Исследовательская статья

Вычислительная идентификация пуриннуклеозида фосфорилазы и эстрогенового рецептора 1 как биомаркеров повреждения печени, вызванного ацетаминофеном

DOI:

10.3791/69887

⸱

6 февраля 2026 г.

 , 
1School of Chinese Materia Medica, Tianjin University of Traditional Chinese Medicine, 2College of Integrative Chinese and Western Medicine, Tianjin University of Traditional Chinese Medicine

В этой статье

Краткое содержание

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

Мы вычислительно анализируем сетевые токсикологические и транскриптомические данные для выявления биомаркеров повреждения печени, вызванного ацетаминофеном, выявляя эстрогеновые рецепторы 1 и пуриннуклеозид фосфорилаза в качестве диагностических мишеней.

Аннотация

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

Повреждения печени, вызванные ацетаминофеном, являются серьёзной проблемой общественного здравоохранения, однако надёжных ранних биомаркеров отсутствуют. Целью данного исследования было выявление кандидатов на биомаркеры для гепатотоксичности, индуцированной ацетаминофеном, с помощью вычислительного подхода, интегрирующего сетевую токсикологию, транскриптомику и машинное обучение. Потенциальные мишени с ацетаминофеном были предсказаны с помощью онлайн-платформ, получив 140 кандидатов. Гены, связанные с гепатотоксичностью (n = 657), были извлечены из GeneCard, и выявлено 38 перекрывающихся генов. Были проанализированы дифференциально экспрессированные гены из GSE74000 набора данных (n = 1 978). Было проведено функциональное обогащение для выявления соответствующих путей. Случайная лесная модель приоритизировала 20 генов признаков, а молекулярное докирование оценивало сродство связывания с ацетаминофеном. DEGs в первую очередь были связаны с дисфункцией митохондрий и биогенезом рибосом. Функциональное обогащение выделило ксенобиотический метаболизм и пути окислительного стресса. Эстрогеновый рецептор 1 и пуриннуклеозид фосфорилаза были ведущими генами признаков, демонстрируя значительные различия в экспрессии и сильные докинговые взаимодействия с ацетаминофеном. Этот вычислительный протокол систематически предсказывает кандидатные биомаркеры для поражения печени, индуцированной ацетаминофеном, предоставляя молекулярные выводы и кандидатов на экспериментальную валидацию.

Введение

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

Ацетаминофен (APAP) — широко применяемое анпиретическое и обезболивающее средство, но чрезмерное употребление может привести к тяжёлой гепатотоксичности и потенциальной печёночнойнедостаточности 1,2. Ожидается, что повреждение печени произойдёт после метаболизма препарата, а последующим токсичным метаболитом является N-ацетил-п-бензохинон имин (NAPQI), что приводит к митохондриальному окислительному стрессу, изменённому дыханию митохондрий и переходу к проницаемости митохондрии, что в конечном итоге приводит к некротической гибели гепатоцитов,а не апоптотической 3,4. Передозировка APAP остаётся ведущей причиной острой печёночной недостаточности (ALF) во многих странах. Эпидемиологические данные показывают, что токсичность APAP составляет почти 50% случаев ALF в США и ежегодно вызывает тысячи экстренных госпитализаций. Похожие тенденции наблюдаются по всему миру: гепатотоксичность, связанная с APAP, составляет значительную долю случаев лекарственно-индуцированного повреждения печени (DILI) 5,6. Высокая заболеваемость, риск трансплантации печени и значительная нагрузка на здравоохранение подчёркивают острую необходимость улучшения диагностических биомаркеров и механистического понимания повреждений, вызванных APAP. В частности, APAP всасывается и в основном метаболизируется в печени посредством глюкуронирования и сульфатирования, образуя водорастворимые конъюгаты, которые выводятся с мочой. Небольшая часть (10-15%) проходит гидроксилирование, опосредованное цитохромом P450 (CYP450) (с помощью ферментов, таких как CYP1A2, CYP2E1 и CYP3A4), чтобы получить реактивный промежуточный NAPQI, который связывается с глутатионом и выводитсяжелчью 7,8. Из-за ограниченной способности путей глюкуронирования и сульфатирования чрезмерная дозировка приводит к увеличению образования NAPQI, одновременно истощая запасы глутатиона в печени9. После того как глутатион истощается до критических уровней, NAPQI начинает ковалентно связываться с клеточными макромолекулами, повреждаягепатоциты 10. Токсичность, связанная с передозировкой APAP, растёт, и только в США ежегодно посещается от 50 000 до 80 000 посещений отделений неотложнойпомощи. Поскольку окислительный стресс и дисфункция митохондрий являются центральными факторами гепатотоксичности, вызванной APAP, нарушение регуляции ESR1 может косвенно влиять на выживаемость гепатоцитов и воспалительные реакции при повреждении APAP. Токсичность APAP вызывает метаболический стресс и воспалительную активацию в гепатоцитах. Изменения экспрессии PNP могут отражать изменённый метаболизм нуклеотидов и иммунно-связанные ответы во время повреждения печени, вызванного APAP.

