Araştırma makalesi

Asetaminofen kaynaklı karaciğer hasarının biyobelirteçleri olarak pürin nükleozid fosforilaz ve östrojen reseptörü 1'in hesaplamalı olarak tanımlanması

DOI:

10.3791/69887

⸱

6 Şubat 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

Bu makalede

Özet

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

Ağ toksikolojisi ve transkriptomik verileri hesaplamalı olarak analiz ederek asetaminofen kaynaklı karaciğer hasarının biyobelirteçlerini belirliyoruz; bu da östrojen reseptörü 1 ve pürin nükleozid fosforilazı tanısal hedefler olarak ortaya koymaktadır.

Özet

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

Asetaminofen kaynaklı karaciğer hasarı önemli bir halk sağlığı sorunudur, ancak güvenilir erken biyobelirteçler eksiktir. Bu çalışma, ağ toksikolojisi, transkriptomik ve makine öğrenimini entegre eden hesaplamalı bir yaklaşım kullanarak asetaminofen kaynaklı hepatotoksisite için aday biyobelirteçleri belirlemeyi amaçladı. Potansiyel asetaminofen hedefleri çevrimiçi platformlar kullanılarak tahmin edildi ve 140 aday ortaya çıktı. Hepatotoksisiteye bağlı genler (n = 657) GeneCards'tan alındı ve 38 örtüşen gen tespit edildi. GSE74000 veri setinden (n = 1.978) farklı şekilde eksprese edilen genler analiz edildi. İlgili yolları belirlemek için fonksiyonel zenginleştirme gerçekleştirildi. Rastgele bir orman modeli 20 özellik genini önceliklendirdi ve moleküler kenetlenme asetaminofen ile bağlanma eğilimlerini değerlendirdi. DEG'ler öncelikle mitokondriyal işlev bozukluğu ve ribozom biyogenezi ile ilişkilendirilmiştir. Fonksiyonel zenginleştirme, ksenobiyotik metabolizma ve oksidatif stres yollarını vurguladı. Östrojen reseptörü 1 ve pürin nükleozid fosforilaz en üst sırada yer alan özellik genleri oldu; önemli ifade farklılıkları ve asetaminofen ile güçlü kenetleme etkileşimleri gösterdiler. Bu hesaplamalı protokol, asetaminofen kaynaklı karaciğer hasarı için aday biyobelirteçleri sistematik olarak tahmin eder; moleküler içgörüler ve deneysel doğrulama için adaylar sağlar.

