Artykuł badawczy

Benzo[a]pirenowe i reumatoidalne zapalenie stawów: zintegrowane badanie obliczeniowe

DOI:

10.3791/70636

⸱

26 maja 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

W tym artykule

Podsumowanie

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

Badanie to zastosowało zintegrowane podejście toksykologiczne obliczeniowe, aby systematycznie zbadać związek między ekspozycją na benzodiazepirenem a reumatoidalnym zapaleniem stawów. Analiza zidentyfikowała pięć kluczowych genów docelowych, ujawniła ich wzbogacenie w kluczowych szlakach odpornościowych oraz potwierdziła stabilne wiązanie białek BaP, wyjaśniając potencjalne mechanizmy molekularne reumatoidalnego zapalenia stawów (RA) wywołanego zanieczyszczeniami środowiskowymi.

Streszczenie

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

Wielocykliczne węglowodory aromatyczne (PAH), wszechobecne zanieczyszczenia środowiskowe, są uznawane za istotne czynniki środowiskowe przyczyniające się do patogenezy RA. Benzo[a]piren (BaP), kluczowy składnik PAH, może być związany z początkiem RZS; Jednak mechanizm toksykologiczny leżący u podstaw wciąż nie został w pełni wyjaśniony. W tym badaniu systematycznie wypełniliśmy tę lukę wiedzy, stosując zintegrowane podejście łączące toksykologię sieci, uczenie maszynowe i dokowanie molekularne. Początkowo przeprowadzono analizę toksykologii sieci opartą na strukturze molekularnej BaP. Poprzez integrację i przesiewowe informacje o celach z wielu baz danych, ostatecznie zidentyfikowano 15 potencjalnych genów docelowych związanych z RA dla BaP, a ich sieć interakcji została zbudowana. Analizy wzbogacania GO i KEGG wykazały, że te geny były istotnie wzbogacone w procesy biologiczne, takie jak migracja leukocytów i transdukcja sygnału komórek odpornościowych, a także były powiązane ze szlakami sygnałowymi receptorów NF-κB i T, między innymi. Kolejne analizy topologiczne z wykorzystaniem bazy danych STRING oraz oprogramowania Cytoscape wykluczyły pięć genów podstawowych (LCK, ZAP70, ITK, GZMA i ITGAL), których znaczenie zostało dodatkowo potwierdzone dzięki uczeniu maszynowemu. Wyniki symulacji dokowania molekularnego i dynamiki molekularnej wskazały, że BaP wykazuje silne powinowactwo wiązawcze do produktów białkowych tych genów docelowych, co skutkuje powstawaniem stabilnych kompleksów konformacyjnych. Podsumowując, badanie to wykorzystuje zintegrowane podejście obliczeniowe, aby wyjaśnić potencjalne mechanizmy, dzięki którym BaP może przyczyniać się do rozwoju RZS, dając tym samym teoretyczną podstawę do przyszłych badań nad zapobieganiem i leczeniem RZ związanego z zanieczyszczeniami środowiskowymi.

Wprowadzenie

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

RZS to powszechna choroba autoimmunologiczna charakteryzująca się przewlekłym zapaleniem błony mazinowej i powstawaniem pannusa, które powodują postępujące niszczenie chrząstki i erozję kości. Te patologiczne zmiany prowadzą do dysfunkcji stawów, zwiększonego ryzyka złamań patologicznych, a ostatecznie do niepełnosprawności, co poważnie pogarsza jakośćżycia osób dotkniętych chorobą. Chociaż etiologia RZS nie jest w pełni poznana, jego patogeneza jest zazwyczaj spowodowana łącznym efektem podtypów genów HLA-DR4 i HLA-DR1) oraz czynników środowiskowych (np. palenie, spożycie alkoholu, zakażenie wirusem Epstein-Barr, narażenie na zanieczyszczenie powietrza)2. Badania epidemiologiczne wykazały istotny związek między PAH spowodowanymi zanieczyszczeniem powietrza a zwiększonym ryzykiem wystąpienia RZS3.

