研究尼古丁暴露对胶质母细胞瘤的潜在风险：结合孟德尔随机化和网络毒理学分析方法

《Computational Biology and Chemistry》：Investigating the Potential Risk of Nicotine Exposure on Glioblastoma: Integrating Mendelian Randomization and Network Toxicology Analysis

本研究通过孟德尔随机化、网络毒理学及机器学习等多方法，首次系统揭示血清可替宁水平与胶质母细胞瘤（GBM）的因果关系，并鉴定出NFκB1、HIF1α等核心靶点，为GBM的分子治疗提供新靶点。

　　

余书瑶|龙敏|黄楠奎|罗勇|蔡静

中国贵州省贵阳市贵州中医药大学，邮编550000

摘要

目的

研究尼古丁暴露对多形性胶质母细胞瘤（GBM）的潜在风险。

方法

采用双样本孟德尔随机化（MR）方法来评估血清可替宁水平（尼古丁的代谢物）与GBM之间的因果关联。GBM数据集来自GEO数据库，分析了差异表达基因。使用BATMAN和CTD等数据库筛选尼古丁相关靶点，随后进行基因本体（GO）、京都基因与基因组百科全书（KEGG）分析以及蛋白质相互作用分析以确定核心靶点。利用机器学习、GSEA分析、GEPIA2、HPA数据库和CNGB单细胞测序数据库来筛选和验证核心靶点。CB-Dock2和iMODS用于分子对接和结构动力学分析以验证筛选结果。

结果

MR分析显示血清可替宁与GBM之间存在因果关系。网络毒理学分析确定了194个潜在靶点，KEGG分析表明这些靶点与病毒感染、免疫、癌症和代谢相关。机器学习确定了NFκB1、HIF1α、CD4、FN1、MMP2和GSK3β等核心靶点，其机制通过GSEA、GEPIA2、HPA和CNGB数据库、分子对接及结构动力学分析得到验证。

结论

本研究采用多种方法探讨了基因预测的血清可替宁水平与GBM风险之间的关联，确定了NFκB1、HIF1α、CD4、FN1、MMP2和GSK3β等核心靶点。这些发现为未来研究尼古丁暴露与GBM风险之间的关联提供了新的见解。

引言

多形性胶质母细胞瘤（GBM）是成人中最常见且最具侵袭性的原发性恶性肿瘤，中位生存期约为15至16个月，五年生存率低于10%（Sipos等人，2025年）。尽管标准治疗方法已发展为最大安全切除术联合替莫唑胺同步化疗，但肿瘤的高异质性、弥漫性浸润和获得性耐药性仍然阻碍了患者预后的显著改善（Schaff和Mellinghoff，2023年；Singh等人，2025年）。这突显了识别与GBM发展相关的可改变风险因素以及发现新的分子治疗靶点以改善患者预后的重要性。

流行病学研究一致表明吸烟与多种肿瘤的风险之间存在明确关联（Jacob等人，2018年）。然而，吸烟与GBM之间的联系存在争议；一些队列研究未发现显著关联（Shao等人，2016年），而其他研究则表明吸烟量增加或血清可替宁水平升高（尼古丁的主要代谢物）与GBM风险增加有关（McConnell等人，2019年）。传统的观察性研究在控制混杂因素和解决反向因果关系方面面临挑战，因此需要更可靠的因果推断方法。MR利用与暴露强烈相关的遗传变异作为工具变量，从而部分模拟随机对照试验（RCT），为因果推断提供基因水平的证据（Guo和Yan，2024年）。当前的MR研究已经建立了吸烟行为与肺癌和胰腺癌之间的因果关系（Zhou等人，2021年），但目前尚无关于血清可替宁水平与GBM之间因果关系的MR证据。

尼古丁是烟草中的主要成瘾物质，通过胆碱能受体释放神经递质，并激活包括PI3K-AKT、MAPK和NF-κB在内的多种信号通路。这些通路对调节细胞增殖、血管生成和免疫逃逸等过程至关重要（Schaal和Chellappan，2014年）。最近的在线毒理学研究表明，尼古丁及其亚硝胺衍生物NNN可通过多种靶点和通路导致DNA损伤和表观遗传变化，从而促进肿瘤形成（Xue等人，2014年）。在涉及人胶质母细胞瘤细胞系和小鼠模型的研究中，尼古丁被证明可增加MMP2和MMP9的表达，从而增强肿瘤的侵袭性（Oishi等人，2022年）。然而，目前缺乏全面研究来探讨尼古丁暴露引起的GBM相关的系统靶点谱和关键通路。