Giriş

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

Asetaminofen (APAP) yaygın olarak kullanılan bir ateş kesimleyici ve ağrı kesici olsa da, aşırı alım şiddetli hepatotoksisiteye ve potansiyel olarak karaciğer yetmezliğineyol açabilir 1,2. Karaciğerdeki hasarın ilaç metabolize edildiğinde ortaya çıkması beklenmektedir ve ardından gelen toksik metabolit N-asetil-p-benzokinon imini (NAPQI) oluşturur; bu da mitokondriyal oksidatif strese, mitokondriyal solunumun değişmesine ve mitokondriyal geçirgenlik geçişine yol açar ve sonunda hepatosit ölümünün apoptotik yerine nekrotikölüme yol açar 3,4. APAP aşırı dozu, birçok ülkede akut karaciğer yetmezliğinin (ALF) başlıca nedeni olmaya devam etmektedir. Epidemiyolojik veriler, APAP toksisitesinin Amerika Birleşik Devletleri'ndeki ALF vakalarının neredeyse %50'sini oluşturduğunu ve her yıl binlerce acil yatıştan sorumlu olduğunu göstermektedir. Benzer eğilimler dünya genelinde bildirilmiştir; APAP ile ilişkili hepatotoksisite, ilaç kaynaklı karaciğer hasarı (DILI) vakalarının büyük bir kısmınıoluşturmaktadır 5,6. Yüksek morbidite, karaciğer nakli riski ve önemli sağlık yükü, daha iyi tanısal biyobelirteçlere ve APAP kaynaklı karaciğer hasarının mekanik bir anlayışına acil ihtiyaç olduğunu vurgulamaktadır. Özellikle, APAP karaciğerde glukuronidasyon ve sülfasyon yoluyla emilir ve esas olarak metabolize edilir; bu da idrarla salgılanan suda çözünür konjugatlar oluşturur. Küçük bir fraksiyon (%10-15) Sitokrom P450 (CYP450) aracılı hidroksilasyondan (CYP1A2, CYP2E1 ve CYP3A4 gibi enzimler aracılığıyla) geçirilerek reaktif ara NAPQI üretilir; bu NAPQI glutatyona bağlanır vesafra 7,8 yoluyla dışarı çıkar. Glukuronidasyon ve sülfütörasyon yollarının sınırlı kapasitesi nedeniyle, aşırı dozlama NAPQI oluşumunun artmasına yol açarken, aynı zamanda hepatik glutatyon rezervlerinide tüketir 9. Glutatyon kritik seviyelere düştüğünde, NAPQI hücresel makromoleküllere kovalent olarak bağlanmaya başlar vehepatositlere zarar verir. APAP aşırı dozla ilgili toksisite artıyor; yalnızca Amerika Birleşik Devletleri'nde yılda tahmini 50.000-80.000 acil servis ziyareti11 oluyor. Oksidatif stres ve mitokondriyal disfonksiyon, APAP kaynaklı hepatotoksisitenin merkezinde yer aldığından, ESR1'in düzensizliği dolaylı olarak hepatositlerin hayatta kalma ve inflamatuar yanıtlarını APAP hasarı sırasında etkileyebilir. APAP toksisitesi, hepatositlerde metabolik stres ve inflamatuar aktivasyonu indükte eder. PNP ifadesindeki değişiklikler, APAP kaynaklı karaciğer hasarı sırasında nukleotid metabolizmasının ve bağışıklık kaynaklı yanıtların değişmesini yansıtabilir.

APAP kaynaklı hepatotoksisiteye dair erken raporlar, öncelikle karaciğer ve böbreklerdeki klinik semptomlar ve patolojik değişikliklere odaklanmış, APAP toksisitesinde hücre ölümü ve iltihaplanma mekanizmaları üzerine sonraki çalışmalarıntemelini oluşturmuştur 12,13. Önemli bir atılım, serum aminotransferazlarının (örneğin ALT ve AST) karaciğer hasarı biyobelirteçleri olarak tanımlanmasıydı. Hücre kültürü modelleri ve biyoinformatik araçların ortaya çıkışıyla birlikte, APAP hepatotoksisitesi üzerine mevcut araştırmalar tanık, prognostik ve mekanik biyobelirteçleri 14,15,16 da kapsayacak şekilde genişlemiştir. Ancak, özellikle hayatta kalmayanlardan APAP aşırı doz hastalarından yeterli serum veya plazma örneği almak hâlâzordur 17. Sonuç olarak, APAP kaynaklı hepatotoksisiteyi daha iyi incelemek için yeni yaklaşımlar kullanarak yeni tanık, prognostik ve mekanik biyobelirteçlerin keşfedilmesine acil ihtiyaç vardır.

Ağ toksikolojisi, bileşik veri tabanlarından toksikolojik verileri analiz etmek için ağ modelleri oluşturan gelişmekte olan bir alandır18,19. Madde toksisitesini tanımlamaya, mekanizmaları ortaya çıkarmaya ve temel hedefleri tahminetmeye yardımcı olur 20,21. Şu anda ağ toksikolojisi, bilimsel araştırmalarda değerli bir araç olarak yaygın olarak kabul edilmektedir. Örneğin, Tengjiao Qu ve ark., ağ toksikolojisini transkriptomiklerle entegre ederek 2,2',4,4'-tetrabromodifenil eter (yaygın bir alev geciktirici) ve potansiyel biyobelirteçlerinin yeni nörotoksikmekanizmalarını tespit ettiler 22. Son çalışmalar, bu yaklaşımın doğal ürünlerin toksisitesini değerlendirmedeki öneminide vurgulamaktadır 23. Ancak, bu yenilikçi araştırma paradigması henüz APAP kaynaklı hepatotoksisitenin potansiyel mekanizmalarını araştırmak ve toksisiteyle ilişkili yeni biyobelirteçleri belirlemek için kullanılmamıştır.

