In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox

Marie-L&#233;onie Bohlen; Hyun  Pyo Jeon; Young  Jun Kim; Baeckkyoung Sung

doi:10.3791/60054

JoVE Journal > Bioengineering

Please note that all translations are automatically generated. Click here for the English version.

생체공학

In silico Modeling method voor computationele aquatische toxicologie van hormoonontregelende stoffen: een op software gebaseerde aanpak met QSAR toolbox

Published: August 28, 2019

doi:

10.3791/60054

Marie-Léonie Bohlen¹, Hyun Pyo Jeon¹, Young Jun Kim¹, Baeckkyoung Sung¹

¹KIST Europe Forschungsgesellschaft mbH

Summary

De kwantitatieve structuur-Activiteitsrelatie (QSAR) modellering is een representatieve bioinformatica-geassisteerde methode in de toxicologische screening. Dit protocol laat zien hoe de Risico’s van hormoonontregelende stoffen (EDs) in aquatische omgevingen op een computationeel wijze kunnen worden beoordeeld. Door gebruik te maken van de OESO QSAR toolbox implementeert het protocol een in silico-test voor het analyseren van de toxiciteit van hormoonontregelende stoffen in vissen.

Abstract

Computationele analyses van toxicologische processen maakt screening van chemische stoffen met een hoge doorvoer mogelijk en voorspelling van hun eindpunten in biologische systemen. Met name de modellen van de kwantitatieve structuur-activiteitsverhouding (QSAR) zijn in toenemende mate toegepast om de milieueffecten van een overvloed aan giftige stoffen te beoordelen. In de afgelopen jaren, sommige meer gemarkeerde soorten toxicantia zijn hormoonontregelende stoffen (EDs, die chemicaliën die kunnen interfereren met een hormoon-gerelateerde metabolisme). Omdat hormoonontregelende stoffen een aanzienlijke invloed kunnen hebben op de ontwikkeling en reproductie van dieren, is een snelle voorspellen van de nadelige effecten van EDs die in silico-technieken werken vereist Deze studie presenteert een in silico-methode om voorspellingsgegevens te genereren over de effecten van representatieve hormoonontregelende stoffen in aquatische gewervelde dieren, in het bijzonder vissoorten. Het protocol beschrijft een voorbeeld met behulp van de geautomatiseerde workflow van de QSAR toolbox-software die is ontwikkeld door de organisatie voor economische samenwerking en ontwikkeling (OESO) om acute ecotoxiciteits voorspellingen van EDs mogelijk te maken. Als gevolg hiervan worden de volgende gegevens bepaald: (1) berekening van de numerieke correlaties tussen de concentratie voor 50% van de letaliteit (LC₅₀) en de verdelingscoëfficiënt octanol-water (K_ow), (2) uitvoerprestaties waarbij de LC₅₀waarden bepaald in experimenten worden vergeleken met die gegenereerd door berekeningen, en (3) de afhankelijkheid van oestrogeen receptor bindende affiniteit op de relatie tussen K_ow en LC₅₀.

Introduction

Nieuwe ontwikkelingen in informatica en computationele technologie hebben de biologische wetenschappen gemachtigd met kwantitatieve methodologieën die hoge precisie en betrouwbaarheid bieden¹. In het bijzonder hebben algoritmen die worden gebruikt in de moleculaire taxonomie en classificatie van eigenschappen geleid tot kwantitatieve structuur-activiteitsrelaties (QSAR) modellen². Deze modellen correleren automatisch de chemische structuren en biologische activiteiten van een bepaalde chemische database en implementeren snel in silico-screening van een breed scala aan chemische substraten volgens hun medicinale of toxicologische acties³. QSAR-hulpmiddelen kunnen voorspellende toxiciteits profielen produceren als functie van vectoren van moleculaire descriptoren (d.w.z. fysisch-chemische parameters) van chemicaliën die van belang zijn voor het numeriek maken van categorische eindpunten⁴. Gewoonlijk wordt elk kwantitatief eindpunt weergegeven als een 2D teststappenvisualization versus wijzigingen in descriptor waarden. Vervolgens wordt een QSAR-model gegenereerd met behulp van (meervoudige) lineaire regressieanalyses. Zodra een gegevensset volledig is benut om een QSAR-model (de Trainingsset) te maken, wordt het model statistisch gevalideerd door de eindpunten te voorspellen van een groep chemicaliën die niet in de Trainingsset is opgenomen (de testset). Het model kan vervolgens worden gebruikt om de biologische activiteiten van niet-geteste verbindingen³te voorspellen.

Onder veel schadelijke chemicaliën, hormoonontregelende stoffen (EDs) zijn gemarkeerd als een groep van toxicantia die kunnen interfereren met talrijke hormoon-gerelateerde metabolismen in zoogdieren, amfibieën, en vis⁵^,⁶. EDs zijn bekend voor het opwekken van een verscheidenheid van nadelige effecten, zoals kanker en misvormingen, door het blokkeren of wijzigen van normale hormonale trajecten of het activeren van abnormale hormoon synthese/afbraak signalen. Dientengevolge, deze hormoon-nabootsen chemicaliën kunnen perturb endocriene systemen zodanig dat biologische ontwikkeling en reproductie van Wildlife dierenpopulaties worden belemmerd. In het bijzonder zijn de ecotoxicologische effecten van hormoonontregelende stoffen uitgebreid onderzocht in aquatische gewervelde dieren, die bijna identieke hormoonreceptor structuren hebben met die van zoogdieren, waaronder mensen. Omdat alle hormonale acties optreden bij lage doses in vivo, is het voorspellen van de potentiële toxiciteiten van ED-kandidaten met behulp van Rapid in silico-screening van cruciaal belang voor de gezondheid van het publiek en het milieu.

QSAR-modellen op basis van de toxicologie van EDs zijn uitgevoerd met behulp van zowel 2D-als 3D-descriptoren (bekend als 2D en 3D QSAR, respectievelijk), die de ED ligand bindende affiniteiten van oestrogeen, androgeen en progesteron-receptoren⁷onthullen. Ondanks de zeer nauwkeurige voordelen van 3D QSAR, waarin conformationele en elektrostatische interacties worden overwogen, behoudt 2D QSAR zijn eigen robuustheid in directe wiskundige algoritmen, snelle berekeningen en extreem lage reken krachten. Bovendien zijn 2D-QSAR-modellen flexibel voor gebruik in een breed scala aan toepassingen, terwijl relatief nauwkeurige Voorspellings prestaties worden bereikt.

