Dans Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
Summary
La modélisation quantitative de la relation structure-activité (QSAR) est une méthode bioinformatique-assistée représentative dans le criblage toxicologique. Ce protocole démontre comment évaluer par calcul les risques des perturbateurs endocriniens (DE) dans les milieux aquatiques. Utilisant la boîte à outils QSAR de l’OCDE, le protocole met en œuvre un analyse in silico pour analyser la toxicité des ED chez les poissons.
Abstract
Les analyses informatiques des processus toxicologiques permettent le dépistage à haut débit des substances chimiques et la prédiction de leurs points de terminaison dans les systèmes biologiques. En particulier, les modèles quantitatifs de relation structure-activité (QSAR) ont été de plus en plus appliqués pour évaluer les effets environnementaux d’une pléthore de matières toxiques. Ces dernières années, certains types plus mis en évidence de substances toxiques sont les perturbateurs endocriniens (ED, qui sont des produits chimiques qui peuvent interférer avec tout métabolisme lié aux hormones). Étant donné que les DE peuvent avoir une incidence importante sur le développement et la reproduction des animaux, il est nécessaire de prédire rapidement les effets néfastes des ED utilisant les techniques de silico. Cette étude présente une méthode in silico pour générer des données de prédiction sur les effets des ED représentatifs chez les vertébrés aquatiques, en particulier les espèces de poissons. Le protocole décrit un exemple utilisant le flux de travail automatisé du logiciel QSAR Toolbox développé par l’Organisation de coopération et de développement économiques (OCDE) pour permettre des prédictions d’écotoxicité aigue des E. En conséquence, les éléments suivants sont déterminés : (1) calcul des corrélations numériques entre la concentration pour 50 % dela létalité (LC50) et le coefficient de cloison octanol-eau (K ow), (2) les performances de sortie dans lesquelles le LC50 les valeurs déterminées dans les expériences sont comparées à celles générées par les calculs, et (3) la dépendance de l’affinité de liaison de récepteur d’oestrogène sur la relation entre Kow et LC50.
Introduction
Les nouveaux développements dans l’informatique et la technologie de calcul ont permis aux sciences biologiques avec des méthodologies quantitatives qui offrent une haute précision et fiabilité1. En particulier, les algorithmes utilisés dans la taxonomie moléculaire et la classification des biens ont donné lieu à des modèles quantitatifs de relation structure-activité (QSAR)2. Ces modèles corrèlent automatiquement les structures chimiques et les activités biologiques d’une base de données chimique donnée et mettent en œuvre rapidement dans le dépistage silico d’un large éventail de substrats chimiques en fonction de leurs actions médicinales ou toxicologiques3. Les outils QSAR peuvent produire des profils de toxicité prédictive en fonction des vecteurs caractéristiques des descripteurs moléculaires (c.-à-d., paramètres physicochimiques) des produits chimiques d’intérêt pour créer numériquement des paramètres catégoriques4. Habituellement, chaque point de terminaison quantitatif s’affiche sous la forme d’un scatterplot 2D par rapport aux variations des valeurs descriptives. Un modèle QSAR est ensuite généré à l’aide d’analyses de régression linéaire (multiples). Une fois qu’un jeu de données a été pleinement exploité pour construire un modèle QSAR (appelé l’ensemble de formation), le modèle est statistiquement validé en prédisant les points de terminaison d’un groupe de produits chimiques non inclus dans l’ensemble de formation (appelé l’ensemble de test). Le modèle peut ensuite être utilisé pour prédire les activités biologiques des composés non testés3.
Parmi de nombreux produits chimiques nocifs, les perturbateurs endocriniens (DE) ont été mis en évidence comme un groupe de substances toxiques qui peuvent interférer dans de nombreux métabolismes liés aux hormones chez les mammifères, les amphibiens et les poissons5,6. Les DE d’elles sont connues pour induire une variété d’effets indésirables, tels que des cancers et des malformations, en bloquant ou en modifiant les voies hormonales normales ou en activant des signaux anormaux de synthèse/dégradation des hormones. En conséquence, ces produits chimiques hormono-mitant peuvent perturber les systèmes endocriniens tels que le développement biologique et la reproduction des populations animales sauvages sont entravés. En particulier, les effets écotoxicologiques des ED ont été étudiés en profondeur chez les vertébrés aquatiques, qui ont des structures de récepteurs hormonaux presque identiques à celles des mammifères, y compris les humains. Étant donné que toutes les actions hormonales se produisent à faibles doses in vivo, il est essentiel de prédire les toxicités potentielles des candidats à l’ED qui utilisent un dépistage rapide du silico pour la santé publique et environnementale.