IntelliGenes, çok genomik biyobelirteçkeşfi 24 için bir makine öğrenimi boru hattı olarak geliştirilmiştir. İstatistiksel yöntemleri gelişmiş ML ile entegre ederek I-Gen skorlarını hesaplar ve bireysel biyobelirteç profilleri oluşturur. Sonuçlar, karmaşık özellikleri tahmin etmede ve kişiselleştirilmiş hastalık içgörülerini mümkün kılmada doğruluğun arttığını gösteriyor. Sınırlamalar arasında veri kalitesine bağımlılık, çeşitli popülasyonlarda sınırlı doğrulama ve daha geniş klinik testlere ihtiyaç yer almaktadır.

Öne çıkan nokta, mevcut pankreas düktal adenokarsinom (PDAC) biyobelirteçlerinin yetersiz olması ve hastadan kaynaklı organoidlerin (PDO'lar) biyobelirteç gelişimi için fonksiyonel platformlar olarakönerilmesidir 25. PDO tabanlı ilaç fenotiplemesi, kemodirenç modellemesi, ko-kültür sistemleri ve proteomik/metabolomik profilleme değerlendirilir. Bulgular, PDO'ların tedaviyle ilgili biyolojiyi daha iyi yakaladığını gösteriyor, ancak sınırlamalar arasında teknik değişkenlik, sınırlı mikro ortam çoğaltması, uzun kültür süreleri ve rutin klinik entegrasyondakizorluklar yer alıyor 26,27.

Çalışmanın amacı, analitik proteomik yöntemleri ve biyoinformatiğin biyobelirteçlerin tanımlanmasında işlevinideğerlendirmekti. 28. Hesaplama araçlarının veri yorumlamaya nasıl yardımcı olduğunu değerlendirdi ve MS tabanlı protein analiz tekniklerini inceledi. Sonuçlar, gelişmiş biyobelirteç keşfini ve yeni tedavi hedeflerini gösterdi, ancak aynı zamanda çok düşük bolluklu proteinleri belirlemenin hâlâ zor olduğunu ve böylece mevcut proteomik tekniklerin hassasiyetini azalttığını açıkça ortaya koydu. APAP kaynaklı hepatotoksisite için birkaç tanık, mekanik ve prognostik biyobelirteç iyi belirlenmiş olsa da, bu belirteçler öncelikle toksisite gerçekleştikten sonra hepatosellüler hasarı veya mitokondriyal işlev bozukluğunuyansıtmaktadır 29,30. Buna karşılık, bu çalışma APAP maruziyetine karşı duyarlılığı veya konak yanıtını modüle edebilen transkriptomik düzenleyicileri belirlemeyi amaçlamıştır. Bu nedenle ESR1 ve PNP, klasik tanısal biyobelirteçler yerine keşif düzenleyici belirteçler olarak incelenmiştir.

Mevcut metodolojilerin sınırlamalarını — özellikle PDO'ların kültür değişkenliği ve proteomiklerin hassasiyet sorunlarını — ele almak için bu çalışma, ağ toksikolojisi, transkriptomik, makine öğrenimi ve moleküler kenetlenmeyi içeren entegre bir hesaplama çerçevesi kullanmaktadır. Bu çok katmanlı strateji, hesaplamalı tahmin ve çoklu omik çapraz doğrulama kullanarak büyük kohortlar veya karmaşık deneysel sistemlere olan ihtiyacı aşmaktadır. Bu kombinatoryal yaklaşımın gerekçesi, her tekniğin diğerlerini yanlış pozitifleri en aza indirmek için güçlendirmesidir: ağ toksikolojisi önce APAP ile ilgili hedefler ve toksik yolların sistem düzeyinde bir tahminini sunar; Transkriptomik analiz, bu tahmin edilen genlerin hangilerinin hepatotoksisite sırasında gerçekten düzensizleştiğini doğrular; Makine öğrenimi algoritmaları bu yüksek güven havuzundan en bilgilendirici aday biyobelirteçleri önceliklendirir; ve son olarak, moleküler kenetlenme APAP ile tanımlanan protein hedefleri arasında doğrudan etkileşimlerin uygulanabilirliğini doğrulayarak mekanik destek sunar.