De OESO QSAR toolbox is momenteel een van de meest gebruikte computersoftware tools die gratis beschikbare en vooraf gebouwde QSAR-modellen⁸^,⁹bieden. De Profiler maakt gebruik van 2D descriptor databases. Sinds de release van de eerste versie in 2008 is de software toegepast op het gebied van chemische en biologische industrieën, volksgezondheid en milieu veiligheid voor volledige of gedeeltelijke analyse van de potentiële Risico’s van natuurlijke en synthetische verbindingen, met bijzondere belangen in carcinogenese¹⁰^,¹¹^,¹², mutageniteit¹³^,¹⁴^,¹⁵en ontwikkelingstoxiciteit¹⁶. De toepassing op aquatische toxicologie is ook aangetoond, met focus op bioaccumulatie en biotransformatie¹⁷.

De QSAR toolbox is nuttig gebleken bij het voorspellen van de toxiciteit op korte termijn van een breed scala van chemicaliën¹⁷, evenals de oestrogeen receptor (er) bindende verwantschap van EDs¹⁸. De acute ecotoxiciteiten van hormoonontregelende stoffen in aquatische gewervelde dieren zijn echter niet geanalyseerd met behulp van de QSAR toolbox. In deze studie, een typische en facile protocol wordt gepresenteerd voor het uitvoeren van QSAR Modeling op de acute nadelige effecten van hormoonontregelende stoffen met een focus in de vissoorten. De studie toont aan dat de QSAR toolbox een zeer toegankelijke software is voor het berekenen en voorspellen van de letaliteit/sterfte van aquatische gewervelde dieren voor sommige representatieve hormoonontregelende stoffen. statistische behandelingsmethoden voor de afgeleide in silico-gegevenssets worden gepresenteerd. Figuur 1 toont het algemene schema voor de algemene werking van de QSAR toolbox. De in Figuur 2 getoonde workflow biedt eenvoudige instructies voor het gebruik van de in silico-assay om acute ecotoxiciteit van doelstoffen zoals hormoonontregelende chemicaliën te voorspellen.

