Araştırma makalesi

Benzo[a]piren ve Romatoid Artrit: Entegre Hesaplamalı Araştırma

DOI:

10.3791/70636

⸱

26 Mayıs 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

Bu makalede

Özet

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

Bu çalışma, Benzo[a]piren maruziyeti ile romatoid artrit arasındaki bağlantıyı sistematik olarak incelemek için entegre bir hesaplamalı toksikoloji yaklaşımı kullanmıştır. Analiz, beş temel hedef geni belirledi, bunların temel bağışıklık yollarında zenginleşmesini ortaya koydu ve stabil BaP-protein bağlanmasını doğrulayarak çevresel kirleticilere bağlı romatoid artrit (RA) için potansiyel moleküler mekanizmaları aydınlattı.

Özet

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

Her yerde bulunan çevresel kirleticiler olan polisiklik aromatik hidrokarbonlar (PAH'lar), RA'nın patogenezine katkıda bulunan önemli çevresel faktörler olarak kabul edilir. PAH'ların önemli bir bileşeni olan benzo[a]piren (BaP) RA başlangıcı ile ilişkili olabilir; Ancak, altta yatan toksikolojik mekanizma tam olarak açıklanmamıştır. Bu çalışmada, ağ toksikolojisi, makine öğrenimi ve moleküler kenetlenmeyi birleştiren entegre bir yaklaşımla bu bilgi açığını sistematik olarak ele aldık. Başlangıçta, BaP'ın moleküler yapısına dayalı bir ağ toksikoloji analizi yapıldı. Birden fazla veritabanından hedef bilgiler entegre edilip incelenerek, BaP'in 15 potansiyel RA ile ilişkili hedef geni nihayetinde tespit edildi ve etkileşim ağı oluşturuldu. GO ve KEGG zenginleştirme analizleri, bu genlerin lökosit göçü ve bağışıklık hücresi sinyal iletimi gibi biyolojik süreçlerde önemli ölçüde zenginleştiğini ve NF-κB ile T hücre reseptör sinyal yolları gibi yollarla ilişkili olduğunu ortaya koydu. STRING veritabanı ve Cytoscape yazılımı kullanılarak yapılan sonraki topolojik analizlerde, beş çekirdek gen (LCK, ZAP70, ITK, GZMA ve ITGAL) seçildi ve bunların önemi makine öğrenimi yoluyla daha da doğrulandı. Moleküler kenetlenme ve moleküler dinamik simülasyon sonuçları, BaP'nin bu hedef genlerin protein ürünlerine güçlü bağlanma eğilimi gösterdiğini ve bunun sonucunda konformasyon açısından kararlı komplekslerin oluşmasına yol açmıştır. Özetle, bu çalışma BaP'nin RA gelişimine katkı sağlayabileceği potansiyel mekanizmaları aydınlatmak için entegre bir hesaplama yaklaşımı kullanır ve böylece çevresel kirleticilerle ilişkili RA'nın önlenmesi ve tedavisine yönelik gelecekteki araştırmalar için teorik bir temel sunar.

Giriş

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

RA, kronik sinovit ve pannus oluşumu ile karakterize edilen yaygın bir otoimmün hastalıktır; bu hastalıklar kıkırdak ve kemik erozyonu ile kademeli olarak tahrip edilmesini sağlar. Bu patolojik değişiklikler eklem işlev bozukluğuna, patolojik kırık riskinin artmasına ve nihayetinde engelliliğe yol açar; böylece etkilenen bireylerin yaşam kalitesi ciddi şekildebozulur 1. RA'nın etiyolojisi tam olarak anlaşılmasa da, patogenezi genellikle genetik (örneğin, HLA-DR4 ve HLA-DR1 gen alt tipleri) ve çevresel faktörlerin (örneğin sigara, alkol tüketimi, Epstein-Barr virüsü enfeksiyonu, hava kirliliğine maruz kalma) birleşik etkilerine bağlanır. Epidemiyolojik çalışmalar, hava kirliliğinden kaynaklanan PAH'lar ile RA başlangıcıriskinin artması arasında önemli bir ilişki ortaya koymuştur 3.