Bu adımlar birlikte, biyobelirteç tahmini için tutarlı, kanıta dayalı bir ürün hattı oluşturur. Bu dört stratejinin birleşimi, yanlış pozitif tahminleri en aza indirir ve APAP kaynaklı hepatotoksisitede ESR1 ve PNP'nin güçlü hedefler olarak bulunmasına olan güveni artırır. Bu araştırmada, iyi istatistiksel güce sahip GSE74000 gen ifade veri setine sahip olması gerekir; herhangi bir durumun en az üç biyolojik kopyası ve tam meta verilere sahip olmalı. Ham ifade dosyaları, arka plan düzeltme, normalizasyon (nicel normalizasyon vb.) ve düşük ekspreslenen genlerin filtrelenmesini içeren standart bir şekilde işlenmesi gerekir. R, limma gibi paketler ve GeneCards ile Cytoscape gibi harici araçlarla tüm analizleri yapmak için kullanıldı; bu araçlar ağ kurmayı mümkün kılar. Pipeline, sistematik analizlere dayalı biyobelirteç önceliklendirmesini kolaylaştırsa da, sonuçlar veri setinin kalitesi, toplu etkiler ve genellenebilirliği etkileyebilecek deneysel ile in vivo doğrulamanın olmaması nedeniyle sınırlıdır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Bu protokol, ağ toksikolojisi, transkriptomik, makine öğrenimi ve moleküler kenetlenme gibi yöntemlerden yararlanarak asetaminofen kaynaklı karaciğer hasarının olası biyobelirteçlerini tanımlamak için hesaplamalı bir yöntem ortaya koymaktadır (Şekil 1). Protokol, biyoinformatik araçlara, transkriptomik veri setlerine ve moleküler kenetlenme yazılımlarına erişimi olan araştırmacılara yöneliktir.

Prosedür

Adım 1: Asetaminofen hedeflerinin tanımlanması
Asetaminofenin SMILES temsili (APAP) PubChem'den alın. APAP'ın potansiyel moleküler hedeflerini tahmin etmek için çevrimiçi platformları (ChEMBL, SwissTargetPrediction, STITCH, SEA) kullanın. Tahmin edilen hedefleri entegre edin ve deduplicate ederek 140 yüksek güvenliğe sahip APAP hedefinden oluşan bir liste oluşturun.

Adım 2: Hepatotoksisite hedeflerinin tanımlanması
GeneCards veritabanından hepatotoksisiteyle ilgili genleri alın. Listeyi derleyip deduplicate ederek hepatotoksisiteyle ilgili 657 genden oluşan yedeksiz bir set oluşturulur. APAP hedefleri ile hepatotoksisiteye bağlı genler arasında örtüşen genleri Venn diyagramı kullanarak tespit edin.

Adım 3: Transkriptomik Veri Ön İşlemi
GSE74000 veri setini GEO'dan indirin. DESeq2 kullanarak ham ifade verilerini ön işleyin: düşük ekspresyona sahip genleri çıkarın, boyut faktörleriyle normalize edin ve varyans stabilizasyon dönüşümü (VST) uygulayın. Limma ve DESeq2 kullanarak diferansiyel ifade analizi yapın; ayarlanmış p-değeri < 0.05 ve |log2FC| > 1.

Adım 4: Fonksiyonel Zenginleştirme Analizi
Üst üste binen genleri Gen Ontolojisi (GO), KEGG yolu, doku ifadesi ve hastalık korelasyon analizleri için STRING'e yükleyin. Fonksiyonel zenginleştirme sonuçlarını balon grafikleri ve ısı haritaları kullanarak görselleştirin.

Adım 5: Özellik Gen Seçimi İçin Makine Öğrenimi
Rastgele Orman sınıflandırıcısı (n_estimators=500, max_depth=10) uygulayarak örtüşen APAP ve hepatotoksisite genlerinden gelen özellik genlerini önceliklendirin. Modelin performansını Out-of-Bag (OOB) hata ve özellik önemi puanları kullanarak değerlendirin. Daha fazla analiz için en iyi 20 özellikli genden birini seçin.