随着高通量测序和人工智能的进步，将多组学数据与机器学习相结合已成为揭示复杂疾病机制的重要方法。基因表达组学数据库（GEO）提供了来自GBM的转录组微阵列和RNA-seq数据，可用于识别差异表达基因（DEGs）（Li等人，2019年）。加权基因共表达网络分析（WGCNA）是一种能够在系统层面确定与特定表型强烈相关的基因模块的方法，从而提高生物标志物的可靠性（Cao等人，2024年）。此外，最小绝对收缩和选择算子（LASSO）回归、支持向量机递归特征消除（SVM-RFE）和随机森林（RF）等机器学习技术已被广泛用于肿瘤诊断生物标志物的筛选，显著提高了预测准确性。

近年来，针对GBM的治疗药物再利用引起了广泛关注。公共数据库如DSigDB、PubChem和DrugBank汇编了大量的药物-基因相互作用信息，为基于靶点的药物重新定位提供了宝贵见解（Tan等人，2015年）。mTOR信号通路是调节细胞生长、增殖、代谢和自噬的中心枢纽，其异常激活在GBM的发病机制中起着关键作用（Howell和Manning，2011年）。此外，当bortezomib与替莫唑胺联合使用时，已被证明能协同诱导GBM细胞凋亡（Tang等人，2019年）。尽管有这些发现，但这些药物与关键尼古丁相关GBM靶点之间的相互作用网络仍不甚清楚，这阻碍了靶向联合治疗策略的进展。

章节片段

利用MR探索可替宁与GBM之间的潜在因果关系

采用双样本孟德尔随机化方法，利用来自公共全基因组关联研究的汇总数据来评估暴露因素可替宁与结果GBM之间的因果关联。首先，从暴露GWAS（ebi-a-GCST009965，n = 5,185）中提取了独立的遗传工具变量，p1 = p2 = 1×10??，kb = 10000，r2 = 0.001，最终纳入22个SNP作为有效的工具变量。为了评估工具变量的强度，我们计算了

血清可替宁水平升高显著增加胶质母细胞瘤的风险

以尼古丁代谢物可替宁作为暴露变量，以胶质母细胞瘤的发生作为结果指标，我们使用R软件进行了双样本MR分析。通过设定严格的选择阈值（p < 1×10??），我们从大规模全基因组关联研究数据中初步确定了22个与血清可替宁水平显著相关的独立SNP位点。排除回文、连锁不平衡和潜在的混杂SNP后，得到22个有效的工具变量

讨论

GBM被认为是影响成人中枢神经系统最具侵袭性的原发性肿瘤。尽管标准治疗方案（替莫唑胺联合放疗）已持续超过15年，但患者的总体中位生存期仍低于15个月（Jezierzański等人，2024年）。流行病学研究表明吸烟与GBM发病风险之间存在争议；然而，传统的观察性研究未能

结论

本研究首次系统地整合了双样本MR、网络毒理学、WGCNA、机器学习和分子动力学，探讨了尼古丁相关分子信号与GBM之间的潜在关联和候选机制。MR分析显示，基因预测的血清可替宁水平每增加一个标准差，GBM的风险增加112%（OR = 2.12，95% CI: 1.28–3.50，p = 0.003），且没有显著的多效性

未引用的参考文献

(Tan等人，(2018))

资助

本研究得到了贵州省科学技术厅（ZSYS(2025)040，ZK[2022]-519）、遵义市科学技术局（遵义市科技人才团队项目[2024]编号6）和贵州省卫生健康委员会关键学科发展基金的支持。

CRediT作者贡献声明

蔡静：撰写——审阅与编辑、监督、资金获取、概念构思。罗勇：撰写——审阅与编辑。黄楠奎：撰写——审阅与编辑。龙敏：撰写——初稿、可视化、验证、正式分析、数据管理。余书瑶：撰写——初稿、可视化、正式分析、数据管理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。