Ранние отчёты о гепатотоксичности, вызванной APAP, в основном были сосредоточены на клинических симптомах и патологических изменениях печени и почек, что стало основой для последующих исследований механизмов гибели клеток и воспаления при токсичности APAP12,13. Ключевым прорывом стало выявление сывороточных аминотрансфераз (например, ALT и AST) в качестве биомаркеров повреждения печени. С появлением моделей клеточной культуры и биоинформатических инструментов современные исследования гепатотоксичности APAP расширились и включают диагностические, прогностические и механистическиебиомаркеры 14,15,16. Однако получение достаточного количества образцов сыворотки или плазмы от пациентов с передозировкой APAP, особенно тех, кто не выжив, остаётсясложным 17. В результате возникает острая необходимость исследовать новые диагностические, прогностические и механистические биомаркеры с использованием новых подходов для лучшего изучения гепатотоксичности, индуцированной APAP.

Сетевая токсикология — это новая область, которая строит сетевые модели для анализа токсикологических данных из баз данных соединений18,19. Он помогает охарактеризовать токсичность веществ, выявить механизмы и предсказать ключевые цели 20,21. В настоящее время сетевая токсикология широко признана ценным инструментом в научных исследованиях. Например, Тэнцзяо Цюй и др. интегрировали сетевую токсикологию с транскриптомикой для выявления новых нейротоксичных механизмов 2,2',4,4'-тетрабромодифенилового эфира (распространённого огнезащитного вещества) и его потенциальныхбиомаркеров 22. Недавние исследования также подчёркивают важность такого подхода при оценке токсичности натуральныхпродуктов 23. Однако эта инновационная исследовательская парадигма ещё не была применена для изучения потенциальных механизмов гепатотоксичности, вызванной APAP, и выявления новых биомаркеров, связанных с её токсичностью.

IntelliGenes был разработан как конвейер машинного обучения для обнаружения мультигеномныхбиомаркеров 24. Он интегрирует статистические методы с продвинутыми машинными методами для вычисления баллов I-Gene и создания индивидуальных профилей биомаркеров. Результаты показывают повышенную точность в прогнозировании сложных признаков и возможность персонализированного анализа заболеваний. Ограничения включают зависимость от качества данных, ограниченную валидацию в различных популяциях и необходимость более широкого клинического тестирования.

Главное — то, что текущие биомаркеры проточечной аденокарциномы поджелудочной железы (PDAC) недостаточны, а также предложение органоидов, полученных пациентом (PDO), в качестве функциональных платформ для разработкибиомаркеров 25. Он оценивает фенотипирование лекарств на основе PDO, моделирование химиорезистентности, системы ко-культуры и профилирование протеомных/метаболомных. Результаты показывают, что PDO лучше отражают биологию, связанную с лечением, но ограничения включают техническую вариабельность, ограниченное воспроизведение микросреды, длительные периоды культурирования и сложности рутинной клиническойинтеграции 26,27.

Целью исследования было оценить аналитические протеомные методы и функцию биоинформатики в идентификациибиомаркеров 28. В ней оценивалось, как вычислительные инструменты способствуют интерпретации данных, а также изучены методы анализа белков на основе рассеянного склероза. Результаты показали улучшенное открытие биомаркеров и новые цели лечения, но также ясно показали, что выявление белков с очень низким содержанием остаётся сложной, что снижает чувствительность существующих протеомных методов. Хотя несколько диагностических, механистических и прогностических биомаркеров для гепатотоксичности, индуцированной APAP, были хорошо установлены, эти маркеры в основном отражают гепатоцеллюлярное повреждение или дисфункцию митохондрий после наступлениятоксичности 29,30. В отличие от этого, настоящее исследование было направлено на выявление транскриптомических регуляторов, способных модулировать восприимчивость или реакцию хозяина на воздействие APAP. Поэтому ESR1 и PNP исследовались как исследовательские регуляторные маркеры, а не классические диагностические биомаркеры.