Adım 6: Moleküler Kenetlenme
PubChem'den APAP yapısını (CID 1983) ve PDB'den protein reseptörlerini (ESR1: PDB ID 1SJ0, PNP: PDB ID 1V2H) alın. Ligand ve reseptör dosyalarını hazırlayın: PDB formatına dönüştürün, polar hidrojenler ekleyin, yükleri atayın ve PDBQT dosyaları olarak kaydedin. AutoDock Tools'ta proteinin aktif yerini kapsayan kenetlenme ızgarasını tanımlayın. AutoDock Vina ile moleküler kenetlenme gerçekleştirin, kapsamlılık 8'e ayarlanmış ve bağlanma eğilimleri ile etkileşimleri analiz edin. Bağlama konformasyonlarını ve anahtar etkileşimleri analiz etmek için PyMOL kullanarak kenetlenme sonuçlarını görselleştirin.

Adım 7: İstatistiksel Analiz
T-testleriyle istatistiksel anlamlılığı belirlemek ve Benjamini-Hochbergyöntemi 31 ile çoklu karşılaştırmalar için p-değerleri ayarlamak. Isı haritaları ve dağılma grafikleri kullanarak istatistiksel olarak anlamlı ilişkileri görselleştirin.

Malzemeler ve Yöntemler

Asetaminofen hedeflerinin tanımlanması
APAP'ın potansiyel moleküler hedeflerini belirlemek için önce PubChem veritabanından SMILES temsilini aldık. Daha sonra Kimyasal Avrupa Moleküler Biyoloji Laboratuvarı (ChemBL)32, İsviçre HedefTahmini 33, Kimyasallar ve Hedeflerin Etkileşimi Arama Aracı (STITCH)34 ve Benzerlik topluluk yaklaşımı (SEA)35 gibi çeşitli çevrimiçi platformları kullanarak olası hedefleri tahmin ettik. Bu araçlardan elde edilen sonuçları entegre ettikten sonra, APAP için yüksek güvenliğe sahip hedefler seti seçtik. Tablo 1, bu çalışmada kullanılan temel gen kategorilerini tanımlar, veri analizi ve biyolojik yorumlamadaki rollerini netleştirir. Bu terimlerin tutarlı kullanımı, sonuçlarımızın net bir şekilde iletmesini sağlar.

Hepatotoksisite hedeflerinin tanımlanması
Hepatotoksisiteyle ilişkili potansiyel genler GeneCards veritabanından alındı. Tüm tanımlanan genler derlendi, kopyalar çıkarıldı ve sonraki analizler için yedek olmayan bir liste oluşturuldu. GSE74000 veri seti 15 Mart 2024'te GEO deposundan indirildi. Ham ifade verileri limma paketi (quantil normalizasyon) kullanılarak işlenip normalleştirildi. Diferansiyel ifade analizi, ampirik Bayes küçülmesi ile lineer modelleme kullanılarak gerçekleştirilmiştir. Genler, ayarlanmış p-değeri < 0.05 (Benjamini-Hochberg FDR) ve |log₂FC| ile eşleşen genler. > 1 önemli kabul edildi. DEG'lerin görselleştirilmesi, ggplot2 ile oluşturulan volkan grafikleri ve ısı haritaları kullanılarak gerçekleştirildi.

Veri ön işleme
Ham sayım verileri DESeq2 kullanılarak önceden işlendi. Düşük ekspresyon genler, örneklerin en az %70'inde CPM >1 tespit eşiği kullanılarak çıkarıldı. Kütüphane boyutu normalizasyonu, denklem (1)'de tanımlandığı şekilde DESeq2 boyut faktörleri kullanılarak gerçekleştirildi:

Denklem 1(1)

Burada medyan oran boyut faktörü sj ile gösterilir. Ortalama-varyans ilişkilerini stabilize etmek için, (2) denkleminde varyans-stabilizator dönüşüm (VST) kullanılmıştır:

Denklem 2(2)

DEG'ler, Benjamini-Hochberg düzeltmesi ile Wald testi kullanılarak tanımlandı; denklemde (3) kullanılan genler anlamlı olarak değerlendirildi:

Denklem 3(3)

DESeq2'den türetilen DEG kümesi, denklem (4) olarak tanımlanmıştır:

Denklem 4(4)

Bu küme (X), Limma Trend (Y) ve Limma Voom (Z) ile birlikte uzlaşma stratejisinde kullanıldı.