PAH'lar, kömür, petrol, doğal gaz ve tütün gibi maddelerin eksik yanmasından kaynaklanan yaygın hava kirleticileridir ve RA'nın patogenezinde önemli çevresel aracılar olarak kabul edilir. Bağışıklık hücrelerindeki aril hidrokarbon reseptörü (AHR) kompleksine bağlanabilirler, bu da nükleer lokalizasyon sinyallerinin maruz kalmasına ve bunun sonucunda ligand–AHR kompleksinin çekirdeğe translokasyonuna yol açar. RA patogenezi bağlamında, PAH'ya bağlı AHR, birbirine bağlı yollar aracılığıyla bağışıklık düzensizliğini yönlendiren merkezi bir çevresel sensör olarak görev yapar. Aktivasyonda, AHR ARNT ile heterodimerler oluşturur ve CYP gen ekspresyonunu modüle eder, böylece inflamatuar bir kaskadbaşlatır 4. Bu AHR aktivasyonu, pro-inflamatuar ve düzenleyici T hücreleri arasındaki dengeyi aynı anda bozar: bir yandan AHR/Jag1/Notch sinyal eksenini tetikleyerek Th17 hücresinin sitokinsalınımını 5 artırır. Öte yandan, AHR doğrudan GOT1 promoterine bağlanarak GOT1 ekspresyonunu yükselter; bu da FOXP3 lokusunun hipermetilasyonunu indükler ve Tregfarklılaşmasını bastırır 6. Ortaya çıkan Th17/Treg dengesizliği, pro-inflamatuar bir ortamı destekler. Ayrıca, AHR aktivasyonu, CCR8 ekspresyonunu ve IL-4 ile IL-13 gibi sitokinleri artırarak Th2 tipi yanıtları daha da güçlendirir; bunlar birlikte sinovial iltihabı ve doku hasarınısürdürür 7. Böylece, AHR aktivasyonu, çevresel PAH maruziyetini Th17/Treg/Th2 düzensizliği ile bağlayan bir merkez olarak hizmet eder ve genotip, çevresel faktörler ve RA patolojisi arasında mekanik bir köprü oluşturur.

Atmosferde, PAH'lar karmaşık karışımlar olarak bulunur ve BaP önemli bir bileşen olarak hizmet eder. İnsan makrofajlarında, BaP, AHR'nin CXCL8 promotoruna bağlanmasını teşvik ederek CXCL8 (IL-8) üretimini teşvik edebilir ve ardından nötrofil kemotatikfaktörlerin 8 ekspresyonunu indükleyebilir. Ayrıca, BaP, RA hastalarından fibroblast benzeri sinoviositlerde (FLS) doza bağlı olarak Slug ekspresyonunu artırabilir ve bu da artrit ilerlemesiniartırar 9. Vahşi tip farelerde BaP, CYP1A1 enzim aktivitesini indükleyerek Nükleer faktör kappaB Ligand (RANKL) aracılı osteoklastın (OC) faktör Reseptör Aktivatörü aktivasyonunu teşvik eder ve sonunda kemikkaybına yol açar. Ancak, RA patogenezinde BaP toksisitesinin rolünün tam olarak belirdiği mekanizma belirsizdir. BaP'nin, anahtar bağışıklık ilişkili hedef proteinlerle doğrudan etkileşime girerek ve T hücresi aktivasyonu, Th17/Treg dengesi ve inflamatuar sitokin üretiminde yer alan çoklu sinyal yollarını bozarak RA patogenezini teşvik ettiğini, böylece çevresel BaP maruziyetinin sinovial iltihab ve eklem yok oluşuna bağlandığını öne sürdük. Ağ toksikolojisi, bu çalışma için geleneksel tek yollu deneysel yöntemlere göre daha uygundur çünkü BaP muhtemelen birden fazla bağışıklık ilişkili hedef ve kesişen yollar üzerinde etki eder. Genellikle bir yolu veya birkaç hedefi aynı anda inceleyen geleneksel deneysel yaklaşımlara kıyasla, ağ toksikolojisi çoklu hedef etkileşimleri ve sistemik etkileri bütüncül bir bakış açısına olanak tanır; ancak tahminleri veritabanına bağlıdır ve deneysel doğrulama gerektirir.

