小记者发现最近这个网络毒理学又有新思路了，之前给大家分享的内容中已经有了结合分子动力学模拟、临床数据库等方法，后来又有了机器学习，但是今天这篇文章，又在机器学习的基础上结合了SHAP可解释分析，纯生信直接拿下了12.5分。
文章在选题上研究的是一种致癌霉菌毒素AFB1对肝癌（HCC）的毒性作用机制。之前咱们有提到过的毒性物质包括环境污染物、化合物、中药毒性成分等，现在又多了一类霉菌（除AFB1外，还有OTA、FB1等）。此外，如果大家是其它肿瘤研究方向，想了解更多的毒性致癌物质，也可以在IARC网站中检索哦。
其次在思路上，文章采用了“网毒+分子对接”结合“机器学习+SHAP”的综合研究策略，先利用“网毒”识别潜在候选靶点，随后通过“机器学习+SHAP”进一步从海量数据中准确识别到了关键基因，最后采用“分子对接”进行验证收尾。
有朋友问为啥现在都流行在机器学习中结合一下SHAP呢？这是因为在机器学习可以用来构建复杂的预测模型，但这些模型中的内部机制难以被直接理解。而SHAP则可以被用来量化每个特征对模型预测结果贡献的大小，从而筛选出最关键的目标。说白了，就是一个能高效并准确缩小关键靶点范围的方法。
其实现在“机器学习+SHAP”的应用越来越广了，网毒/药、临床数据库都能结合，如果你也对这些思路感兴趣，可以来找小记者聊聊，无论是方案设计、定制生信分析还是需要生信服务器都没问题哦~发文就趁现在！
定制生信分析
生信云服务器
研究背景
AFB1可能会通过AHR轴影响免疫抑制检查点，从而促进免疫逃避和HCC进展。因此本文旨在结合网络毒理学和机器学习算法探究AFB1诱导HCC的分子机制。
研究思路
主要结果展示
1.从ChEMBL、PharmMapper和SwissTargetPrediction数据库中识别出371个独特的潜在目标。
2.通过整合来自常规分析的差异表达基因和来自WGCNA的模块基因筛选出1179个HCC相关基因。
3.交叉结果共鉴定出48个参与AFB1诱导HCC发生的潜在关键靶点，GO和KEGG分析显示在AFB1相关的肝癌发生中，与肿瘤进展、代谢重编程和治疗抵抗相关通路显著富集。
4.通过113个机器学习预测模型鉴定出6个AFB1诱导HCC的关键基因，并利用SHAP可解释分析发现RND3和PCK1影响力最大。
5.分子对接显示AFB1与所有六种靶蛋白之间都具有很强的结合亲和力，并且结合能始终低于-5 kcal/mol。
文章小结
本研究提示了AFB1可能通过靶向特定的基因和途径影响HCC的发病机制，分子对接模拟表明，AFB1对靶蛋白具有显著的结合特异性，这些结果为深入研究AFB1诱导HCC的机制提供了基础。思路整体看下来还是非常有逻辑的，可复现性也很大，换个目标都能按照这个套路复现。感兴趣的朋友可以来找小记者定制方案设计、生信分析和项目评估哦！
如果您时间、科研条件有限，“生信日报”非常乐意为您提供如下服务：生信分析和方案设计，有意向的小伙伴欢迎咨询小记者哦！
课题思路设计
定制生信分析
生信云服务器
往·期·推·荐