PPI ağ inşası
Venn diyagramları, APAP ve hepatotoksisite hedefleri arasındaki ortak genleri belirlemek için kullanıldı. Üst üste düşen genler, daha sonra Etkileşimli Genler/Proteinlerin Geri Alınması Arama Aracı (STRING) veritabanına yüklenerek PPI ağları oluşturuldu.

Çok boyutlu fonksiyonel zenginleştirme analizi
İlk olarak STRING web sitesini kullanarak Gen Ontolojisi (GO), Kyoto Genler ve Genomlar Ansiklopedisi (KEGG), doku ifadesi ve örtüşen genlerin APAP ve hepatotoksisite için hastalıkla ilgili fonksiyonel analizlerini yaptık. Sonrasında, Sendo Academic Tools kullanarak hepatotoksisite için diferansiyel genlerin GO, KEGG ve Gen Seti Zenginleştirme Analizi (GSEA) (REACTOME) zenginleştirme analizlerini yaptık.

Rastgele orman analizi
APAP kaynaklı hepatotoksisite transkriptom verilerinde örtüşen APAP ve hepatotoksisite genlerinden en iyi 20 özellik genini belirlemek için makine öğrenimi uyguladık. Rastgele Orman sınıflandırıcı uygulandı; 500 ağaç (n_estimators=500), maksimum ağaç derinliği 10 (max_depth=10), bir düğümü bölmek için minimum 2 örnek gerekiyordu (min_samples_split=2) ve Gini safsızlık kriteri (kriter='gini')36. Modelin performansı, 0'a yakın bir değerin daha yüksek tahmin doğruluğunu gösterdiği Out-of-Bag (OOB) hatası kullanılarak değerlendirildi. Özellik önemi puanları, her genin katkısını sıralamak için Rastgele Orman analizine dayanarak hesaplandı ve görselleştirildi; denklem (5)'te olduğu gibi.

Denklem 5(5)

N toplam örnek sayısı, yi 1(·) gösterge fonksiyonu, 1 koşul doğruysa ve 0 aksi halde; Denklem 6 yalnızca III'ün eğitime dahil edilmediği ağaçlarla önerilen örnek iii etiketi olarak öngörüldü.

Karakterize edilmiş genlerin diferansiyel ifadesi
Transkriptomik verilerdeki özellik genlerinin ifade farklılıkları keman grafikleri kullanılarak görselleştirildi. İstatistiksel olarak anlamlı farklılıklar gösteren biyobelirteçler, APAP kaynaklı hepatotoksisitenin potansiyel yeni biyobelirteçleri olarak daha ileri inceleme için belirlendi.

Moleküler kenetleme
Küçük molekül bileşikleri (CID 1983) PubChem veritabanından alınmış, protein reseptörleri ESR1 ve PNP (PDB ID'leri 1SJ0 ve 1V2H) ise Protein Veri Bankası'ndan indirilmiştir. Ligand yapıları OpenBabel kullanılarak PDB formatına dönüştürüldü ve AutoDock Tools'ta polar hidrojenler ekleyerek, Gasteiger yükleri atama, dönebilir bağlar tanımlanarak ve PDBQT formatında tasarruf edilerek önceden işlendi. Protein reseptörleri, su molekülleri ve birlikte kristalleşmiş ligandlar çıkararak PyMOL kullanılarak hazırlanmış, ardından polar hidrojenler eklenmiş ve AutoDock Tools kullanılarak Kollman yüklerinin atanması yapılmış, PDBQT dosyaları olarak kaydedilmiştir.

