一、文章信息
发表杂志名称：International Journal of Surgery
中文标题：聚对苯二甲酸乙二醇酯微塑料暴露增加溃疡性结肠炎风险：多组学整合、机器学习和分子对接揭示肠道毒性机制
英文标题：Polyethylene Terephthalate Microplastics Exposure Enhances the Risk of Ulcerative Colitis: Insights from Multi-Omics Integration, Machine Learning, and Molecular Docking Reveal Intestinal Toxicity Mechanisms
影响因子：10.1
发表日期：2025 年 9 月 22 日
二、研究概述
背景指出，近几十年来聚对苯二甲酸乙二醇酯（PET）的广泛使用导致其微塑料（PET-MPs）在环境中大量存在，对人类健康（包括溃疡性结肠炎，UC）构成潜在威胁，但相关分子机制尚不明确。方法上，研究者利用公共数据库数据预测 PET-MPs 靶点并识别 UC 相关差异表达基因，开展功能富集分析，通过多种机器学习算法筛选枢纽基因并评估，构建并验证风险预测列线图，还进行单细胞测序、分子对接及动物实验，用 Western blot 验证肠道组织蛋白表达。结果显示，确定了 11 个 PET-MPs 诱导 UC 毒性的潜在靶点，筛选出 4 个枢纽基因（CTSK、NAAA、PDE4B、PFKFB3），风险预测模型准确性高，分子对接证实 PET-MPs 与这些基因结合力强，动物实验发现 DSS+PET-MPs 组与 DSS 组相比，部分枢纽基因表达显著变化。结论为该研究揭示了 PET-MPs 可能诱导 UC 的分子机制，为理解 PET-MPs 暴露的潜在健康风险提供理论基础。
三、研究结果
（一）研究分析流程图与 UC 差异表达基因识别结果解读
作者呈现了研究的分析流程图（图 1），清晰展示了从数据获取（如从 PubChem、ChEMBL、GEO 等数据库获取相关数据）、靶点与差异表达基因筛选、功能富集分析、蛋白质相互作用网络构建，到机器学习筛选枢纽基因，再到分子对接、GSEA、SHAP 分析、单细胞测序、CIBERSORT 分析、列线图风险模型构建及动物实验验证的完整研究流程。
在 UC 差异表达基因识别方面，作者对两个数据集 GSE87466 和 GSE75214 进行处理，首先通过 PCA 分析展示了批次效应校正前后样本的分布情况（图 2A、2B），校正前不同数据集的样本分布相对分散，存在明显批次差异，校正后样本分布更为集中，批次效应得到有效消除；接着通过差异表达分析识别出 686 个差异表达基因（DEGs），并用火山图（图 2C）呈现了这些 DEGs 的分布，火山图中每个点代表一个基因，显著上调和下调的基因分别分布在图的两侧，通过颜色或大小等方式区分，同时用热图（图 2D）展示了前 20 个上调和下调的 DEGs 在样本中的表达情况，热图中不同颜色代表基因表达水平的高低，能直观反映基因在不同样本中的表达差异。本段内容完整呈现了研究的整体设计流程以及 UC 差异表达基因的筛选和初步展示结果，为后续研究奠定了数据基础。
（二）PET-MPs 诱导 UC 潜在靶点识别结果解读
作者通过 Venn 图（图 3A）展示了 PET-MPs 相关靶点与 UC 差异表达基因的交集，最终获得 11 个交集基因，将其视为 PET-MPs 诱导 UC 毒性的潜在靶点（PET-MPs-UCs）；随后利用 STRING 数据库构建了这些潜在靶点的蛋白质 - 蛋白质相互作用（PPI）网络（图 3B），该网络清晰呈现了各靶点之间的相互作用关系，节点代表靶点基因，节点间的连线代表相互作用；接着通过 Cytoscape 计算了网络中各节点的度值，并根据度值大小进行排序，用不同颜色深度表示度值高低（图 3C），颜色越深代表度值越高，表明该靶点在网络中的作用越关键；最后构建了 PET-MPs - 靶点 - UC 的调控网络（图 3D），直观展示了 PET-MPs 如何通过作用于这些潜在靶点影响 UC 的发生发展。本段通过多种图表全面分析了 PET-MPs 诱导 UC 的潜在靶点及其相互关系，明确了后续研究的关键基因方向。
