Summary

在内分泌干扰物计算水生毒理学的Silico建模方法:使用QSAR工具箱的基于软件的方法

Published: August 28, 2019
doi:

Summary

定量结构-活动关系(QSAR)建模是毒理学筛选中一种具有代表性的生物信息学辅助方法。该协议演示如何计算评估水生环境中内分泌干扰物 (ED) 的风险。该协议利用OECD QSAR工具箱,实现了用于分析鱼类中ED毒性的硅分析。

Abstract

毒理学过程的计算分析能够对化学物质进行高通量筛选,并预测其在生物系统中的端点。特别是,定量结构-活动关系(QSAR)模型越来越多地用于评估大量有毒物质的环境影响。近年来,一些更突出的毒物类型是内分泌干扰物(EDs,这是可以干扰任何激素相关代谢的化学物质)。由于 ED 可能对动物发育和繁殖产生重大影响,因此需要快速预测使用硅胶技术中的 ED 的不利影响。本研究提出了一种在水性脊椎动物,特别是鱼类中生成代表性ED影响的预测数据。该协议描述了一个利用经济合作与发展组织(经合组织)开发的QSAR工具箱软件的自动化工作流程的例子,以便对ED进行急性生态毒性预测。因此,确定如下:(1)计算50%杀伤性(LC50)浓度与辛醇-水分频系数(K ow)之间的数值相关性,(2)输出性能,其中LC50将实验中确定的值与计算产生的值进行比较,(3)雌激素受体结合亲和力对Kow和LC50之间关系的依赖性。

Introduction

信息学和计算技术的新发展为生物科学提供了提供高精度和可靠性的定量方法。特别是,分子分类和属性分类中使用的算法产生了定量结构-活动关系(QSAR)模型2。这些模型自动关联给定化学数据库的化学结构和生物活性,并根据其药用或毒理学作用3快速对各种化学基质进行硅酸盐筛选。QSAR工具可以生成预测毒性剖面,作为分子描述符的特征载体(即物理化学参数)的函数,以数字方式创建分类端点4。通常,每个定量端点显示为 2D 散点图,而描述符值的变化。然后,使用(多个)线性回归分析生成 QSAR 模型。一旦数据集被充分利用以构建 QSAR 模型(称为定型集),则通过预测训练集中未包括的一组化学品的端点(称为测试集),对模型进行统计验证。该模型然后可以用来预测未经测试的化合物3的生物活性。

在许多有害的化学物质中,内分泌干扰物(EDs)被强调为一组有毒物质,可能干扰哺乳动物、两栖动物和鱼类5、6体内许多与激素有关的新陈代谢。ED 通过阻断或改变正常的荷尔蒙通路或激活异常激素合成/降解信号,可以诱发各种不良反应,如癌症和畸形。因此,这些激素模仿化学物质会干扰内分泌系统,从而阻碍野生动物种群的生物发育和繁殖。特别是,在水生脊椎动物中,ED的生态毒理学效应得到了广泛的研究,它们具有与哺乳动物(包括人类)几乎相同的激素受体结构。由于所有激素作用在体内低剂量发生,因此预测使用快速硅酸盐筛查的 ED 候选项的潜在毒性对公众和环境健康至关重要。

基于ED毒理学的QSAR模型已经利用2D和3D描述符(分别称为2D和3DQSAR)进行,揭示了雌激素、雄激素和孕激素受体7的ED配体结合亲和力。尽管三维QSAR具有高精度的优点,其中考虑构象和静电相互作用,2D QSAR在直接数学算法、快速计算和极低的计算负载中仍保持其自身的鲁棒性。此外,2D-QSAR 模型可灵活用于各种应用,同时实现相对准确的预测性能。

OECD QSAR工具箱是目前使用最后用的计算机软件工具之一,免费提供和预建的QSAR型号8、9。其探查器使用 2D 描述符数据库。自 2008 年第一版发布以来,该软件已应用于化学和生物工业、公共卫生和环境安全领域,以全部或部分分析天然化合物和合成化合物的潜在风险,特殊利益在致癌物10,11,12,诱变13,14,15,和发育毒性16。水生毒理学的应用也得到了证明,重点是生物蓄积和生物转化17。

QSAR工具箱已被证明有助于预测各种化学品17的短期毒性,以及EDs18的雌激素受体(ER)结合亲和力。然而,尚未使用QSAR工具箱对水生脊椎动物中ED的急性生态毒性进行分析。在这项研究中,提出了一个典型的简单方案,以在鱼类物种中重点对ED的急性不利影响进行QSAR建模。研究表明,QSAR工具箱是一种高度可访问的软件,用于计算和预测一些具有代表性的ED的水生脊椎动物的杀伤力/死亡率。图 1显示了 QSAR 工具箱一般操作的总体方案。图 2所示的工作流程提供了有关如何操作硅酸盐测定以预测目标物质(如内分泌干扰化学品)的急性生态毒性的直接说明。