Protocol

1. uitrusting Software: gebruik OESO QSAR toolbox 4,0 of nieuwer (gratis te downloaden van < https://qsartoolbox.org/download/?) en software voor gegevensanalyse. Computer: voor de OESO QSAR toolbox gebruikt u: (i) Systeemtype: 64 bit, Windows 7 of nieuwer; (II) processor: i5 op 2,4 GHz, of een snellere processor of gelijkwaardige AMD CPU; (III) geïnstalleerd geheugen (RAM): 6 GB; (IV) harde schijf (HDD): 20 GB vrije ruimte op de harde schijf (OESO QSAR toolbox 4,3 Release Notes: ). 2. procedure OESO QSAR toolboxOpmerking: de QSAR toolbox werkt in zes opeenvolgende stroom modules vanaf input en gevolgd door profilering, Data, categorie definitie, vullen van gegevenskloof, vervolgens rapport, gelegen op de top van de programma-interface. Verken de bovengenoemde zes fasen via zes werkbalkpictogrammen door met de linkermuisknop te klikken. Kijk eerst naar de stadia van de invoer, de vulling van gegevenskloof en het rapport dat nodig is om de geautomatiseerde workflow “ecotoxicologische endpoint” uit te voeren en om de resultaten ervan te documenteren. Neem een korte blik op optionele stadia profilering en Data. De profilerings fase biedt een eerste inzicht in het potentieel van de doel stof (eco)-toxiciteit en de milieu-lotkenmerken. Optionele gegevens fase maakt het zoeken naar beschikbare experimentele gegevens met betrekking tot de doel stof mogelijk. Input Bij het starten van de QSAR toolbox begint de gebruiker standaard bij de input Toolbox stage. De QSAR toolbox maakt automatisch een werkend bestand met de naam “document 1”, dat wordt weergegeven in het deelvenster stage Option aan de linkerkant van de programma-interface. Wijzig de naam van het bestand, indien gewenst, door met de rechtermuisknop op het werkbestand te klikken. Klik op de knop CAS # op de werkbalk acties, voer het CAS-nummer (Chemical Abstract Service) van de doel stof in het beschikbare tekstveld in en klik op zoeken. De tool zal dan zoeken naar de doel stof door CAS-nummer. Kies indien nodig andere zoekopties die beschikbaar zijn in de actiewerkbalk, zoals zoeken op stoffen naam of vereenvoudigde code voor het regelinvoer systeem (SMILES) voor moleculaire invoer. Glimlachen kan worden ingevoerd als 2D niet-stereochemisch of 3D stereochemische bevattende vormen. Klik respectievelijk op naam of structuur . Gebruik het gereedschap structuur om de doel stof te tekenen. Met de zoekfunctie worden de zoekresultaten weergegeven via databaserecords in een pop-upvenster. Kies de record rapportage van een ‘ hoge ‘ CAS-SMILES-relatie (CS-relatie veld) als er meerdere records voor de doel stof worden opgehaald door het selectievakje aan de linkerkant van de record aan te vinken. Klik op OK.Opmerking: vanaf dit punt is alleen mogelijk als de opgehaalde record een GLIMLACH code bevat, omdat de SMILES code (2D niet-stereochemisch bevattende vorm) de basis voor berekening is. Batch modus: om de in silico-assay voor meerdere doelstoffen uit te voeren, schrijft u een eenvoudige stoffen lijst in een teksteditor waarin elk CAS-nummer in één rij wordt vermeld (aanvullende figuur S3). Sla het tekstbestand met de juiste naam en extensie. txt op de computer op. Batch modus: Klik op gegevens. Ga vervolgens naar databases in het deelvenster fase optie aan de linkerkant van de programma-interface. Zorg ervoor dat databases die worden vermeld onder ecotoxicologische informatie worden gecontroleerd. Batch modus: Klik op invoer. Selecteer query in de werkbalk acties. Accepteer de instellingen die zijn ingesteld in stap 2.2.6 door te klikken op Ja in het dialoogvenster. Batch mode: Kies het tabblad CAS . Upload de stoffen lijst die is opgeslagen als tekstbestand via de ladingslijst van uw computer. Batch modus: er zijn twee knoppen toevoegen beschikbaar; Klik op de knop toevoegen onder aan het pop-upmenu en klik vervolgens op uitvoeren. In de QSAR toolbox wordt een bericht weergegeven over het aantal stoffen dat voor de zoekopdracht is opgehaald.Opmerking: sommige stoffen van de geladen lijst zijn mogelijk niet gevonden door de zoekfunctie of er kunnen meerdere vermeldingen beschikbaar zijn voor één CAS-nummer. Het is niet mogelijk om stoffen uit de opgehaalde verzameling stoffen te verwijderen. ProfilingOpmerking: de volgende sectie is optioneel. Als dit niet nodig is, gaat u verder met paragraaf 2,5. Klik op de Toolbox stage knop profilering. Ga naar profilerings methoden in het deelvenster fase optie aan de linkerkant van de programma-interface. Klik op Alles deselecteren. Controleer alle onder vooraf gedefinieerde profilers en die gerelateerd zijn aan aquatische toxiciteit vermeld onder eindpunt specifiek , zoals “acute aquatische toxiciteit classificatie door Verhaar (gewijzigd)”. Voltooi de selectie. Klik vervolgens op de knop toepassen op de werkbalk acties.Opmerking: de QSAR toolbox biedt aanbevelingen voor een set profilers. Deze zijn gemarkeerd in groen (geschikt) en oranje (aannemelijk) bij het kiezen van opties &Gt; kleur door: &Gt; eindpunt geselecteerd in de gegevensmatrix in de linkerbovenhoek van profilerings methoden. Klik met de linkermuisknop op het gegevensmatrix veld naast het eindpunt van de interesse. Beschikbare eindpunten worden weergegeven in de eindpunt structuur naast het deelvenster fase optie. Het type Profiler- stof geeft aan of de doel stof een ‘ discrete chemische ‘ is. De informatie wordt weergegeven in de uitgevouwen eindpunt structuur “profiel”, “vooraf gedefinieerd” en “stof type”. Alleen als de doel stof een discrete chemische is, kan de geautomatiseerde workflow met succes worden uitgevoerd. “Acute aquatische toxiciteits classificatie door Verhaar (gewijzigd)” geeft een eerste raming van het acute aquatische toxiciteitsmechanisme van de doel stof19,20. De informatie wordt weergegeven in de uitgebreide eindpunt structuur “profiel”, “eindpunt specifiek” en “acute aquatische toxiciteits classificatie door Verhaar (gewijzigd)”. Er zijn vijf klassen beschikbaar: (klasse 1) inerte chemicaliën (baseline toxiciteit); (klasse 2) minder inerte chemicaliën; (klasse 3) reactieve chemicaliën; (klasse 4), specifiek handelend chemicaliën; en (klasse 5) voor chemische stoffen die niet kunnen worden ingedeeld. Klik met de rechtermuisknop op parameter in de eindpunt structuur om, indien gewenst, geïntegreerde 2D-en 3D QSAR-modellen uit te voeren die beschikbaar zijn in de QSAR toolbox. Klik op Bereken/Extraheer alle parameters voor alle chemicaliën in het pop-upmenu. 2D en 3D QSAR modellen gecompileerd in parameter bieden numerieke waarden. Gebruik “profilerings methoden” voor kwalitatieve informatie (zie stap 2.3.1). GegevensOpmerking: deze sectie is optioneel. Als dit niet nodig is, gaat u verder met paragraaf 2,5. Klik op de knop gegevens van de werkset fase . Klik vervolgens op verzamelen op de werkbalk acties. Selecteer alle eindpunten om alle experimentele gegevens te verzamelen en Kies vervolgens voor het verzamelen van eindpunt specifieke experimentele gegevens. Als bijvoorbeeld aquatische toxiciteit de focus van de gebruiker is, klikt u op kies &Gt; ecotoxicologische informatie &Gt; aquatische toxiciteit > OK.Opmerking: kiezen voor het verzamelen van experimentele gegevens voor alle eindpunten kan leiden tot uitgebreide verwerkingstijd. De gebruiker kan de hiërarchie van de eindpunt structuur aanpassen aan het specifieke doel. Hiermee wijzigt u de manier waarop gegevens worden weergegeven. Indien gewenst, met de rechtermuisknop op het eindpunt van belang in de eindpunt-structuurgebied. Kies structuur hiërarchie instellen in het pop-upmenu. Organiseer de eindpunt structuur op de gewenste manier met de beschikbare voorwaarden en pijlen en klik op OK. Exporteer indien gewenst de verzamelde gegevens als een Excel-bestand. Klik met de rechtermuisknop op het eindpunt van belang en kies gegevensmatrix exporteren in het pop-upmenu. Een matrix export wizard wordt geopend en toevoegen van andere eindpunten aan de export lijst. Voltooi de selectie, klik op exporteren en sla het bestand op de computer op.Opmerking: het exporteren van gegevens uit alle databases is niet mogelijk. Gegevens die zijn opgehaald uit de database ‘ ECHA CHEM ‘ kunnen bijvoorbeeld niet worden opgeslagen. Vullen van gegevenskloof Klik op de Toolbox stage knop Data gap vulling. Klik vervolgens op geautomatiseerd in de werkbalk acties. Selecteer ecotoxicologisch eindpunt > vis, LC50 (letale concentratie, 50%) op 96 h voor Pimephales promelas (sterfte). Klik op OK. Een ‘ Workflowcontroller ‘ wordt weergegeven en de verwerking duurt enkele minuten, met name in de batchmodus.Opmerking: de QSAR toolbox past automatisch een gedefinieerde set profilers toe bij het zoeken naar geschikte stoffen met beschikbare experimentele gegevens voor de voorspelling. De experimentele gegevens [bijv. effect concentraties 96 h LC50 (p. promelas) of 96 h EC50 (p. promelas, mortaliteit)] worden gebruikt om de voorspelling voor de doel stof te genereren door middel van een lineaire benadering of de dichtstbijzijnde Neighbor-methode. Houd er rekening mee dat de methoden van lineaire benadering en dichtstbijzijnde neighbor worden aangeduid als trendanalyse (gelabeld als “T”) en read-across (gelabeld als “R”), respectievelijk. De gebruiker ontvangt een bericht als de voorspelling met succes wordt uitgevoerd. Klik op OK en sluit de workflowcontroller die ‘ voltooide workflow ‘ aangeeft door in de rechterbovenhoek op x te klikken. Batch mode: bij het starten van de geautomatiseerde workflow, wordt de gebruiker gevraagd om het bereik van de stoffen waarover de werkstroom uit te voeren opgeven. Accepteer het volledige bereik van stoffen die standaard in het dialoogvenster zijn geselecteerd door op OK te klikken . Batch modus: de gebruiker ontvangt geen bericht dat aangeeft of een voorspelling is uitgevoerd of niet is geslaagd. Sluit de workflowcontroller die aangeeft dat de werkstroom is voltooid aan het einde van de batchverwerking door op x te klikken in de rechterbovenhoek. Verslag Als een voorspelling met succes is uitgevoerd, klikt u op de werkset fase knop rapport.Opmerking: er kunnen geen rapporten worden gegenereerd in de batchmodus. Scrol omlaag en zoek de voorspellingswaarde in het matrixveld in een gele gemarkeerde rij naast eindpunt “96-h.” De voorspelde waarde is gelabeld met ‘ T ‘ of ‘ R ‘. Activeer dit specifieke gegevensmatrix veld door er met de linkermuisknop op te klikken. Klik op voor Spelling op de werkbalk acties. Pas de inhoud en vormgeving van het rapport aan in de pop-upwizard. Er zijn drie soorten rapporten beschikbaar: (i) voorspelling, (II) categorie en (III) gegevensmatrix. De wizard stelt de gebruiker in staat de naam en contactgegevens van de auteur in te vullen. Schrijf een korte samenvatting, geef een gedetailleerde uitleg van de mechanistische interpretatie, of geef verantwoording voor de geschiktheid van de voorspelling. Aanvullende informatie met betrekking tot de uitgevoerde voorspelling opnemen, indien gewenst. De mate van aanvullende informatie is afhankelijk van de gebruiker. Ga door de wizard door te klikken op Volgende. Klik ten slotte op rapport maken en sla de voorspellings-en categorie rapporten op als PDF-bestanden en de gegevensmatrix als een Excel-spreadsheet op de computer. Meer informatie over de functionaliteiten van de QSAR toolbox en geautomatiseerde workflows vindt u in de toepassingshandleiding van de OESO QSAR toolbox v. 4 (F1 Help op het toetsenbord). Details over de algoritmen en de logica achter de geautomatiseerde workflow worden beschreven door Dimitrov et al.8 en Yordanova et al.9. 3. toepassing Gebruik de ondergrens van het betrouwbaarheidsinterval van 95% als u de voorspelde effect concentratie (d.w.z. 96-h LC50 van P. promelas) in de milieurisicobeoordeling gebruikt. Zoek de gegevens op de eerste pagina van het opgeslagen Voorspellings rapport (PDF) in “Voorspellings overzicht”, “voorspelde waarde: (van naar ).”Opmerking: de hier gegeven opmerkingen zijn gebaseerd op de resultaten van de vergelijking tussen voorspelde en experimentele gegevens voor een reeks doelstoffen die in dit onderzoek worden gerapporteerd. Als u het onderste uiteinde van het 95%-betrouwbaarheids bereik selecteert, wordt de kans groter dat de voorspelde effect concentratie de werkelijke toxiciteit van de stof niet onderschat (Zie de representatieve resultaten). De voorspelde effectieve concentratie van de ondergrens van het 95% betrouwbaarheidsinterval zal daarom een veiligere basis voor risicobeoordeling vormen.