BAP'nin RA'daki rolü üzerine mevcut araştırmalar çoğunlukla tek yollar veya doğrusal mekanik tanımlarla sınırlıdır ve çoklu hedefli, çok seviyeli ağ düzenleyici özelliklerinin entegre analizinden yoksundur. BAP'nin RA'daki rolü üzerine mevcut araştırmalar çoğunlukla tek yollar veya doğrusal mekanik tanımlarla sınırlıdır ve çoklu hedefli, çok seviyeli ağ düzenleyici özelliklerinin entegre analizinden yoksundur. Bu nedenle, BaP maruziyeti ile RA patogenezi 11,12,13 arasındaki karmaşık bağlantıyı çözmek için ağ toksikolojisi gibi bütüncül yaklaşımlar gereklidir. Buna rağmen, çevresel kirleticilere bağlı hastalıklarla ilgili ağ toksikoloji çalışmaları azdır. Bu çalışmanın yeniliği, tek bir yol veya izole hedeflere odaklanmak yerine, BaP aracılı RA patogenezini sistematik olarak incelemek için ağ toksikolojisi, makine öğrenimi ve moleküler kenetlenmeyi entegre etmekte yatmaktadır. Topolojik analiz ile makine öğrenimi birleştirerek anahtar merkez genlerini tanımlar ve ilk kez BaP ile her çekirdek genin ürünleri arasındaki bağlanma modlarının ve termodinamik kararlılığın moleküler düzeyde doğrulanmasını sağlar. BaP'nin RA'nın oluşumunu ve gelişimini teşvik edebileceği potansiyel moleküler mekanizmaları sistematik olarak belirleyerek, bu hesaplamalı çalışma, RA'nın çevresel tetikleyicilerini anlamak ve hedefe yönelik terapötik stratejiler geliştirmek için teorik bir temel sağlamayı amaçlamaktadır. Geleneksel tek yol analizleriyle karşılaştırıldığında, bu entegre yaklaşım çoklu hedef etkileşimlerinin sistematik olarak değerlendirilmesini sağlar ve karmaşık çevresel hastalık mekanizmalarının incelenmesinde daha geniş uygulama sağlar. Ancak, yöntemimizin yüksek güvenliğe sahip hub genleri kesişim ve topolojik analiz yoluyla önceliklendirdiği belirtilmelidir; bu da aynı anda seçim eşiklerini karşılamayan biyolojik olarak ilgili aday genleri istemeden dışarı atabilir. Gelecekteki çalışmalar, tahmin edilen hedeflerin birleşimine makine öğrenimi uygulamak, diğer omik verilerini entegre etmek veya hedefli deneysel doğrulama yapmak gibi tamamlayıcı stratejileri inceleyip bulgularımızı daha da güçlendirebilir.

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

Protokol

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

Etik bildirisi
Bu çalışma doğrudan insan katılımcıları veya hayvan denekleri dahil etmedi.