PAH to powszechne zanieczyszczenia powietrza pochodzące z niepełnego spalania substancji takich jak węgiel, ropa naftowa, gaz ziemny i tytoń, i są uważane za ważne środowiskowe mediatory patogenezy RA. Mogą wiązać się z kompleksem receptora węglowodorowego arylu (AHR) w komórkach odpornościowych, co prowadzi do ekspozycji sygnałów lokalizacyjnych jądrowych i w konsekwencji translokacji kompleksu ligand–AHR do jądra. W kontekście patogenezy RZS, AHR związany z PAH działa jako centralny czujnik środowiskowy, który napędza dysregulację odporności poprzez powiązane szlaki. Po aktywacji AHR tworzy heterodimery z ARNT i moduluje ekspresję genów CYP, inicjując kaskadę zapalną4. Ta aktywacja AHR jednocześnie zaburza równowagę między prozapalnymi a regulatorowymi komórkami T: z jednej strony uruchamia oś sygnalizacji AHR/Jag1/Notch, wzmacniając uwalnianie cytokin Th17komórek 5. Z kolei AHR bezpośrednio wiąże się z promotorem GOT1, aby zwiększyć ekspresję GOT1, co indukuje hipermetylację locus FOXP3 i tłumi różnicowanie Treg6. Wynikająca z tego nierównowaga Th17/Treg sprzyja środowisku prozapalnemu. Ponadto aktywacja AHR dodatkowo wzmacnia odpowiedzi typu Th2 poprzez zwiększenie ekspresji CCR8 oraz cytokin takich jak IL-4 i IL-13, które łącznie utrwalają zapalenie błony maziowej i uszkodzenia tkanek7. W ten sposób aktywacja AHR stanowi węzeł łączący ekspozycję środowiskową na PAH z dysregulacją Th17/Treg/Th2, tworząc mechanistyczny most między genotypem, czynnikami środowiskowymi a patologią RZS.

W atmosferze PAH występują jako złożone mieszaniny, a BaP jest kluczowym składnikiem. W ludzkich makrofagach BaP może indukować produkcję CXCL8 (IL-8) poprzez promowanie wiązania AHR z promotorem CXCL8, co następnie indukuje ekspresję neurotrofilowych czynników chemotaktycznych8. Dodatkowo, BaP może zwiększać ekspresję Slug w synoviocytach fibroblastopodobnych (FLS) u pacjentów z RZS w sposób zależny od dawki, co nasila postęp artretyzmu9. U myszy typu dzikiego BaP promuje aktywację receptorów jądrowych (RANKL) pośredniczoną przez osteoklastę (OC) poprzez indukowanie aktywności enzymu CYP1A1, co ostatecznie prowadzi do utraty kości10. Jednak dokładny mechanizm stojący u podstaw roli toksyczności BaP w patogenezie RZS pozostaje niejasny. Hipotezujemy, że BaP sprzyja patogenezie RZS poprzez bezpośrednią interakcję z kluczowymi białkami docelowymi immunologicznych i zakłócając wiele szlaków sygnalizacyjnych zaangażowanych w aktywację limfocytów T, równowagę Th17/Treg oraz produkcję cytokin zapalnych, co łączy tym samym ekspozycję BaP środowiskową z zapaleniem błony maziowej i niszczeniem stawów. Toksykologia sieci jest bardziej odpowiednia niż tradycyjne metody eksperymentalne z pojedynczą ścieżką do tego badania, ponieważ BaP prawdopodobnie działa na wiele celów immunologicznych i przecinających się szlaków. W porównaniu z konwencjonalnymi podejściami eksperymentalnymi, które zazwyczaj badają jedną ścieżkę lub kilka celów naraz, toksykologia sieciowa umożliwia holistyczne spojrzenie na interakcje wielocelowe i efekty systemowe, choć jej prognozy zależą od bazy danych i wymagają potwierdzenia eksperymentalnego.