Representative Results

Het in dit onderzoek beschreven voorbeeld werd uitgevoerd voor kwantitatieve analyse en voorspelling van acute toxiciteiten van geselecteerde hormoonontregelende stoffen in vissen. Wanneer de voorspelde gegevenspunten werden uitgezet versus experimentele gegevenspunten als een schaal van log-log, een positieve correlatie tussen beide werd gevonden voor alle vissen en een representatieve soort, namelijk Pimephales promelas (Fathead minnow; Figuur 3). In beide gevallen leek de helling van de lineaire regressie vergelijkbaar te zijn (voorspelde LC50/experimentele LC50 = 0,611 en 0,602 voor alle vissen en P. promelas, respectievelijk). Vanwege de beperkte hoeveelheid experimentele gegevens was het aantal beschikbare waarden van experimentele observatie meestal kleiner dan dat van rekenkundige voorspelling. Toepassing van de tolerantie factor 5-voudig voor de computationele capaciteit21 resulteerde respectievelijk in 94% (34/36) en 96% (26/27) van de beschermende voorspelling voor alle vissen en P. promelas. Op basis van deze voorspelling leek 3 ‘, 5, 7-trihydroxy-4 ‘, 6-dimethoxyisoflavone en 1,4-benzenediol berekende LC50 -waarden te vertonen die groter zijn dan de tolerantielimiet. Om veiligheidsbeoordeling op de hoogste betrouwbaarheid mogelijk te maken, werd verdere computationele analyse uitgevoerd door de voorspelde ondergrens van het 95% betrouwbaarheidsinterval van LC50 (in plaats van de gemiddelde waarden in Figuur 3) te plotten versus de experimenteel afgeleide waarden (Figuur 4). Bij deze evaluatie met een verhoogde veiligheids drempel bleek 92% (33/36) van de totale geteste hormoonontregelende stoffen in het beschermingsgebied te vallen in vergelijking met de experimenteel afgeleide waarden, met uitzondering van: 3 ‘, 5, 7-trihydroxy-4 ‘, 6- dimethoxyisoflavone; 1,4-benzenediol; en 4-hexylfenol. Op basis van de beoordelingen van de volledige uit de databank beschikbare soorten, waarden voor de voorspelde en experimentele 96-h Log10LC50 vertoonden lineariteit met de log10Kow waarden in het domein tussen-1 en 7, wat duidt op een hyperbolische correlatie tussen LC50 en Kow. Er bestond een algemene tendens waarbij de LC50 daalde voor hogere waarden van Kow van EDs voor de gegevens verkregen uit zowel computationele voorspellingen als experimenten, wat suggereert dat de acute toxiciteit bij vissoorten voor hormoonontregelende stoffen met een hogere hydrofobiciteit (aanvullend figuur S1). Door de op regels gebaseerde ER-Profiler die is ingebed in de QSAR toolbox van de OESO, zijn de ER-bindende affiniteiten van de hormoonontregelende stoffen gecategoriseerd als niet-bindende en zwakke, matige, sterke en zeer sterke bindmiddelen, in volgorde van toenemende binding-affiniteit18. Dienovereenkomstig kan de statistische verdeling van Log10Kow worden weergegeven als een kwalitatieve classificatie van er binding affiniteit (aanvullende figuur S2). Over het algemeen bleken de veranderingen in de distributie marges van Kow en hun gemiddelde niveaus niet een gedefinieerde tendens te hebben. Evenzo werden de distributies van voorspelde en experimentele LC50 getoond als de omvang van er binding affiniteit (Figuur 5). In dit geval waren de gemiddelde niveaus van voorspelde LC50 voor er-bindmiddelen hoger dan die van niet-bindmiddelen. Voor de experimentele LC50waren de gemiddelde niveaus van niet-en zwakke bindmiddelen daarentegen hoger dan die van sterkere er bindmiddelen. Figuur 1: basisschema van de algemene werkstroom van de OESO QSAR toolbox.Klik hier om een grotere versie van dit cijfer te bekijken. Figuur 2: workflow.Getoond is de workflow die de modules en sequenties conceptualiseren om de acute toxiciteiten van hormoonontregelende stoffen in vis te voorspellen met behulp van de OESO QSAR toolbox. Klik hier om een grotere versie van dit cijfer te bekijken. Figuur 3: voorspelde versus experimentele 96-h LC50 van EDs in tabel 1 voor alle vissen (blauwe diamanten, n = 36) en een geselecteerde soort P. promelas (cyaan diamanten, n = 27).Voor de voorspelde LC50worden de gemiddelde waarden (“Ave”) weergegeven. De onderbroken lijnen vertegenwoordigen lineaire regressies voor de twee groepen: voor alle vissen (licht blauw), voorspelde LC50Ave = 0,611 x (experimentele LC50) + 0,277 (aangepast r2 = 0,408); en voor P. promelas (licht cyaan), voorspelde LC50Ave = 0,602 x (experimentele LC50) + 0,385 (aangepast r2 = 0,441). De vaste diagonale lijn toont eenheid waarin de voorspelde en experimentele waarden gelijk zijn aan21. De gestippelde grijze lijn toont de 5-voudige tolerantielimiet van de rekenkundige mogelijkheid19. Uitschieters: 3 ‘, 5, 7-trihydroxy-4 ‘, 6-dimethoxyisoflavone (*) en 1,4-benzenediol (* *). Klik hier om een grotere versie van dit cijfer te bekijken. Figuur 4: voorspelde (ondergrens van 95% betrouwbaarheidsinterval, “low-95%”) vs. experimentele 96-h LC50 van hormoonontregelende stoffen in tabel 1 voor alle vissen (n = 36).De onderbroken lijn staat voor de lineaire regressie: voorspelde LC50Low-95% = 0,470 x (experimentele