukowanej przez paracetamol, wykorzystując podejście obliczeniowe integrujące toksykologię sieci, transkryptomikę i uczenie maszynowe. Potencjalne cele związane z acetaminofenem przewidywano na podstawie platform internetowych, co dało 140 kandydatów. Geny związane z hepatotoksycznością (n = 657) zostały pobrane z GeneCards i zidentyfikowano 38 nakładających się genów. Przeanalizowano geny różnicowo ekspresyjne z zestawu danych GSE74000 (n = 1 978). Przeprowadzono wzbogacenie funkcjonalne w celu identyfikacji odpowiednich szlaków. Model losowego lasu priorytetowo obejmował 20 genów cech, a dokowanie molekularne oceniało powinowactwa wiązania z paracetamolem. DEG były przede wszystkim związane z dysfunkcją mitochondriów i biogenezą rybosomów. Funkcjonalne wzbogacenie podkreśliło metabolizm ksenobiotyczny oraz szlaki stresu oksydacyjnego. Receptor estrogenowy 1 i fosforylaza nukleozydowa puryna były najwyżej ocenianymi genami cechowymi, wykazującymi istotne różnice w ekspresji i silne interakcje dokujące z paracetamolem. Ten protokół obliczeniowy systematycznie przewiduje kandydatów na biomarkery uszkodzeń wątroby wywołanych paracetamolem, dostarczając molekularnych wglądów i kandydatów do eksperymentalnej walidacji.

Wprowadzenie

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

Paracetamol (APAP) jest szeroko podawanym środkiem przeciwpiralowym i przeciwbólowym, jednak nadmierne spożycie może prowadzić do ciężkiej wątroby, a potencjalnie niewydolności wątroby 1,2. Uszkodzenie wątroby przewiduje się po przemiataniu leku, a toksycznym metabolitem jest N-acetylo-p-benzochinon imina (NAPQI), która powoduje stres oksydacyjny mitochondrialny, zmienione oddychanie mitochondrialne oraz przejście przepuszczalności mitochondriów, ostatecznie powodując martwiczą, a nie apoptotyczną, śmierć hepatocytów 3,4. Przedawkowanie APAP pozostaje główną przyczyną ostrej niewydolności wątroby (ALF) w wielu krajach. Dane epidemiologiczne pokazują, że toksyczność APAP odpowiada za niemal 50% przypadków ALF w Stanach Zjednoczonych i odpowiada za tysiące przyjęć w nagłych przypadkach rocznie. Podobne trendy zgłaszano na całym świecie, przy czym jatrotoksykość związana z APAP stanowi główną część przypadków uszkodzenia wątroby wywołanego lekami (DILI) 5,6. Wysoka zachorowalność, ryzyko przeszczepienia wątroby oraz znaczne obciążenie zdrowotne podkreślają pilną potrzebę ulepszenia biomarkerów diagnostycznych oraz mechanistycznego zrozumienia uszkodzeń wątroby wywołanych przez APAP. Konkretnie, APAP jest wchłaniane i głównie metabolizowane w wątrobie poprzez glukuronidację i sulfatację, tworząc rozpuszczalne w wodzie sprzężone sprzężenia wydalane przez mocz. Mniejsza część (10-15%) podlega hydroksylacji pośredniczonej cytochromem P450 (CYP450) (za pomocą enzymów takich jak CYP1A2, CYP2E1 i CYP3A4), co prowadzi do powstania reaktywnego pośredniego NAPQI, który wiąże się z glutationem i jest wydalany przez żółć 7,8. Ze względu na ograniczoną zdolność szlaków glukuronidacji i sulfatacji, nadmierne dawkowanie prowadzi do zwiększonej produkcji NAPQI, jednocześnie wyczerpując rezerwy glutationuwątrobowego 9. Gdy glutation zostanie wyczerpany do krytycznego poziomu, NAPQI zaczyna kowalencyjnie wiązać się z makrocząsteczkami komórkowymi, uszkadzając hepatocyty10. Toksyczność związana z przedawkowaniem APAP rośnie, a w samych Stanach Zjednoczonych rocznie przypada około 50 000–80 000 wizyt na oddziale ratunkowym, czyli11. Ponieważ stres oksydacyjny i dysfunkcja mitochondrialna są kluczowe dla hepatotoksyczności wywołanej APAP, zaburzenia regulacji ESR1 mogą pośrednio wpływać na przeżycie hepatocytów i reakcje zapalne podczas uszkodzenia APAP. Toksyczność APAP wywołuje stres metaboliczny i aktywację zapalną w hepatocytach. Zmiany w ekspresji PNP mogą odzwierciedlać zmieniony metabolizm nukleotydów oraz odpowiedzi immunologiczne podczas uszkodzenia wątroby wywołanego APAP.