Moleküler kenetlenmede, AutoDock yazılımı, protein37'nin aktif bölgesini kaplayan kenetlenme ızgarasını tanımlamak için kullanıldı. Grid kutusu, koordinatlarda (x = XX·XX, y = YY· YY,z = ZZ· ZZ) boyutları 40 × 40 × 40 şve ızgara aralığı 0.375 şile bağlantı cebinin tam kapsayışını garanti eder. AutoDock Vina, ligand-protein bağlanma modlarını ve bağlanma eğilimlerini hesaplamak için kullanıldı; tüketicilik parametresi 8'e ayarlandı ve her ligand için en üst dokuz bağlanma pozu oluşturuldu.

Kenetlenme protokolü doğrulaması, birlikte kristalleşmiş ligandın aktif siteye yeniden kenetlenmesiyle gerçekleştirildi ve RMSD değeri < 2.0 şelde edildi ve kenetlenme prosedürünün güvenilirliği doğrulandı. Kenetlenme sonuçları, PyMOL kullanılarak bağlanma konformasyonları ve hidrojen bağları dahil ana etkileşimleri analiz etmek için görselleştirildi.

Kenetlenme simülasyonları, Bileşik X'in protein Y'nin bağlanma bölgesine uyduğunu ve potansiyel hidrojen bağları ve hidrofobik temaslar oluşturduğunu ve tahmini bağlanma enerjisinin -8,5 kcal/mol olduğunu öngördü.

Sorun giderme ve olası değişiklikler
Önerilen iş akışının sağlamlığını ve tekrarlanabilirliğini artırmak için, birkaç sorun giderme değerlendirmesi ve olası değişiklikler not edilmelidir. Beklenmedik derecede düşük sayıda farklı şekilde ifade edilen gen (DEG) tespit edilirse, kullanıcıların normalizasyon prosedürünü doğrulaması, doğru grup etiketlemesini doğrulaması ve |log2 katlama değişimini ayarlamayı düşünmeleri tavsiye edilir. eşik olarak uygun yanlış keşif oranı (FDR) kontrolünü korurken. Buna karşılık, aşırı sayıda DEG'in elde edilmesi durumunda, daha katı FDR sınırları uygulamak veya düşük varyanslı genlerin filtrelenmesi diferansiyel ekspresyon analizinden önce spesifikliği artırabilir.

Toplu etkiler, ana bileşen analizi (PCA) gibi keşif analizlerinde kümeleme kalıplarını etkileyebilir. Örnekler ağırlıklı olarak biyolojik koşuldan ziyade toplu olarak kümelenirse, toplu düzeltme yöntemleri (örneğin, ComBat gibi ampirik Bayes yaklaşımları) uygulanmalı ve örnek meta verileri tutarlılık açısından dikkatlice yeniden değerlendirilmelidir.

Rastgele Orman tabanlı özellik seçimi için, yüksek Out-of-Bag (OOB) hata oranları veya kararsız özellik sıralamaları, model yapılandırmasının optimal olmadığını gösterebilir. Bu tür durumlarda, ağaç sayısını artırmak, mtry parametresini ayarlamak veya uzlaşma özellik seçimiyle tekrar edilen model çalışmaları model kararlılığını ve tahmin güvenilirliğini artırabilir. Ayrıca, model sağlamlığını daha iyi değerlendirmek için çapraz doğrulama stratejileri kullanılabilir.

Güvenilirliği artırmak için, kullanıcılar alternatif DEG eşikleri veya makine öğrenimi parametre ayarları kullanarak analizi isteğe bağlı olarak tekrarlayabilir ve tanımlanan özellik genlerinin tutarlılığını karşılaştırabilirler. Bu tür duyarlılık analizleri, temel bulguların belirli parametre seçimleriyle yönlendirilmemesini sağlar ve benzer transkriptomik veri setleri arasında iş akışının tekrarlanabilirliğini destekler.