BaP Hedef Edinimi
BaP, birden fazla veritabanından gelen verileri entegre etmesiyle karakterize edildi. PubChem veritabanı (https://pubchem.ncbi.nlm.nih.gov/), kimyasal yapısını ve kanonik 2B yapısını elde etmek için "Benzo[a]pyrene" anahtar kelimesi kullanılarak sorgulandı (SMILES dizisi: C1=CC=C2C3=C4C(=CC2=C1)C=CC5=C4C(=CC=C5)C=C3)14. Potansiyel BaP hedefleri ChEMBL (https://www.ebi.ac.uk/chembl/), SEA (https://sea.bkslab.org/) ve PharmMapper (http://lilab-ecust.cn/pharmmapper)veritabanlarından 15,16,17 alındı. Tahmin edilen tüm hedefler Homo sapiens proteomuyla sınırlıydı. Tahmin edilen BaP hedeflerinin tam listesi (n = 474) Ek Tablo S1'de sunulmaktadır. Tam analitik iş akışı Şekil 1'de şematik olarak temsil edilmiştir.

figure-protocol-1
Şekil 1. Bu makalede veri seti analizinin akış şeması yer alarak, veri toplama, ön işleme, diferansiyel ifade analizi, ağ oluşturma ve doğrulama adımları dahil olmak üzere genel iş akışını göstermektedir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

RA ile ilgili hedeflerin edinilmesi
Bu çalışmada, NCBI Gen İfadesi Omnibüsü (GEO) veritabanından (https://www.ncbi.nlm.nih.gov/gds/) beş RA veri seti "Romatoid artrit" ve "Homo sapiens" anahtar kelimeleri kullanılarak alındı18. Veri seti büyüklüğü ve deneysel tasarıma dayanarak, GSE77298 (RA: 16 örnek; Kontrol: 7 örnek), GSE1919 (RA: 5 örnek; Kontrol: 5 örnek), ve GSE55235 (RA: 10 örnek; Kontrol: 10 örnek) farklı olarak ifade edilen genleri (DEG) tanımlamak için eğitim setini oluştururken, GSE12021 (RA: 24 örnek; Kontrol: 13 örnek) ve GSE55457 (RA: 13 örnek; Kontrol: 10 örnek) doğrulama seti olarak kullanıldı. Bu veri setleri hakkında platformlar, örnekler ve GSE serileri gibi daha fazla detay Tablo 1'de bulunabilir.

Veriler, GEO2R çevrimiçi aracı kullanılarak standartlaştırıldı ve sonraki analizler için log2 dönüştürülmüş ifade matrisleri oluşturuldu. Farklı deneysel gruplardan gelen paraziti ortadan kaldırmak için, veri setleri arasındaki sistematik önyargılar, parametrik ampirik Bayes çerçevesine dayalı SVA paketinden ComBat fonksiyonu kullanılarak düzeltildi. Düzeltme etkisini doğrulamak için Ana Bileşen Analizi (PCA) kullanıldı ve partiler arası örneklem kümelenmesinde önemli ölçüde iyileşme gösterdi ve böylece parti etkilerinin etkili şekilde kaldırıldığını doğruladı. Birleştirilmiş ve düzeltilmiş veri matrisi, sonraki diferansiyel analiz için kullanılmıştır.

GSE serisiÖrneklerPlatformGrup
GSE7729816 RA ve 7 kontrolGPL570Eğitim grubu
GSE19195 RA ve 5 kontrolGPL91Eğitim grubu
GSE5523510 RA ve 10 kontrolGPL96Eğitim grubu
GSE1202124 RA ve 13 kontrolGPL96Doğrulama kohortu
GSE5545713 RA ve 10 kontrolGPL9Doğrulama kohortu

Tablo 1: Bu çalışmada kullanılan beş GEO veri setinin özeti.
Tablo, her veri seti için GEO erişim sayısını (GSE serisi), örnek bileşimini (romatoid artrit hastalarının ve sağlıklı kontrol sayısını), platform tanımlayıcısını (GPL) ve eğitim kohortu veya doğrulama kohortuna atamayı sağlar.