Wczesne raporty dotyczące hepatotoksyczności wywołanej przez APAP koncentrowały się głównie na objawach klinicznych i zmianach patologicznych w wątrobie i nerkach, co stanowiło podstawę do późniejszych badań nad mechanizmami śmierci komórek i stanu zapalnego w toksyczności APAP12,13. Przełomowym odkryciem było zidentyfikowanie aminotransferaz surowicy (np. ALT i AST) jako biomarkerów uszkodzeń wątroby. Wraz z pojawieniem się modeli hodowli komórkowych i narzędzi bioinformatycznych, obecne badania nad hepatotoksycznością APAP rozszerzyły się o diagnostyczne, prognostyczne i mechanistyczne biomarkery 14,15,16. Jednak uzyskanie wystarczającej ilości próbek surowicy lub osocza od pacjentów przedawkowanych APAP, zwłaszcza tych, którzy nie przeżyli dawki, pozostaje wyzwaniem17. W związku z tym istnieje pilna potrzeba eksploracji nowych diagnostycznych, prognostycznych i mechanistycznych biomarkerów z wykorzystaniem nowatorskich metod, aby lepiej badać hepatotoksyczność wywołaną przez APAP.

Toksykologia sieciowa to rozwijająca się dziedzina, która tworzy modele sieciowe do analizy danych toksykologicznych z baz danych związków18,19. Pomaga scharakteryzować toksyczność substancji, wykrywać mechanizmy i przewidywać kluczowe cele20,21. Obecnie toksykologia sieciowa jest powszechnie uznawana za cenne narzędzie w badaniach naukowych. Na przykład Tengjiao Qu i in. zintegrowali toksykologię sieciową z transkryptomiką, aby zidentyfikować nowe mechanizmy neurotoksyczne eteru 2,2',4,4'-tetrabromodyfenylowego (powszechnego środka zmniejszającego palność) oraz jego potencjalnych biomarkerów22. Najnowsze badania podkreślają również znaczenie tego podejścia w ocenie toksyczności produktów naturalnych23. Jednak ten innowacyjny paradygmat badawczy nie został jeszcze zastosowany do zbadania potencjalnych mechanizmów jatrotoksyny wywołanej przez APAP oraz identyfikacji nowych biomarkerów związanych z jej toksycznością.

IntelliGenes został opracowany jako pipeline uczenia maszynowego do odkrywania biomarkerów wielogenomowych24. Integruje metody statystyczne z zaawansowanym ML, aby obliczać wyniki I-Genu i tworzyć indywidualne profile biomarkerów. Wyniki pokazują poprawną dokładność w przewidywaniu złożonych cech i umożliwiają spersonalizowane analizy chorób. Ograniczenia obejmują zależność od jakości danych, ograniczoną walidację w różnych populacjach oraz potrzebę szerszego testowania klinicznego.

Najważniejsze jest to, że obecne biomarkery gruczolakoraka przewodowego (PDAC) są niewystarczające, a także warto zaproponować organoidy pochodzące od pacjentów (PDO) jako funkcjonalne platformy do rozwoju markerów25. Ocenia fenotypowanie leków oparte na PDO, modelowanie chemiooporności, systemy kohodowli oraz profilowanie proteomowe/metabolomiczne. Wyniki pokazują, że PDO lepiej oddają biologię istotną dla leczenia, ale ograniczenia obejmują zmienność techniczną, ograniczoną replikację mikrośrodowiskową, długie czasy hodowli oraz wyzwania w rutynowej integracji klinicznej26,27.

