从差异基因筛选到激酶发现的完整流程与数据库应用：以CDC45为例

从差异基因筛选到激酶发现的完整流程与数据库应用：以CDC45为例

1. 引言

疾病的发生通常伴随着基因表达的异常，而通过高通量数据挖掘，我们可以从数千个基因中筛选出核心靶点基因。这些核心靶点基因与细胞信号通路、转录调控密切相关，并可能作为激酶的作用靶点，用于开发新型抑制剂。本文详细介绍如何通过GEO数据库筛选差异基因，并借助GO、KEGG、PPI网络和机器学习模型得到核心靶点CDC45，再进一步通过ProfKin与KLIFS平台，找到与CDC45相关的激酶靶点，最终实现靶点-激酶映射，为后续药物设计奠定基础。

2. 从GEO数据库到核心靶点基因的筛选流程

2.1 数据获取与差异基因筛选

1. GEO数据库（Gene Expression Omnibus）：
   GEO 是常用的基因表达数据公共资源。

   • 在GEO中搜索相关疾病的数据集（如GSE12452，用于乳腺癌）。
   • 使用R语言的limma包分析差异基因（DEGs），筛选出显著上调或下调的基因。
   • 标准：log2FoldChange > 1.5，p值 < 0.05。

2. 相关性分析：
   使用WGCNA（加权基因共表达网络分析）工具构建基因模块，筛选与疾病表型高度相关的基因模块。

2.2 功能富集分析（GO与KEGG）

• GO（Gene Ontology）：揭示基因参与的生物过程、分子功能和细胞组分。
• KEGG（Kyoto Encyclopedia of Genes and Genomes）：用于分析基因在信号通路中的位置。
  • 通过clusterProfiler包在R中进行GO和KEGG富集分析，找出显著富集的生物通路。

2.3 PPI网络构建与核心基因筛选

• 使用STRING数据库构建PPI（Protein-Protein Interaction）网络。
• 借助Cytoscape软件和其插件（如MCODE、CytoHubba）筛选网络中的核心基因。
• 在筛选过程中，CDC45可能被鉴定为网络中心的重要调控基因。

2.4 机器学习模型筛选核心靶点

• 随机森林（RF）、人工神经网络（ANN）、卷积神经网络（CNN）、逻辑回归（Logistic Regression）**模型均可用于从高维数据中筛选核心靶点。
• 通过交叉验证与特征重要性分析，最终选定CDC45作为潜在的核心靶点基因。

3. 从CDC45到激酶的映射流程

3.1 CDC45与激酶的关系推导

CDC45 是细胞周期调控相关的基因，可能在某些信号通路中与特定激酶互作，如CDK2、PLK1等。为了进一步确认CDC45的激酶靶点，我们需要查询以下两个数据库：

1. ProfKin数据库：分析与CDC45互作或调控的激酶。
2. KLIFS数据库：提供激酶的结构及与配体结合信息。

4. 通过ProfKin与KLIFS找到CDC45的相关激酶

4.1 在ProfKin中查找激酶

ProfKin 是一个专注于激酶序列和功能分析的平台，支持通过UniProt ID或基因名查询相关激酶。

• 操作流程：
  1. 打开ProfKin官网（http://www.lilab-ecust.cn/profkin/）。
  2. 在搜索框中输入“CDC45”或相关UniProt ID。
  3. 查询CDC45是否与特定激酶互作（如CDK2、PLK1）。
  4. 下载对应的激酶及抑制剂列表。

4.2 在KLIFS中分析激酶的结构

KLIFS 是一个专注于激酶与配体结合的数据库，提供激酶的三维结构和活性口袋信息。

• 操作流程：
  1. 打开KLIFS平台（https://klifs.net/）。
  2. 输入激酶名称（如CDK2）或其PDB编号。
  3. 查看激酶的活性位点与潜在配体的结合模式。
  4. 下载激酶三维结构用于分子对接分析。

5. 从激酶到化合物：ChEMBL数据库的数据获取与应用

5.1 映射激酶至ChEMBL化合物

• 使用ChEMBL数据库API，查询CDC45相关激酶（如CDK2）的抑制剂化合物。
• 代码示例如下：

import requests
import pandas as pd

# 设置ChEMBL API查询地址
base_url = "https://www.ebi.ac.uk/chembl/api/data"

# 输入激酶的ChEMBL ID（例如CDK2: CHEMBL301）
target_id = "CHEMBL301"

# 查询激酶的活性化合物
url = f"{base_url}/activity?target_chembl_id={target_id}&limit=100"
response = requests.get(url).json()

# 提取ChEMBL ID、SMILES、IC50等数据
data = []
for activity in response['activities']:
    chembl_id = activity.get('molecule_chembl_id')
    smiles = activity.get('canonical_smiles', 'N/A')
    ic50 = activity.get('value') if activity.get('type') == 'IC50' else 'N/A'
    pic50 = activity.get('pchembl_value', 'N/A')
    units = activity.get('units', 'N/A')

    data.append([chembl_id, smiles, ic50, pic50, units])

# 转换为DataFrame并保存为CSV文件
df = pd.DataFrame(data, columns=['ChEMBL_ID', 'SMILES', 'IC50 (nM)', 'pIC50', 'Units'])
df.to_csv("chembl_compounds.csv", index=False)
print("化合物数据已保存至 chembl_compounds.csv")

5.2 数据的解释与应用

• IC50与pIC50值：用于评估化合物的活性强弱，IC50值越低，化合物抑制效果越好；pIC50为IC50的负对数值，更适合构建机器学习模型。
• SMILES结构：描述化合物的分子结构，用于后续的分子对接与优化。

6. 结果与讨论

1. 疾病核心靶点到激酶的映射：通过ProfKin和KLIFS，我们可以将CDC45基因映射到潜在的激酶（如CDK2、PLK1），并进一步分析其在信号通路中的作用。

2. 化合物的筛选与优化：利用ChEMBL数据库提取的化合物数据，可以筛选高效的小分子抑制剂，并结合分子对接与分子动力学模拟进行优化。

3. 机器学习模型的应用：基于IC50和pIC50数据，可以构建回归模型，预测新化合物的活性，为个性化药物设计提供支持。

7. 总结与展望

通过GEO、GO、KEGG、PPI网络和机器学习模型的多层筛选，我们从高维数据中找到了CDC45作为核心靶点基因，并通过ProfKin和KLIFS平台映射到相关的激酶。结合ChEMBL数据库的数据分析，我们能够快速筛选高活性的化合物，为精准药物设计提供数据支持。未来，我们可以进一步引入深度学习算法和多组学数据，提升靶点筛选和药物开发的精准度。