Des modèles QSAR basés sur la toxicologie des E ont été menés utilisant des descripteurs 2D et 3D (connus sous le nom de 2D et 3D QSAR,respectivement), qui révèlent les affinités de liaison de ligand d’ED des récepteurs d’oestrogène, d’androgène, et de progestérone 7. Malgré les avantages de haute précision de la QSAR 3D, dans laquelle les interactions conformationnelles et électrostatiques sont envisagées, 2D QSAR conserve sa propre robustesse dans les algorithmes mathématiques directs, les calculs rapides et les charges de calcul extrêmement faibles. En outre, les modèles 2D-QSAR sont flexibles pour une utilisation dans un large éventail d’applications tout en réalisant des performances de prédiction relativement précises.
La boîte à outils QSAR de l’OCDE est actuellement l’un des outils logiciels informatiques les plus utilisés, fournissant des modèles QSAR disponibles et pré-construits8,9. Son profileur utilise des bases de données descripteurs 2D. Depuis la sortie de la première version en 2008, le logiciel a été appliqué dans les domaines des industries chimiques et biologiques, de la santé publique et de la sécurité environnementale pour une analyse complète ou partielle des risques potentiels de composés naturels et synthétiques, intérêts particuliers dans la carcinogenèse10,11,12, la mutagénicité13,14,15, et la toxicité du développement16. L’application à la toxicologie aquatique a également été démontrée, en mettant l’accent sur la bioaccumulation et la biotransformation17.
La boîte à outils QSAR s’est avérée utile pour prédire la toxicité à court terme d’un large éventail de produitschimiques17, ainsi que les affinités de liaison du récepteur d’oestrogène (ER) des E1. Cependant, les écotoxicités aigues des E chez les vertébrés aquatiques n’ont pas été analysées à l’aide de la boîte à outils QSAR. Dans cette étude, un protocole typique et facile est présenté pour effectuer la modélisation QSAR sur les effets indésirables aigus des ED avec un accent sur les espèces de poissons. L’étude montre que la boîte à outils QSAR est un logiciel très accessible pour calculer et prédire la létalité/mortalité des vertébrés aquatiques pour certains ED représentatifs. Des méthodes de traitement statistique pour les dérivés dans les ensembles de données silico sont présentées. La figure 1 montre le schéma global pour le fonctionnement général de la boîte à outils QSAR. Le flux de travail indiqué à la figure 2 fournit des instructions simples sur la façon de faire fonctionner l’analyse in silico pour prédire l’écotoxicité aigue des substances cibles telles que les produits chimiques perturbateurs endocriniens.
Protocol
Representative Results
Discussion
La polyvalence de la boîte à outils QSAR de l’OCDE en tant que logiciel d’analyse pour l’écotoxicologie est montrée ici avec un intérêt particulier pour les effets néfastes des produits chimiques perturbateurs endocriniens sur les vertébrés aquatiques. De plus, un protocole simple et standard a été démontré pour prédire la toxicité aigue (96 h LC50) de 74 ED représentatifs (tableau1) pour les espèces de poissons. Pour ce faire, on a appliqué des modules de construction de catégories, de combler les lacunes de données et de profilage des urgences intégrés dans la boîte à outils QSAR (figure1, figure 2).
La corrélation linéaire entre le journal10LC50 et le log10KOW avec une pente négative (comme indiqué dans la figure supplémentaire S1) a longtemps été connue comme une relation quantitative standard dans les analyses QSAR25, où une toxicité plus élevée est montrée plus hydrophobe un produit chimique donné est. Comme on peut le voir à partir d’un simple calcul, la relation mathématique générale qui comprend l’équation S1 et l’équation S2 (Information supplémentaire) est une expression convertie de la fonction de puissance suivante26:
De l’intrigue de (Équation 2), caractérisant une gamme intermédiaire de KOW26 peut être possible en ajustant les paramètres a et b, où une certaine variation de l’hydrophobicité (ou hydrophilie) ne change pas de manière significative le l’extrémité de la toxicité aigue.