Чтобы устранить ограничения, присущие современным методологиям — в частности, вариативность культуры PDO и вопросы чувствительности протеомики — это исследование использует интегрированную вычислительную структуру, включающую токсикологию сетей, транскриптомику, машинное обучение и молекулярное докирование. Эта многоуровневая стратегия обходит необходимость больших когорт или сложных экспериментальных систем, используя вычислительное предсказание и мультиомическую кросс-валидацию. Логика такого комбинаторного подхода заключается в том, что каждая техника усиливает другие для минимизации ложноположительных результатов: сетевая токсикология сначала предоставляет системное предсказание целей и токсичных путей, связанных с APAP; Транскриптомический анализ впоследствии подтверждает, какие из этих предсказанных генов действительно нарушены во время гепатотоксичности; Алгоритмы машинного обучения затем отдают приоритет наиболее информативным кандидатам биомаркерам из этого пула с высокой уверенностью; и, наконец, молекулярное стыковывание обеспечивает механистическую поддержку, подтверждая возможность прямых взаимодействий между APAP и выявленными белковыми мишеньями.

Вместе эти шаги создают последовательный, основанный на доказательствах канал для прогнозирования биомаркеров. Это сочетание этих четырёх стратегий минимизирует ложноположительные прогнозы и повышает уверенность в нахождении ESR1 и PNP как сильных мишеней при гепатотоксичности, вызванной APAP. В этом исследовании необходимо иметь GSE74000 наборы данных по экспрессии генов с хорошей статистической мощностью, минимум три биологических репликации любого состояния с полными метаданными. Исходные экспрессионные файлы должны обрабатываться стандартным способом, который включает коррекцию фона, нормализацию (квантильную нормализацию и т.д.) и фильтрацию низкоэкспрессированных генов. R использовался для выполнения всех анализов с помощью пакетов, таких как limma, и внешних инструментов, таких как GeneCards и Cytoscape, которые позволяют строить сеть. Хотя конвейер облегчает приоритетизацию биомаркеров на основе систематического анализа, результаты ограничены качеством набора данных, эффектами пакета и отсутствием экспериментальной и in vivo валидации, что может повлиять на обобщаемость.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Этот протокол описывает вычислительный метод определения возможных биомаркеров повреждения печени, вызванного ацетаминофеном, с использованием сетевой токсикологии, транскриптомики, машинного обучения и молекулярного стыкинга (рисунок 1). Протокол предназначен для исследователей, имеющих доступ к инструментам биоинформатики, транскриптомным наборам данных и программному обеспечению для молекулярного докирования.

Процедура

Шаг 1: Идентификация мишеней с парацетаминофена
Получите представление SMILES о ацетаминофене (APAP) на сайте PubChem. Используйте онлайн-платформы (ChEMBL, SwissTargetPrediction, STITCH, SEA) для прогнозирования потенциальных молекулярных целей APAP. Интегрировать и дедупликацией прогнозируемых целей создать список из 140 целей APAP с высокой уверенностью.

Шаг 2: Определение целей гепатотоксичности
Получите гены, связанные с гепатотоксичностью, из базы данных GeneCards. Составьте и дедупликация списка, чтобы получить неизбыточный набор из 657 генов, связанных с гепатотоксичностью. Определите перекрывающиеся гены между мишеньями APAP и генами, связанными с гепатотоксичностью, с помощью диаграммы Венна.

Шаг 3: Транскриптомическая предобработка данных
Скачайте GSE74000 набор данных с GEO. Предварительно обработайте исходные данные экспрессии с помощью DESeq2: удалите гены с низкой экспрессией, нормализуйте с помощью факторов размера и примените трансформацию стабилизации дисперсии (VST). Провести дифференциальный анализ экспрессии с использованием Limma и DESeq2 с порогами скорректированного p-значения < 0,05 и |log2FC| > 1.

Шаг 4: Функциональный анализ обогащения
Загрузка перекрывающихся генов в STRING для анализа онтологии генов (GO), пути KEGG, экспрессии тканей и корреляции заболеваний. Визуализируйте результаты функционального обогащения с помощью пузырьковых графиков и тепловых карт.