Celem badania była ocena metod analitycznych proteomicznych oraz roli bioinformatyki w identyfikacji biomarkerów28. Oceniano, jak narzędzia obliczeniowe wspomagają interpretację danych oraz analizowały techniki analizy białek oparte na MS. Wyniki wykazały lepsze odkrywanie biomarkerów i nowe cele leczenia, ale jednocześnie jasno pokazały, że identyfikacja białek o bardzo niskiej obfitości pozostaje wyzwaniem, co zmniejsza wrażliwość istniejących technik proteomicznych. Chociaż wiele diagnostycznych, mechanistycznych i prognostycznych biomarkerów dla hepatotoksyczności wywołanej APAP zostało dobrze udokumentowanych, markery te przede wszystkim odzwierciedlają uszkodzenie wątrobowokomórkowe lub dysfunkcję mitochondrialną po wystąpieniu toksyczności29,30. Dla porównania, niniejsze badanie miało na celu identyfikację regulatorów transkryptomicznych, które mogą modulować podatność lub odpowiedź gospodarza na ekspozycję na APAP. ESR1 i PNP były zatem badane jako eksploracyjne markery regulacyjne, a nie klasyczne biomarkery diagnostyczne.

Aby rozwiązać ograniczenia obecnych metodologii — w szczególności zmienność kulturową PDO oraz kwestie wrażliwości proteomiki — badanie wykorzystuje zintegrowane ramy obliczeniowe obejmujące toksykologię sieci, transkryptomikę, uczenie maszynowe oraz dokowanie molekularne. Ta wielopoziomowa strategia omija potrzebę dużych grup lub złożonych systemów eksperymentalnych, wykorzystując predykcję obliczeniową i wieloomicową walidację krzyżową. Uzasadnieniem tego podejścia kombinatorycznego jest to, że każda technika wzmacnia pozostałe, aby zminimalizować fałszywe alarmy: toksykologia sieciowa najpierw zapewnia systemową prognozę celów i szlaków toksycznych związanych z APAP; Analiza transkryptomiczna następnie potwierdza, które z tych przewidywanych genów są rzeczywiście zaburzone podczas wątrototoksyczności; Algorytmy uczenia maszynowego następnie priorytetyzują najbardziej informacyjne kandydaty na biomarkery z tej puli o wysokiej pewności; a wreszcie, dokowanie molekularne zapewnia wsparcie mechanistyczne, potwierdzając wykonalność bezpośrednich interakcji między APAP a zidentyfikowanymi celami białkowymi.

Razem te kroki tworzą spójny, oparty na dowodach pipeline do przewidywania biomarkerów. To połączenie tych czterech strategii minimalizuje fałszywie pozytywne prognozy i zwiększa pewność w znalezieniu ESR1 i PNP jako silnych celów w przypadku hepatotoksyczności wywołanej APAP. W tych badaniach konieczne byłoby posiadanie GSE74000 zbiorów danych o ekspresji genów o dobrej mocy statystycznej, co najmniej trzech biologicznych replikacji dowolnego schorzenia z pełnymi metadanymi. Surowe pliki ekspresji musiałyby być przetwarzane w standardowy sposób, który obejmuje korekcję tła, normalizację (normalizację kwantylową itp.) oraz filtrowanie genów o niskiej ekspresji. R był używany do wykonywania wszystkich analiz za pomocą pakietów takich jak limma oraz zewnętrznych narzędzi, takich jak GeneCards i Cytoscape, które pozwalają budować sieć. Chociaż pipeline ułatwia priorytetyzację biomarkerów na podstawie analizy systematycznej, wyniki są ograniczone jakością zbioru danych, efektami wsadowymi oraz brakiem walidacji eksperymentalnej i in vivo , co mogłoby wpłynąć na uogólnienie.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Protokół ten określa metodę obliczeniową definiującą możliwe biomarkery uszkodzenia wątroby wywołanego paracetamolem, wykorzystującą toksykologię sieci, transkryptomikę, uczenie maszynowe oraz dokowanie molekularne (Rysunek 1). Protokół jest skierowany do badaczy mających dostęp do narzędzi bioinformatycznych, zbiorów danych transkryptomicznych oraz oprogramowania do dokowania molekularnego.

Procedura

Krok 1: Identyfikacja celów związanych z paracetamolem
Pobierz reprezentację SMILES dotyczącą acetaminofenu (APAP) z PubChem. Korzystaj z platform internetowych (ChEMBL, SwissTargetPrediction, STITCH, SEA) do przewidywania potencjalnych celów molekularnych APAP. Integruj i deduplikuj przewidywane cele, aby wygenerować listę 140 celów APAP o wysokim poziomie pewności.