（三）PET-MPs-UCs 功能富集分析结果解读
作者对 PET-MPs-UCs 进行了 KEGG 通路和 GO 富集分析。在 KEGG 通路富集分析中，通过气泡图（图 4A）展示了相关结果，气泡的大小代表基因数量，颜色代表 P 值，结果显示 PET-MPs-UCs 显著富集于 VEGF 信号通路、花生四烯酸代谢、急性髓系白血病相关过程、化学致癌性 - DNA 加合物形成、NF-κB 信号通路、细胞凋亡以及果糖和甘露糖代谢等多个关键生物学通路；在 GO 富集分析中，分别从生物学过程（图 4B）、细胞组分（图 4C）和分子功能（图 4D）三个方面进行展示，生物学过程方面，PET-MPs-UCs 显著富集于长链脂肪酸生物合成过程、参与出芽血管生成的细胞迁移正调控、对有毒物质的响应、巨自噬正调控等；细胞组分和分子功能方面也呈现出相应的富集特征，通过不同的图表形式（如柱状图）展示了各富集条目下的基因数量及 P 值等信息。本段通过功能富集分析，揭示了 PET-MPs-UCs 可能参与的生物学过程和信号通路，为理解 PET-MPs 诱导 UC 的分子机制提供了重要线索。
（四）机器学习筛选枢纽 PET-MPs-UCs 结果解读
作者采用三种机器学习算法筛选枢纽 PET-MPs-UCs。在 LASSO 分析中，通过确定最佳 lambda 值（图 5A 中垂直虚线所示），从训练数据集中提取出 5 个特征基因，并绘制了相应的 ROC 曲线（图 5A），其 AUC 值为 0.980（图 5B），表明该筛选结果具有较高的预测准确性；在 SVM-RFE 分析中，通过绘制最大准确率和最小误差图（图 5C），从训练数据集中获得 6 个特征基因，对应的 ROC 曲线 AUC 值为 0.961（图 5D）；在随机森林分析中，通过设定基因重要性得分 > 5.0，从训练数据集中识别出 4 个特征基因（图 5E），相应的 ROC 曲线 AUC 值为 0.948（图 5F）；随后通过 Venn 图（图 5G）展示了三种算法筛选出的特征基因的交集，最终准确识别出 4 个枢纽 PET-MPs-UCs，即 CTSK、NAAA、PDE4B 和 PFKFB3；通过小提琴图（图 5H）分析了这些枢纽基因在训练数据集中 UC 样本和健康对照样本中的表达模式，结果显示 CTSK、PDE4B 和 PFKFB3 在 UC 样本中显著上调，而 NAAA 显著下调；最后通过染色体定位分析（图 5I），明确了 CTSK 和 PDE4B 位于 1 号染色体，NAAA 位于 4 号染色体，PFKFB3 位于 10 号染色体。本段通过多种机器学习算法高效筛选出关键的枢纽基因，并对其表达模式和染色体定位进行了分析，为后续深入研究奠定了关键基因基础。
（五）SHAP 解释性分析结果解读
作者采用 9 种机器学习算法（PLS、RF、DTS、LR、KNN、XGBoost、GBM、神经网络、glmBoost）对已识别的枢纽基因进行验证（图 6A），结果显示随机森林（RF）算法表现出最佳的整体预测性能，具有最高的 AUC 值；为理解 RF 模型的潜在机制，作者利用 shapviz R 包计算了 SHAP 值，并根据贡献大小对基因进行排序，通过瀑布图（图 6B）和力图（图 6C）详细展示了单个样本的分类过程，量化了这 4 个基因对预测分数的累积贡献，清晰呈现了 RF 模型对每个样本的分类依据；柱状图分析（图 6D）显示 NAAA 和 CTSK 是对 RF 模型预测贡献最大的两个基因；蜂群图（图 6E）进一步强调 NAAA 是样本分类的关键决定因素，同时表明这 4 个基因（NAAA、CTSK、PDE4B、PFKFB3）均对预测结果有正向影响，即这些基因表达水平升高与疾病状态相关，与对照样本的表达模式形成对比；散点图（图 6F）证实了 SHAP 值与这 4 个基因表达水平之间存在正相关关系，提示它们之间存在协同相互作用。本段通过 SHAP 分析深入解析了机器学习模型的预测机制，明确了各枢纽基因在模型中的重要性及相互关系，进一步验证了枢纽基因的可靠性。
