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

Bioengineering

No método de modelagem silico para Toxicologia aquática computacional de Disruptores endócrinos: uma abordagem baseada em software usando o 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

A modelagem quantitativa da relação estrutura-atividade (QSAR) é um método representativo assistido por Bioinformática na triagem toxicológica. Este protocolo demonstra como avaliar computacionalmente os riscos de Disruptores endócrinos (EDs) em ambientes aquáticos. Utilizando a caixa de ferramentas da OCDE QSAR, o protocolo implementa um ensaio de silico para análise da toxicidade de EDs em peixes.

Abstract

Análises computacionais de processos toxicológicos possibilitam a triagem de substâncias químicas de alto débito e previsão de seus Endpoints em sistemas biológicos. Em particular, os modelos quantitativos de relação estrutura-atividade (QSAR) têm sido cada vez mais aplicados para avaliar os efeitos ambientais de uma infinidade de materiais tóxicos. Nos últimos anos, alguns tipos mais destacados de tóxicos são os Disruptores endócrinos (EDs, que são produtos químicos que podem interferir com qualquer metabolismo hormonal-relacionado). Como os EDs podem afetar significativamente o desenvolvimento e a reprodução dos animais, é necessário prever rapidamente os efeitos adversos de EDs usando em técnicas de silico. Este estudo apresenta um método em silico para gerar dados de predição sobre os efeitos de EDs representativos em vertebrados aquáticos, particularmente espécies de peixes. O protocolo descreve um exemplo utilizando o fluxo de trabalho automatizado do software QSAR Toolbox desenvolvido pela organização para a cooperação e desenvolvimento econômico (OCDE) para permitir previsões de ecotoxicidade aguda de EDs. Como resultado, são determinados os seguintes: (1) cálculo das correlações numéricas entre a concentração para 50% de letalidade (LC₅₀) e coeficiente de partição octanol-água (K_ow), (2) performances de saída em que o LC₅₀os valores determinados em experimentos são comparados àqueles gerados por cálculos, e (3) a dependência da afinidade de ligação do receptor de estrogênio na relação entre K_ow e LC₅₀.

Introduction

Novos desenvolvimentos em informática e tecnologia computacional capacitaram as ciências biológicas com metodologias quantitativas que oferecem alta precisão e confiabilidade¹. Em particular, os algoritmos utilizados na taxonomia molecular e classificação de propriedade resultaram em modelos quantitativos de relação entre estrutura e atividade (QSAR)². Estes modelos correlacionam automaticamente as estruturas químicas e as atividades biológicas de um dado banco de dados químico e implementam rápida na triagem silico de uma ampla gama de substratos químicos de acordo com suas ações medicinais ou toxicológicas³. As ferramentas QSAR podem produzir perfis de toxicidade preditiva como uma função de vetores de característica de descritores moleculares (ou seja, parâmetros físico-químicos) de produtos químicos de interesse para criar numericamente pontos de extremidade categóricos⁴. Normalmente, cada ponto de extremidade quantitativo é exibido como um gráfico de dispersão 2D versus alterações nos valores do descritor. Um modelo QSAR é então gerado usando análises de regressão linear (múltiplas). Depois que um conjunto de dados foi totalmente explorado para construir um modelo QSAR (chamado de conjunto de treinamento), o modelo é validado estatisticamente prevendo os pontos de extremidade de um grupo de produtos químicos não incluídos no conjunto de treinamento (chamado de conjunto de teste). O modelo pode então ser usado para prever as atividades biológicas de compostos não testados³.

Entre muitos produtos químicos prejudiciais, os Disruptores endócrinos (EDs) foram destacados como um grupo de tóxicos que podem interferir em metabolismos hormone-relacionados numerosos nos mamíferos, nos anfíbios, e nos peixes^5,6^. Os EDs são conhecidos por induzir uma variedade de efeitos adversos, como cânceres e malformações, bloqueando ou alterando vias hormonais normais ou ativando sinais anormais de síntese/degradação hormonal. Como consequência, estes hormônio-imitando produtos químicos podem perturbar sistemas endócrinos de tal forma que o desenvolvimento biológico e reprodução de animais selvagens populações são dificultados. Em particular, os efeitos ecotoxicológicos dos EDs têm sido extensivamente investigados em vertebrados aquáticos, que têm estruturas de receptores hormonais quase idênticas às dos mamíferos, incluindo os humanos. Porque todas as ações hormonais ocorrem em doses baixas in vivo, prevendo as toxicidades potenciais de candidatos de ED usando rápido na triagem de silico é fundamental para a saúde pública e ambiental.