Istniejące badania nad rolą BaP w RA ograniczają się głównie do pojedynczych szlaków lub liniowych opisów mechanistycznych, brakuje im zintegrowanej analizy cech regulacji wielocelowych i wielopoziomowych sieci. Istniejące badania nad rolą BaP w RA ograniczają się głównie do pojedynczych szlaków lub liniowych opisów mechanistycznych, brakuje im zintegrowanej analizy cech regulacji wielocelowych i wielopoziomowych sieci. Dlatego potrzebne są holistyczne podejścia, takie jak toksykologia sieci, aby rozwikłać złożony związek między ekspozycją na BaP a patogenezą RZS 11,12,13. Niemniej jednak brakuje badań toksykologicznych sieci dotyczących chorób wywołanych zanieczyszczeniami środowiskowymi. Nowością tego badania jest integracja toksykologii sieci, uczenia maszynowego i dokowania molekularnego w celu systematycznego badania patogenezy RZS pośredniczonej przez BaP, zamiast skupiać się na pojedynczej ścieżce lub izolowanych celach. Identyfikuje kluczowe geny hubów poprzez analizę topologiczną połączoną z uczeniem maszynowym i po raz pierwszy zapewnia molekularną walidację trybów wiązania oraz stabilności termodynamicznej między BaP a produktami każdego rdzeniowego genu. Systematycznie identyfikując potencjalne mechanizmy molekularne, dzięki którym BaP może sprzyjać występowaniu i rozwojowi RZS, to badanie obliczeniowe ma na celu dostarczenie teoretycznych podstaw do zrozumienia środowiskowych czynników wywołujących RZ oraz opracowania ukierunkowanych strategii terapeutycznych. W porównaniu z tradycyjnymi analizami pojedynczych szlaków, to zintegrowane podejście umożliwia systematyczną ocenę interakcji wielocelowych, oferując szersze zastosowanie w badaniu złożonych mechanizmów chorób środowiskowych. Należy jednak zauważyć, że nasza metoda priorytetowo traktuje geny hubów o wysokiej pewności poprzez analizę przecięcia i topologiczną, co może nieumyślnie wykluczyć biologicznie istotne geny kandydatów, które jednocześnie nie spełniają progów selekcji. Przyszłe badania mogłyby badać strategie uzupełniające, takie jak zastosowanie uczenia maszynowego do zbioru przewidywanych celów, integracja innych danych omicznych czy przeprowadzanie ukierunkowanej walidacji eksperymentalnej, aby dodatkowo potwierdzić i rozwinąć nasze ustalenia.

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

Protokół

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

Oświadczenie etyczne
Badanie to nie obejmowało bezpośrednio żadnych uczestników na ludziach ani w badaniach zwierzęcych.

Przejęcie BaP Target
BaP charakteryzowało się integracją danych z wielu baz danych. Baza danych PubChem (https://pubchem.ncbi.nlm.nih.gov/) została zapytana za pomocą słowa kluczowego "Benzo[a]pyrene", aby uzyskać jej strukturę chemiczną i kanoniczną strukturę 2D (ciąg MILES: C1=CC=C2C3=C4C(=CC2=C1)C=CC5=C4C(=CC=C5)C=C3)14. Potencjalne cele BaP zostały pobrane z baz danych ChEMBL (https://www.ebi.ac.uk/chembl/), SEA (https://sea.bkslab.org/) oraz PharmMapper (http://lilab-ecust.cn/pharmmapper)15, 16, 17. Wszystkie przewidywane cele były ograniczone do proteomu Homo sapiens. Pełna lista przewidywanych celów BaP (n = 474) znajduje się w Tabeli Uzupełniającej S1. Cały proces analityczny przedstawiony jest schematycznie na Rysunku 1.

figure-protocol-1
Rysunek 1. Schemat analizy zbiorów danych w tym artykule, ilustrujący ogólny przepływ pracy, w tym akwizycję danych, wstępne przetwarzanie, analizę ekspresji różnicowej, budowę sieci oraz etapy walidacji. Prosimy kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.

Pozyskiwanie celów związanych z RA
W tym badaniu pozyskano pięć zestawów danych o RZS z bazy NCBI Gene Expression Omnibus (GEO) (https://www.ncbi.nlm.nih.gov/gds/) z wykorzystaniem słów kluczowych "Reumatoidalne zapalenie stawów" i "Homo sapiens"18. Na podstawie wielkości zbioru danych i projektu eksperymentalnego GSE77298 (RA: 16 próbek; Kontrola: 7 próbek), GSE1919 (RA: 5 próbek; Kontrola: 5 próbek), oraz GSE55235 (RA: 10 próbek; Kontrola: 10 próbek) stanowiła zestaw treningowy do identyfikacji genów różnicowo ekspresyjnych (DEG), podczas gdy GSE12021 (RA: 24 próbki; Kontrola: 13 próbek) i GSE55457 (RA: 13 próbek; Kontrola: 10 próbek) pełniła funkcję zestawu walidacyjnego. Dalsze szczegóły dotyczące tych zbiorów danych, takich jak platformy, próbki i serie GSE, można znaleźć w Tabeli 1.