（六）枢纽 PET-MPs-UCs 风险预测模型构建与验证结果解读
作者利用枢纽 PET-MPs-UCs 构建了 LR 模型，最终风险评分计算公式为（1.9999×CTSK）+（0.5528×PDE4B）+（0.8362×PFKFB3）+（-4.0099×NAAA），在训练集中，UC 患者的风险评分显著高于健康对照（图 7A）；基于这些枢纽基因的表达水平，设计了用于 UC 风险预测的列线图（图 7B），该列线图可通过各基因的表达值计算对应的得分，进而预测 UC 风险；通过构建临床校准曲线（图 7C）和决策曲线（图 7D），结果表明所提出的模型对 UC 具有较高的预测能力，校准曲线显示预测风险概率与实际观察结果一致性良好，决策曲线显示在较广的阈值概率范围内具有净获益；通过 10 折交叉验证，该模型的 AUC 值达到 0.978（图 7E）；混淆矩阵（图 7F）、敏感性曲线和特异性曲线（图 7G）共同表明该模型具有较高的分类性能。在外部验证中，使用 GSE92415 数据集，统计分析显示 UC 患者的风险评分显著高于对照（图 8A）；校准曲线（图 8B）显示预测风险概率与观察结果一致性强，模型估计偏差小；决策曲线分析（图 8C）强调了该模型的临床实用性，在与 UC 诊断相关的广泛阈值概率范围内均有净获益；值得注意的是，该模型在验证集中的 AUC 值达到 0.985，其性能显著优于单个 PET-MPs-UCs（图 8D - G）。本段详细介绍了风险预测模型的构建过程、性能评估及外部验证结果，证实了该多基因整合模型在 UC 预测中的优越性和临床适用性。
（七）枢纽 PET-MPs-UCs 的 GSEA 分析结果解读
作者为进一步探究枢纽 PET-MPs-UCs 在 UC 中的潜在机制，进行了单基因 GSEA 分析（补充材料图 S1）。结果显示，CTSK 的表达与补体和凝血级联反应相关，补体和凝血级联反应是先天免疫反应的关键组成部分，对 UC 发病机制至关重要；NAAA 的表达与氧化磷酸化呈正相关，氧化磷酸化是细胞产生 ATP 的主要过程，其调控异常与包括 UC 在内的多种疾病相关；PDE4B 的表达与 T 细胞受体信号通路相关，T 细胞受体信号通路的激活会驱动细胞因子产生、T 细胞增殖和分化，最终促进 UC 的发展；PFKFB3 的表达与细胞凋亡相关，细胞凋亡在 UC 中存在调控异常，会影响肠道上皮细胞的正常功能和肠道炎症状态。本段通过 GSEA 分析，深入揭示了各枢纽基因在 UC 发生发展中可能涉及的分子机制，为后续研究提供了更具体的方向。
（八）UC 患者免疫微环境分析结果解读
作者为探究 UC 患者与健康对照在免疫微环境方面的差异，首先分析了 22 种免疫细胞类型的分布模式（补充材料图 S2），并详细考察了两组之间这些免疫细胞群体的数量差异。结果表明，UC 样本中有 15 种免疫细胞群体的丰度存在显著差异，具体而言，与健康对照相比，UC 患者的活化记忆 CD4 T 细胞、滤泡辅助性 T 细胞、静息自然杀伤细胞、M0 和 M1 型巨噬细胞、活化树突状细胞以及中性粒细胞的浸润程度更高；随后进行的枢纽 PET-MPs-UCs 与不同免疫细胞亚群之间的相关性分析显示，这些枢纽基因与多种免疫细胞群体存在显著关联。本段通过免疫微环境分析，明确了 UC 患者免疫细胞的异常浸润情况及枢纽基因与免疫细胞的关联，为理解 PET-MPs 与 UC 免疫微环境的相互作用提供了依据。
（九）单细胞水平枢纽 PET-MPs-UCs 表达分析结果解读
作者利用 “Seurat” R 包对 GSE214695 单细胞数据集进行了单细胞分析，首先对筛选出的细胞进行聚类和降维处理，通过 PCA 和 t-SNE 算法，选择前 1500 个高变基因进行后续 PCA 分析，以识别驱动细胞异质性的主成分（图 9A、9B）；随后使用 SingleR 包对细胞簇进行注释，共获得 8 种细胞群体，即 B 细胞、中性粒细胞、上皮细胞、单核细胞、树突状细胞（DC）、基质细胞、CD4+T 细胞和肥大细胞，并且观察到 UC 样本和正常样本之间细胞群体数量存在明显变化（图 9C、9D）；作者进一步分析了枢纽 PET-MPs-UCs 在这 8 种细胞类型中的分布情况，结果显示 CTSK 在基质细胞中表达水平最高（图 9E），而 NAAA（图 9F）、PDE4B（图 9G）和 PFKFB3（图 9H）虽然分布广泛，但在 UC 条件下，它们在单核细胞中的表达水平最为显著，与正常组相比存在显著差异。本段通过单细胞水平的分析，明确了各枢纽基因在不同细胞类型中的表达分布特征，特别是在 UC 状态下的异常表达情况，为深入理解枢纽基因在 UC 中的作用提供了单细胞层面的证据。
