《International Journal of Molecular Sciences》：Loss of Sidt2 in Mice Resembles Danon Disease and Results in Induction of a Type I Interferon Response with Increased Apoptosis
编辑推荐：
三氯生（Triclosan，TCS）是一种广泛使用的抗菌剂和内分泌干扰化学物，其与前列腺癌（prostate cancer，PCa）生物学的潜在相关性仍未被充分阐明。研究人员整合多组学与计算分析，以识别预测的TCS相关分子靶点与PCa相关转录组改变之间重叠的候
三氯生（Triclosan，TCS）是一种广泛使用的抗菌剂和内分泌干扰化学物，其与前列腺癌（prostate cancer，PCa）生物学的潜在相关性仍未被充分阐明。研究人员整合多组学与计算分析，以识别预测的TCS相关分子靶点与PCa相关转录组改变之间重叠的候选靶点。研究人员将跨数据库靶点映射、差异表达和网络分析与机器学习、分子对接、分子动力学模拟、孟德尔随机化（Mendelian randomization，MR）及单细胞转录组谱分析相结合。通路分析强调氧化应激和代谢失调是预测的TCS相关靶点与PCa相关转录组改变之间共享的关键过程。机器学习优先筛选出五个候选基因——FERMT2、F5、PRKCA、ABCC4和ACOX2——其在所分析队列中对PCa分类具有判别价值。对接和分子动力学模拟支持TCS与ABCC4和ACOX2存在合理结合相容性。孟德尔随机化提示，基因预测的ABCC4表达可能与PCa风险相关。单细胞分析进一步显示候选基因在肿瘤富集上皮细胞群中的细胞类型特异性表达。这些发现为生成关于TCS相关分子靶点如何与PCa生物学相关联的机制假说提供了一个整合框架。
前列腺癌（prostate cancer，PCa）是男性常见的恶性肿瘤，其发生发展受激素和内分泌信号调控。三氯生（Triclosan，TCS）作为一种广泛使用的合成抗菌剂，具有内分泌干扰活性，可在环境和生物样本中持续检出。尽管已有证据表明TCS可影响氧化应激、脂质代谢和炎症等与肿瘤相关的通路，但TCS暴露与PCa之间的分子机制尚不明确。传统毒理学方法难以阐明化学物-疾病关联的复杂多层效应，因此需要整合网络毒理学、多组学和遗传学证据的系统策略。
研究人员建立了一个整合计算框架，将网络毒理学靶点预测、转录组差异表达分析、机器学习特征选择、分子对接、分子动力学模拟、孟德尔随机化（Mendelian randomization，MR）和单细胞转录组分析相结合，以系统评估预测的TCS相关分子靶点与PCa相关转录改变之间的交集。研究结果表明，预测的TCS相关靶点与PCa转录改变共享氧化应激和代谢失调等关键通路；机器学习筛选出FERMT2、F5、PRKCA、ABCC4和ACOX2五个候选基因；对接和动力学模拟支持TCS与ABCC4和ACOX2的结构相容性；MR提示ABCC4表达与PCa风险存在名义关联；单细胞分析显示候选基因在肿瘤富集上皮细胞群中表达。这些发现为后续实验验证提供了假说基础。
关键方法如下：从PubChem获取TCS结构，整合ChEMBL、STITCH、SwissTargetPrediction和TargetNet数据库预测TCS靶点；从GEO数据库获取GSE32571、GSE46602和GSE69223三个PCa转录组数据集（含肿瘤和正常样本），经标准化和ComBat校正批次效应后整合；利用limma筛选差异表达基因，并与预测TCS靶点取交集；采用CIBERSORT和ssGSEA评估免疫浸润；采用ConsensusClusterPlus进行共识聚类；采用WGCNA构建共表达模块；构建随机森林（RF）、支持向量机（SVM）和广义线性模型（GLM）三种机器学习模型；利用癌症基因组图谱前列腺癌队列（TCGA-PRAD）验证表达；使用AutoDock Vina进行分子对接，GROMACS进行100 ns分子动力学模拟；基于eQTL和FinnGen数据开展两样本MR分析；使用GSE193337单细胞数据集进行细胞类型定位。
研究结果如下：
2.1 预测的TCS相关靶点的收集：整合多个数据库并利用UniProt统一注释，得到398个预测TCS相关靶点。
2.2 PCa相关数据集获取与预处理：从GEO数据库获取三个数据集，整合后经ComBat校正批次效应，PCA显示数据集间差异显著减小。