LC50)-0,312, waarbij gecorrigeerd r2 = 0,193. De vaste diagonale lijn geeft de eenheid aan waar de voorspelde en experimentele waarden gelijk zijn aan elkaar19. Uitschieters: 3 ‘, 5, 7-trihydroxy-4 ‘, 6-dimethoxyisoflavone (*), 1,4-benzenediol (* *) en 4-hexylphenol (* * *). Klik hier om een grotere versie van dit cijfer te bekijken. Figuur 5: distributies van voorspelde (vaste dozen, n = 8 – 20 voor elke categorie) en experimentele (onderbroken dozen; n = 3 – 16 voor elke categorie) 96-h LC50 afhankelijk van er bindende affiniteit van EDs in tabel 1 voor alle vissen.Een vak plot vertegenwoordigt: (A) gemiddelde (klein vierkant met een vette horizontale balk), (B) 1St en 3RD kwartiel (onderste en bovenste- uiteinden van de doos, respectievelijk), (C) mediaan (horizontaal segment in de doos), ( D) 5th en 95th percentiel (respectievelijk onderste en bovenste foutbalken), (E) 1St en 99e percentiel (onderste en bovenste x, respectievelijk) en (F) minimum en maximum (onder-en boven-, respectievelijk). Klik hier om een grotere versie van dit cijfer te bekijken. No. CAS-registratienummer Stofnaam SMILES formule (2D niet-stereochemische vorm) Log Kow Avevoorspelde 96-h LC50(mg/L) LAGER 95% BIvoorspelde 96-h LC50(mg/L) Profiler-oestrogeen receptor binding 1 50-28-2 17-β-Estradiol CC12CCC3C (CCc4cc (O) ccc34) C1CCC2O 4,01 3,62 1,42 Zeer sterke Binder, OH Group 2 57-63-6 17-α Ethinyl-Estradiol CC12CCC3C (CCc4cc (O) ccc34) C1CCC2 (O) C # C 3,67 3,00 1,18 Strong Binder, OH Group 3 80-05-7 2, 2-bis (4-hydroxyphe-Nyl) propaan (bisfenol A) CC (C) (c1ccc (O) CC1) c1ccc (O) CC1 3,32 4,68 1,80 Zeer sterke Binder, OH Group 4 80-46-6 4-tert-Pentylphenol CCC (C) (C) c1ccc (O) CC1 3,91 2,27 0,87 Zwakke Binder, OH Group 5 140-66-9 4-tert-Octylphenol CC (c) (C) CC (C) (C) c1ccc (O) CC1 5,28 0,38 0,14 Strong Binder, OH Group 6 446-72-0 Genistein [3 ‘, 5, 7-trihydroxy-4 ‘, 6-dimethoxyisoflavone] Oc1ccc (CC1) C1 = COc2cc (O) CC (O) c2C1 = O 2,84 32,00 10,03 Zeer sterke Binder, OH Group 7 10161-33-8 17β-trenbolon CC12C = CC3C (CCC4 = CC (= O) CCC = 34) C1CCC2O 2,65 124,72 19,75 Strong Binder, OH Group 8 67747-09-5 Prochloraz (DMI-fungicide) CCCN (CCOc1c (CL) CC (CL) cc1Cl) C (= O) n1ccnc1 4,1 5,19 1,74 Non Binder, zonder OH-of NH2-groep 9 84852-15-3 4-nonylfenol CC (C) CCCCCCc1ccc (O) CC1 5,92 0,21 0,07 Strong Binder, OH Group 10 69-72-7 Salicylzuur OC (= O) c1ccccc1O 2,26 24,07 9,31 Zwakke Binder, OH Group 11 80-09-1 4, 4 ‘-dihydroxydifenyl methioninesulfon (Bisfenol S) Oc1ccc (CC1) S (= O) (= O) c1ccc (O) CC1 1,65 48,67 10,67 Zeer sterke Binder, OH Group 12 84-74-2 ftalinezuur, dibutylester CCCCOC (= O) c1ccccc1C (= O) OCCCC 4,5 0,76 0,06 Non Binder, zonder OH-of NH2-groep 13 92-88-6 4, 4′-dihydroxybifenyl Oc1ccc (CC1)-c1ccc (O) CC1 2,8 12,05 4,20 Matige Binder, OH grooup 14 94-13-3 4-hydroxybenzoë zuur, PROPYLESTER CCCOC (= O) c1ccc (O) CC1 3,04 10,32 3,86 Matige Binder, OH grooup 15 98-54-4 4-tert-butylfenol CC (C) (C) c1ccc (O) CC1 3,31 4,36 1,68 Zwakke Binder, OH Group 16 97-23-4 2, 2 ′-dihydroxy-– 5,5 ′-dichloorodifenyl-methaan Oc1ccc (CL) cc1Cc1cc (CL) ccc1O 4,26 0,48 0,10 Zeer sterke Binder, OH Group 17 97-53-0 Eugenol COc1cc (CC = C) ccc1O 2,27 14,70 5,60 Zwakke Binder, OH Group 18 99-76-3 4-hydroxybenzoinezuur, methyl ester COC (= O) c1ccc (O) CC1 1,96 38,20 14,01 Zwakke Binder, OH Group 19 103-90-2 N-(4-hydroxyphenyl) aceetamide CC (= O) Nc1ccc (O) CC1 0,46 338,97 43,39 Zwakke Binder, OH Group 20 106-44-5 p-cresol Cc1ccc (O) CC1 1,94 20,47 7,14 Zwakke Binder, OH Group 21 108-39-4 m-cresol Cc1cccc (O) C1 1,96 23,45 9,17 Zwakke Binder, OH Group 22 108-45-2 1,3-fenyleendiamine Nc1cccc (N) C1 -0,33 34,60 0,00 Zwakke Binder, NH2 Group 23 108-46-3 1,3-Dihydroxybenzeen Oc1cccc (O) C1 0,8 123,03 27,06 Zwakke Binder, OH Group 24 108-91-8 Cyclohexylamine NC1CCCCC1 1,49 28,08 1,40 Zwakke Binder, NH2 Group 25 119-36-8 salicylzuur, methyl ester COC (= O) c1ccccc1O 2,55 16,16 5,68 Zwakke Binder, OH Group 26 120-47-8 4-hydroxybenzoëzuur, ethyl ester CCOC (= O) c1ccc (O) CC1 2,47 19,93 7,40 Zwakke Binder, OH Group 27 120-80-9 1,2-Dihydroxybenzeen Oc1ccccc1O 0,88 11,14 0,01 Zwakke Binder, OH Group 28 123-31-9 1,4-Dihydroxybenzeen [1,4-benzenediol] Oc1ccc (O) CC1 0,59 90,75 33,19 Zwakke Binder, OH Group 29 131-53-3 2, 2 ′-dihydroxy-4-methoxybenzophenone COc1ccc (C (= O) c2ccccc2O) C (O) C1 3,82 3,97 1,46 Zeer sterke Binder, OH Group 30 131-56-6 2, 4-dihydroxybenzophenone Oc1ccc (c (O) C1) C (= O) c1ccccc1 2,96 12,04 4,73 Strong Binder, OH Group 31 131-57-7 2-hydroxy-4-methoxybenzophenone COc1ccc (C (= O) c2ccccc2) C (O) C1 3,79 5,96 2,27 Strong Binder, OH Group 32 599-64-4 4-cumylphenol CC (C) (c1ccccc1) c1ccc (O) CC1 4,12 2,15 0,84 Strong Binder, OH Group 33 2855-13-2 1-Amino-3-aminomethyl-3, 5, 5-trimethyl-cyclohexaan CC1 (C) CC (N) CC (C) (CN) C1 1,9 30,65 1,53 Moderate Binder, NH2 Group 34 6864-37-5 3, 3 ′-dimethyl-4, 4′-diaminodicyclohexylmethaan CC1CC (CCC1N) CC1CCC (N) C (C) C1 4,1 1,07 0,05 Sterke Binder, NH2 Group 35 25013-16-5 tert-butyl-4-hydroxyanisol COc1ccc (O) c (C1) C (C) (C) C 