Protocol

1. 设备 软件:使用 OECD QSAR 工具箱 4.0 或更新版(免费下载来自 <https://qsartoolbox.org/下载/?)和数据分析软件。 计算机:对于 OECD QSAR 工具箱,使用:(i) 系统类型:64 位、Windows 7 或更高版本;(ii) 处理器:2.4 GHz 的 I5,或更快的处理器或等效的 AMD CPU;(iii) 已安装内存:6 GB;(iv) 硬盘 (HDD): 20 GB 的可用硬盘空间(OECD QSAR 工具箱 4.3 发行说明:)。 2. 程序 经合组织QSAR工具箱注:QSAR 工具箱在六个连续流模块中运行,从输入开始,然后是分析、数据、类别定义、数据间隙填充,然后是Report,位于程序接口。 通过左键单击通过六个工具栏图标探索上述六个阶段。首先,查看执行自动化工作流”生态毒理学终结点”并记录其结果所需的输入、数据间隙填充和报告阶段。 简要了解一下可选阶段的分析和数据。分析阶段提供了对目标物质(生态)毒性潜力和环境命运特征的初步洞察。可选数据阶段允许搜索与目标物质相关的可用实验数据。 输入 启动 QSAR 工具箱后,默认情况下,用户从输入工具箱阶段开始。QSAR 工具箱会自动创建名为”文档 1″的工作文件,该文件将显示在程序界面左侧的舞台选项面板中。如果需要,请右键单击工作文件来重命名该文件。 单击操作工具栏中的CAS+按钮,在可用文本字段中输入目标物质的化学摘要服务 (CAS) 编号,然后单击”搜索”。然后,该工具将按 CAS 编号搜索目标物质。 如果需要,请选择操作工具栏中可用的其他搜索选项,例如按物质名称搜索或简化的分子输入行输入系统 (SMILES) 代码。SMILES 可以输入为包含表单的 2D 非立体化学或 3D 立体化学。分别单击”名称”或”结构”。使用结构工具绘制目标物质。 搜索工具通过弹出窗口中的数据库记录显示搜索结果。如果通过选中记录左侧的框来检索目标物质的多个记录,请选择报告”高”CAS-SMILES 关系(CS关系字段)的记录。单击”确定”。注: 只有在检索到的记录包含 SMILES 代码时,才能从这一点开始,因为 SMILES 代码(包含 2D 非立体化学形式)是计算的基础。 批处理模式:要对多个目标物质执行硅酸盐测定,请在文本编辑器中编写一个简单的物质清单,其中每个 CAS 编号列在一行中(补充图 S3)。在计算机上保存具有适当名称和扩展名 .txt 的文本文件。 批处理模式:单击”数据”。然后,转到程序界面左侧的阶段选项面板中的”数据库”。确保检查《生态毒理学信息》中列出的数据库。 批处理模式:单击”输入”。从操作工具栏中选择”查询”。通过单击对话框窗口中的”是”,接受步骤 2.2.6 中设置的设置。 批处理模式:选择CAS选项卡。通过计算机的 Load 列表上传保存为文本文件的物质列表。 批处理模式:有两个”添加”按钮可用;单击弹出式菜单底部的”添加”按钮,然后单击”执行”。QSAR 工具箱将显示一条消息,显示已检索到的搜索物质数量。注: 搜索工具可能无法找到加载列表中的某些物质,或者一个 CAS 编号可能有多个条目可用。无法从检索到的一组物质中删除物质。 分析注: 以下部分是可选的。如果不需要,请跳到第 2.5 节。 单击工具箱阶段按钮”分析”。转到程序界面左侧的阶段选项面板中的”分析”方法。 单击”取消选择全部”。检查预定义下列出的所有探查剂和在端点特定情况下列出的与水生毒性相关的探查剂,如”Verhaar(已修改)的急性水生毒性分类”。 完成选择。然后单击”操作”工具栏中的”应用”按钮。注:QSAR 工具箱提供有关一组探查器的建议。在选择选项 > 颜色时,这些以绿色(适合)和橙色(可理解)突出显示:>在分析方法左上角的数据矩阵中选择的端点。左键单击感兴趣终结点旁边的数据矩阵字段。可用的终结点列在阶段选项面板旁边的终结点树中。探查器物质类型将指示目标物质是否为”离散化学品”。该信息显示在展开的终结点树”配置文件”、”预定义”和”物质类型”中。只有当目标物质是离散化学品时,自动化工作流才能成功运行。”Verhaar(改性)急性水生毒性分类”首次估计了目标物质19、20的急性水生毒性机制。信息显示在扩展的端点树”配置文件”、”特定端点”和”Verhaar(修改)的急性水生毒性分类”中。