Des analyses comparatives entre les prédictions computationnelles et les observations expérimentales sur le LC50, comme le montrent la figure 3 et la figure 4, ont généralement été rapportées dans des études de QSAR pour divers substances toxiques aquatiques, y compris surfactants techniques nonionic27, fongicides triazole28, et métabolites de pesticides21. Ce type de validation rétrospective fournit des informations sur la mesure dans laquelle un outil QSAR donné peut atteindre en termes de performance comparative par rapport aux résultats expérimentaux. Dans cette étude de la toxicité aigue chez les poissons, la boîte à outils QSAR a été prouvé pour fournir des prédictions de protection pour plus de 90% des ED testés dans tous les poissons et dans une seule espèce, Pimephales promelas.
Il est nécessaire d’identifier davantage les trois produits chimiques aberrants de la figure 3 et de la figure 4, qui ont montré que le LC50 prévu était plus élevé en moyenne et au moins, respectivement, qu’il s’en trouve. Tout d’abord, le 3′,5,7-trihydroxy-4′,6-dimethoxyisoflavone est un type de flavonoïde (plus précisément, un isoflavone), qui est considéré comme généralement sûr et utilisé dans les produits pharmaceutiques à base de plantes; cependant, il a toujours des soucis oestrogène-connexes29 et peut causer la toxicité aigue probablement par le découpage oxydant de phosphorylation30. Ensuite, le 1,4-benzenediol, appelé hydroquinone, est un composé phénolique qui peut déclencher une réponse immunitaire non spécifique et cytotoxique chez les poissons31. Enfin, le 4-hexylphénol a été connu pour montrer suffisamment d’activité oestrogénique positive pour être classé comme un ED32. Il a été bien étudié que la principale raison de la toxicité aigue de l’hydroquinone est la réduction-oxydation (redox) cycle. L’hydroquinone est oxydée à la benzoquinone et réduit de nouveau à la semi-quinone ou à l’hydroquinone à plusieurs reprises, avec des cofacteurs appauvrissants et générant des espèces réactives d’oxygène33. Les deux autres produits chimiques peuvent nécessiter des études plus approfondies pour révéler leurs mécanismes d’action dans l’écotoxicité aigue en utilisant des approches d’amarrage moléculaire comme celle utilisée par Panche et al.34, qui ne peuvent pas être couverts par la boîte à outils QSAR.
Les ED interfèrent avec le système endocrinien principalement par des interactions physicochimiques avec des récepteurs stéroïdes tels que les récepteurs d’oestrogène et d’androgène, qui sont d’un intérêt considérable dans les études de modélisation QSAR35. Compte tenu de cela, la boîte à outils QSAR est robuste en termes de classification facile et rapide des affinités de liaison ER pour un ensemble de produits chimiques basés uniquement sur les descripteurs 2D des structures moléculaires. Lorsque ce système de profileur ER a été appliqué à notre liste d’URGENCEs, aucune corrélation claire n’a été trouvée entre l’affinité de liaison ER et l’hydrophobicité (figuresupplémentaire S2). Ce résultat peut s’expliquer par le fait que la formation d’un complexe de stéroïdes-récepteurs n’est pas une conséquence directe d’une contribution de liaison hydrophobe, mais devrait être accompagnée d’un changement conformationnel dans la structure des récepteurs du site actif36. La liaison des récepteurs peut également être due à la liaison de l’hydrogène et à l’empilement de l’hydrogène.
En outre, la position de chaque groupe chimique sur la molécule peut affecter la liaison des récepteurs, même si l’hydrophobicité et le nombre d’accepteurs-donneurs d’hydrogénes restent les mêmes. Deuxièmement, le profileur DES urgences a produit des tendances contraires entre les niveaux moyen prévus et expérimentaux l’indice LC50, avec une affinité de liaison accrue avec les urgences (Figure 5). Cela peut être dû au fait que la létalité des parents dans un test de toxicité aigu n’est pas due à la liaison aux urgences, mais plutôt à la narcose dans la plupart des cas, ou au cycle redox dans le cas de l’hydroquinone. Par exemple, une analyse plus approfondie, y compris la toxicité chronique, est nécessaire pour un plus grand ensemble d’ED pour définir les limites prédictives de la version actuelle de la boîte à outils QSAR.