Dane zostały ustandaryzowane za pomocą narzędzia online GEO2R, generując macierze ekspresji przekształcone log2 do dalszej analizy. Aby wyeliminować interferencje z różnych partii eksperymentalnych, systematyczne błędy między zbiorami danych zostały skorygowane za pomocą funkcji ComBat z pakietu SVA opartej na parametrycznej empirycznej ramie Bayesa. Następnie zastosowano analizę głównych składników (PCA) do weryfikacji efektu korekcji, wykazując znacząco poprawione klasteryzowanie próbek między partiami i tym samym potwierdzając skuteczne usunięcie efektów partii. Połączona i skorygowana macierz danych została wykorzystana do późniejszej analizy różniczkowej.

Seria GSEPróbkiPeronGrupa
GSE77298Sterowanie 16 RA i 7GPL570Kohorta szkoleniowa
GSE1919Sterowania 5 RA i 5GPL91Kohorta szkoleniowa
GSE5523510 RA i 10 sterowaniaGPL96Kohorta szkoleniowa
GSE12021Sterowanie 24 RA i 13GPL96Kohorta walidacji
GSE5545713 RA i 10 sterowańGPL9Kohorta walidacji

Tabela 1: Podsumowanie pięciu zbiorów danych GEO użytych w tym badaniu.
Tabela zawiera numer dostępu do GEO (seria GSE), skład próby (liczbę pacjentów z reumatoidalnym zapaleniem stawów i zdrowych grup kontrolnych), identyfikator platformy (GPL) dla każdego zbioru danych oraz przypisanie do kohorty treningowej lub walidacyjnej.

Analiza ważonej sieci współekspresji genów (WGCNA)
WGCNA została użyta do oceny charakterystyki sieci współekspresji DEG związanych z RA19. Na podstawie macierzy ekspresji skorygowanej efektem partii najpierw przeprowadzono wstępne przetwarzanie danych: usunięto geny o niskiej wariancji i odchyleniu standardowym poniżej 0,5, natomiast jakość próbek i genów oceniano za pomocą funkcji oceny dobrych próbek i genów. Następnie zastosowano hierarchiczne klasteryzowanie w celu identyfikacji i usunięcia próbek odstających od rzeczywistości. Aby skonstruować ważoną sieć współwyrażeń, zastosowano funkcję systematyczną oceny wartości mocy o miękkich progach, aby systematycznie oceniać wartości mocy progowej miękkiej w zakresie od 1 do 20. Moc = 12 wybrano jako optymalny miękki próg (indeks dopasowania topologii bezskalowej R2 = 0,90), co zapewnia, że topologia sieci spełnia kryterium wolne od skalowania. Na podstawie tej wartości potęgowej skonstruowano macierz sąsiedztwa oraz obliczono macierz nakładania się topologicznego (TOM). Geny były hierarchicznie klastrowane, a do identyfikacji początkowych modułów genowych stosowano dynamiczny algorytm wycinania drzew. Następnie podobne moduły zostały połączone poprzez klasteryzację genów własnych, co zaowocowało solidną siecią modułów genów. Wszystkie analizy przeprowadzono z dedykowanym pakietem R do analizy sieci z ważoną współekspresją, aby zapewnić niezawodność i powtarzalność konstrukcji sieci. Przeprowadzono analizę przecięcia między genami hubów DEG/WGCNA a przewidywanymi celami BaP, aby zidentyfikować kluczowe cele BaP związane z patogenezą RZS, które zostały zwizualizowane za pomocą oprogramowania diagramów Venna.