有五类:(第1类)惰性化学品(基线毒性);(第2类)惰性化学品较少;(第三类)活性化学品;(类4)专门作用化学品;和(类5)化学品无法分类。 如果需要,右键单击终结点树中的参数以运行 QSAR 工具箱中可用的集成 2D 和 3D QSAR 模型。单击”计算/提取”弹出式菜单中所有化学品的所有参数。 参数中编译的 2D 和 3D QSAR 模型提供数值。使用”分析方法”获得定性信息(请参阅步骤 2.3.1)。 数据注: 此部分是可选的。如果不需要,请跳到第 2.5 节。 单击工具箱阶段按钮”数据”。然后,单击”从操作”工具栏收集。 选择”所有终结点”以收集所有实验数据,然后选择收集端点特定实验数据。例如,如果水生毒性是用户关注的焦点,请单击”选择>生态毒理学信息>水生毒性>OK”。 注: 选择收集所有终结点的实验数据可能会导致处理时间延长。用户可以根据特定用途调整终结点树的层次结构。这将更改数据的显示方式。 如果需要,右键单击终结点树区域中感兴趣的终结点。选择在弹出式菜单中选择”设置树层次结构”。使用可用术语和箭头以首选方式组织终结点树,然后单击”确定”。 如果需要,将收集的数据导出为 Excel 文件。右键单击感兴趣的终结点,并在弹出式菜单中选择”导出数据”矩阵。 将打开”矩阵导出”向导,并将其他终结点添加到导出列表中。完成选择,单击”导出”,并将文件保存到计算机上。注: 无法从所有数据库导出数据。例如,无法保存从数据库”ECHA CHEM”检索的数据。 数据缺口填补 单击工具箱阶段按钮数据间隙填充。然后,单击”操作”工具栏中的”自动”。 选择生态毒理学终点>鱼类,LC50(致命浓度,50%)在96小时为皮梅马莱西梅塔斯(死亡)。单击”确定”。将出现”工作流控制器”,处理最多需要几分钟,尤其是在批处理模式下。注: QSAR 工具箱在搜索具有可用实验数据的合适物质进行预测时,会自动应用一组定义的探查器。实验数据 [例如,效应浓度 96 h LC50 (P. promelas)或 96 h EC50 (P. promelas,死亡率)] 用于通过线性近似或最接近的邻域方法。请注意,线性近似和最近邻域的方法分别称为趋势分析(标记为”T”)和通读(标记为”R”)。 如果预测执行成功,用户将收到一条消息。单击”确定”,通过单击右上角的x关闭指示”已完成工作流”的工作流控制器。 批处理模式:启动自动工作流时,将要求用户指定执行工作流的物质范围。通过单击”确定”,接受默认在对话框窗口中选择的全部物质。 批处理模式:用户不会收到指示预测是成功还是未成功运行的消息。通过单击右上角的 x,关闭在批处理结束时指示”已完成工作流”的工作流控制器。 报告 如果预测已成功执行,请单击工具箱阶段按钮”报告”。注: 在批处理模式下无法生成报告。 向下滚动,在矩阵字段中查找位于端点”96-h”旁边的黄色突出显示行中的预测值。预测值标记为”T”或”R”。通过左键单击激活此特定数据矩阵字段。 单击”操作”工具栏中的”预测”。在弹出窗口向导中自定义报表内容和外观。有三种类型的报告:(一) 预测,(二) 类别和(三) 数据矩阵。 该向导允许用户填写作者的姓名和联系方式。写一篇简短的摘要,提供机械解释的详细说明,或为预测的充分性提供理由。 如果需要,请包括与执行的预测相关的其他信息。附加信息的范围取决于用户。 单击”下一步”浏览向导。最后,单击”创建报表”,并将预测和类别报告另存为 PDF 文件,将数据矩阵另存为计算机上的 Excel 电子表格。 在 OECD QSAR 工具箱 v.4(键盘上的 F1 帮助)的应用程序手册中查找有关 QSAR 工具箱和自动化工作流功能的其他详细信息。关于自动化工作流程背后的算法和原理的细节由迪米特罗夫等人8和约达诺娃等人9描述。 3. 申请 如果在环境风险评估中使用预测效果浓度(即 P. promelas的 96-h LC50),则使用 95% 置信区间的下限。在”预测摘要”中查找已保存的预测报告 (PDF) 的第一页上的数据,”预测值:(从 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>limit>>>limit>gt;>>注:此处给出的说明基于本研究中报告的一组目标物质的预测和实验数据之间的比较结果。选择 95% 置信区间的下端将增加预测效果浓度不会低估该物质的实际毒性的可能性(参见代表性结果)。因此,95% 置信区间下限的预测有效浓度将为风险评估提供更安全的基础。