Krok 2: Identyfikacja celów hepatotoksyczności
Pobierz geny związane z hepatotoksycznością z bazy GeneCards. Skompiluj i deduplikuj listę, aby wygenerować nieredundantny zestaw 657 genów związanych z hepatotoksycznością. Zidentyfikuj nakładające się geny pomiędzy celami APAP a genami związanymi z hepatotoksycznością za pomocą diagramu Venna.

Krok 3: Wstępne przetwarzanie danych transkrypomicznych
Pobierz GSE74000 zestaw danych z GEO. Wstępnie przetwarzaj surowe dane ekspresji za pomocą DESeq2: usuń geny o niskiej ekspresji, normalizuj za pomocą czynników rozmiarowych oraz zastosuj transformację stabilizującą wariancję (VST). Wykonaj analizę różniczkową ekspresji za pomocą Limmy i DESeq2, z progami skorygowanej wartości p < 0,05 oraz |log2FC| > 1.

Krok 4: Analiza wzbogacenia funkcjonalnego
Przesyłanie nakładających się genów do STRING do analizy ontologii genów (GO), szlaku KEGG, ekspresji tkanek oraz korelacji chorób. Wizualizuj wyniki wzbogacenia funkcjonalnego za pomocą wykresów bąbelkowych i map ciepła.

Krok 5: Uczenie maszynowe do wyboru genów cech
Zastosuj klasyfikator Losowego Lasu (n_estimators=500, max_depth=10), aby priorytetyzować geny charakterystyczne pochodzące z nakładających się genów APAP i hepatotoksyczności. Oceń wydajność modelu na podstawie błędu Out-of-Bag (OOB) oraz wskaźników ważności cech. Wybierz 20 najważniejszych genów cech do dalszej analizy.

Krok 6: Dokowanie molekularne
Pobierz strukturę APAP (CID 1983) z PubChem oraz receptorów białkowych (ESR1: PDB ID 1SJ0, PNP: PDB ID 1V2H) z PDB. Przygotuj pliki ligandów i receptorów: przekonwertuj do formatu PDB, dodaj wodory polarne, przypisz ładunki i zapisz jako pliki PDBQT. Zdefiniuj siatkę dokowania w AutoDock Tools, obejmującą aktywne miejsce białka. Wykonaj dokowanie molekularne za pomocą AutoDock Vina, z wyczerpowaniem ustawionym na 8, i analizuj powinowactwa i interakcje wiązania. Wizualizuj wyniki dokowania za pomocą PyMOL do analizy zgodności wiązań i interakcji kluczy.

Krok 7: Analiza statystyczna
Określ istotność statystyczną za pomocą testów t i dostosuj wartości p dla wielu porównań metodą Benjamini-Hochberga31. Wizualizuj statystycznie istotne powiązania za pomocą map ciepła i wykresów rozrzutowych.

Materiały i metody

Identyfikacja celów związanych z paracetamolem
Aby zidentyfikować potencjalne cele molekularne APAP, najpierw pozyskaliśmy jego reprezentację SMILES z bazy danych PubChem. Następnie korzystaliśmy z kilku platform internetowych, w tym Chemical European Molecular Biology Laboratory (ChemBL)32, Swiss Target Prediction33, Search Tool for the Interaction of Chemicals and Targets (STITCH)34 oraz Similarity ensemble approach (SEA)35, aby przewidzieć możliwe cele. Po integracji wyników tych narzędzi wybraliśmy zestaw celów o wysokiej pewności dla APAP. Tabela 1 definiuje kluczowe kategorie genów wykorzystane w tym badaniu, wyjaśniając ich rolę w analizie danych i interpretacji biologicznej. Konsekwentne stosowanie tych terminów zapewnia jasną komunikację naszych wyników.