Cette recherche préliminaire peut également avoir des implications pour la santé publique parce que les stéroïdes (androgènes, oestrogènes, progestatifs et corticoïdes) et leurs récepteurs présentent des structures macromoléculaires similaires ou même identiques chez les vertébrés5. Ces types de systèmes de signalisation endocrinienne analogues peuvent fonctionner à l’aide d’un mécanisme commun dans les événements clés des ED5. Néanmoins, des méthodologies complémentaires et complémentaires sont nécessaires pour éclairer cet aspect vaste et complexe [par exemple, en effectuant la modélisation computationnelle de l’absorption, de la distribution, du métabolisme et de l’excrétion (ADME), et/ou des résultats défavorables voie (AOP)]38. En outre, parce que la plupart des préoccupations scientifiques et publiques soulevées au sujet des effets néfastes des DE sont liées à leurs toxicités chroniques, l’amélioration des bases de données et des algorithmes dans la boîte à outils QSAR et la production fiable d’écotoxicologie à long terme prévisions pour les ED sont toutes deux nécessaires.
Cet article démontre l’application de la boîte à outils QSAR pourcomparer les valeurs écotoxicologiques LC50 pour les poissons avec les valeurs de 10 Kow de journal des ED. Tout au long du protocole, il en résulte des relations faibles entre les deux paramètres, car il a a été révélé par des études antérieures (p. ex., Kim etal.39) que le journal10Kow n’est pas un bon prédicteur direct du LC50aquatique. Malgré cette limitation, ce protocole fournit un examen général ou “vignette” pour décrire comment utiliser le tableau de bord à un but donné, car il s’agit d’une application valide pour utiliser la boîte à outils QSAR pour étudier les corrélations entre LC50 (ou ER liaison l’affinité) etle journal10K ow , ou comme un outil pour le dépistage rapide de l’écotoxicité aigue. Néanmoins, il convient de noter que (1) illuminant le lien entre la liaison des récepteurs d’œstrogènes et la toxicité chronique, plutôt que la toxicité aigue (létalité), est plus pertinent de sorte que des corrélations plus claires peuvent être trouvées, et (2) le récepteur des androgènes, ensemble avec celle de l’oestrogène, joue également un rôle critique dans la toxicité reproductrice. Par conséquent, il est nécessaire pour la future version de la boîte à outils QSAR d’améliorer les fonctions de prédiction à la lumière de ces deux points.
Divulgaciones
The authors have nothing to disclose.
Acknowledgements
Cette recherche a été soutenue par la subvention du Conseil national de recherches scientifiques et technologiques (NST) du gouvernement sud-coréen (MSIP) (No. CAP-17-01-KIST Europe) et le projet 11911.
Materials
| Adobe Acrobat Reader DC | Adobe Systems Software Ireland Limited | NA | Required to view prediction and category report |
| Computer | System: Microsoft Corporation | NA | Recommended system properties: (i) system type: 64 bit, Microsoft Windows 7 or newer, (ii) processor: I5 at 2.4 GHz or faster processor or equivalent AMD CPU, (iii) Installed memory (RAM): 6 GB of RAM, (iv) Hard Disk Drive (HDD): 20 GB free hard drive space |
| Microsoft Editor | Microsoft Corporation | NA | Required to upload a substance list of CAS numbers (batch mode) to the OECD QSAR Toolbox as .txt file (text file) |
| Microsoft Excel 2016 | Microsoft Corporation | NA | Required to export data from OECD QSAR Toolbox as .cvs, .xls or .xlsx files |
| OECD QSAR Toolbox version 4.0 or newer | Organisation for Economic Co-operation and Development |
NA | Required to run OECD QSAR Toolbox Automated Workflows; free download: https://qsartoolbox.org/download/ |
| OriginPro 9 | OriginLab Corporation | NA | Optional program for data analysis; similar tools possible |
Referencias
- Najarian, K., Najarian, S., Gharibzadeh, S., Eichelberger, C. N. . Systems Biology and Bioinformatics: A Computational Approach. , (2009).