Ağırlıklı gen ortak ifade ağı analizi (WGCNA)
WGCNA, RA19 ile ilişkili DEG'lerin ortak ifade ağı özelliklerini değerlendirmek için kullanıldı. Toplu etki düzeltmeli ifade matrisine dayanarak, veri ön işleme yapıldı: standart sapması 0.5'ten az olan düşük varyanslı genler çıkarıldı, örnek ve gen kalitesi ise iyi örnekler ve genlerin değerlendirilmesi fonksiyonuyla değerlendirildi. Daha sonra, hiyerarşik kümeleme uygulanarak aykırı örnekleri tespit etmek ve çıkarmak için kullanıldı. Ağırlıklı bir ortak ifade ağı oluşturmak için, yumuşak eşik güç değerlerinin sistematik olarak değerlendirilmesi için bir fonksiyon kullanıldı ve 1'den 20'ye kadar değişen yumuşak eşik güç değerlerini sistematik olarak değerlendirdi. Güç = 12, optimal yumuşak eşik olarak seçildi (ölçeksiz topoloji uyum indeksi R2 = 0.90), böylece ağ topolojisi ölçeksiz bir kritere uydu. Bu güç değerine dayanarak, bir bitişiklik matrisi oluşturuldu ve topolojik örtüşme matrisi (TOM) hesaplandı. Genler hiyerarşik olarak kümelendi ve başlangıç gen modüllerini tanımlamak için dinamik bir ağaç kesme algoritması kullanıldı. Daha sonra, benzer modüller modül özgenlerinin kümelenmesiyle birleştirilerek sağlam bir gen modülü ağı oluşturuldu. Tüm analizler, ağ yapısının güvenilirliği ve tekrarlanabilirliğini sağlamak için ağırlıklı ortak ifade ağı analizi için özel bir R paketiyle gerçekleştirildi. DEG/WGCNA hub genleri ile tahmin edilen BaP hedefleri arasındaki kesişimin analizi, RA patogenezi ile ilişkili BaP'nin temel hedeflerini belirlemek için yapıldı ve bunlar Venn diyagram yazılımı kullanılarak görselleştirildi.

RA patogenezi ile ilişkili BaP ile ilişkili hedeflerin tanımlanması
Kesişim analizi, RA patogenezi ile örtüşen BaP hedeflerini belirlemek için Venn diyagramları için R paketi kullanılarak gerçekleştirildi. Bunlar, STRING veritabanına aktarıldı ve protein-protein etkileşimi (PPI) ağı oluşturuldu; tür "Homo sapiens" olarak ayarlandı ve etkileşim güven puanı yüksek ağ güvenilirliği için 0.7 >ayarlandı. 20. Bu eşik, STRING veritabanında "yüksek güven" seviyesine karşılık geldiği için seçilmiştir; bu da biyolojik olarak ilgili etkileşimlerin tutulmasını dengelerken, genellikle düşük güven puanlarıyla ilişkili yanlış pozitifleri en aza indirir. Ağ toksikoloji çalışmalarında sağlam ve tekrarlanabilir protein ilişkilerine öncelik vermek amacıyla > 0.7 kesintisi yaygın olarak benimsenmiştir. Ortaya çıkan TSV dosyası, protein-protein etkileşim veritabanından (STRING) indirildi ve ağ görselleştirme yazılımına (Cytoscape) aktarıldı ve ağ görselleştirme için aktarıldı. Ağdaki çekirdek proteinler, CytoHubba eklentisindeki Degree algoritması tarafından oluşturulan sıralama sonuçlarına dayanarak belirlendi ve sonraki analizler için kullanıldı.

KEGG ve GO zenginleştirme analizi
BaP modülasyonu ve RA patogenezi ile ilişkili genlerin kısaltmaları, "org. Hs.eg.db" annotation package in R. Daha sonra, KEGG yol zenginleştirme analizi clusterProfiler aracı kullanılarak gerçekleştirildi ve anlamlılık eşiği 0.05 olarak belirlendi. Bu arada, GO fonksiyonel açıklaması üç ana GO kategorisini kapsıyordu: Biyolojik Süreç (BP), Hücresel Bileşen (CC) ve Moleküler Fonksiyon (MF), ve hem P-değeri hem de Q-değeri kesim sınırları 0.05 olarak ayarlanmış enrichGO fonksiyonu kullanılarak gerçekleştirildi. Belirtmek gerekir ki, çoklu test düzeltmesi uygulanmamıştır; çünkü bu keşif analizinin temel amacı, potansiyel olarak ilgili biyolojik yolların ve fonksiyonel terimlerin keşfini en üst düzeye çıkarmak, böylece gelecekteki deneysel doğrulama için daha geniş bir test edilebilir hipotez seti oluşturmaktı. Son olarak, zenginleştirme analizi sonuçları, enrichplot paketinden barplot ve dotplot fonksiyonları kullanılarak grafik olarak gösterildi.