3,5 4,85 1,85 Matige Binder, OH grooup 36 147315-50-2 2-(4, 6-difenyl-1, 3, 5-triazin-2-yl)-5-(hexyloxy) fenol CCCCCCOc1ccc (c (O) C1)-c1nc (NC (N1)-c1ccccc1)-c1ccccc1 6,24 0,17 0,06 Strong Binder, OH Group 37 88-68-6 2-aminobenzamide NC (= O) c1ccccc1N 0,35 694,00 84,30 Zwakke Binder, NH2 Group 38 611-99-4 4, 4′-dihydroxybenzophenone Oc1ccc (CC1) C (= O) c1ccc (O) CC1 2,19 37,74 14,67 Zeer sterke Binder, OH Group 39 27955-94-8 1, 1, 1-tris (4-hydroxyphenol) ethaan CC (c1ccc (O) CC1) (c1ccc (O) CC1) c1ccc (O) CC1 4,38 2,09 0,82 Zeer sterke Binder, OH Group 40 87-18-3 salicylzuur, 4-tert-Butylphenyl Ester CC (C) (C) c1ccc (OC (= O) c2ccccc2O) CC1 5,73 0,24 0,09 Strong Binder, OH Group 41 47465-97-4 3, 3-bis (3-methyl-4-hydroxyphenyl) 2-indolinone Cc1cc (ccc1O) C1 (C (= O) Nc2ccccc12) c1ccc (O) c (C) C1 4,48 2,07 0,77 Zeer sterke Binder, OH Group 42 99-96-7 p-hydroxybenzoinezuur OC (= O) c1ccc (O) CC1 1,58 8,54 0,00 Zwakke Binder, OH Group 43 80-07-9 1-Chloro-4-(4-chloorfenyl) sulfonylbenz Clc1ccc (CC1) S (= O) (= O) c1ccc (CL) CC1 3,9 3,92 0,85 Non Binder, zonder OH-of NH2-groep 44 84-65-1 9, 10-anthraquinone O = C1c2ccccc2C (= O) c2ccccc12 3,39 7,00 3,54 Non Binder, zonder OH-of NH2-groep 45 85-44-9 2-benzofuraan-1, 3-dione O = C1OC (= O) c2ccccc12 1,6 2,69 0,00 Non Binder, zonder OH-of NH2-groep 46 92-84-2 10H-Fenothiazine N1c2ccccc2Sc2ccccc12 4,15 1,07 0,08 Non Binder, zonder OH-of NH2-groep 47 2855-13-2 1-Amino-3-aminomethyl-3, 5, 5-trimethyl-cyclohexaan CC1 (C) CC (N) CC (C) (CN) C1 1,9 30,65 1,53 Moderate Binder, NH2 Group 48 50-27-1 Estriol CC12CCC3C (CCc4cc (O) ccc34) C1CC (O) C2O 2,45 21,21 8,29 Zeer sterke Binder, OH Group 49 50-50-0 Bèta-Estradiol-3-benzoaat CC12CCC3C (CCc4cc (OC (= O) c5ccccc5) ccc34) C1CCC2O 5,47 0,36 0,02 Strong Binder, OH Group 50 53-16-7 Estron CC12CCC3C (CCc4cc (O) ccc34) C1CCC2 = O 3,13 7,78 3,06 Strong Binder, OH Group 51 92-52-4 Bifenyl c1ccc (CC1)-c1ccccc1 4,01 4,10 0,47 Non Binder, zonder OH-of NH2-groep 52 92-69-3 p-fenylfenol Oc1ccc (CC1)-c1ccccc1 3,2 5,99 1,82 Matige Binder, OH grooup 53 96-29-7 2-Butanone Oxime CCC (C) = NEE 0,63 32,67 2,49 Non Binder, niet-cyclische structuur 54 121-75-5 Malathon CCOC (= O) CC (SP (= S) (OC) OC) C (= O) OCC 2,36 37,73 3,33 Non Binder, niet-cyclische structuur 55 123-07-9 4-ethylfenol CCc1ccc (O) CC1 2,58 13,63 4,65 Zwakke Binder, OH Group 56 645-56-7 4-n-Propylpehnol CCCc1ccc (O) CC1 3,2 7,32 2,55 Zwakke Binder, OH Group 57 1638-22-8 p-butyl fenol CCCCc1ccc (O) CC1 3,65 4,09 1,39 Zwakke Binder, OH Group 58 1912-24-9 Atrazine CCNc1nc (CL) NC (NC (C) C) N1 2,61 30,87 4,63 Non Binder, zonder OH-of NH2-groep 59 40596-69-8 Methopreen COC (C) (C) CCCC (C) CC = CC (C) = CC (= O) OC (C) C 5,5 0,08 0,00 Non Binder, niet-cyclische structuur 60 1987-50-4 4-heptylphenol CCCCCCCc1ccc (O) CC1 5,01 0,66 0,22 Matige Binder, OH grooup 61 92-86-4 p, p’-Dibromobiphenyl Brc1ccc (CC1)-c1ccc (BR) CC1 5,72 0,11 0,02 Non Binder, zonder OH-of NH2-groep 62 480-41-1 Met Oc1ccc (CC1) C1CC (= O) C2C (O) CC (O) cc2O1 2,52 27,84 10,87 Zeer sterke Binder, OH Group 63 486-66-8 Daïdzeïne Oc1ccc (CC1) C1 = COc2cc (O) ccc2C1 = O 2,55 36,47 11,71 Zeer sterke Binder, OH Group 64 491-70-3 Luteoline Oc1cc (O) c2C (= O) C = C (Oc2c1) c1ccc (O) c (O) C1 2,53 43,75 14,28 Zeer sterke Binder, OH Group 65 491-80-5 Biochanin A COc1ccc (CC1) C1 = COc2cc (O) CC (O) c2C1 = O 3,41 15,87 3,70 Strong Binder, OH Group 66 520-18-3 Kaempferol Oc1ccc (CC1) C1Oc2cc (O) CC (O) c2C (= O) C = 1O 1,96 70,98 8,05 Zeer sterke Binder, OH Group 67 2051-60-7 2-chloorobifenyl (PCB 1) Clc1ccccc1-c1ccccc1 4,53 0,77 0,16 Non Binder, zonder OH-of NH2-groep 68 2051-61-8 3-chloorobifenyl (PCB 2) Clc1cccc (C1)-c1ccccc1 4,58 0,77 0,16 Non Binder, zonder OH-of NH2-groep 69 2051-62-9 4-Chloro-1, 1 ‘-bifenyl Clc1ccc (CC1)-c1ccccc1 4,61 0,77 0,16 Non Binder, zonder OH-of NH2-groep 70 2446-69-7 p-n-Hexylfenol [4-hexylphenol] CCCCCCc1ccc (O) CC1 4,52 1,22 0,42 Matige Binder, OH grooup 71 14938-35-3 4-n-Amylfenol CCCCCc1ccc (O) CC1 4,06 2,44 0,89 Zwakke Binder, OH Group 72 17924-92-4 Zearalenon CC1CCCC (= O) CCCC = Cc2cc (O) CC (O) c2C (= O) O1 3,58 7,22 2,66 Strong Binder, OH Group 73 1743-60-8 Bèta-Estradiol 3-benzoaat 17-nbutyraat CC (= O) OC1CCC2C3CCc4cc (O) ccc4C3CCC12C 4,95 0,91 0,35 Strong Binder, OH Group 74 479-13-0 Coumestrol Oc1ccc2c (OC (= O) c3c-2oc2cc (O) ccc32) C1 1,57 52,16 11,44 Zeer sterke Binder, OH Group Tabel 1: lijst van geëvalueerde hormoonontregelende stoffen. Gemiddeld gemiddelde (AVE) en lagere 95% betrouwbaarheidsinterval (CI) effectieve concentraties (95-h LC50, Pimephales promelas) evenals oestrogeen receptor binding werden voorspeld met de qsar Toolbox versie 4,3 geautomatiseerde workflow. Log10Kow werd opgehaald via qsar Toolbox versie 4,3 van kowwin v 1.68, 2000, U.S. Environmental Protection Agency. Experimentele Log10Kow waarden hebben de voorkeur boven voorspelde waarden. De doel stof lijst is samengesteld uit eerder gerapporteerde lijsten van EDs22,23,24. Aanvullende informatie. Klik hier om dit bestand te downloaden.