- Fujita, T., Iwasa, J., Hansch, C. A new substituent constant, π, derived from partition coefficient. Journal of the American Chemical Society. 86, 5175-5180 (1964).
- Roy, K., Kar, S., Das, R. N. . Understanding the Basics of QSAR for Applications in Pharmaceutical Sciences and Risk Assessment. , (2015).
- Raies, A. B., Bajic, V. B. In silico toxicology: computational methods for the prediction of chemical toxicity. WIREs Computational Molecular Science. 6, 147-172 (2016).
- Hayes, T. B. Welcome to the revolution: integrative biology and assessing the impact of endocrine disruptors on environmental and public health. Integrative Compuational Biology. 45, 321-329 (2005).
- Schug, T. T., et al. Minireview: endocrine disruptors: past lessons and future directions. Molecular Endocrinology. 30, 833-847 (2016).
- Devillers, J., Marchand-Geneste, N., Carpy, A., Porcher, J. M. SAR and QSAR modeling of endocrine disruptors. SAR QSAR Environmental Research. 17, 393-412 (2006).
- Dimitrov, S. D., et al. QSAR Toolbox – workflow and major functionalities. SAR QSAR Environmental Research. 27, 203-219 (2016).
- Yordanova, D., et al. Automated and standardized workflows in the OECD QSAR Toolbox. Computational Toxicology. 10, 89-104 (2019).
- Mombelli, E., Devillers, J. Evaluation of the OECD (Q)SAR Application Toolbox and Toxtree for predicting and profiling the carcinogenic potential of chemicals. SAR QSAR Environmental Research. 21, 731-752 (2010).
- Devillers, J., Mombelli, E., Samsera, R. Structural alerts for estimating the carcinogenicity of pesticides and biocides. SAR QSAR Environmental Research. 22, 89-106 (2011).
- Li, C., et al. Identifying unknown by-products in drinking water using comprehensive two-dimensional gas chromatography-quadrupole mass spectrometry and in silico toxicity assessment. Chemosphere. 163, 535-543 (2016).
- Devillers, J., Mombelli, E. Evaluation of the OECD QSAR Application Toolbox and Toxtree for estimating the mutagenicity of chemicals. Part 1. Aromatic amines. SAR QSAR Environmental Research. 21, 753-769 (2010).
- Devillers, J., Mombelli, E. Evaluation of the OECD QSAR Application Toolbox and Toxtree for estimating the mutagenicity of chemicals. Part 2. α-β unsaturated aliphatic aldehydes. SAR QSAR Environmental Research. 21, 771-783 (2010).
- Kulkarni, S. A., Barton-Maclaren, T. S. Performance of (Q)SAR models for predicting Ames mutagenicity of aryl azo and benzidine based compounds. Journal of Environmental Science and Health Part C Environmental Carcinogenesis & Ecotoxicology Reviews. 32, 46-82 (2014).
- Craig, E. A., Wang, N. C., Zhao, Q. J. Using quantitative structure-activity relationship modeling to quantitatively predict the developmental toxicity of halogenated azole compounds. Journal of Applied Toxicology. 34, 787-794 (2014).
- Tebby, C., Mombelli, E., Pandard, P., Péry, A. R. Exploring an ecotoxicity database with the OECD (Q)SAR Toolbox and DRAGON descriptors in order to prioritise testing on algae, daphnids, and fish. Science of the Total Environment. 409, 3334-3343 (2011).
- Mombelli, E. Evaluation of the OECD (Q)SAR Application Toolbox for the profiling of estrogen receptor binding affinities. SAR QSAR Environmental Research. 23, 37-57 (2012).
- Verhaar, H. J. M., van Leeuwen, C. J., Hermens, J. L. M. Classifying environmental pollutants. 1: structure-activity relationships for prediction of aquatic toxicology. Chemosphere. 25, 471-491 (1992).
- Enoch, S. J., Hewitt, M., Cronin, M. T. D., Azam, S., Madden, J. C. Classification of chemicals according to mechanism of aquatic toxicity: an evaluation of the implementation of the Verhaar scheme in Toxtree. Chemosphere. 73, 243-248 (2008).