Çekirdek genlerin makine öğrenimi tabanlı doğrulaması
BaP ve RA ile ilişkili çekirdek genlerin öngörü kapasitesini değerlendirmek ve model şeffaflığını korumak için sistematik bir makine öğrenimi iş akışı uyguladık. Seçilen çekirdek genlerin ifade profilleri kullanılarak, öngörücü modeller 11 farklı makine öğrenimi algoritması ile oluşturuldu: Lasso regresyonu (LR), Destek Vektör Makinesi (SVM), rastgele orman (RF), glmBoost, adım adım Genelleştirilmiş Doğrusal Model (GLM), sırt regresyonu, elastik ağ (Enet), Gradient Boosting Machine (GBM), Lineer Diskriminant Analysis (LDA), eXtreme Gradient Boosting (XGBoost) ve naif Bayes. Hiperparametreler, beş katlı çapraz doğrulama yoluyla optimize edildi; veriler eğitim ve dahili doğrulama setlerine bölünmek için katmanlı örnekleme kullanıldı. Makine öğrenimi iş akışı boyunca sabit rastgele bir tohum (set.seed(123)) kullanılarak veri bölünmesi, çapraz doğrulama katlamaları ve model eğitiminin tekrarlanabilirliği sağlandı. Her algoritma için temel hiperparametreler, Ek Tablo S2'de sağlanmıştır. Model performansı, eğri altı alan (AUC), doğruluk ve F1 puanı dahil olmak üzere birden fazla ölçütle değerlendirildi. Tek model yaklaşımlarının sınırlamalarını gidermek için, en iyi performans gösteren temel modellerden tahminleri entegre eden bir yığma topluluk stratejisi uyguladık. Birçok makine öğrenimi modelinin "kara kutu" doğasını fark ederek, her genin tahminlere katkısını nicelendirmek için SHapley Additive ExPlanations (SHAP) algoritmasını kullandık. SHAP değerlerinin büyüklüğü ve yönü, sınıflandırma kararlarında genlerin önemini yorumlamak için kullanıldı ve böylece model çıktılarının yorumlanabilirliğini artırdı.