Шаг 5: Машинное обучение для выбора признаков гена
Примените классификатор случайного леса (n_estimators=500, max_depth=10) для приоритизации признаков генов из перекрывающихся APAP и гепатотоксичных генов. Оценивайте производительность модели с помощью ошибок Out-of-Bag (OOB) и показателей важности признаков. Выберите 20 лучших признаков для дальнейшего анализа.

Шаг 6: Молекулярная стыковка
Получить структуру APAP (CID 1983) из PubChem и белковые рецепторы (ESR1: PDB ID 1SJ0, PNP: PDB ID 1V2H) из PDB. Подготовьте файлы лигандов и рецепторов: конвертируйте в формат PDB, добавляйте полярные водороды, назначайте заряды и сохраняйте как PDBQT-файлы. Определите стыковочную сетку в AutoDock Tools, покрывающую активный участок белка. Проведите молекулярное стыковение с помощью AutoDock Vina с исчерпывающей точностью 8 и проанализируйте аффинности и взаимодействия связывания. Визуализируйте результаты стыковки с помощью PyMOL для анализа конформаций связывания и взаимодействий ключей.

Шаг 7: Статистический анализ
Определить статистическую значимость с помощью t-тестов и скорректировать p-значения для множественных сравнений с помощью метода Бенджамини-Хохберга31. Визуализируйте статистически значимые ассоциации с помощью тепловых карт и диаграмм рассеяния.

Материалы и методы

Идентификация мишеней с парацетаминофена
Для выявления потенциальных молекулярных мишень APAP мы сначала получили его представление SMILES из базы данных PubChem. Затем мы использовали несколько онлайн-платформ, включая Chemical European Molecular Biology Laboratory (ChemBL)32, Swiss TargetPrediction 33, Search Tool for the Interaction of Chemicals and Targets (STITCH)34 и подход Similarity Ensemble approach (SEA)35, чтобы предсказать возможные цели. После интеграции результатов этих инструментов мы выбрали набор целей с высокой уверенностью для APAP. Таблица 1 определяет ключевые категории генов, используемые в этом исследовании, проясняя их роль в анализе данных и биологической интерпретации. Постоянное использование этих терминов обеспечивает чёткое сообщение о наших результатах.

Выявление гепатотоксичных целей
Потенциальные гены, связанные с гепатотоксичностью, были извлечены из базы данных GeneCards. Все выявленные гены были скомпилированы, дубликаты удалены, а для дальнейших анализов был составлен неизбыточный список. Набор данных GSE74000 был загружен из репозитория GEO 15 марта 2024 года. Исходные экспрессионные данные были обработаны и нормализованы с помощью лимма-пакета (квантильная нормализация). Дифференциальный экспрессионный анализ проводился с использованием линейного моделирования с эмпирическим байесевым усадкой. Гены, соответствующие скорректированному p-значению < 0,05 (Бенджамини-Хохберг FDR) и |log₂FC| > 1 считались значимыми. Визуализация DEG проводилась с использованием вулканических графиков и тепловых карт, сгенерированных с помощью ggplot2.

Предварительная обработка данных
Исходные данные подсчёта предварительно обрабатывались с помощью DESeq2. Гены с низкой экспрессией были удалены с использованием порога обнаружения CPM >1 как минимум в 70% образцов. Нормализация размера библиотеки проводилась с использованием коэффициентов размера DESeq2, как определено в уравнении (1):

Уравнение 1(1)

Где медианный коэффициент размера соотношения обозначается какs j. Для стабилизации средне-дисперсионных отношений в уравнении (2) использовалось преобразование, стабилизирующее дисперсию (VST):

Уравнение 2(2)

DEGs были идентифицированы с помощью теста Вальда с коррекцией Бенджамини-Хохберга, считая гены значимыми, если использовать их в уравнении (3):

Уравнение 3(3)

Множество DEG, полученное из DESeq2, было определено как уравнение (4):

Уравнение 4(4)

Этот набор (X) использовался в стратегии консенсуса вместе с Limma Trend (Y) и Limma Voom (Z).

Строительство сети PPI
Диаграммы Венна использовались для выявления общих генов между APAP и гепатотоксичными целями. Перекрывающиеся гены затем загружались в базу данных Search Tool for the Retrieval of Interacting Genes/Proteins (STRING) для создания сетей PPI.

Многомерный функциональный анализ обогащения
Сначала мы провели генную онтологию (GO), Киотскую энциклопедию генов и геномов (KEGG), экспрессию тканей и функциональные анализы перекрывающихся генов APAP и гепатотоксичности, связанные с заболеваниями, используя сайт STRING. Далее мы провели анализ обогащения дифференциальных генов на гепатотоксичность с помощью GO, KEGG и Gene Set Enrichment Analysis (GSEA) (REACTOME) с помощью Sendo Academic Tools.