Representative Results

本研究中描述的示例用于定量分析和预测鱼类中选定ED的急性毒性。当将预测数据点与实验数据点作为对数尺度绘制时,发现所有鱼类和代表性鱼种(即Pimephales promelas(肥头小鱼)之间的正相关关系。图 3.在这两种情况下,线性回归的斜率似乎是可比的(预测LC50/实验LC50 = 0.611和0.602分别适用于所有鱼和P.promelas)。由于实验数据量有限,实验观测的可用值数量通常小于计算预测值。在计算能力21中应用公差系数为5倍,分别对所有鱼类和P.promelas进行了94%(34/36)和96%(26/27)的保护预测。根据这一预测,3’,5,7-三羟基-4’,6-二甲氧酮和1,4苯二醇似乎表现出计算LC50值大于容差限值。 为了在最高可靠性下实现安全评估,通过绘制 LC50 95% 置信区间的预测下限(而不是图 3中使用的平均值)与实验派生值 (图 4)。在本次安全阈值较高的评估中,与实验推导值相比,总测试的内分泌干扰化合物中 92% (33/36) 属于保护范围,但以下值除外: 3’,5,7-trihydroxy-4’,6-二甲氧松酮;1,4-苯二醇;和4-六基酚。 根据对数据库中可用整个物种的评估,预测和实验 96-h 日志10LC50的值显示线性度,日志10KOW值在 -1 和 7 之间,表示LC50和 KOW之间的双曲线相关性 。从计算预测和实验获得的数据,LC 50 的LC 50为较高的 ED 值而降低,这表明具有较高含量的 ED 的鱼种的急性毒性增加疏水性(补充图S1)。 通过嵌入在 OECD QSAR 工具箱中的基于规则的 ER 探查器,ED 的 ER 绑定相关性被归类为非约束性以及弱、中度、强和非常强大的活页夹,以便增加绑定亲和力18。因此,对数10Kow的统计分布可以显示为ER绑定亲和力的定性分类(补充图S2)。总体而言,Kow分布范围及其平均水平的变化似乎没有确定的趋势。同样,预测和实验LC50的分布显示为ER结合亲和力的范围(图5)。在这种情况下,ER 活页夹的预测 LC50的平均水平高于非活页夹。相比之下,对于实验性LC50,非粘结剂和弱活页夹的平均值高于较强的ER粘合剂。 图1:经合组织QSAR工具箱一般工作流程的基本方案。请点击此处查看此图的较大版本。 图 2:工作流。图中所示是使用经合组织QSAR工具箱预测鱼类内分泌干扰物(EDs)急性毒性的模块和序列的工作流程。请点击此处查看此图的较大版本。 图3:表1中所有鱼类(蓝色钻石,n = 36)和选定鱼种(青色钻石,n = 27)的试验性96-h LC50的ED预测与实验值。对于预测的 LC50,将显示平均值(”AVE”)值。虚线表示两组线性回归:对于所有鱼(浅蓝色),预测 LC50AVE = 0.611 x (实验 LC50)= 0.277 (调整后 r2 = 0.408);和P. promelas (光青色), 预测 LC50AVE = 0.602 x (实验 LC50) = 0.385 (调整 r2 = 0.441)。实心对角线显示预测值和实验值相等21的统一性。虚线灰色线显示计算能力的 5 倍容差限制19。异常值:3’,5,7-三羟基-4’,6-二甲苯黄酮(*)和1,4苯二甲醇(*)。请点击此处查看此图的较大版本。 图 4:预测(95% 置信区间的下限,”低-95%”)与表 1 中所有鱼的实验性 96-h LC50的 ED(n = 36)。虚线表示线性回归:预测 LC50低-95% = 0.470 x (实验 LC50)- 0.312,其中调整后的 r2 = 0.193。实心对角线表示预测值和实验值相等于彼此19的一致。异常值:3’,5,7-三羟基-4’,6-二甲苯黄酮(*),1,4苯二醇(*)和4-六基苯酚(*)。请点击此处查看此图的较大版本。 图5:预测(固体盒,n = 8+20)和实验(虚线框;n = 3+16,每个类别)96-h LC50的分布,取决于表1中所有鱼类的E绑定亲和力。框图表示: (A) 均值 (带粗体横条的小方块),(B ) 第 1 个 四分位数和第三个四分位数(分别为框的下端和上端),(C) 中位数(框内的水平段),(( D)第5 和第 95个百分位数(分别为下误差和上误差柱)、(E )1个百分位数和第 99 个百分位数(分别为下部和上部 x)和 (F) 最小和最大值(下和上部 *,分别)。请点击此处查看此图的较大版本。 不。 CAS 注册表编号 物质名称 微笑方程式(2D非立体化学形式) 日志 Kow 大道预测 96-h LC50(毫克/升) 较低的 95% CI预测 96-h LC50(毫克/升) 探查器 – 雌激素受体结合 1 50-28-2 17-β雌二醇 CC12CCC3C(CCc4cc(O)ccc34)C1CCC2O 4.01 3.62 1.42 非常强大的活页夹,OH 组 2 57-63-6 17-= 埃西尼-雌 二 醇 CC12CCC3C(CCc4cc(O)ccc34)C1CCC2(O)C++C 3.67 3.00 1.18 强活页夹,OH 组 3 80-05-7 2,2-二(4-羟基苯酚-尼)丙烷(双酚A) CC(C)(c1ccc(O)cc1)c1c(O)cc1 3.32 4.68 1.80 非常强大的活页夹,OH 组 4 80-46-6 4-三元-苯酚 CCC(C)(C)c1ccc(O)cc1 3.91 2.27 0.87 弱活页夹,OH 组 5 140-66-9 4-三元-八角酚 CC(C)(C)CC(C)(C)c1c(O)cc1 5.28 0.38 0.14 强活页夹,OH 组 6 446-72-0 Genistein [3’,5,7-三羟基-4’,6-二甲苯黄酮] Oc1ccc(cc1)C1_COc2cc(O)cc(O)c2C1_O 2.84 32.00 10.03 非常强大的活页夹,OH 组 7 10161-33-8 17°-特伦博龙 CC12C=CC3C(CCC4=CC(+O)CCC=34)C1CCC2O 2.65 124.72 19.75 强活页夹,OH 组 8 67747-09-5 原氯兹(DMI杀菌剂) CCCN(CCOc1c(Cl)cc(Cl)cc1Cl)C(+O)n1ccnc1 4.1 5.19 