Identyfikacja celów dla hepatotoksyczności
Potencjalne geny związane z hepatotoksycznością zostały pobrane z bazy danych GeneCards. Wszystkie zidentyfikowane geny zostały zebrane, duplikaty usunięte, a lista nieredundantna została utworzona do dalszych analiz. Zbiór danych GSE74000 został pobrany z repozytorium GEO 15 marca 2024 roku. Surowe dane ekspresji były przetwarzane i normalizowane za pomocą pakietu limma (normalizacja kwantylowa). Analiza różniczkowa wyrazu została przeprowadzona za pomocą modelowania liniowego z empirycznym kurczeniem Bayesa. Geny spełniające skorygowaną wartość p < 0,05 (Benjamini-Hochberg FDR) oraz |log₂FC| > 1 uznano za istotne. Wizualizację DEG wykonano za pomocą wykresów wulkanów oraz map cieplnych generowanych za pomocą ggplot2.

Wstępne przetwarzanie danych
Surowe dane liczebne zostały wstępnie przetworzone za pomocą DESeq2. Geny o niskiej ekspresji zostały usunięte przy użyciu progu wykrywania CPM >1 w co najmniej 70% próbek. Normalizacja rozmiaru biblioteki została przeprowadzona przy użyciu czynników wielkości DESeq2, zgodnie z definicją w równaniu (1):

Równanie 1    (1)

Gdzie medianowy współczynnik wielkości jest oznaczany przez sj. Aby ustabilizować relacje średnia-wariancja, zastosowano transformację stabilizującą wariancję (VST) w równaniu (2):

Równanie 2    (2)

DEG zostały zidentyfikowane za pomocą testu Walda z korekcją Benjamini-Hochberga, uwzględniając geny istotne, jeśli są stosowane w równaniu (3):

Równanie 3     (3)

Zbiór DEG wyprowadzony z DESeq2 został zdefiniowany jako równanie (4):

Równanie 4     (4)

Ten zbiór (X) był używany w strategii konsensusu razem z Limma Trend (Y) i Limma Voom (Z).

Budowa sieci PPI
Diagramy Venna zostały użyte do identyfikacji wspólnych genów pomiędzy APAP a celami o hepatotoksyczności. Nakładające się geny zostały następnie przesłane do bazy danych Search Tool for the Retrieval of Interacting Genes/Proteins (STRING), aby stworzyć sieci PPI.

Wielowymiarowa analiza wzbogacenia funkcjonalnego
Najpierw przeprowadziliśmy analizy funkcjonalne genów Ontology (GO), Kyoto Encyclopedia of Genes and Genomes (KEGG), ekspresji tkanek oraz funkcjonalne powiązane z chorobą pokrywających się genów APAP i hepatotoksyczności, korzystając ze strony internetowej STRING. Następnie przeprowadziliśmy analizy wzbogacenia genów GO, KEGG oraz GSEA (REACTOME) genów różnicowych dla hepatotoksyczności przy użyciu narzędzi Sendo Academic Tools.

Analiza losowego lasu
Zastosowaliśmy uczenie maszynowe, aby zidentyfikować 20 najważniejszych genów cech z nakładających się genów APAP i hepatotoksyczności w danych transkryptomu indukowanej przez APAP. Zaimplementowano klasyfikator Losowego Lasu z 500 drzewami (n_estimators=500), maksymalną głębokością drzewa 10 (max_depth=10), minimalnie 2 próbkami potrzebnymi do podziału węzła (min_samples_split=2) oraz kryterium zanieczyszczeń Giniego (criterion='gini')36. Wydajność modelu oceniano za pomocą błędu Out-of-Bag (OOB), gdzie wartość bliska 0 wskazuje na wyższą dokładność predykcyjną. Oceny ważności cech zostały obliczone i zwizualizowane na podstawie analizy Random Forest, aby uszeregować wkład każdego genu, jak w równaniu (5).

Równanie 5    (5)

N to była całkowita liczba próbek, yi to 1(·) była funkcją wskaźnikową, 1 jeśli warunek był prawdziwy, a 0 w przeciwnym razie; Równanie 6 było przewidywanym oznaczeniem próbki III używając tylko drzew, gdzie III nie było uwzględnione w treningu.

Różnica ekspresji scharakteryzowanych genów
Różnice w ekspresji genów cech w danych transkryptomicznych zostały zwizualizowane za pomocą wykresów skrzypcowych. Biomarkery wykazujące statystycznie istotne różnice zostały zidentyfikowane jako potencjalne nowe biomarkery hepatotoksyczności wywołanej APAP do dalszych badań.