2.3 差异表达基因筛选与富集分析：limma分析鉴定出834个差异表达基因；预测TCS靶点与差异表达基因取交集得到20个重叠候选基因；GO和KEGG富集分析显示这些基因富集于免疫和炎症相关通路。
2.4 候选基因的染色体定位和表达相关性分析：描绘了候选基因的染色体分布；PCa组中ABCC4、PGC、RORC、TM7SF2、MYC和GCNT1高表达，其余基因在正常组高表达，并分析了基因间表达相关性。
2.5 免疫细胞浸润及相关性分析：PCa组中静息M2巨噬细胞和CD4+记忆T细胞比例增高，CD8+ T细胞浸润减少；候选基因与多种免疫细胞存在显著相关，其中M0巨噬细胞、静息NK细胞、调节性T细胞和CD8+ T细胞主要为负相关，活化树突状细胞、M2巨噬细胞、γδT细胞等为正相关。
2.6 候选基因聚类分析与分子簇特征：基于共识聚类将PCa样本分为C1和C2两组；C1中ACOX2、CXCL12、PGC和FERMT2表达较高；C1脂肪酸代谢上调，C2谷胱甘肽代谢、PPAR信号通路和ABC转运蛋白上调。
2.7 候选基因相关模块的WGCNA分析：软阈值6下构建共表达网络，鉴定出与聚类相关的洋红色模块（r=0.59，p=7×10
?12），包含200个基因，核心通路富集于代谢通路等。
2.8 机器学习模型选择与PCa分类模型构建：SVM模型在AUC和残差分布上优于RF和GLM；特征重要性分析确定FERMT2、F5、PRKCA、ABCC4和ACOX2为关键基因；基于五基因构建了探索性列线图，但该分析仅用于内部分类和基因优先排序，而非临床诊断模型。
2.9 TCGA表达分析与候选基因分子对接：TCGA-PRAD验证显示ABCC4和F5在肿瘤中显著高表达，FERMT2、PRKCA和ACOX2显著低表达；分子对接显示ABCC4（?7.2 kcal/mol）和ACOX2（?7.1 kcal/mol）具有相对较好的对接分数。
2.10 分子动力学模拟：100 ns模拟显示ABCC4-TCS与ACOX2-TCS复合物整体稳定；ACOX2-TCS的RMSD较低（约5–6 ?），而ABCC4-TCS波动较大（约10 ?）；两者均保持1–2个氢键，且Rg和SASA稳定。结果表明两种复合物在所模拟条件下具有结构相容性。
2.11 特征基因与PCa的MR分析：MR分析显示基因预测的ABCC4表达升高与PCa风险存在名义关联（OR=1.705；95% CI 1.070–2.715；p=0.0247），但Bonferroni校正后不显著；PRKCA、F5和ACOX2无显著关联。敏感性分析未发现水平多效性和异质性。
2.12 PCa的单细胞水平验证：对GSE193337数据集进行质量控制、Harmony批次校正和UMAP聚类，注释出T细胞、上皮细胞、单核细胞、内皮细胞、平滑肌细胞和NK细胞；五基因评分富集于肿瘤富集的上皮细胞，其中ACOX2因表达量低未检出。
讨论部分指出，PCa依赖雄激素信号，内分泌干扰物可能参与其发生发展。TCS可干扰内分泌、氧化应激和脂质代谢，但剂量相关性需要注意。本研究的计算发现应视为产生假说，而非体内靶点参与的确定性证据。MR、对接和MD结果提示ABCC4可能是值得关注的候选靶点，但需要实验验证。免疫浸润分析提示候选基因可能参与肿瘤微环境调节。局限性包括公共数据集异质性、缺乏外部验证、聚类方法未正式比较、ABCC4模拟未包含脂双层、ACOX2结构来自AlphaFold、未进行湿实验等。
结论：研究人员整合计算MR、分子对接/分子动力学和单细胞转录组学，以优先筛选可能将预测的TCS相关分子改变与PCa联系起来的基因和通路。五个候选基因——FERMT2、F5、PRKCA、ABCC4和ACOX2——在转录组特征和网络分析中反复被突出。对接和MD分析支持所模拟的TCS-ABCC4和TCS-ACOX2复合物在所模拟条件下的结构相容性，但并不确立生理性结合或靶点参与。MR提供了基因预测的较高ABCC4表达与PCa风险存在潜在关联的遗传证据，但其本身并不能确立TCS为上游驱动因素。单细胞分析显示ABCC4和ACOX2在肿瘤富集上皮细胞群中富集，通路分析集中于脂质代谢和谷胱甘肽/氧化还原过程。总之，这些发现产生了可测试的假说，即TCS相关分子靶点（包括ABCC4相关网络）可能参与与PCa生物学相关的脂肪酸氧化和氧化还原稳态，潜在地塑造可能与PCa进展相关的炎症-代谢状态。未来研究应评估在环境相关暴露条件下的靶点参与和下游功能效应。