Анализ случайных лесов
Мы применили машинное обучение для выявления 20 основных признаков из перекрывающихся генов APAP и гепатотоксичности в данных транскриптома гепатотоксичности, индуцированной APAP. Был реализован классификатор Random Forest с 500 деревьями (n_estimators=500), максимальной глубиной дерева 10 (max_depth=10), минимум 2 образцами, необходимыми для разделения узла (min_samples_split=2), и критерием примеси Джини (критерий='джини')36. Производительность модели оценивалась с помощью ошибки Out-of-Bag (OOB), где значение, близкое к 0, указывает на более высокую предсказательную точность. Оценки важности признаков были рассчитаны и визуализированы на основе анализа случайного леса для ранжирования вклада каждого гена, как в уравнении (5).

Уравнение 5(5)

N — общее количество выборок, yi — 1(·) — индикаторная функция, 1 — если условие верно, и 0 — в противном случае; Уравнение 6 была предсказанной меткой выборки III, используя только деревья, где III не был включён в обучение.

Дифференциальная экспрессия охарактеризованных генов
Различия экспрессии признаков генов в транскриптомных данных визуализировались с помощью скрипичных графиков. Биомаркеры, показывающие статистически значимые различия, были выявлены как потенциальные новые биомаркеры гепатотоксичности, индуцированной APAP, для дальнейших исследований.

Молекулярная стыковка
Малые молекулярные соединения (CID 1983) были извлечены из базы данных PubChem, а белковые рецепторы ESR1 и PNP (PDB IDs 1SJ0 и 1V2H) были скачаны из Protein Data Bank. Структуры лигандов были преобразованы в формат PDB с помощью OpenBabel и предварительно обработаны в AutoDock Tools путём добавления полярных водородов, назначения зарядов Гастайгера, определения вращающихся связей и сохранения в формате PDBQT. Белковые рецепторы были подготовлены с помощью PyMOL путём удаления молекул воды и сокристаллизованных лигандов, затем добавления полярных водородов и назначения зарядов Коллмана с помощью AutoDock Tools, а затем сохранены в виде PDBQT-файлов.

В молекулярном стыковке программное обеспечение AutoDock использовалось для определения стыковочной сетки, покрывающей активный участокбелка 37. Сетка была центрирована по координатам (x = XX·XX, y = YY· YY,z = ZZ· ZZ) с размерами 40 × 40 × 40 Å и сетчатыми интервалами 0,375 Å, обеспечивая полное покрытие кармана для крепления. AutoDock Vina использовался для расчёта режимов связывания лиганд-белков и аффинности связывания, параметр исчерпывавости установлен на 8, и для каждого лиганда были сгенерированы девять верхних поз связывания.

Валидация протокола стыковки проводилась путём повторного стыковки ко-кристаллизованного лиганда в активный участок, что дало значение RMSD < 2,0 Å, подтверждая надёжность процедуры стыковки. Результаты стыковки визуализировались с помощью PyMOL для анализа конформаций связывания и ключевых взаимодействий, включая водородные связывания.

Симуляции стыковки предсказали, что соединение X вписывается в участок связывания белка Y, образуя потенциальные водородные связи и гидрофобные контакты, с предполагаемой энергией связи -8,5 ккал/моль.

Устранение неполадок и возможные модификации
Для повышения надёжности и воспроизводимости предлагаемого рабочего процесса следует отметить несколько аспектов устранения неполадок и возможных изменений. Если выявляется неожиданно низкое количество дифференциально экспрессированных генов (DEG), пользователям рекомендуется проверить процедуру нормализации, подтвердить точную групповую маркировку и рассмотреть возможность корректировки изменения |log2 fold| порога при сохранении соответствующего контроля частоты ложного обнаружения (FDR). Напротив, если получено чрезмерное количество DEG, применение более строгих порогов FDR или фильтрация генов с низкой дисперсией перед анализом дифференциальной экспрессии может повысить специфичность.

Пакетные эффекты могут влиять на паттерны кластеризации в исследовательских анализах, таких как анализ главных компонентов (PCA). Если образцы кластерируются преимущественно по пакетному состоянию, а не по биологическим состояниям, следует применять методы пакетной коррекции (например, эмпирические методы Байеса, такие как ComBat), а метаданные выборок тщательно переоценивать для обеспечения согласованности.