- Burden, N., Maynard, S. K., Weltje, L., Wheeler, J. R. The utility of QSARs in predicting acute fish toxicity of pesticide metabolites: a retrospective validation approach. Regulatory Toxicology and Pharmacology. 80, 241-246 (2016).
- Nendza, M., et al. Screening for potential endocrine disruptors in fish: evidence from structural alerts and in vitro and in vivo toxicological assays. Environmental Sciences Europe. 28, 26 (2016).
- Roncaglioni, A., Piclin, N., Pintore, M., Benfenati, E. Binary classification models for endocrine disrupter effects mediated through the estrogen receptor. SAR QSAR Environmental Research. 19, 697-733 (2008).
- Sosnovcová, J., Rucki, M., Bendová, H. Estrogen receptor binding affinity of food contact material components estimated by QSAR. Central European Journal of Public Health. 24, 241-244 (2016).
- Walker, J. D., Dearden, J. C., Schultz, T. W., Jaworska, J., Comber, M. H. I., Walker, J. D. QSARs for New Practitioners. QSARs for Pollution Prevention, Toxicity Screening, Risk Assessment, and Web Applications. , (2003).
- Sánchez-Bayo, F. From simple toxicological models to prediction of toxic effects in time). Ecotoxicology. 18, 343-354 (2009).
- Sjöström, M., Lindgren, &. #. 1. 9. 7. ;., Uppgård, L. L., Chen, F., Schüürmann, G. Joint Multivariate Quantitative Structure-Property and Structure-Activity Relationships for a Series of Technical Nonionic Surfactants. Quantitative Structure-Activity Relationships in Environmental Sciences-VII. , (1997).
- Ding, F., Guo, J., Song, W., Hu, W., Li, Z. Comparative quantitative structure-activity relationship (QSAR) study on acute toxicity of triazole fungicides to zebrafish. Chemistry Ecology. 27, 359-368 (2011).
- Galati, G., O’Brien, P. J. Potential toxicity of flavonoids and other dietary phenolics: significance for their chemopreventive and anticancer properties. Free Radical Biology in Medicine. 37, 287-303 (2004).
- Russom, C. L., Bradbury, S. P., Broderius, S. J. Predicting modes of action from chemical structure: acute toxicity in the fathead minnow (Pimephales promelas). Environmental Toxicology and Chemistry. 16, 948-967 (1997).
- Taysse, L., Troutaud, D., Khan, N. A., Deschaux, P. Structure-activity relationship of phenolic compounds (phenol, pyrocatechol and hydroquinone) on natural lymphocytotoxicity of carp (Cyprinus carpio). Toxicology. 98, 207-214 (1995).
- Nishihara, T., et al. Estrogenic activities of 517 chemicals by yeast two-hybrid assay. Journal of Health Science. 46, 282-298 (2000).
- Bolton, J. L., Trush, M. A., Penning, T. M., Dryhurst, G., Monks, T. J. Role of quinones in toxicology. Chemical Research in Toxicology. 13, 135-160 (2000).
- Panche, A. N., Diwan, A. D., Chandra, S. R. Flavonoids: an overview. Journal of Nutritional Science. 5, e47 (2016).
- Li, J., Gramatica, P. QSAR classification of estrogen receptor binders and pre-screening of potential pleiotropic EDCs. SAR QSAR Environmental Research. 21, 657-669 (2010).
- Bohl, M. . Molecular Structure and Biological Activity of Steroids. , (2017).
- Kaminuma, T., Takai-Igarashi, T., Nakano, T., Nakata, K. Modeling of signaling pathways for endocrine disruptors. BioSystems. 55, 23-31 (2000).
- Lillicrap, A., et al. Alternative approaches to vertebrate ecotoxicity tests in the 21st century: a review of developments over the last 2 decades and current status. Environmental Toxicology and Chemistry. 35, 2637-2646 (2016).
- Kim, J. W., et al. Acute toxicity of pharmaceutical and personal care products on freshwater crustacean (Thamnocephalus platyurus) and fish (Oryzias latipes). Journal of Toxicological Sciences. 34, 227-232 (2009).