Discussion

De veelzijdigheid van de OESO QSAR toolbox als analytische software voor Ecotoxicologie wordt hier getoond met specifieke belangstelling voor de nadelige effecten van hormoonontregelende stoffen op aquatische gewervelde dieren. Daarnaast werd een eenvoudig en standaardprotocol aangetoond voor het voorspellen van acute toxiciteit (96-h LC₅₀) van 74 representatieve EDs (tabel 1) voor vissoorten. Dit werd bereikt door het toepassen van categorie bouw, data gap vulling en er profilerings modules ingebed in de QSAR toolbox (Figuur 1, Figuur 2).

De lineaire correlatie tussen log₁₀LC₅₀ en log₁₀K_ow met een negatieve helling (zoals weergegeven in aanvullende figuur S1) is al lange tijd bekend als een standaard kwantitatieve relatie in QSAR-analyses²⁵, waarbij hogere toxiciteit wordt aangetoond hoe meer hydrofobe een bepaalde chemische stof is. Zoals blijkt uit een eenvoudige berekening, is de algemene wiskundige relatie met vergelijking S1 en vergelijking S2 (aanvullende informatie) een geconverteerde uitdrukking uit de volgende Power functie²⁶:

Vanaf het perceel van (vergelijking 2) kan het karakteriseren van een tussen bereik van K_ow²⁶ mogelijk zijn door de parameters a en b aan te passen, waarbij een bepaalde variatie in hydrofobiciteit (of hydrofiele) de eindpunt van acute toxiciteit.

Vergelijkende analyses tussen de computationele voorspellingen en experimentele waarnemingen op de LC₅₀, zoals weergegeven in Figuur 3 en Figuur 4, zijn doorgaans gerapporteerd in studies van QSAR voor verschillende aquatische toxicanten, waaronder technische nonionische oppervlakteactieve stoffen²⁷, triazoolfungiciden²⁸en pesticide metabolieten²¹. Dit type retrospectieve validatie geeft informatie over de mate waarin een bepaalde QSAR-tool kan reiken in termen van vergelijkende prestaties voor experimentele resultaten. In deze studie van acute toxiciteit in vis, de QSAR toolbox bleek te bieden beschermende voorspellingen voor meer dan 90% van geteste EDs in alle vissen en in een enkele soort, Pimephales promelas.

