探索糖尿病微血管疾病的毒理学网络：内分泌干扰化学物质的作用
糖尿病是一种以慢性高血糖为特征的代谢紊乱，已成为全球主要的公共卫生问题。糖尿病微血管病（DMiVD）是糖尿病的常见并发症，主要包括糖尿病肾病（DKD）、糖尿病视网膜病变（DR）和糖尿病周围神经病变（DSPN）。内分泌干扰化学物质（EDC）是干扰内源性激素的合成、分泌、运输、结合、作用或消除的外源性物质，研究发现EDC暴露与DMiVD致病机制密切相关。为探讨内EDC如何导致糖尿病微血管疾病。
本研究使用PubChem、ProTox 3.0和ChEMBL评估内分泌干扰化学毒性。通过SwissTargetPrediction和Similarity Ensemble方法确定相关的EDC靶点。从CTD、GeneCards和OMIM中检索糖尿病微血管疾病（糖尿病肾病、视网膜病变和感觉多发性神经病）的基因靶点。通过交叉EDC和疾病相关靶点来确定候选靶点。使用STRING建立PPI网络来识别枢纽基因。通过Metascape进行功能富集分析。使用Discovery Studio和CDOCKER进行EDC化合物与中心靶点的分子对接。分别在DKD、DR和DSPN中确定了843、474和623个潜在毒性靶点。KEGG通路分析将DKD中EDC毒性与癌症、趋化因子信号传导等关键通路联系起来，枢纽靶点包括EGFR、ALB、MYC、ESR1和HSP90AA1。DR与MAPK、ERBB、NOD样受体信号传导和肾细胞癌通路相关，ALB、EGFR、MYC、BCL2和CD4被确定为枢纽靶点。DSPN中EDC可能影响趋化因子、细胞凋亡、VEGF和JAK-STAT信号通路，其中ALB、EGFR、MYC、ESR1和BCL2是枢纽靶点。分子对接证实了EDC组分与枢纽靶点之间的强结合活性。为确定EDC参与糖尿病微血管疾病的毒性靶点和机制提供理论基础。
该研究于2025年4月发表在《International journal of surgery》，IF：12.5。
技术路线
主要研究结果
1. EDC对DKD的影响
使用SwissTargetPrediction和SEA数据库预测了12个主要EDC的靶点。合并和去除重复后，鉴定出1,486个独特的EDC相关靶点。从CTD、GeneCards和OMIM检索DKD相关基因靶点，过滤后产生9,999个独特靶点。使用Venny2.1.0，鉴定出843个重叠靶点（图1A），代表潜在的有毒靶点，通过这些靶点，EDC可能有助于DKD发病机制。为了分析这些共同靶点，通过将843个共享靶点导入STRING数据库（图1B）构建PPI网络，参数设置为“多种蛋白质”，智人和高置信度最小相互作用分数。这导致了一个由829个节点和13,999个边缘组成的网络（图1C），突出了EDC相关毒性靶点和DKD病理生理学之间的复杂相互作用。由于PPI网络中的蛋白质相互作用，它被表示为无向图。高密度区域或模块是具有生物学意义的集群。为进一步研究EDC诱导的DKD毒性机制，将网络导入CytoScape3.9.0，其中使用MCODE和CytoHubba插件进行聚类分析。根据度值确定了前10个中心靶标（图1D），因为这些可能在EDC诱导的DKD毒性中发挥关键作用。
使用Metascape平台，对与EDC诱导的DKD毒性相关的843个候选靶点进行了GO和KEGG通路富集分析。GO分析显示，就BP而言，候选靶点主要参与稳态、凋亡和脂质代谢，而在CC中，它们主要与突触、质膜区域和细胞表面相关。关于MF，这些靶点主要与酶结合、激酶活性和腺苷核苷酸结合有关。KEGG通路富集分析确定了基于P值的前10条通路，其中最重要的是癌症、趋化因子信号、凋亡、钙信号和通过细胞色素P450进行药物代谢的通路。这些结果为EDC促进DKD毒性的潜在机制提供了有价值的见解，突出了疾病进展中涉及的关键生物学过程和途径。
分子对接热图结果显示，EDC与前五名枢纽靶标（图2A）具有很强的结合亲和力，包括EGFR（PDB ID：4Z21）、ALB（PDB ID：6M4R）、MYC（PDB ID：8X8S）、ESR1（PDB ID：6V8T）和HSP90AA1（PDB ID：4L90）。选择结合能最低的前六名分子对接结果使用PyMOL进行可视化。值得注意的是，蒽和EGFR之间的相互作用涉及G465、D555和A444残基，而苯并吩与ALB的THR-435、LEU-434、HIS-93、PRO-213和GLY-216残基相互作用。DEHP与MYC的GLN-169残基结合，PFOA与ESR1的GLY-465残基相互作用，三氯生与ALB的GLY-467残基相互作用（图2B）。在GSE30528数据集中，与EDC诱导的DKD毒性相关的枢纽靶点的PCA分析显示正常组和DKD组之间有明显区别，PCA1解释了25.99%的方差，PCA2占15.21%。DKD中EGFR、ALB和MYC下调，而ESR1和HSP90AA1上调，尽管差异没有统计学意义（图2C）。
图1：EDC与DKD的关联分析
图2：12种EDC与DKD枢纽靶点的分子对接
2. EDC对DR的影响
从CTD、GeneCards和OMIM数据库共检索到6,276个DR相关基因靶点。Venny2.1.0确定了EDC-相关和DR相关靶点之间的474个重叠靶点（图3A），代表了EDC促进DR的潜在机制。通过将474个重叠靶点导入STRING数据库（图3B）构建PPI网络，参数设置为“多种蛋白质”、智人和“高置信度”交互分数。这导致了一个由465个节点和6,519个边缘组成的网络（图3C），突出了EDC相关毒性靶点与DR病理生理学之间的复杂相互作用。根据度值选择了前10个枢纽靶点（图3D），因为它们有望在EDC诱导的DR毒性中发挥关键作用。