Dokowanie molekularne
Związki małocząsteczkowe (CID 1983) zostały pobrane z bazy danych PubChem, a receptory białkowe ESR1 i PNP (identyfikatory PDB 1SJ0 i 1V2H) zostały pobrane z Protein Data Bank. Struktury ligandów zostały przekształcone w format PDB za pomocą OpenBabel i wstępnie przetwarzane w AutoDock Tools poprzez dodanie polarnych wodorów, przypisanie ładunków Gasteigera, definiowanie więzów obrotowych oraz zapisywanie w formacie PDBQT. Receptory białkowe przygotowywano za pomocą PyMOL poprzez usunięcie cząsteczek wody i współkrystalizowanych ligandów, następnie dodano wodory polarne i przypisano ładunki Kollmana za pomocą narzędzi AutoDock, a następnie zapisywano je jako pliki PDBQT.

W dokowaniu molekularnym oprogramowanie AutoDock zostało użyte do zdefiniowania siatki dokowania obejmującej aktywne miejsce białka37. Siatka była wyśrodkowana na współrzędnych (x = XX·XX, y = YY·YY,z = ZZ·ZZ) o wymiarach 40 × 40 × 40 Å i odstępach siatki 0,375 Å, co zapewniało pełne pokrycie kieszeni oprawowej. AutoDock Vina został użyty do obliczenia trybów wiązania ligand-białko oraz powinowactw wiązania, z parametrem wyczerpującego ustawionym na 8, a dla każdego ligandu wygenerowano dziewięć najwyższych pozycji wiązania.

Walidacja protokołu dokowania została przeprowadzona poprzez ponowne dokowanie współkrystalizowanego ligandu do aktywnego miejsca, co dało wartość RMSD < 2,0 Å, potwierdzając niezawodność procedury dokowania. Wyniki dokowania zostały zwizualizowane za pomocą PyMOL do analizy konformacji wiązań i kluczowych interakcji, w tym wiązań wodorowych.

Symulacje dokowania przewidywały, że związek X pasuje do miejsca wiązania białka Y, tworząc potencjalne wiązania wodorowe i kontakty hydrofobowe, z przewidywaną energią wiązania -8,5 kcal/mol.

Rozwiązywanie problemów i możliwe modyfikacje
Aby poprawić odporność i powtarzalność proponowanego przepływu pracy, należy uwzględnić kilka kwestii rozwiązywania problemów oraz potencjalnych modyfikacji. Jeśli zostanie zidentyfikowana nieoczekiwanie niska liczba genów różnicowo ekspresowanych (DEG), zaleca się weryfikację procedury normalizacji, potwierdzenie poprawności oznakowania grup oraz rozważenie korekty zmiany |log2 fold| progu przy zachowaniu odpowiedniej kontroli wskaźnika fałszywego wykrywania (FDR). Natomiast jeśli uzyskana zostanie nadmierna liczba DEG, zastosowanie bardziej rygorystycznych progów FDR lub filtrowanie genów o niskiej wariancji przed analizą różnicowej ekspresji może poprawić specyficzność.

Efekty wsadowe mogą wpływać na wzorce klasteryzacji w analizach eksploracyjnych, takich jak analiza głównych składników (PCA). Jeśli próbki klastrują się głównie według warunków partii, a nie biologicznych, należy zastosować metody korekcji partii (np. empiryczne podejścia Bayesa, takie jak ComBat), a metadane próbek powinny być starannie ponownie oceniane pod kątem spójności.

W przypadku wyboru cech opartych na Losowym Lesie wysokie wskaźniki błędów Out-of-Bag (OOB) lub niestabilne rankingi cech mogą wskazywać na nieoptymalną konfigurację modelu. W takich przypadkach zwiększenie liczby drzew, dostrojenie parametru mtry lub powtarzanie się modeli z konsensusowym wyborem cech może zwiększyć stabilność modelu i niezawodność predykcji. Dodatkowo mogą być stosowane strategie walidacji krzyżowej do dalszej oceny odporności modelu.

Aby zwiększyć niezawodność, użytkownicy mogą opcjonalnie powtarzać analizę, używając alternatywnych progów DEG lub parametrów uczenia maszynowego oraz porównywać spójność zidentyfikowanych genów cech. Takie analizy wrażliwości pomagają zapewnić, że kluczowe ustalenia nie są zależne od konkretnych wyborów parametrów i wspierają powtarzalność przepływu pracy w podobnych zbiorach danych transkryptomicznych.