Identyfikacja celów związanych z BaP związanych z patogenezą RZS
Analiza przecięć wykonano za pomocą pakietu R dla diagramów Venna, aby zidentyfikować cele BaP pokrywające się z patogenezą RZ. Zostały one zaimportowane do bazy danych STRING, aby stworzyć sieć interakcji białko-białko (PPI), z gatunkiem ustawionym na "Homo sapiens" i wskaźnikiem ufności interakcji na > 0,7, aby zapewnić wysoką niezawodność sieci20. Ten próg został wybrany, ponieważ odpowiada "wysokiemu poziomowi ufności" w bazie danych STRING, który równoważy zachowanie biologicznie istotnych interakcji przy jednoczesnym minimalizowaniu fałszywych alarmów zwykle związanych z niższymi wynikami zaufania. Próg > 0,7 został szeroko przyjęty w badaniach toksykologii sieci, aby priorytetowo traktować silne i powtarzalne powiązania białek. Powstały plik TSV został pobrany z bazy danych interakcji białk-białko (STRING) i zaimportowany do oprogramowania do wizualizacji sieci (Cytoscape) w celu wizualizacji sieci. Podstawowe białka w sieci zostały zidentyfikowane na podstawie wyników rankingowych wygenerowanych przez algorytm Degree w wtyczce CytoHubba i wykorzystane do dalszej analizy.

Analiza wzbogacania KEGG i GO
Skróty genów związanych zarówno z modulacją BaP, jak i patogenezą RA zostały przekształcone w ID Entrez za pomocą "org. Hs.eg.db" w języku R. Następnie przeprowadzono analizę wzbogacenia szlaku KEGG za pomocą narzędzia clusterProfiler, z progiem istotności ustawionym na 0,05. Tymczasem anotacja funkcjonalna GO obejmowała trzy główne kategorie GO: Proces biologiczny (BP), Komponent komórkowy (CC) oraz funkcję molekularną (MF), i była wykonywana za pomocą funkcji enrichGO, z oba, wartości P i q-wartości ustawionymi na 0,05. Należy zauważyć, że nie zastosowano żadnej wielokrotnej korekty testowej, ponieważ głównym celem tej analizy eksploracyjnej było maksymalizowanie odkrycia potencjalnie istotnych szlaków biologicznych i terminów funkcjonalnych, co generuje szerszy zestaw testowalnych hipotez do przyszłej walidacji eksperymentalnej. Na koniec wyniki analizy wzbogacenia zostały graficznie przedstawione przy użyciu funkcji wykresu słupkowego i kropkowego z pakietu enrichplot.

Walidacja genów podstawowych oparta na uczeniu maszynowym
Aby ocenić zdolność predykcyjną kluczowych genów związanych z BaP i RA oraz zachować przejrzystość modelu, wdrożyliśmy systematyczny workflow uczenia maszynowego. Korzystając z profili ekspresji wybranych genów rdzeniowych, zbudowano modele predykcyjne z 11 różnymi algorytmami uczenia maszynowego: regresja Lasso (LR), Support Vector Machine (SVM), las losowy (RF), glmBoost, krokowy uogólniony model liniowy (GLM), regresja grzbietowa, sieć elastyczna (Enet), Gradient Boosting Machine (GBM), analiza dyskryminantna liniowa (LDA), eXtreme Gradient Boosting (XGBoost) oraz naivne Bayes. Hiperparametry były optymalizowane poprzez pięciokrotną walidację krzyżową, przy czym próbkowanie stratyfikowane służyło do podziału danych na zbiory treningowe i wewnętrzne walidacyjne. Stały losowy seed (set.seed(123)) był używany w całym procesie uczenia maszynowego, aby zapewnić powtarzalność podziału danych, krzyżowej walidacji foldów oraz trenowania modelu. Kluczowe hiperparametry dla każdego algorytmu przedstawiono w Tabeli Uzupełniającej S2. Wydajność modelu oceniano za pomocą wielu wskaźników, w tym powierzchni pod krzywą (AUC), dokładności oraz wyniku F1. Aby rozwiązać ograniczenia wynikające z podejść opartych na pojedynczym modelu, zastosowaliśmy strategię stacking ensemble, która integrowała prognozy z najlepiej działających modeli bazowych. Dostrzegając "czarną skrzynkę" wielu modeli uczenia maszynowego, zastosowaliśmy algorytm SHapley Additive exPlanations (SHAP), aby ilościowo określić wkład każdego genu w przewidywania. Wielkość i kierunek wartości SHAP zostały wykorzystane do interpretacji znaczenia genu w decyzjach klasyfikacyjnych, co zwiększało interpretowalność wyników modelu.