BaP'nin çekirdek hedeflerle moleküler kenetlenmesi
BaP ile çekirdek gen ürünleri arasındaki bağlanma özelliklerini incelemek için moleküler kenetlenme simülasyonları yapıldı. BaP'nin (ligand) üç boyutlu yapısı, PubChem veritabanından SDF formatında elde edilmiştir. Çekirdek hedeflere karşılık gelen protein yapıları, RCSB Protein Veri Bankası'ndan (https://www.rcsb.org/) PDB formatında alındı; UniProt tanımlayıcılarına göre seçildi; tercih ise birlikte kristalleşmiş ligandlar veya yüksek çözünürlüklü koordinatlar içeren yapılara verildi. Kenetlenmeden önce, protein hazırlığı PyMol kullanılarak gerçekleştirildi; bu süreçte su molekülleri, birlikte kristalleşmiş ligandlar ve iyonlar gibi protein dışı bileşenler girişimiönlemek için çıkarıldı. Orijinal PDB yapılarında birlikte kristalleşmiş ligandlara sahip proteinler için, aktif bölge merkezi bağlı ligandın atomik koordinatları kullanılarak tanımlanmıştır. Birlikte kristalleşmiş ligandları olmayan proteinler için, aktif bölge merkezi, literatürde katalitik aktivite veya inhibitör bağlanması için kritik olduğu bildirilen anahtar kalıntıların koordinatlarına dayanarak belirlenmiştir. Kenetlenme ızgarası, tanımlanmış aktif saha koordinatlarında merkezlenmişti ve her hedefe 25 × 25 × 25 şboyutlu kübik bir kutu uygulanıyordu. Bu standart 25 şkutu boyutu, her aktif alanın tam kapsamını sağlar ve ligand örnekleme için yeterli marjı sağlarken, aşırı hesaplama maliyetinden kaçınır. Tüm kenetlenme hesaplamaları AutoDock Vina (sürüm 1.2.5) ile gerçekleştirildi. En avantajlı Vina skorunu gösteren konformasyon temsil edici bağlanma modu olarak seçildi ve ilgili bağlanma enerjisi kaydedildi. PyMol (sürüm 2.5.7) kullanılarak üç boyutlu bağlanma pozları oluşturuldu ve Discovery Studio (sürüm 2021) kullanılarak hidrojen bağları ve hidrofobik temaslar dahil olmak üzere temel etkileşimleri görselleştirmek için iki boyutlu etkileşim diyagramları üretildi.

Moleküler dinamik simülasyonu
Moleküler dinamik simülasyonları, Gromacs 2025.3 ile yapıldı ve kenetlenme kaynaklı kompleksler başlangıç yapıları olarak kullanıldı. Protein atomları AMBER14SB kuvvet alanı ile modellendi ve su molekülleri TIP3P modeliyle temsil edildi. Her protein–ligand kompleksi, protein yüzeyi ile kutu sınırı arasında minimum 1 nm mesafe olan kübik su kutusunda çözüldü. Sistemin elektronötrlüğünü sağlamak için gerektiğinde sodyum veya klorür iyonları eklendi. İlk enerji en minimizasyonu, en dik iniş ve konjuge gradyan algoritmalarının birleşimi kullanılarak gerçekleştirildi; her biri 10.000 adıma kadar çalıştı. Uzun menzilli elektrostatik etkileşimler Parçacık-Mesh Ewald (PME) yöntemiyle hesaplandı, ayrıca hem van der Waals hem de kısa menzilli elektrostatik etkileşimlere 1.0 nm kesim mesafesi uygulandı. Enerji en düşük seviyelerinin ardından, sistemler NVT (sabit hacim ve sıcaklık) ve NPT (sabit basınç ve sıcaklık) koşullarında kademeli olarak dengelendi. 100 ns üretim serileri sabit sıcaklık ve basınç altında, 0.002 ps (2 fs) zaman adımı ve toplamda 50.000.000 adımla gerçekleştirildi. Her simülasyon bir kez yapıldı (tekrarlanmadı), çünkü birincil amaç bağlanma komplekslerinin standart koşullarda stabilitesini değerlendirmekti. Sıcaklık V-yeniden ölçekleme termostatı kullanılarak korundu ve basınç Parrinello–Rahman barostatı ile kontrol edildi. Simülasyon boyunca, bağlanmamış etkileşimler için tutarlı bir şekilde 1.0 nm kesme uygulandı. Yapısal kararlılık ve esnekliği değerlendirmek için, atomik konumların kök ortalama kare sapmasını (RMSD), kalıntı başına kök ortalama kare dalgalanmasını (RMSF), yapısal kompaktlık ölçüsü olarak dönme yarıçapını (Rg) ve çözücüye erişilebilir yüzey alanını (SASA) hesapladık. Tüm grafikler QtGrace kullanılarak oluşturuldu.

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

Sonuçlar

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

BaP Hedef Edinimi
BaP'nin moleküler yapısına dair veriler PubChem veritabanından (Şekil 2A) elde edilmiştir. BaP'nin potansiyel biyolojik hedefleri, üç tamamlayıcı veritabanından — ChEMBL, PharmMapper ve SEA'dan alınan bilgilerin entegre edilmesiyle sistematik olarak tahmin edilmiş ve 474 potansiyel hedef belirlenmiştir (Şekil 2B).