Verdere identificatie van de drie uitschieter chemicaliën in Figuur 3 en Figuur 4, die een hogere voorspelde LC₅₀ gemiddeld en minimaal, respectievelijk, is gebleken. Eerste, de 3 ‘, 5, 7-trihydroxy-4 ‘, 6-dimethoxyisoflavone is een soort flavonoïde (meer in het bijzonder, een isoflavone), die wordt beschouwd als over het algemeen veilig en gebruikt in kruidengeneesmiddelen; echter, het heeft nog steeds oestrogeen-gerelateerde bezorgdheid²⁹ en kan leiden tot acute toxiciteit waarschijnlijk door middel van oxidatieve fosforylering ontkoppeling³⁰. Vervolgens is de 1,4-benzenediol, genaamd hydroquinone, een fenol verbinding die een niet-specifieke en cytotoxische immuunrespons in vissen kan veroorzaken³¹. Tot slot, de 4-hexylphenol is gekend om te exposeren voldoende positieve oestrogene activiteit worden geclassificeerd als een ED³². Het is goed bestudeerd dat de belangrijkste reden van de acute toxiciteit van Hydrochinon is de reductie-oxidatie (redox) fietsen. De Hydrochinon wordt geoxideerd tot Benzochinon en teruggebracht tot semi-quinon of Hydrochinon herhaaldelijk, met afputten van cofactoren en het genereren van reactieve zuurstof soorten³³. De andere twee chemicaliën kunnen diepere onderzoeken vereisen om hun werkingsmechanismen in acute ecotoxiciteit te onthullen met behulp van moleculaire docking benaderingen zoals die gebruikt door Panche et al.³⁴, die niet kan worden gedekt door de QSAR toolbox.

EDs interfereren met het endocriene systeem voornamelijk door middel van fysisch-chemische interacties met steroïde receptoren zoals oestrogeen en androgeen receptoren, die van groot belang zijn in QSAR Modeling studies³⁵. Gezien dit, de QSAR toolbox is robuust in termen van facile en snelle classificatie van ER bindende affiniteiten voor een set van chemicaliën op basis van alleen op de 2D descriptoren van moleculaire structuren. Toen dit ER Profiler systeem werd toegepast op onze lijst van hormoonontregelende stoffen, werd er geen duidelijke correlatie gevonden tussen ER bindingsaffiniteit en hydrofobiciteit (aanvullende figuur S2). Dit resultaat kan worden verklaard door het feit dat de vorming van een steroïde-receptor complex is niet een direct gevolg van een hydrofobe hechting bijdrage, maar moet gepaard gaan met een conformationele verandering in de actieve-site receptor structuur³⁶. De receptor binding kan ook worden veroorzaakt door waterstof binding en π-stacking.

Bovendien kan de positie van elke chemische groep op het molecuul de receptor binding beïnvloeden, zelfs als de hydrofobiciteit en het aantal van de waterstof-obligatie acceptoren-donoren hetzelfde blijven. Ten tweede produceerde de ER Profiler tegengestelde trends tussen voorspelde en experimentele LC₅₀ -gemiddelde niveaus met een toenemende er-bindingsaffiniteit (Figuur 5). Dit kan zijn omdat de letaliteit van ouders in een acute toxiciteitstest niet te wijten is aan ER binding, maar eerder aan narcose in de meeste gevallen, of aan redox fietsen in het geval van hydroquinone. Er is bijvoorbeeld een uitgebreidere analyse, inclusief de chronische toxiciteit, vereist voor een grotere set hormoonontregelende stoffen om voorspellende beperkingen van de huidige versie van de QSAR toolbox te definiëren.

Dit voorbereidend onderzoek kan ook gevolgen hebben voor de volksgezondheid, omdat steroïden (androgenen, oestrogenen, progestines, en corticoïden) en hun receptoren vertonen vergelijkbare of zelfs identieke macromoleculaire structuren over gewervelde dieren⁵. Deze soorten analoge endocriene signaleringssystemen kunnen werken met behulp van een gemeenschappelijk mechanisme in belangrijke gebeurtenissen van EDs⁵. Niettemin zijn aanvullende en complementaire methodologieën nodig om dit enorme en complexe aspect te verlichten [bijvoorbeeld door het uitvoeren van computationele modellering van absorptie, distributie, metabolisme en uitscheiding (ADME) en/of ongunstige uitkomst Pathway (AOP)]³⁸. Bovendien, omdat de meeste wetenschappelijke en publieke bezorgdheid over de nadelige effecten van hormoonontregelende stoffen verband houden met hun chronische toxiciteiten, het verbeteren van de databases en algoritmen in de QSAR toolbox en het produceren van betrouwbare lange termijn ecotoxicologie voorspellingen voor EDs zijn beide nodig.

Deze paper demonstreert de toepassing van de QSAR toolbox om ecotoxicologische LC₅₀ waarden voor vissen te vergelijken met Log₁₀K_ow waarden van EDs. in het gehele protocol leidt dit tot zwakke verhoudingen tussen de twee parameters, werd onthuld door eerdere studies (bijv., Kim et al.³⁹) dat Log₁₀K_ow is niet een goede directe voorspeller van aquatische LC₅₀. Ondanks deze beperking biedt dit protocol een algemene beoordeling of “vignet” om te beschrijven hoe het dashboard voor een bepaald doel moet worden gebruikt, omdat het een geldige toepassing is voor het gebruik van de QSAR toolbox voor het onderzoeken van correlaties tussen LC₅₀ (of er-binding -affiniteit) en log₁₀K_ow,of als een hulpmiddel voor snelle acute ecotoxiciteit screening. Niettemin moet worden opgemerkt dat (1) het verlichten van het verband tussen oestrogeen receptor binding en chronische toxiciteit, in plaats van acute toxiciteit (letaliteit), relevanter is zodat duidelijkere correlaties kunnen worden gevonden, en (2) de androgeen receptor, samen met die van oestrogeen, speelt ook een cruciale rol in reproductietoxiciteit. Daarom is het vereist voor de toekomstige versie van de QSAR toolbox om de Voorspellings functies in het licht van die twee punten te verbeteren.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Dit onderzoek werd gesteund door de National Research Council of Science & Technology (NST) Grant door de Zuid-Koreaanse overheid (MSIP) (nr. CAP-17-01-KIST Europe) en project 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

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).

Play Video

PDF

DOI

DOWNLOAD MATERIALS LIST

Cite This 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).