1.74 非活页夹,无 OH 或 NH2 组 9 84852-15-3 4-非苯酚 CC(C)CCCC1ccc(O)cc1 5.92 0.21 0.07 强活页夹,OH 组 10 69-72-7 水杨酸 OC(+O)c1ccccc1O 2.26 24.07 9.31 弱活页夹,OH 组 11 80-09-1 4,4′-二羟基苯甲苯硫磺(比斯芬醇S) Oc1ccc(cc1)S(+O)(+O)c1ccc(O)cc1 1.65 48.67 10.67 非常强大的活页夹,OH 组 12 84-74-2 邻苯二甲酸,二丁基酯 CCCCOC(+O)c1ccccc1C(#O)OCCCC 4.5 0.76 0.06 非活页夹,无 OH 或 NH2 组 13 92-88-6 4,4°-二羟基苯基 Oc1ccc(cc1)-c1ccc(O)cc1 2.8 12.05 4.20 中度粘合剂,OH 凹凸 14 94-13-3 4-羟基苯甲酸,丙基酯 CCCOC(+O)c1ccc(O)cc1 3.04 10.32 3.86 中度粘合剂,OH 凹凸 15 98-54-4 4-三丁基苯酚 CC(C)(C)c1c(O)cc1 3.31 4.36 1.68 弱活页夹,OH 组 16 97-23-4 2,2°-二羟基-[5,5]-二氯二苯甲烷 Oc1ccc(Cl)cc1cc1cc(Cl)ccc1O 4.26 0.48 0.10 非常强大的活页夹,OH 组 17 97-53-0 丁香 酚 COc1cc(CC=C)ccc1O 2.27 14.70 5.60 弱活页夹,OH 组 18 99-76-3 4-羟基苯甲酸,甲基酯 COC(+O)c1ccc(O)cc1 1.96 38.20 14.01 弱活页夹,OH 组 19 103-90-2 N-(4-羟基苯甲酰)乙酰胺 CC(+O)Nc1ccc(O)cc1 0.46 338.97 43.39 弱活页夹,OH 组 20 106-44-5 p-克雷索尔 Cc1ccc(O)cc1 1.94 20.47 7.14 弱活页夹,OH 组 21 108-39-4 m-克雷索尔 Cc1cccc(O)c1 1.96 23.45 9.17 弱活页夹,OH 组 22 108-45-2 1,3-苯二胺 Nc1cccc(N)c1 -0.33 34.60 0.00 弱活页夹,NH2 组 23 108-46-3 1,3-二羟基苯 Oc1cccc(O)c1 0.8 123.03 27.06 弱活页夹,OH 组 24 108-91-8 环己二胺 NC1CCCC1 1.49 28.08 1.40 弱活页夹,NH2 组 25 119-36-8 水杨酸,甲基酯 COC(+O)c1ccccc1O 2.55 16.16 5.68 弱活页夹,OH 组 26 120-47-8 4-羟基苯甲酸,乙酯 CCOC(+O)c1ccc(O)cc1 2.47 19.93 7.40 弱活页夹,OH 组 27 120-80-9 1,2-二羟基苯 Oc1ccccc1O 0.88 11.14 0.01 弱活页夹,OH 组 28 123-31-9 1,4-二羟基苯 [1,4-苯二醇] Oc1ccc(O)cc1 0.59 90.75 33.19 弱活页夹,OH 组 29 131-53-3 2,2°-二羟基-4-甲氧苯酮 COc1ccc(C(+O)c2ccccc2O)c(O)c1 3.82 3.97 1.46 非常强大的活页夹,OH 组 30 131-56-6 2,4-羟基苯酚酮 Oc1ccc(c(O)c1)C(+O)c1ccccc1 2.96 12.04 4.73 强活页夹,OH 组 31 131-57-7 2-羟基-4-甲氧苯酮 COc1ccc(C(+O)c2ccccc2)c(O)c1 3.79 5.96 2.27 强活页夹,OH 组 32 599-64-4 4-基米酚 CC(C)(c1ccccc1)c1c(O)cc1 4.12 2.15 0.84 强活页夹,OH 组 33 2855-13-2 1-氨基-3-氨基甲基-3,5,5-三甲基环己烷 CC1(C)CC(N)CC(C)(CN)C1 1.9 30.65 1.53 中度粘合剂,NH2 组 34 6864-37-5 3,3°-二甲基-4,4°-二甲酸二甲烷 CC1CC(CCC1N)CC1CCC(N)C(C)C1 4.1 1.07 0.05 强活页夹,NH2 组 35 25013-16-5 三丁基-4-羟基苯甲酸酯 COc1ccc(O)c(c1)C(C)C(C)CC 3.5 4.85 1.85 中度粘合剂,OH 凹凸 36 147315-50-2 2-(4,6-二苯基-1,3,5-三聚辛-2-基)-5-(六氧基)苯酚 CCCCCCOc1ccc(c(O)c1)-c1nc(nc(n1)-c1ccccc1)-c1ccccc1 6.24 0.17 0.06 强活页夹,OH 组 37 88-68-6 2-氨基苯甲酰胺 NC(+O)c1ccccc1N 0.35 694.00 84.30 弱活页夹,NH2 组 38 611-99-4 4,4°-二羟基苯酚酮 Oc1ccc(cc1)C(+O)c1c(O)cc1 2.19 37.74 14.67 非常强大的活页夹,OH 组 39 27955-94-8 1,1,1-tris(4-羟酚)甲苯 CC(c1c(O)cc1)(c1c(O)cc1)c1c(O)cc1 4.38 2.09 0.82 非常强大的活页夹,OH 组 40 87-18-3 水杨酸,4-tt-丁基苯酯 CC(C)(C)c1c(OC(+O)c2ccccc2O)cc1 5.73 0.24 0.09 强活页夹,OH 组 41 47465-97-4 3,3-二(3-甲基-4-羟基)2-indolinone Cc1cc(ccc1O)C1(C(+O)Nc2ccccc12)c1ccc(O)c(C)c1 4.48 2.07 0.77 非常强大的活页夹,OH 组 42 99-96-7 p-羟基苯甲酸 OC(+O)c1c(O)cc1 1.58 8.54 0.00 弱活页夹,OH 组 43 80-07-9 1-氯-4-(4-氯苯)磺苯 Clc1ccc(cc1)S(+O)(+O)c1c(Cl)cc1 3.9 3.92 0.85 非活页夹,无 OH 