Molekularne dokowanie BaP z głównymi celami
Aby zbadać cechy wiązania BaP z produktami genu podstawowego, przeprowadzono symulacje dokowania molekularnego. Trójwymiarowa struktura BaP (ligand) została uzyskana w formacie SDF z bazy danych PubChem. Struktury białkowe odpowiadające głównym celom zostały pobrane z RCSB Protein Data Bank (https://www.rcsb.org/) w formacie PDB, wybrane zgodnie z ich identyfikatorami UniProt, z preferencją dla struktur zawierających współkrystalizowane ligandy lub współrzędne o wysokiej rozdzielczości. Przed dokowaniem przygotowywano białko za pomocą PyMol, podczas którego usuwano cząsteczki wody, współkrystalizowane ligandy oraz składniki niebiałkowe, takie jak jony, aby zapobiec interferencji21. Dla białek z współkrystalizowanymi ligandami w ich oryginalnych strukturach PDB centrum aktywnego miejsca zostało zdefiniowane na podstawie współrzędnych atomowych ligandu wiązanego. Dla białek bez ligandów współkrystalizowanych centrum miejsca aktywnego zostało określone na podstawie współrzędnych kluczowych reszt zgłoszonych w literaturze jako kluczowe dla aktywności katalitycznej lub wiązania inhibitorów. Siatka dokowania była wyśrodkowana na określonych współrzędnych aktywnego miejsca, z kwadratem sześciennym o wymiarach 25 × 25 × 25 Å na każdy cel. Standardowy rozmiar pudełka 25 Å zapewnia pełne pokrycie każdego aktywnego miejsca z wystarczającym marginesem na próbkowanie ligandów, jednocześnie unikając nadmiernych kosztów obliczeniowych. Wszystkie obliczenia dokowania były wykonywane za pomocą AutoDock Vina (wersja 1.2.5). Formacja o najbardziej korzystnym wyniku Vina została wybrana jako reprezentatywny tryb wiązania, a odpowiadająca jej energia wiązania została zarejestrowana. Trójwymiarowe pozy wiązania zostały wygenerowane za pomocą PyMol (wersja 2.5.7), a dwuwymiarowe diagramy interakcji wykonano w Discovery Studio (wersja 2021), aby wizualizować kluczowe interakcje, w tym wiązania wodorowe i kontakty hydrofobowe.

Symulacja dynamiki molekularnej
Symulacje dynamiki molekularnej przeprowadzono z Gromacs 2025.3, wykorzystując kompleksy pochodzące od dokowania jako struktury startowe. Atomy białka były modelowane za pomocą pola siłowego AMBER14SB, a cząsteczki wody reprezentowano za pomocą modelu TIP3P. Każdy kompleks białko-ligand był rozpuszczany w sześciennym pudełku wodnym, z minimalną odległością 1 nm między powierzchnią białka a granicą pudełka. W razie potrzeby dodawano jony sodu lub chlorku, aby osiągnąć elektroneutralność układu. Początkowa minimalizacja energii została przeprowadzona za pomocą kombinacji algorytmów najstromszego opadu i sprzężonego gradientu, każdy z nich wykonany przez maksymalnie 10 000 kroków. Dalekosiężne oddziaływania elektrostatyczne obliczono metodą Particle-Mesh Ewald (PME), natomiast odległość odcięcia 1,0 nm zastosowano zarówno do oddziaływań van der Waalsa, jak i krótkodystansowych elektrostatycznych. Po minimalizacji energii systemy były stopniowo wyrównywane w warunkach NVT (stała objętość i temperatura) oraz NPT (stałe ciśnienie i temperatura). Następnie wykonywano serie produkcyjne o długości 100 ns w stałej temperaturze i ciśnieniu, z krokiem czasowym 0,002 ps (2 fs) i łącznym wynikiem 50 000 000 kroków. Każda symulacja była przeprowadzana raz (bez powtórzeń), ponieważ głównym celem była ocena stabilności kompleksów wiązań w warunkach standardowych. Temperatura była utrzymywana za pomocą termostatu V-rescale, a ciśnienie kontrolowano barostatem Parrinello–Rahmana. Przez cały czas symulacji konsekwentnie stosowano cutoff 1,0 nm dla interakcji niezwiązanych z wiązaniem. Aby ocenić stabilność i elastyczność strukturalną, obliczyliśmy średnie odchylenie kwadratowe pierwiastkowe (RMSD) pozycji atomowych, fluktuację średniej kwadratowej korzenia (RMSF) na resztę, promień wirowania (Rg) jako miarę zwartej struktury oraz powierzchnię dostępną dla rozpuszczalnika (SASA). Wszystkie wykresy były generowane za pomocą QtGrace.

