数据 curation 与数据库整合
收集并过滤构建 AOPs 所需的化学物–基因、基因–疾病、基因表达和本体论数据。
从 CTD 下载人类化学物–基因相互作用；从 Pesticide Properties DataBase 匹配杀虫剂 CAS 号；从 DisGeNET 下载帕金森病基因关联；从 HPA 和 Bgee 获取细胞与组织表达数据；从 Gene Ontology、REACTOME、HPO、Uberon 收集术语和关联。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
一种高通量计算开发人类候选不良结局路径的方法：以杀虫剂和帕金森病为概念验证
A high-throughput method to computationally develop candidate adverse outcome pathways in humans: a proof of concept with insecticides and Parkinson Disease
实验完整度
低文献为计算框架开发与数据库分析，无湿实验模型或功能验证，仅用外部文献评估合理性。
主要模型
人类蛋白质编码基因数据集（来自 NCBI Gene） Comparative Toxicogenomics Database (CTD) 中的人类化学物–基因相互作用数据 DisGeNET 中帕金森病相关基因数据 HPA 细胞类型表达数据与 Bgee 组织表达数据
重点核对
CTD 中化学物–基因相互作用过滤：仅保留 Homo sapiens，杀虫剂匹配 Pesticide Properties DataBase CAS 号，关联基因数 5–1000 个 GO、HPO、REACTOME 术语过滤：保留具活性描述术语，排除疾病术语，基因数 >5 且 <1000 HPA 与 Bgee 表达评分阈值：每个解剖结构仅保留表达评分 ≥80 的基因 AOP 重采样稳定性验证：重复 10 次，每次使用 80% 随机起始杀虫剂子集 WoE 评分公式：WoE = 0.2(KE-KEscore) + 0.2(MIE-KEscore) + 0.6(Significancescore)，优先排序阈值 WoE >0.5
摘要
不良结局路径（AOPs）描述了应激源非特异性的系列事件，包括首个分子触发事件（分子起始事件，MIE）、因果关联的关键事件（KEs）和不良结局（AO）。AOPs 旨在作为新方法学辅助化学毒性测试。然而，常用的 AOP 开发方法依赖人工整理，劳动强度大。因此，AOP 数量仍然相对较少，大量毒性机制和可能的 AO 仍未被描述。因此，需要系统且高通量的方法来预测新的 AOPs。在此，我们开发并实施了一个基于数据整合的框架，以杀虫剂和帕金森病作为概念验证生成新的候选 AOPs。我们整合并统计关联了互不相连的数据库（例如比较毒理基因组学数据库、人类蛋白质图谱和基因本体论），形成 MIE–KE（细胞水平）–KE（组织水平）–AO 候选 AOPs。通过这一系统过程，我们生成了 562,117 个候选 AOPs，然后使用证据权重（WoE）方法对其评分，并优先排序出 12,756 个 WoE >0.5 的 AOPs。优先排序的 AOPs 描述了与例如 MAPK、PTEN 和 FGFR 信号通路相关的多种毒性机制，其中“增加 MAPK1 的磷酸化”是最常见的 MIE。通过对 100 个随机优先排序的 AOPs 进行分析，我们发现 70% 有外部文献支持其生物学合理性，仅 15% 代表可识别的不合理关联。我们的 AOP 生成方法产生结构一致的 AOPs，可以补充现有和新兴的开发方法，以扩展不同应激源和结局的 AOP 覆盖范围。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否通过广泛整合覆盖不同生物学组织水平的互不相连数据集，以系统且高通量的方式开发新的候选不良结局路径（AOPs）？
- 核心机制
- 通过数据整合将化学物–基因相互作用、基因本体论、组织/细胞表达和疾病–基因关联连接起来，形成 MIE–KE（细胞）–KE（组织）–AO 候选 AOP 链，其中 MIEs 优先涉及 MAPK1 磷酸化、NFE2L2 表达增加、PPARA 表达增加等，与 MAPK、PTEN 和 FGFR 信号通路相关。
- 主要证据
- 整合 CTD、HPA、Gene Ontology、Bgee、Uberon、DisGeNET 等数据库，生成 562,117 个候选 AOPs，其中 12,756 个 WoE >0.5；随机选取 100 个优先 AOPs 进行文献分析，70% 有外部文献支持其生物学合理性，15% 被识别为不合理。
- 研究意义
- 该 AOP 生成方法产生结构一致的 AOPs，可补充现有和新兴的开发方法，扩展不同应激源和结局的 AOP 覆盖范围，并支持新方法学在化学毒性测试中的更广泛应用。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
AOP 骨干构建
定义细胞类型–组织类型–帕金森病之间的解剖学连接。
使用 Uberon 的父子关系确定 Bgee 组织与 HPA 细胞类型之间的连接；通过过表达分析将组织基因集与帕金森病基因集比较，选择显著关联的组织。
化学物特异性 KE 连接构建
为每种杀虫剂生成 KE（细胞）–KE（组织）–AO 连接。
为每种杀虫剂过滤细胞和组织基因集，通过过表达分析确定富集的 KE 术语，构建 KE–KE 连接。
复发 KE 连接提取
识别跨化学物的反复出现的 KE（细胞）–KE（组织）–AO 连接，以满足 AOP 化学非特异性。