或 NH2 组 44 84-65-1 9,10-安特拉奎酮 O_C1c2ccccc2C(+O)c2ccccc12 3.39 7.00 3.54 非活页夹,无 OH 或 NH2 组 45 85-44-9 2-本兹奥弗拉兰-1,3-迪奥内 O_C1OC(=O)c2ccccc12 1.6 2.69 0.00 非活页夹,无 OH 或 NH2 组 46 92-84-2 10H-菲尼希阿辛 N1c2ccccc2Sc2ccccc12 4.15 1.07 0.08 非活页夹,无 OH 或 NH2 组 47 2855-13-2 1-氨基-3-氨基甲基-3,5,5-三甲基环己烷 CC1(C)CC(N)CC(C)(CN)C1 1.9 30.65 1.53 中度粘合剂,NH2 组 48 50-27-1 埃斯特里奥 CC12CCC3C(CCc4cc(O)ccc34)C1CC(O)C2O 2.45 21.21 8.29 非常强大的活页夹,OH 组 49 50-50-0 β-雌二醇-3-苯甲酸酯 CC12CCC3C(Cc4cc(OC(Oc)c5ccccc5)ccc34)C1CCC2O 5.47 0.36 0.02 强活页夹,OH 组 50 53-16-7 埃斯特罗内 CC12CCC3C(CCc4cc(O)ccc34)C1CCC2_O 3.13 7.78 3.06 强活页夹,OH 组 51 92-52-4 联 苯 c1ccc(cc1)-c1ccccc1 4.01 4.10 0.47 非活页夹,无 OH 或 NH2 组 52 92-69-3 p-苯酚 Oc1ccc(cc1)-c1ccccc1 3.2 5.99 1.82 中度粘合剂,OH 凹凸 53 96-29-7 2-布他酮氧化血 CCC(C)=否 0.63 32.67 2.49 非粘合剂,非循环结构 54 121-75-5 马拉顿 CCOC(+O)CC(SP)(OC)OC(OC)OC(+O)OC 2.36 37.73 3.33 非粘合剂,非循环结构 55 123-07-9 4-乙酚 CCc1ccc(O)cc1 2.58 13.63 4.65 弱活页夹,OH 组 56 645-56-7 4-n-普罗皮尼诺 CCCc1ccc(O)cc1 3.2 7.32 2.55 弱活页夹,OH 组 57 1638-22-8 p-丁基苯酚 CCCCc1ccc(O)cc1 3.65 4.09 1.39 弱活页夹,OH 组 58 1912-24-9 阿特拉津 CCNc1nc(Cl)nc(NC)c)n1 2.61 30.87 4.63 非活页夹,无 OH 或 NH2 组 59 40596-69-8 梅托普内内 COC(C)CCC(C)CC=CC(C)=CC(C)=CC(+O)OC(C)C 5.5 0.08 0.00 非粘合剂,非循环结构 60 1987-50-4 4-苯酚 CCCCCCCc1ccc(O)cc1 5.01 0.66 0.22 中度粘合剂,OH 凹凸 61 92-86-4 p,p’-二溴二苯乙烯 Brc1ccc(cc1)-c1ccc(布尔)cc1 5.72 0.11 0.02 非活页夹,无 OH 或 NH2 组 62 480-41-1 纳林根宁 Oc1ccc(cc1)C1CC(+O)c2c(O)cc(O)cc2O1 2.52 27.84 10.87 非常强大的活页夹,OH 组 63 486-66-8 大豆 黄 酮 Oc1ccc(cc1)C1_COc2cc(O)ccc2C1_O 2.55 36.47 11.71 非常强大的活页夹,OH 组 64 491-70-3 木犀 草 素 Oc1cc(O)c2C(+O)C=C=C(Oc2c1)c1ccc(O)c(O)c(O)c1 2.53 43.75 14.28 非常强大的活页夹,OH 组 65 491-80-5 比沙宁 A COc1ccc(cc1)C1_COc2cc(O)cc(O)c2C1_O 3.41 15.87 3.70 强活页夹,OH 组 66 520-18-3 康普费罗尔 Oc1ccc(cc1)C1Oc2cc(O)cc(O)c2C(+O)C=1O 1.96 70.98 8.05 非常强大的活页夹,OH 组 67 2051-60-7 2-氯二苯(PCB 1) Clc1ccccc1-c1ccccc1 4.53 0.77 0.16 非活页夹,无 OH 或 NH2 组 68 2051-61-8 3-氯二苯(PCB 2) Clc1cccc(c1)-c1ccccc1 4.58 0.77 0.16 非活页夹,无 OH 或 NH2 组 69 2051-62-9 4-氯-1,1′-双苯 Clc1ccc(cc1)-c1ccccc1 4.61 0.77 0.16 非活页夹,无 OH 或 NH2 组 70 2446-69-7 p-n-六基酚 [4-六基酚] CCCC1ccc(O)cc1 4.52 1.22 0.42 中度粘合剂,OH 凹凸 71 14938-35-3 4-n-阿米利酚 CCCCCc1ccc(O)cc1 4.06 2.44 0.89 弱活页夹,OH 组 72 17924-92-4 泽拉莱内内 CC1CCCC(+O)CCCC=Cc2cc(O)cc(O)c2C(+O)O1 3.58 7.22 2.66 强活页夹,OH 组 73 1743-60-8 β-雌二醇 3-苯甲酸酯 17-丁酸酯 CC(+O)OC1CCC2C3CCc4cc4cc(O)ccc4C3CCC12C 4.95 0.91 0.35 强活页夹,OH 组 74 479-13-0 库米斯特罗 Oc1ccc2c(Oc(+O)c3c-2oc2cc(O)ccc32)c1 1.57 52.16 11.44 非常强大的活页夹,OH 组 表1:经评估的干扰内分泌化学品清单。平均均值 (AVE) 和较低的 95% 置信区间 (CI) 有效浓度 (95-h LC50, Pimephales promelas) 以及雌激素受体结合预测与 QSAR 工具箱版本 4.3 自动工作流程.日志10Kow是通过 QSAR 工具箱 4.3 版本从美国环境保护署的 KOWWIN v1.68 中检索到的。实验日志10Kow值优先于预测值。目标物质清单是根据先前报告的第22、23、24份电子数据清单编制的。 补充资料。 请点击此处下载此文件。

