运用网络毒理学、分子对接、机器学习和单细胞分析技术来研究双酚A（BPA）暴露对膀胱癌（ccRCC）的影响

《Biochemical and Biophysical Research Communications》：Employing network toxicology, molecular docking, machine learning, and single-cell analysis to analyze BPA exposure-induced ccRCC

　　

陈建宇|吴连全|金浩奇|李叶萍

温州医科大学第一附属医院泌尿科，中国温州325000

摘要

本研究探讨了双酚A（BPA）诱导的透明细胞肾细胞癌（ccRCC）的分子机制。我们整合了多个GEO数据集的转录组数据，通过差异表达分析和WGCNA鉴定与BPA相关的候选基因。富集分析表明，这些基因涉及细胞黏附、脂质代谢、花生四烯酸信号传导和先天免疫反应等通路。利用十二种机器学习算法，我们确定了四个在ccRCC中上调的核心基因（ITGB2、TBXAS1、LIPA和CLEC7A）。分子对接分析显示BPA与这些蛋白质之间存在稳定的相互作用，并具有有利的结合能。单细胞分析显示这些基因主要在单核细胞和巨噬细胞中表达。LIPA在肾癌组织中表达升高，并与临床结果相关。体外实验证实，BPA暴露通过调节这些核心基因的表达促进了ccRCC细胞的进展。这种综合方法为BPA诱导的ccRCC的分子机制提供了新的见解，并确定了潜在的环境风险评估生物标志物。

引言

肾细胞癌（RCC）是全球最常见的泌尿系统恶性肿瘤之一[1]。透明细胞RCC（ccRCC）是最主要的亚型，约占病例的70-80%，其已知的风险因素包括肥胖、高血压、吸烟、慢性肾病和透析[2]。然而，这些因素仅部分解释了疾病的病因。全球发病率的增加突显了环境暴露等可改变因素的重要性[3]。从分子层面来看，ccRCC的特点是von Hippel-Lindau（VHL）基因突变和缺氧诱导因子（HIF）通路的失调，这驱动了肿瘤的血管生成和进展[4][5]。尽管靶向治疗和免疫疗法改善了治疗效果，但环境化学致癌物在ccRCC中的作用仍需进一步研究[6]。

双酚A（BPA）是一种广泛使用的多羟基芳香化合物，也是典型的双酚污染物。由于其良好的理化性质，BPA常用于聚碳酸酯塑料和环氧树脂中，还常见于食品容器、饮料包装和热敏纸中[7][8]。其亲脂性使其可通过皮肤、呼吸和饮食途径被吸收[9]。生物监测研究在超过90%的美国人群的尿液样本中检测到了BPA，反映了其普遍的环境污染[10]。此外，BPA具有干扰内分泌系统、神经毒性和免疫毒性的作用[11]。动物和人类研究均证实，BPA暴露会导致肾脏损伤和电解质失衡[10][12][13]。提出的机制涉及氧化应激和自噬/凋亡通路的激活[14][15]。长期暴露于BPA与多种癌症的风险增加有关，包括乳腺癌[16]、唾液腺癌[17]和甲状腺癌[18]，这表明它对癌症相关通路有影响；然而，其在肾癌发生中的具体作用仍不清楚。

鉴于肾癌的复杂病因以及缺乏与BPA的直接关联研究，一个关键问题出现了：这种普遍存在的环境污染物是否会导致肾癌的发生或进展？为了解决这个问题，我们开发了一个综合框架，结合了网络毒理学、机器学习、SHAP分析、分子对接和分子动力学模拟、单细胞分析以及体外验证，以解析BPA诱导的肾癌的机制[19]。网络毒理学利用系统生物学、基因组学和蛋白质组学来绘制与BPA相关的蛋白质靶点和通路，有助于环境风险评估[20]。机器学习有助于生物标志物的鉴定和药物筛选，而SHAP分析则解释模型输出。分子对接预测了BPA与肾脏蛋白质的相互作用，为致癌机制提供了生物学见解[21]。单细胞分析揭示了关键基因的表达模式，有助于了解BPA相关肾癌的细胞机制[22]。体外实验证实，BPA暴露通过调节核心基因的表达促进了ccRCC细胞的进展。本研究应用这些方法来评估BPA对肾癌的影响，阐明潜在的生物学过程，并为制定预防策略以降低环境癌症风险提供依据。

章节摘录

识别与ccRCC相关的分子靶点

我们从GEO数据库下载了训练集GSE53757、GSE66271和GSE15641的基因表达矩阵（https://www.ncbi.nlm.nih.gov/geo/），提取了共同基因，并合并了数据。数据使用limma包进行处理，使用sva包的ComBat函数校正了批次效应，设置par.prior = TRUE以优化校正效果。通过主成分分析（PCA）评估了批次效应校正的有效性，

BPA靶点预测识别出505个候选蛋白

BPA的分子结构来源于PubChem（图1A）。靶点预测使用了ChEMBL、PharmMapper和SwissTargetPrediction。整合结果并去除重复项后，共识别出505个独特的候选蛋白靶点（图1B）。

WGCNA和差异表达分析的整合结果得到525个与ccRCC相关的基因

为了减少批次效应，合并了GSE53757、GSE66271和GSE15641数据集，并对其基因表达矩阵进行了全面标准化。主成分分析（PCA）证实了数据分布的改善

讨论

通过整合网络毒理学、机器学习、分子对接、分子动力学模拟、单细胞分析和体外验证，我们首次系统地研究了BPA诱导的ccRCC。共识别出22个候选靶基因，一个综合模型优先考虑了四个核心基因——ITGB2、TBXAS1、LIPA和CLEC7A。这些基因在肿瘤组织中显著上调，诊断模型的AUC值均≥0.95。SHAP分析表明所有

局限性与未来方向

尽管本研究整合了多组学数据、分子动力学模拟和体外验证，但仍存在一些局限性。首先，候选基因的筛选依赖于受批次效应和混杂因素影响的公共转录组数据。其次，虽然分子动力学模拟证实了结合稳定性，但直接的物理相互作用需要通过SPR/ITC进行验证，而且模拟系统无法完全复制复杂的体内膜环境。第三，体外实验

出版同意书

不适用。

CRediT作者贡献声明

陈建宇：概念构思、数据整理、正式分析、研究、方法学、软件、验证、可视化、撰写——初稿。吴连全：数据整理、软件、验证。金浩奇：研究、方法学、可视化。李叶萍：资金获取、项目管理、监督、撰写——审阅与编辑

数据可用性

本文分析的数据可在GEO数据库获取（https://www.ncbi.nlm.nih.gov/geo/）。BPA的化学信息和靶点数据可在PubChem（https://pubchem.ncbi.nlm.nih.gov/）、ChEMBL（https://www.ebi.ac.uk/chembl/）、SwissTargetPrediction（http://www.swisstargetprediction.ch）和PharmMapper（http://lilab-ecust.cn/pharmmapper）获取。分子对接分析可在CB-Dock2（https://cadd.labshare.cn/cb-dock2）获取。3D结构可在

伦理批准和参与同意

不适用。

利益冲突声明

作者声明没有利益冲突。

资助

本研究得到了温州市科学技术局的支持（项目编号Y20220182）。

利益冲突声明

? 作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

我们衷心感谢本研究中使用到的所有数据库的工作人员所提供的宝贵帮助。