Modelos QSAR baseados na toxicologia de EDs têm sido conduzidos utilizando ambos os descritores 2D e 3D (conhecidos como QSAR 2D e 3D, respectivamente), que revelam as afinidades de ligação de ligante ED de estrogênio, andrógeno e receptores de progesterona⁷. Apesar das vantagens de alta precisão do QSAR 3D, em que as interações conformacionais e eletrostáticas são consideradas, o QSAR 2D retém sua própria robustez em algoritmos matemáticos diretos, cálculos rápidos e cargas computacionais extremamente baixas. Além disso, os modelos 2D-QSAR são flexíveis para uso em uma ampla gama de aplicações, ao mesmo tempo que atingem um desempenho de predição relativamente preciso.

A caixa de ferramentas da OCDE QSAR é atualmente uma das ferramentas de software de computador mais utilizadas, fornecendo modelos QSAR disponíveis e pré-construídos^8,9^. Seu Profiler usa bancos de dados de descritor 2D. Desde o lançamento da primeira versão em 2008, o software tem sido aplicado nas áreas de indústrias químicas e biológicas, saúde pública e segurança ambiental para análise completa ou parcial dos riscos potenciais de compostos naturais e sintéticos, com interesses especiais em carcinogénese¹⁰,¹¹^,¹², mutagenicidade¹³^,¹⁴^,¹⁵e toxicidade do desenvolvimento¹⁶. A aplicação à Toxicologia aquática também tem sido demonstrada, com foco na bioacumulação e biotransformação¹⁷.

A caixa de ferramentas QSAR foi comprovada útil na predição da toxicidade de curto prazo de uma ampla gama de produtos químicos¹⁷, bem como as afinidades de ligação do receptor de ESTROGÊNIO (er) de EDs¹⁸. No entanto, as ecotoxicidades agudas de EDs em vertebrados aquáticos não foram analisadas usando a caixa de ferramentas QSAR. Neste estudo, um protocolo típico e facile é apresentado para executar a modelagem de QSAR nos efeitos adversos agudos de EDs com um foco em espécies de peixes. O estudo mostra que o QSAR Toolbox é um software altamente acessível para calcular e prever a letalidade/mortalidade de vertebrados aquáticos para algumas EDs representativas. os métodos de tratamento estatístico para os conjuntos de dados derivados em silico são apresentados. Figura 1 mostra o esquema geral para a operação geral da caixa de ferramentas QSAR. O fluxo de trabalho mostrado na Figura 2 fornece instruções diretas sobre como operar o ensaio em silico para prever a ecotoxicidade aguda de substâncias-alvo, como produtos químicos de desregulação endócrina.