İstatistiksel analizler
İstatistiksel anlamlılık t-testi kullanılarak belirlendi ve karşılaştırma için p-değerleri bildirildi. Gen ifade seviyeleri ile hepatotoksisiteye bağlı fenotipler arasındaki istatistiksel korelasyonlar, veri normalliğine bağlı olarak Pearson ve Spearman korelasyon katsayıları kullanılarak değerlendirildi. P-değerleri, Benjamini-Hochberg yöntemiyle birden fazla karşılaştırma için ayarlandı. Önemli ilişkiler, ısı haritaları ve saçılım grafikleriyle görselleştirildi ve transkriptomik ilişkilerin sağlam değerlendirilmesini sağladı.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

APAP ve hepatotoksisite için örtüşen genlerin tanımlanması ve bunların fonksiyonel analizi
APAP'ın potansiyel moleküler hedeflerini belirlemek ve biyolojik rollerini incelemek için, dört hesaplama aracı kullanılarak tahminler oluşturuldu: ChEMBL, SwissTargetPrediction, STITCH ve SEA. Tekrarlanan girişlerin kaldırılması ve örtüşen sonuçların entegrasyonunun ardından, 140 aday hedeften oluşan tekrarsız bir liste derlendi. Ayrıca, GeneCards veritabanından hepatotoksisiteye bağlı 657 gen çıkarıldı. 140 AP...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

APAP, sıkça reçete edilen bir analjezik ve antipiretik ajandır; Ancak, aşırı alım önemli hepatotoksisiteye yol açabilir ve bazen akut karaciğeryetmezliğine yol açabilir 38. APAP kaynaklı karaciğer hasarının patofizyolojik mekanizmalarını aydınlatmadaki ilerlemelere rağmen, doğru tanı, prognoz ve mekanik araştırma için güvenilir biyobelirteçler eksikliğini sürdürmektedir. Bu nedenle, APAP kaynaklı hepatotoksisiteyi daha fazla araştırmak için potansiyel yeni biyobel...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarların açıklayacak hiçbir şeyi yok.

Teşekkürler

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

Yazarlar, kurumsal destek sağladığı için Tianjin Geleneksel Çin Tıbbı Üniversitesi'ne teşekkür ediyor. Bu araştırmayı mümkün kılan kamu veritabanları (GeneCards, PubChem, STRING) ve açık kaynak araçları geliştiricilerine teşekkürlerimizi sunarız. Çin Materia Medica Okulu ve Entegre Çin ve Batı Tıp Fakültesi'nden değerli tartışmaları ve teknik destekleri için meslektaşlarımıza özel teşekkürler. Ayrıca, GSE74000 veri setine katkıda bulunanları verilerini kamuya açık hale getirdikleri için takdir ediyoruz.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Veritabanları & Web Sunucuları
STRINGhttps://cn.string-db.org/PPI ağ inşası; Fonksiyonel zenginleştirme
Sendo Akademik Araçlarıhttps://www.xiantaozi.com/GO, KEGG ve GSEA zenginleştirme analizi
PubChemhttps://pubchem.ncbi.nlm.nih.gov/Kimyasal yapıların geri kazanılması (APAP)
GeneCardshttps://www.genecards.org/Hepatotoksisiteye bağlı genlerin geri alınması
GEO Veritabanıhttps://www.ncbi.nlm.nih.gov/geo/Transkriptomik veri seti alımı (GSE74000)
ChEMBLhttps://www.ebi.ac.uk/chembl/Hedef tahmini
SwissTargetTahminihttp://www.swisstargetprediction.ch/Hedef tahmini
STITCHhttp://stitch.embl.de/Etkileşim tahmini
SEAhttp://sea.bkslab.org/Hedef tahmini için benzerlik topluluğu yaklaşımı
Protein Veri Bankası (PDB)https://www.rcsb.org/Protein yapısı geri kazanımı (ESR1, PNP)
Software
R (Sürüm 4.x.x)https://www.r-project.org/İstatistiksel analiz ve veri işleme
AutoDock Tools / Vinahttp://autodock.scripps.edu/Moleküler kenetlenme hazırlığı ve simülasyonu
PyMOLhttps://pymol.org/Moleküler yapıların görselleştirilmesi
Sitoscapehttps://cytoscape.org/Ağ görselleştirme

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Asetaminofen Karaci er HasarBiyobelirte Tan mlamaA ToksikolojisiTranskriptomik AnalizMakine renmesiRandom Forest ModeliMolek ler KenetlenmeHepatotoksisite Biyobelirte leri

İlgili makaleler