在化学物特异性 AOPs 中识别反复出现的连接，移除出现少于 3 种化学物的连接。
候选 MIE 确定
为每个 KE（细胞）–KE（组织）–AO 连接确定候选分子起始事件。
收集细胞水平 KE 涉及的基因作为候选 MIEs，计算 MIEscore，保留 MIEscore >4 的基因，并确定 MIE 描述符。
AOP 稳定性评估与 WoE 评分
评估候选 AOP 的稳定性和证据权重，优先排序候选 AOPs。
通过 10 次重采样（每次 80% 化学物）计算 AOP 出现频率；使用 AOPhF 评估文献支持；计算显著性分数和最终 WoE。
优先 AOP 的文献合理性评估
评估优先排序的候选 AOPs 的生物学合理性。
随机选取 100 个优先 AOPs，搜索支持 KERs、细胞和组织位置以及杀虫剂暴露和帕金森病相关性的参考文献。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
AOP 构建与评估
文献支持分析
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据整合与分析 | 比较毒理基因组学数据库 | -- | -- |
| DisGeNET 数据库 | -- | -- | |
| 人类蛋白质图谱 | -- | -- | |
| Bgee 数据库 | Swiss Institute of Bioinformatics | -- | |
| Uberon 本体 | -- | -- | |
| 基因本体论 | -- | -- | |
| REACTOME 通路数据库 | -- | -- | |
| 人类表型本体 | MONARCH Initiative | -- | |
| 农药特性数据库 | -- | -- | |
| NCBI 基因数据集 | National Library of Medicine | -- | |
| 文献支持分析 | AOP-helpFinder 3.0 | -- | -- |
| 数据分析与可视化 | R 软件 4.4.2 版 | R Foundation for Statistical Computing | -- |
| data.table R 包 v1.18.2.1 | -- | -- | |
| tidyverse R 包 v2.0.0 | -- | -- | |
| dplyr R 包 v1.2.0 | -- | -- | |
| tidytext R 包 v0.4.3 | -- | -- | |
| scales R 包 v1.4.0 | -- | -- | |
| stringr R 包 v1.6.0 | -- | -- | |
| jsonlite R 包 v2.0.0 | -- | -- | |
| rentrez R 包 v1.2.4 | -- | -- | |
| ggplot2 R 包 v4.0.2 | -- | -- | |
| gridExtra R 包 v2.3 | -- | -- | |
| visNetwork R 包 v2.1.4 | -- | -- | |
| treemapify R 包 v2.6.0 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据整合与过滤 | CTD 数据过滤条件：仅保留 Homo sapiens；杀虫剂匹配 Pesticide Properties DataBase CAS 号；关联基因数范围 5–1000 个；最终保留 118 种杀虫剂。 阅读提示：Methods 中 Data curation 小节及 Table S1。 |
| AOP 骨干构建 | Uberon 树结构连接规则：选择脑组织的直接后代组织及对应 6 种细胞类型；过表达分析显著性阈值 P < 0.05（FDR 校正）；组织选择基于与帕金森病最显著关联且基因数最多。 阅读提示：Methods 中 Cell and tissue components 与 Adverse outcome 小节。 |
| KE 术语过滤与分配 | KE 术语过滤三标准：保留活性术语、排除疾病术语、基因数 >5 且 <1000；细胞或组织分配依据富集倍数或 P 值差异。 阅读提示：Methods 中 Development of KE descriptor lists for cells and tissues 小节及 Table S2。 |
| 候选 MIE 确定 | MIEscore 公式：MIEscore = 10 × DSI + 关联化学物数量；保留 MIEscore >4；MIE 交互术语需至少 3 种化学物共享且保留前 30%。 阅读提示：Methods 中 Candidate MIE determination 小节。 |
| AOP 稳定性与 WoE 评分 | 重采样 10 次，每次随机 80% 起始化学物；AOPhF 标准设置（20% reduced search, three-fourth event match）；WoE 公式及优先排序阈值 WoE >0.5。 阅读提示：Methods 中 AOP stability determination 与 Weight-of-evidence calculations and AOP ranking 小节。 |
| 文献合理性评估 | 随机选取 100 个优先 AOPs 进行文献检索；评估支持等级分类标准（very high、high、moderately high、moderate、low/very low）。 阅读提示：Results 中 Top-weighted AOPs implicate similar MIEs and KEs 小节及 Table S3。 |