Protocol

1. equipamento Software: Use o OECD QSAR Toolbox 4,0 ou mais recente (download gratuito de < https://qsartoolbox.org/download/?) e software de análise de dados. Computador: para a caixa de ferramentas da OCDE QSAR, use: (i) tipo de sistema: 64 bit, Windows 7 ou mais recente; (II) processador: i5 a 2,4 GHz, ou um processador mais rápido ou CPU AMD equivalente; (III) memória instalada (RAM): 6 GB; (IV) unidade de disco rígido (HDD): 20 GB de espaço livre no disco rígido (OECD QSAR Toolbox 4,3 notas de lançamento: ). 2. procedimento Caixa de ferramentas da OCDE QSARNota: a caixa de ferramentas QSAR opera em seis módulos de fluxo consecutivos a partir de entrada e seguido de perfilamento, dados, definição de categoria, preenchimento de lacuna de dados, em seguida, report, localizado na parte superior do a interface do programa. Explore os seis estágios acima mencionados por meio de seis ícones da barra de ferramentas clicando com o botão esquerdo. Primeiro, olhe sobre os estágios de entrada, preenchimento de lacuna de dados e relatório que são necessários para executar o fluxo de trabalho automatizado “ponto de extremidade ecotoxicológico” e para documentar seus resultados. Dê uma olhada curta sobre estágios opcionais perfil e dados. O estágio de perfilamento fornece uma introspecção inicial no potencial da toxicidade da substância-alvo (eco) e nas características ambientais do Fate. O estágio de dados opcional permite pesquisar dados experimentais disponíveis relacionados à substância alvo. Entrada Ao iniciar a caixa de ferramentas do QSAR, o usuário começa no estágio da caixa de ferramentas de entrada por padrão. A caixa de ferramentas QSAR cria um arquivo de trabalho denominado “documento 1” automaticamente, que é exibido no painel de opções de estágio à esquerda da interface do programa. Renomeie o arquivo, se desejado, clicando com o botão direito do mouse no arquivo de trabalho. Clique no botão CAS # na barra de ferramentas ações, insira o número do serviço de resumo químico (CAS) da substância alvo no campo de texto disponível e clique em Pesquisar. A ferramenta procurará então a substância do alvo pelo número CAS. Se necessário, escolha outras opções de pesquisa disponíveis na barra de ferramentas de ação, como pesquisa por nome de substância ou código do sistema de entrada de linha molecular simplificado (SMILES). SMILES pode ser introduzido como 2D não estereo-químico ou 3D estereo-químico contendo formulários. Clique em nome ou estrutura, respectivamente. Use a ferramenta Structure para desenhar a substância alvo. A ferramenta de pesquisa exibe os resultados da pesquisa por meio de registros de banco de dados em uma janela pop-up. Escolha o registro que relata um “alto” relação CAS-SMILES (campo derelação de CS ) se vários registros são recuperados para a substância de destino, marcando a caixa à esquerda do registro. Clique em OK.Nota: prosseguir a partir deste ponto é possível apenas se o registo recuperado contiver um código SMILES, como o código SMILES (2D não estereo-químico contendo formulário) é a base para a computação. Modo de lote: para realizar o ensaio em silico para várias substâncias alvo, escreva uma lista de substância simples em um editor de texto no qual cada número CAS é listado em uma única linha (Figura complementar S3). Guarde o ficheiro de texto com um nome apropriado e extensão. txt no computador. Modo de lote: clique em dados. Em seguida, vá para bancos de dados no painel de opções de estágio à esquerda da interface do programa. Certifique-se de que os bancos de dados listados em informações ecotoxicológicas estejam verificados. Modo batch: clique em Input. Selecione consulta na barra de ferramentas ações. Aceite as configurações definidas na etapa 2.2.6 clicando em Sim na janela de diálogo. Modo batch: escolha a guia CAS . Carregue a lista de substâncias guardada como ficheiro de texto através da lista de carga do seu computador. Modo de lote: há dois Adicionar botões disponíveis; Clique no botão Adicionar na parte inferior do menu pop-up e, em seguida, clique em executar. A caixa de ferramentas QSAR exibirá uma mensagem sobre o número de substâncias que foram recuperadas para a pesquisa.Observação: algumas substâncias da lista carregada não podem ser encontradas pela ferramenta de pesquisa ou que várias entradas podem estar disponíveis para um número de CAS. Não é possível eliminar substâncias do conjunto recuperado de substâncias. PerfilObservação: a seção a seguir é opcional. Se isso não for necessário, pule para a seção 2,5. Clique no botão de caixa de ferramentas etapa profiling. Vá para métodos de criação de perfil no painel de opções de estágio à esquerda da interface do programa. Clique em desselecionar tudo. Verifique todos os geradores de perfis listados em predefinidos e os relacionados com a toxicidade aquática listado em ponto de extremidade específico , como “classificação de toxicidade aguda aquática por Verhaar (modificada).” Termine a seleção. Em seguida, clique no botão aplicar na barra de ferramentas ações.Nota: a caixa de ferramentas QSAR fornece recomendações sobre um conjunto de geradores de perfis. Estes são destacados em verde (adequado) e laranja (plausível) ao escolher opções &Gt; cor por: &Gt; ponto de extremidade selecionado na matriz de dados no canto superior esquerdo dos métodos de criação de perfil. Clique com o lado esquerdo no campo matriz