Py学习  »  机器学习算法

卷不过网药的来看看网络毒理学吧!同样的套路,结合分析对接和机器学习,郑大团队收获一篇双一区Top!

生信图书馆 • 4 月前 • 288 次点击  

经常看馆长文章的小伙伴都熟悉网络毒理学吧,作为网药的一个分支,在分析套路上和网药非常相似。网络毒理学相关的文章大多是投稿在环境科学相关的期刊上,这个方向的期刊最大的特点就是好中,而且分还高。

今天带大家看一篇来自郑州大学团队的文章。文章将网络毒理学与转录组学相结合,系统地研究了三聚氰胺和三聚氰酸共暴露引起的肾脏损伤机制,而且通过多种机器学习算法筛选了关键基因,最后还通过分子对接以及动物实验进行了验证。这篇文章也算是网络毒理学研究中研究的比较充实的一篇了。想抄作业的抓紧时间啦~

想结合其它的生信方法做更深入的研究和数据挖掘吗?馆长可以为大家提供思路设计、生信分析和生信服务器上的帮助,欢迎滴滴!

定制生信分析

生信服务器

加好友备注“99”领取试用


题目:网络毒理学和机器学习方法研究三聚氰胺和三聚尿酸共同暴露的肾损伤机制

研究背景

在过去二十年中,备受关注的三聚氰胺(MA)暴露案例引起了重大的毒理学关注,特别是在食品掺假方面。虽然广泛用作各种家用产品的基本有机化学中间体,但MA与其同系物氰尿酸(CA)的毒理学协同作用的潜力仍然令人担忧。本研究旨在通过网络毒理学、生物信息学和实验验证相结合的综合方法,探讨三聚氰胺和三聚氰尿酸(MC)联合暴露对大鼠的肾毒性及其潜在机制。

研究思路

动物模型及体内处理

30只8周龄SPF雌性SD大鼠构建肾损伤模型,随机分为两组:对照组给予CMC,MC组给予MA和CA的混合物

血清肌酐(Scr)和血尿素氮(BUN)测定

后腔静脉采血,使用自动分析仪测量Scr和BUN水平。

苏木精-伊红(HE)和Masson染色、Western blotting、组织免疫荧光(IF)、TUNEL

RAN-seq分析

对照组和MC组的肾脏样本进行RNA测序,进行差异表达分析、GO、KEGG富集分析、Reactome富集分析、Hallmark基因集富集分析和GSEA

免疫微环境分析

使用“CIBERSORT”R包获得21个免疫细胞浸润状态,使用“mMCPcounter”R包获得每个样品10个免疫细胞浸润状态

MC的靶点构建

从PubChem数据库检索MA和CA的CAS号。基于CAS号从ChEMBL和STITCH确定可能与MC相互作用并有助于其肾毒性作用的潜在蛋白靶点

肾损伤靶的构建

GeneCards数据库构建与肾损伤相关的疾病靶标库

潜在靶蛋白的基因功能及通路富集分析

对这些潜在靶点进行KEGG和Reactome通路富集分析    

相关性分析

使用“corrplot”R包分析21个免疫细胞之间以及20个潜在靶基因与21个免疫细胞之间的关系网络。利用STITCH数据库进一步探索了MC与20个潜在靶点之间的相互作用网络。

机器学习筛选枢纽基因

采用三种机器学习算法:LASSO回归、随机森林(RF)和分子复合物检测(MCODE),进一步筛选枢纽基因。

分子对接

通过分子对接验证MA,CA和鉴定的枢纽蛋白之间潜在的结合相互作用

主要结果

MC暴露诱导大鼠肾损伤和纤维化

RNA-seq显示肾损伤与免疫炎症反应和小管上皮细胞凋亡有关

MC暴露后大鼠肾脏免疫微环境分析

MC诱导肾损伤的潜在靶点鉴定

机器学习算法和枢纽靶点获取

Ren和Casp3通过肾素-血管紧张素-醛固酮系统(RAAS)和细胞凋亡参与MC诱导的肾损伤

Ren与Casp3的分子对接

文章小结

这篇文章通过结合网络毒理学、生物信息学、机器学习和实验验证等多种方法,干湿结合,研究了三聚氰胺和三聚氰酸共暴露对肾脏损伤的机制。如果再有进一步的体内机制探究,研究内容更加丰富,就是一个不错的课题了。不想做实验的话网络毒理学目前也是可以实现0实验发文的,不会选题或者不会分析的朋友可以直接联系馆长哦

馆长有话说

馆长会持续为大家带来最新生信思路,也可以提供特色数据库构建、免费思路评估、付费生信分析等服务,对数据库构建和生信分析感兴趣的朋友可以咨询馆长哦!

生信分析

方案设计

生信服务器

孟德尔随机化

网络药理学

单细胞测序

临床公共数据库分析

往期推荐

1.继孟德尔随机化后,又一“不做实验”的高分发文赛道开启!浙大朱益民&周丹团队凭它拿下37.6分!

2.这本10分纯生信友好刊竟然被我漏掉了!11套数据集+24种机器学习模型,纯生信新思路!看老外如何把机器学习玩出花~

3.不愧是清华大学,本科生就能一作发Nat Commun!代谢组学+机器学习纯生信,代码全公开!牛犇!

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/180154
 
288 次点击