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

Wyniki

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

Przejęcie BaP Target
Dane dotyczące struktury molekularnej BaP pochodzą z bazy danych PubChem (Rysunek 2A). Potencjalne cele biologiczne BaP były systematycznie przewidywane poprzez integrację informacji z trzech uzupełniających się baz danych — ChEMBL, PharmMapper i SEA — co zaowocowało identyfikacją 474 potencjalnych celów (Rysunek 2B).

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

Dyskusja

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

RZS to złożona choroba autoimmunologiczna powstała w wyniku interakcji między podatnością genetyczną a czynnikami środowiskowymi. Wśród licznych czynników ryzyka środowiskowego, PAH, będące jednym z najczęstszych zanieczyszczeń powietrza, są uważane za ważne ogniwo łączące narażenie środowiskowe z początkiem RZS. Wcześniejsze badania wstępnie wykazały, że PAH mogą wpływać na równowagę różnicowania komórek odpornościowych za pośrednictwem szlaku AHR, a także wywoływać stres oksydacyjny. BaP, wysoce reprezentatywny składni...

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

Oświadczenia

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

Autorzy nie zgłaszają konfliktów interesów w tej pracy.

Podziękowania

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

Prace te były wspierane przez Narodową Fundację Nauk Przyrodniczych Chin [numery grantów 82274435, 82074223]; Kluczowy Projekt na poziomie rządu centralnego: Ustanowienie zdolności zrównoważonego wykorzystania cennych zasobów medycyny chińskiej [grant numer 2060302]; oraz piąty rocznik Narodowego Programu Szkoleniowego dla Doskonałości Klinicznej w medycynie chińskiej w 2022 roku [grant numer 2022178].

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
AutoDock Vinahttps://vina.scripps.edu1.2.5 (SCR_011958)Oprogramowanie dokujące molekularne
clusterProfiler (pakiet R)https://bioconductor.org/packages/clusterProfiler4.10.0 (SCR_016884)Pakiet R do analizy wzbogacania
CytoHubba (wtyczka Cytoscape)https://apps.cytoscape.org/apps/cytohubba0.1Wtyczka do identyfikacji genów hub (algorytm stopnia)
Cytoscapehttps://cytoscape.org3.10.1 (SCR_003032)Oprogramowanie do wizualizacji sieci
Discovery StudioDassault Systè mes BIOVIA2021Oprogramowanie do generowania diagramów interakcji 2D
enrichplot (pakiet R)https://bioconductor.org/packages/enrichplot1.22.0 (SCR_021165)Pakiet R do wizualizacji wyników wzbogacania
GROMACOWIEhttps://www.gromacs.org2025.3 (SCR_014565)Oprogramowanie do symulacji dynamiki molekularnej
limma (pakiet R)https://bioconductor.org/packages/limma3.58.1 (SCR_010943)Pakiet R do analizy różniczkowej ekspresji
org. Hs.eg.db (pakiet R)https://bioconductor.org/packages/org. Hs.eg.db3.18.0 (SCR_006442)Pakiet adnotacji R dla identyfikatorów genów ludzkich
PyMolSchrö dinger, Inc2.5.7 (SCR_000305)Oprogramowanie do wizualizacji molekularnej
QtGracehttps://sourceforge.net/projects/grace/0.2.6Narzędzie do wykresów do analizy trajektorii
R (środowisko programistyczne)https://www.r-project.org4.3.1 (SCR_001905)Oprogramowanie do obliczeń statystycznych
Baza danych STRINGhttps://string-db.org12 (SCR_005223)Baza danych interakcji białko-białko
venn (pakiet R)https://cran.r-project.org/package=venn1.11Pakiet R do generowania diagramów Venna
WGCNA (pakiet R)https://cran.r-project.org/package=WGCNA1.72 (SCR_003302)Dedykowany pakiet R do analizy sieci współwyrażeń ważonych

Bibliografia

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

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

Wielopier cieniowe w glowodory aromatycznetoksykologia sieciowadokowanie molekularneuczenie maszynowescreening gen w docelowychszlak NF kBreceptor limfocyt w Tsygnalizacja kom rek odporno ciowych

Powiązane artykuły