Analizy statystyczne
Istotność statystyczna została określona za pomocą testu t, z podaniem wartości p do porównania. Statystyczne korelacje między poziomami ekspresji genów a fenotypami związanymi z hepatotoksycznością oceniano przy użyciu współczynników korelacji Pearsona i Spearmana, w zależności od normalności danych. Wartości p były korygowane dla wielokrotnych porównań metodą Benjamini-Hochberga. Istotne powiązania zostały zwizualizowane za pomocą map cieplnych i wykresów rozrzutowych, co zapewniło solidną ocenę relacji transkryptomicznych.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Identyfikacja nakładających się genów dla APAP i hepatotoksyczności oraz ich analiza funkcjonalna
Aby określić potencjalne cele molekularne APAP i zbadać ich rolę biologiczną, opracowano prognozy za pomocą czterech narzędzi obliczeniowych: ChEMBL, SwissTargetPrediction, STITCH oraz SEA. Po usunięciu zduplikowanych wpisów i integracji nakładających się wyników sporządzono nieredundantną listę 140 kandydatów do celów. Dodatkowo z bazy GeneCards wyodrębniono 657 genów związanych z hepatotoksycznością. Po...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

APAP jest często przepisywany lek przeciwbólowy i przeciwpireczny; Jednak nadmierne spożycie może prowadzić do znacznej jatrotoksyczności, czasem prowadzącej do ostrej niewydolności wątroby38. Pomimo postępów w wyjaśnianiu mechanizmów patofizjologicznych uszkodzeń wątroby wywołanych APAP, nadal brakuje wiarygodnych biomarkerów do dokładnej diagnozy, prognozowania i badań mechanistycznych. Dlatego pilnie potrzebne jest zidentyfikowanie potencjalnych nowych biomarkerów i podejść do dalszego badania ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

Autorzy dziękują Uniwersytetowi Tradycyjnej Medycyny Chińskiej w Tiencinie za wsparcie instytucjonalne. Wyrażamy wdzięczność twórcom publicznych baz danych (GeneCards, PubChem, STRING) oraz narzędzi open-source, które umożliwiły te badania. Szczególne podziękowania dla kolegów ze Szkoły Chińskiej Materii Mediki oraz Kolegium Integracyjnej Medycyny Chińskiej i Zachodniej za cenne dyskusje i pomoc techniczną. Dziękujemy również współtwórcom GSE74000 zbioru danych za udostępnienie ich danych publicznie.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Bazy danych i bazy danych Serwery WWW
STRINGhttps://cn.string-db.org/Budowa sieci PPI; Wzbogacenie funkcjonalne
Narzędzia akademickie Sendohttps://www.xiantaozi.com/Analiza wzbogacania GO, KEGG i GSEA
PubChemhttps://pubchem.ncbi.nlm.nih.gov/Odzyskiwanie struktur chemicznych (APAP)
GeneCardshttps://www.genecards.org/Odzyskanie genów związanych z hepatotoksycznością
Baza danych GEOhttps://www.ncbi.nlm.nih.gov/geo/Pobieranie danych transkrypomicznych (GSE74000)
ChEMBLhttps://www.ebi.ac.uk/chembl/Przewidywanie celu
SwissTargetPredictionhttp://www.swisstargetprediction.ch/Przewidywanie celu
STITCHhttp://stitch.embl.de/Przewidywanie interakcji
SEAhttp://sea.bkslab.org/Podejście zespołu podobieństwa do predykcji celów
Bank Danych Białek (PDB)https://www.rcsb.org/Odzyskiwanie struktury białek (ESR1, PNP)
Oprogramowanie
R (wersja 4.x.x)https://www.r-project.org/Analiza statystyczna i przetwarzanie danych
AutoDock Tools / Vinahttp://autodock.scripps.edu/Przygotowanie i symulacja dokowania molekularnego
PyMOLhttps://pymol.org/Wizualizacja struktur molekularnych
Cytoscapehttps://cytoscape.org/Wizualizacja sieci

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Uszkodzenie w troby wywo ane paracetamolemidentyfikacja biomarker wtoksykologia sieciowaanaliza transkrypcyjnauczenie maszynowemodel asu losowegodokowanie molekularnebiomarkery hepatotoksyczno ci

Powiązane artykuły