Discussion

经合组织QSAR工具箱作为生态毒理学分析软件的多功能性在这里展示,特别感兴趣的是内分泌干扰化学品对水生脊椎动物的不利影响。此外,还演示了用于预测74种具有代表性的ED的急性毒性(96-h LC50)的简单和标准协议(表1)。这是通过应用 QSAR 工具箱中嵌入的类别构建、数据间隙填充和 ER 分析模块来实现的(1,图 2)。

数10LC50与对数10 KOW之间的线性相关性为负斜率(如补充图S1所示),在QSAR分析25中一直被称为标准定量关系,其中毒性越高,某种化学物质的疏水性越高。从简单的计算可以看出,包括方程 S1公式 S2补充信息)的一般数学关系是以下功率函数26的转换表达式:

Equation 1

Equation 2

从 (公式2)的图中,通过调整参数 a 和 b 来描述 KOW26的中间范围,其中疏水性(或亲水性)的某种变化不会显著改变急性毒性的终点。

如图3和图4所示,LC50的计算预测和实验观测之间的比较分析,通常报告在各种水生有毒物质的QSAR研究中,包括技术非离子表面活性剂27种,三氮杀菌剂28种,农药代谢物21种。这种类型的追溯性验证提供有关给定 QSAR 工具在比较性能与实验结果方面可以达到多远的信息。在这项有关鱼类急性毒性的研究中,QSAR工具箱被证明为所有鱼类和单一鱼种中超过90%的经测试的ED提供保护性预测。

进一步识别图3图4中的三种异常化学物质,分别显示平均和至少预测的LC50。首先,3’,5,7-三羟基-4’,6-二甲氧酮是一种类黄酮(更具体地说,异黄酮),被认为是一般安全,用于草药;然而,它仍然有雌激素相关的关注29,并可能导致急性毒性可能通过氧化磷酸化脱钩30。接下来,1,4苯二醇,称为氢奎酮,是一种酚类化合物,可以触发鱼31的非特异性和细胞毒性免疫反应。最后,已知四六基苯酚表现出足够的阳性雌激素活性,被归类为ED32。经过深入研究,氢奎酮急性毒性的主要原因是还原氧化(氧化还原)循环。氢奎酮被氧化成苯甲酮,并反复还原到半奎酮或氢奎酮,具有消耗辅助因子并产生活性氧33。其他两种化学品可能需要进行更深入的研究,以揭示其在急性生态毒性中的作用机制,使用分子对接方法,如Panche等人34所使用的方法,而QSAR工具箱无法涵盖这些方法。