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

Tartışma

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

RA, genetik yatkınlık ile çevresel faktörler arasındaki etkileşimden kaynaklanan karmaşık bir otoimmün hastalıktır. Birçok çevresel risk faktörü arasında, en yaygın hava kirleticilerinden biri olan PAH'lar, çevresel maruziyeti RA başlangıcıyla bağlantıda önemli bir bağlantı olarak kabul edilir. Önceki çalışmalar, PAH'ların AHR yolu yoluyla bağışıklık hücresi farklılaşma dengesini etkileyebildiğini ve oksidatif stresi indükleyebileceğini ön planda ortaya koymuştur. PAH'ların oldukça temsi...

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

Açıklamalar

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

Yazarlar bu çalışmada çıkar çatışması belirtmemiştir.

Teşekkürler

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

Bu çalışma, Çin Ulusal Doğa Bilimleri Vakfı tarafından desteklendi [hibe numaraları 82274435, 82074223]; Merkezi Hükümet Düzeyinde Ana Proje: Değerli Çin Tıbbı Kaynaklarının Sürdürülebilir Kullanımının Oluşturulması [hibe numarası 2060302]; ve 2022'de Çin Tıbbında Klinik Mükemmeliyet için Ulusal Eğitim Programı'nın Beşinci Sınıfı [hibe numarası 2022178].

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

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
AutoDock Vinahttps://vina.scripps.edu1.2.5 (SCR_011958)Moleküler kenetlenme yazılımı
clusterProfiler (R paketi)https://bioconductor.org/packages/clusterProfiler4.10.0 (SCR_016884)R paketi zenginleştirme analizi için
CytoHubba (Cytoscape eklentisi)https://apps.cytoscape.org/apps/cytohubba0.1Hub gen tanımlama eklentisi (Derece algoritması)
Sitoscapehttps://cytoscape.org3.10.1 (SCR_003032)Ağ görselleştirme yazılımı
Discovery StudioDassault Sistemiè mes BIOVIA20212D etkileşim diyagramı oluşturma yazılımı
enrichplot (R paketi)https://bioconductor.org/packages/enrichplot1.22.0 (SCR_021165)R paketi için zenginleştirme sonuç görselleştirmesi
GROMACShttps://www.gromacs.org2025.3 (SCR_014565)Moleküler dinamik simülasyon yazılımı
limma (R paketi)https://bioconductor.org/packages/limma3.58.1 (SCR_010943)R paketi için diferansiyel ifade analizi
org. Hs.eg.db (R paketi)https://bioconductor.org/packages/org. Hs.eg.db3.18.0 (SCR_006442)İnsan gen tanımlayıcıları için R annotasyon paketi
PyMolSchrö dinger, Inc2.5.7 (SCR_000305)Moleküler görselleştirme yazılımı
QtGracehttps://sourceforge.net/projects/grace/0.2.6Yörünge analizi için grafik aracı
R (programlama ortamı)https://www.r-project.org4.3.1 (SCR_001905)İstatistiksel hesaplama yazılımı
STRING veritabanıhttps://string-db.org12 (SCR_005223)Protein-protein etkileşim veritabanı
venn (R paketi)https://cran.r-project.org/package=venn1.11Venn diyagramı üretimi için R paketi
WGCNA (R paketi)https://cran.r-project.org/package=WGCNA1.72 (SCR_003302)Ağırlıklı ortak ifade ağı analizi için özel R paketi

Kaynaklar

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

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

Polisiklik Aromatik HidrokarbonlarA ToksikolojisiMolek ler KenetlenmeMakine renimiHedef Gen TaramaNF kB YolaT H cresi Resept rmm n H cre Sinyalizasyonu

İlgili makaleler