（十）枢纽 PET-MPs-UCs 分子对接分析结果解读
作者通过分子对接分析探究了 PET-MPs 与 4 个靶基因（CTSK、NAAA、PDE4B、PFKFB3）之间的相互作用，利用 CB-DOCK2 数据库生成了 4 个对接结果，并采用 VinaScore 量化配体与蛋白质靶点之间的结合能。结果显示，PFKFB3 - PET-MPs 复合物的 VinaScore 为 - 7.2 kcal/mol（图 10A），表明其具有较强的结合亲和力；PDE4B 与 PET-MPs 结合的 VinaScore 为 - 6.8 kcal/mol（图 10B）；NAAA 与 PET-MPs 相互作用的 VinaScore 为 - 5.8 kcal/mol（图 10C）；CTSK 与 PET-MPs 结合的 VinaScore 为 - 5.0 kcal/mol（图 10D）。值得注意的是，所有这些结合能得分均低于 - 5.0 kcal/mol，表明 PET-MPs 与这 4 个靶基因之间存在较强的结合亲和力。本段通过分子对接分析，从分子层面证实了 PET-MPs 与枢纽基因的相互作用，为 PET-MPs 影响枢纽基因功能进而诱导 UC 提供了分子水平的支持。
（十一）结肠组织中枢纽基因验证结果解读
作者通过给予 3% DSS 成功建立了结肠炎动物模型，与对照组相比，DSS 组小鼠出现体重减轻（图 11A）和结肠缩短（图 11B）的现象，而当联合给予 PET-MPs 时（即 DSS+PET-MPs 组），与单独 DSS 组相比，这些病理变化进一步加剧；通过 HE 染色和组织病理学评分（图 11C），进一步证实了这些表型和形态学改变。为深入探究潜在的分子机制，作者以对照组为参照，采用 Western blot 分析评估了 DSS 诱导的结肠炎小鼠结肠中 CTSK、PDE4B 和 PFKFB3 的表达水平（图 11D、11E）。结果与之前的发现一致，DSS 组结肠组织中 CTSK、PDE4B 和 PFKFB3 的表达显著上调，而 NAAA 的表达下调；值得注意的是，与 DSS 组相比，DSS+PET-MPs 组中这些蛋白质的表达水平发生了更大程度的改变。本段通过动物实验，在体内验证了枢纽基因在结肠炎中的异常表达以及 PET-MPs 对这些基因表达的影响，进一步证实了 PET-MPs 在加剧结肠炎中的作用及相关分子机制。
本研究旨在探究聚对苯二甲酸乙二醇酯微塑料（PET-MPs）暴露与溃疡性结肠炎（UC）关联的潜在分子机制。研究团队通过整合多数据库数据，运用网络毒理学结合机器学习算法，筛选出 CTSK、NAAA、PDE4B、PFKFB3 这 4 个在 PET-MPs 诱导 UC 中起关键作用的枢纽基因。借助 SHAP 分析验证了机器学习模型的可靠性，明确了各枢纽基因的重要性及相互作用；构建的基于这些枢纽基因的风险预测列线图，在训练集和验证集中均展现出较高的预测准确性和临床实用性。通过 GSEA 分析揭示了各枢纽基因可能参与的生物学通路，如 CTSK 与补体和凝血级联反应相关、NAAA 与氧化磷酸化相关等；免疫微环境分析发现 UC 患者存在特定免疫细胞的异常浸润，且枢纽基因与这些免疫细胞存在关联；单细胞测序分析明确了枢纽基因在不同细胞类型中的表达分布特征；分子对接证实 PET-MPs 与 4 个枢纽基因具有较强的结合亲和力；动物实验进一步验证了 PET-MPs 可加剧 DSS 诱导的小鼠结肠炎，且枢纽基因的表达变化与之前的研究结果一致。综上，该研究全面揭示了 PET-MPs 可能诱导 UC 的分子机制，为理解 PET-MPs 暴露的潜在健康风险及 UC 的防治提供了重要的理论依据和新的研究方向。
网友评论