使用Metascape平台，对与EDC诱导DR毒性相关的474个候选靶点进行了GO和KEGG通路富集分析。GO分析显示，在BP中，靶点主要参与凋亡、调节细胞死亡和信号转导的正向调节（图3E）。在CC中，它们与分泌囊泡、外部包囊结构和膜侧相关联（图3F）。在MF中，它们与相同的蛋白质结合、蛋白酶结合和过渡金属离子结合相关联（图3G）。KEGG通路分析根据P值确定了前10条通路，其中显着的包括MAPK、ERBB、NOD样受体信号转导和肾细胞癌通路（图3H）。这些结果为EDC促进DR毒性的机制提供了见解，强调了疾病进展中涉及的关键生物过程和途径。分子对接热图结果显示，EDC与前五名中心靶点具有很强的结合亲和力（图4A），包括ALB（PDB ID：6M4R）、EGFR（PDB ID：4Z21）、MYC（PDB ID：8X8S）、BCL2（PDB ID：6MBE）和CD4（PDB ID：7DPO）。使用PyMOL可视化了结合能最低的前六个分子对接结果。值得注意的是，蒽与BCL2的ILE-130和ASP-129残基相互作用，DBP与BCL2的ASN-316残基结合，PFOA与EGFR的ASN-183、LYS-207、ARG-206、THR-177、HIS-244、TYR-184和GLY-153残基相互作用。此外，PFOA与MYC的G491、D547和R330残基相互作用。二嗪农与ALB的ALA-424和VAL-373残基相互作用，而多氯联苯与ALB的GLU-546和HIS-577残基相互作用（图4B）。
在GSE60439数据集中，PCA分析显示正常组和DR组之间有明显的分离，PCA1解释43.39%，PCA2解释13.93%的方差。在DR患者中，ALB、EGFR、MYC、BCL2和CD4上调，尽管没有统计学意义（图4C）。
图3：EDC与DR之间的关联分析
图4：12种EDC与DR枢纽靶点的分子对接
3. EDC对DSPN的影响
从CTD、GeneCards和OMIM数据库中收集与DSPN相关的基因靶点。过滤和去除重复后，鉴定出7,483个相关基因靶点。Venny2.1.0分析显示623个常见靶点（图5A），预测为通过EDC暴露潜在有助于DSPN发病机制的毒性靶点。通过将623个重叠靶点导入STRING数据库（图5B）构建PPI网络，设置为“多种蛋白质”、智人和“高置信度”以获得最小交互评分。该分析生成了一个具有613个节点和9,241个边缘的网络（图5C），说明了EDC相关毒性靶点与DSPN病理生理学之间的复杂相互作用。根据度值，选择了前10个中心靶标（图5D），预计在EDC诱导的DSPN毒性进展中发挥关键作用。
Metascape平台对DSPN中与EDC毒性相关的623个候选靶点进行了GO和KEGG分析。GO分析显示，这些靶点主要参与稳态、对氧化合物的反应和凋亡（BP）；质膜、细胞表面和突触（CC）；以及酶结合、蛋白质结合和核苷酸结合（MF）。KEGG分析揭示了趋化因子信号传导、细胞凋亡、ERBB、VEGF、JAK-STAT和II型糖尿病等顶级途径。这些发现为与DSPN毒性相关的生物过程和途径提供了见解。分子对接热图显示EDC与前五个中心靶标之间具有很强的结合亲和力：ALB（PDB ID：6M4R）、EGFR（PDB ID：4Z21）、MYC（PDB ID：8X8S）、ESR1（PDB ID：7UJW）和BCL2（PDB ID：6RJP）（图6A）。使用PyMOL可视化了六种最低的结合能相互作用。草甘膦与ALB的GLY-945和ASP-946相互作用，DEHP与EGFR在GLU-852、TYR-210、CYS-863和LEU-864处结合。PFOA与EGFR的VAL-1941结合，Diazinon与LYS-1960和VAL-1941处的ALB相互作用，三氯生与ALB的ILE-1787和ESR1的LEU-95、HIS-96结合（图6B）。
与EDC诱导的DSPN毒性相关的枢纽靶点在前两节中得到验证。在GSE95849数据集中，PCA分析显示正常组和DSPN组之间有明显区别，PCA1占24.16%，PCA2占17.60%的方差。DSPN患者中EGFR上调，但不显著。ALB和ESR1下调，而MYC和BCL2上调，差异显著（P<0.05）（图6C）。
图5：EDC与DSPN的关联分析
图6：12种EDC与DSPN枢纽靶点的分子对接
结论
这项研究整合了网络毒理学、分子对接和生物信息学来推进EDC的研究。它为EDC在DmiVD（DKD、DR和DSPN）发展中的致病机制提供了新的见解。未来针对EDC的策略，如开发消除EDC或抑制其影响的药物，可能为预防和治疗DmiVD（DKD、DR和DSPN）提供新的方法。
实验方法
EDC毒性验证；检索EDC目标；DMiVD相关基因靶标的检索；EDC与DMiVD共同靶点的识别；PPI网络的构建；GO生物过程和KEGG途径富集分析；分子对接分析；数据库中验证枢纽基因表达
参考文献
Song S, Huang L, Zhou X, Yu J. Exploring the toxicological network in diabetic microvascular disease: The Role of Endocrine Disrupting Chemicals. Int J Surg. Published online April 11, 2025. doi:10.1097/JS9.0000000000002394. IF: 12.5 Q1.