EDs主要通过物理化学相互作用干扰内分泌系统,与类固醇受体(如雌激素和雄激素受体)相互作用,这在QSAR建模研究中具有相当大的意义35。考虑到这一点,QSAR工具箱在仅基于分子结构的2D描述符的一组化学品的ER结合亲和力的方便和快速分类方面是可靠的。当此 ER 探查器系统应用于我们的 ED 列表时,在 ER 结合亲和力和疏水性之间未发现明显的相关性(补充图 S2)。这一结果可以解释为,一个类固醇受体复合物的形成不是疏水性结合贡献的直接后果,而应伴有活性位位受体结构构象变化36。受体结合也可以由于氢结合和+堆叠。

此外,每个化学组在分子上的位置可能会影响受体结合,即使疏水性和氢键受体受体的捐赠者数量保持不变。其次,ER 探查器在预测和实验LC50平均水平之间产生相反的趋势,ER结合亲和力增加(图5)。这可能是因为父母在急性毒性测试中的致命性不是由于ER结合,而是在大多数情况下由于麻醉,或氢奎酮的情况下氧化还原循环。例如,需要更广泛的分析,包括慢性毒性,以定义当前版本的 QSAR 工具箱的预测性限制。

这一初步研究也可能对公众健康产生影响,因为类固醇(雄激素、雌激素、孕激素和皮质激素)及其受体在脊椎动物5中表现出相似甚至相同的大分子结构。这些类型的类似内分泌信令系统在EDs5的关键事件中可能使用通用机制运行。然而,需要额外的补充方法来阐明这一庞大而复杂的方面,例如,通过对吸收、分布、代谢和排泄(ADME)和/或不良结果进行计算建模路径 (AOP)*38。此外,由于对电子药品的不利影响提出的大多数科学和公众关注与其慢性毒性有关,改进了QSAR工具箱中的数据库和算法,并产生了可靠的长期生态毒理学对 ED 的预测都是必须的。

本文演示了QSAR工具箱的应用,将鱼类的生态毒理学LC50值与对数10Kow值进行比较。先前的研究(例如,Kim等人39)揭示,对10Kow不是水生LC50的良好直接预测。尽管有此限制,但此协议提供了一般审查或”晕影”来描述如何将仪表板用于给定目的,因为使用 QSAR 工具箱调查 LC50(或 ER 绑定)之间的相关性是有效的应用程序和日志10Kow, 或作为快速急性生态毒性筛查的工具。然而,应该指出,(1)照亮雌激素受体结合与慢性毒性之间的联系,而不是急性毒性(致命性),更相关,以便找到更明确的相关性,以及(2)雄激素受体,一起与雌激素,在生殖毒性中也起着至关重要的作用。因此,QSAR工具箱的未来版本需要根据这两点改进预测功能。

Divulgations

The authors have nothing to disclose.

Acknowledgements

这项研究得到了韩国政府(MSIP)国家科学技术研究委员会(NST)赠款的支持(No.CAP-17-01-KIST欧洲)和项目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

References

  1. Najarian, K., Najarian, S., Gharibzadeh, S., Eichelberger, C. N. . Systems Biology and Bioinformatics: A Computational Approach. , (2009).
  2. 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).
  3. Roy, K., Kar, S., Das, R. N. . Understanding the Basics of QSAR for Applications in Pharmaceutical Sciences and Risk Assessment. , (2015).
  4. 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).
  5. 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).
  6. Schug, T. T., et al. Minireview: endocrine disruptors: past lessons and future directions. Molecular Endocrinology. 30, 833-847 (2016).
  7. 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).
  8. Dimitrov, S. D., et al. QSAR Toolbox – workflow and major functionalities. SAR QSAR Environmental Research. 27, 203-219 (2016).
  9. Yordanova, D., et al. Automated and standardized workflows in the OECD QSAR Toolbox. Computational Toxicology. 10, 89-104 (2019).
  10. 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).
  11. Devillers, J., Mombelli, E., Samsera, R. Structural alerts for estimating the carcinogenicity of pesticides and biocides. SAR QSAR Environmental Research. 22, 89-106 (2011).
  12. 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).
  13. 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).
  14. 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).
  15. 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).
  16. 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).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. 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).
  26. Sánchez-Bayo, F. From simple toxicological models to prediction of toxic effects in time). Ecotoxicology. 18, 343-354 (2009).
  27. 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).
  28. 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).
  29. 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).
  30. 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).
  31. 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).
  32. Nishihara, T., et al. Estrogenic activities of 517 chemicals by yeast two-hybrid assay. Journal of Health Science. 46, 282-298 (2000).
  33. 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).
  34. Panche, A. N., Diwan, A. D., Chandra, S. R. Flavonoids: an overview. Journal of Nutritional Science. 5, e47 (2016).
  35. 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).
  36. Bohl, M. . Molecular Structure and Biological Activity of Steroids. , (2017).
  37. Kaminuma, T., Takai-Igarashi, T., Nakano, T., Nakata, K. Modeling of signaling pathways for endocrine disruptors. BioSystems. 55, 23-31 (2000).
  38. 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).
  39. 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).

Play Video

Citer Cet Article
Bohlen, M., Jeon, H. P., Kim, Y. J., Sung, B. In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox. J. Vis. Exp. (150), e60054, doi:10.3791/60054 (2019).

View Video