Для выбора признаков на основе случайного леса высокий уровень ошибок Out-of-Bag (OOB) или нестабильные рейтинги признаков могут указывать на неоптимальную конфигурацию модели. В таких случаях увеличение количества деревьев, настройка параметра mtry или повторные запуски моделей с консенсусным выбором признаков могут повысить стабильность модели и прогнозную надёжность. Кроме того, для дальнейшей оценки устойчивости модели могут применяться стратегии перекрёстной валидации.

Для повышения надёжности пользователи могут по желанию повторить анализ с использованием альтернативных порогов DEG или параметров машинного обучения и сравнить согласованность выявленных признаков. Такие анализы чувствительности помогают гарантировать, что ключевые результаты не обусловлены конкретными параметрами, и поддерживают воспроизводимость рабочего процесса на аналогичных транскриптомных наборах данных.

Статистические анализы
Статистическая значимость определялась с помощью t-теста, при этом p-значения были представлены для сравнения. Статистические корреляции между уровнем экспрессии генов и фенотипами, связанными с гепатотоксичностью, оценивались с помощью коэффициентов корреляции Пирсона и Спирмана, в зависимости от нормальности данных. P-значения были скорректированы для множественных сравнений с помощью метода Бенджамини-Хохберга. Значимые связи были визуализированы с помощью тепловых карт и диаграмм рассеяния, что обеспечивало надёжную оценку транскриптомических связей.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Идентификация перекрывающихся генов APAP и гепатотоксичности, а также их функциональный анализ
Для определения потенциальных молекулярных целей APAP и изучения их биологических ролей были созданы прогнозы с помощью четырёх вычислительных инструментов: ChEMBL, SwissTargetPrediction, STITCH и SEA. После удаления дублирующих записей и интеграции перекрывающихся результатов был составлен неизбыточный список из 140 кандидатов-целей. Кроме того, из базы данных GeneCards было извлечено 657 генов, связанных с...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

APAP — это часто назначаемый анальгетик и анальгетическое средство; Однако чрезмерное употребление может привести к значительной гепатотоксичности, иногда заканчивающейся острой печёночнойнедостаточностью 38. Несмотря на достижения в выяснении патофизиологических механизмов повреждения печени, вызванного APAP, сохраняется дефицит надёжных биомаркеров для точной диагностики, прогнозирования и механистических исследований. Поэтому существует острая необходимость выя...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторам нечего раскрывать.

Благодарности

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

Авторы благодарят Тяньцзиньский университет традиционной китайской медицины за предоставленную институциональную поддержку. Мы выражаем благодарность разработчикам публичных баз данных (GeneCards, PubChem, STRING) и инструментов с открытым исходным кодом, которые позволили этим исследованиям. Особая благодарность коллегам из Школы китайской материи медики и Колледжа интегративной китайской и западной медицины за их ценные обсуждения и техническую помощь. Мы также благодарим участников GSE74000 датасета за то, что они сделали их данные публично доступными.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
базы данных и базы данных Веб-серверы
СТРУНАhttps://cn.string-db.org/строительство сети PPI; Функциональное обогащение
Академические инструменты Sendohttps://www.xiantaozi.com/GO, KEGG и анализ обогащения GSEA
PubChemhttps://pubchem.ncbi.nlm.nih.gov/Извлечение химических структур (APAP)
GeneCardshttps://www.genecards.org/Извлечение генов, связанных с гепатотоксичностью
База данных GEOhttps://www.ncbi.nlm.nih.gov/geo/Извлечение транскриптомических наборов данных (GSE74000)
ChEMBLhttps://www.ebi.ac.uk/chembl/Прогнозирование цели
SwissTargetPredictionhttp://www.swisstargetprediction.ch/Прогнозирование цели
СТИЧhttp://stitch.embl.de/Предсказание взаимодействия
МОРЕhttp://sea.bkslab.org/Подход ансамбля сходства для прогнозирования целей
Белковый банк данных (PDB)https://www.rcsb.org/Извлечение белковой структуры (ESR1, PNP)
<Сильный>Софт
R (версия 4.x.x)https://www.r-project.org/Статистический анализ и обработка данных
AutoDock Tools / Vinahttp://autodock.scripps.edu/Подготовка и моделирование молекулярного стыковки
PyMOLhttps://pymol.org/Визуализация молекулярных структур
Цитоскейпhttps://cytoscape.org/Визуализация сети

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи