数据收集与目标识别：
从PubChem数据库获取双酚A（BPA）的化学结构和SMILES表示。
通过ChEMBL、STITCH和Swiss Target Prediction数据库识别BPA的潜在靶点。
从OMIM和GeneCards数据库获取银屑病相关的疾病靶点。
合并并去重上述靶点，构建BPA相关靶点的综合数据库。
功能通路分析：
使用DAVID数据库对靶点基因进行基因本体（GO）和京都基因与基因组百科全书（KEGG）富集分析。
分析涵盖三个GO领域（生物过程、细胞组分和分子功能）以及KEGG通路，以提供有关识别基因的生物作用和分子机制的见解。
根据调整后的p值（<0.05）确定显著富集的功能通路。
核心靶点选择：
使用最小绝对收缩和选择算子（LASSO）回归和支持向量机（SVM）两种机器学习算法来识别与BPA诱导的银屑病相关的核心靶点。
利用递归特征消除（RFE）算法优化特征选择，以识别最大化模型性能的变量最优组合。
核心靶点被定义为两种算法共同识别的基因。
核心基因的差异化表达与诊断准确性评估：
下载GEO数据集GSE13355，包括银屑病病变和正常皮肤的转录组数据，以分析和可视化核心基因的表达水平。
构建受试者工作特征（ROC）曲线，并根据GSE13355数据集中的正常和银屑病样本的mRNA表达数据进一步评估识别核心靶点的诊断潜力。
计算曲线下面积（AUC）以评估ROC曲线的诊断准确性。
免疫浸润分析：
使用GSVA（v1.46.0）R包进行单样本基因集富集分析（ssGSEA），以检查银屑病病变和正常皮肤之间免疫相关细胞的浸润评分。
使用Wilcoxon秩和检验进行统计显著性检验，并分析核心靶点基因与免疫细胞浸润之间的相关性。
分子对接：
从蛋白质数据银行（PDB）检索核心靶点蛋白质的三维结构。
从PubChem数据库获取BPA的分子结构。
使用Open Babel软件将结构转换为Mol2格式。
对关键蛋白质进行预处理，包括脱水和加氢，并使用AutoDockTools-1.5.7进行分子对接。
将AutoDock Vina生成的pdbqt格式的对接结果导入PyMOL软件，转换为pdb格式。
使用PyMOL 3.2可视化具有最高结合能的重要蛋白质结构。
分子动力学模拟：
使用Gromacs 2022.3软件对BPA-血小板活化因子受体（PTAFR）复合物进行分子动力学（MD）模拟。
使用AmberTools 22对小分子进行预处理，应用通用Amber力场（GAFF）力场。
添加氢原子，使用Gaussian 16W计算限制静电势（RESP）电荷，并将生成的电荷数据整合到MD的拓扑文件中。
在恒定温度300 K和压力1 bar下进行模拟，总模拟时间为100 ns。
使用Amber99sb-ildn力场，并使用TIP3P水模型对系统进行溶剂化。
通过添加Na+离子使系统的总电荷中和。
使用最速下降法进行能量最小化，然后进行平衡以稳定系统，再继续进行MD模拟。
不良结局途径（AOP）的构建：
根据靶点表型和基因-表型网络，选择与BPA和银屑病高度相关的表型作为潜在关键事件（KEs）。
进一步定义与这些表型相关的基因为潜在分子起始事件（MIEs）。
通过定义和连接这些事件，构建一个将BPA暴露与银屑病联系起来的不良结局途径（AOP），考虑到不同表型的水平和生物学关系。