de dados próximo ao ponto de extremidade de interesse. Os pontos de extremidade disponíveis são listados na árvore de ponto de extremidade ao lado do painel de opções de estágio. O tipo de substância do profiler indicará se a substância alvo é um “produto químico discreto”. As informações são exibidas na árvore de ponto de extremidade expandida “perfil”, “predefinido” e “tipo de substância”. Somente se a substância alvo for um produto químico discreto, o fluxo de trabalho automatizado será executado com êxito. “A classificação de toxicidade aguda aquática por Verhaar (modificada)” fornece uma primeira estimativa do mecanismo agudo de toxicidade aquática da substância alvo19,20. As informações são exibidas na árvore de ponto de extremidade expandida “perfil”, “ponto de extremidade específico” e “classificação de toxicidade aguda aquática por Verhaar (modificada)”. Estão disponíveis cinco classes: (classe 1) substâncias químicas inertes (toxicidade basal); (classe 2) menos produtos químicos inertes; (classe 3) produtos químicos reativos; (classe 4) produtos químicos especificamente agindo; e (classe 5) para produtos químicos não é possível classificar. Clique com o botão direito do mouse no parâmetro na árvore de Endpoint para executar modelos integrados de QSAR 2D e 3D disponíveis na caixa de ferramentas QSAR, se desejado. Clique em calcular/extrair todos os parâmetros para todos os produtos químicos no menu pop-up. os modelos 2D e 3D QSAR compilados no parâmetro fornecem valores numéricos. Use “métodos de criação de perfil” para obter informações qualitativas (consulte a etapa 2.3.1). DadosObservação: Esta seção é opcional. Se não for necessário, pule para a seção 2,5. Clique nos dados do botão de estágio da caixa de ferramentas . Em seguida, clique em reunir na barra de ferramentas ações. Selecione todos os pontos de extremidade para coletar todos os dados experimentais e escolha coletar dados experimentais específicos do Endpoint. Por exemplo, se a toxicidade aquática for o foco do usuário, clique em escolher &Gt; informações ecotoxicológicas &Gt; toxicidade aquática > OK.Observação: escolhendo para coletar dados experimentais para todos os pontos de extremidade pode levar ao tempo de processamento estendido. O usuário pode adaptar a hierarquia da árvore de ponto de extremidade para a finalidade específica. Isso altera a maneira na qual os dados são exibidos. Se desejar, clique com o botão direito do mouse no ponto de extremidade de interesse na área da árvore de Endpoint. Escolha definir hierarquia de árvore no menu pop-up. Organize a árvore de ponto de extremidade da maneira preferida usando os termos e as setas disponíveis e clique em OK. Se desejar, exporte os dados reunidos como um arquivo do Excel. Clique com o botão direito do mouse no ponto de extremidade de interesse e escolha Exportar matriz de dados no menu pop-up. Um assistente de “exportação de matriz” abre e permite a adição de outros pontos de extremidade à lista de exportação. Conclua a seleção, clique em Exportar e salve o arquivo no computador.Nota: não é possível exportar dados de todos os bancos de dados. Por exemplo, os dados recuperados do banco de dados “ECHA CHEM” não podem ser salvos. Preenchimento de lacuna de dados Clique no botão da caixa de ferramentas estágio preenchimento de dados Gap. Em seguida, clique em automatizado na barra de ferramentas ações. Selecionar ponto de extremidade ecotoxicológico > peixes, CL50 (concentração letal, 50%) em 96 h para Pimephales vairão gordo (mortalidade). Clique em OK. Um “controlador de fluxo de trabalho” aparecerá e o processamento levará até vários minutos, especialmente no modo de lote.Nota: a caixa de ferramentas QSAR aplica automaticamente um conjunto definido de geradores de perfis ao procurar substâncias adequadas com dados experimentais disponíveis para a previsão. Os dados experimentais [por exemplo, concentrações do efeito 96 h LC50 (p. vairão gordo) ou 96 h EC50 (p. vairão gordo, mortalidade)] são usados para gerar a predição para a substância-alvo pela aproximação linear ou mais próxima método vizinho. Observe que os métodos de aproximação linear e vizinho mais próximo são referidos como análise de tendência (rotulado como “T”) e Read-Across (rotulado como “R”), respectivamente. O usuário receberá uma mensagem se a previsão for executada com êxito. Clique em OK e feche o controlador de fluxo de trabalho indicando “fluxo de trabalho concluído” clicando em x no canto superior direito. Modo de lote: ao iniciar o fluxo de trabalho automatizado, o usuário será solicitado a especificar o intervalo de substâncias sobre as quais executar o fluxo de trabalho. Aceite a gama completa de substâncias seleccionadas por predefinição na janela de diálogo, clicando em OK. Modo de lote: o usuário não receberá uma mensagem indicando se uma previsão foi executada com êxito ou sem êxito. Feche o controlador de fluxo de trabalho que indica “fluxo de trabalho concluído” no final do processamento em lote clicando em x no canto superior direito. Relatório Se uma previsão foi executada com êxito, clique no relatório de botão do estágio da caixa de ferramentas .Observação: nenhum relatório pode ser gerado no modo de lote. Role para baixo e localize o valor de previsão no campo matriz localizado em uma linha destacada amarela ao lado do ponto de extremidade “96-h.” O valor previsto é rotulado com “T” ou “R”. Ative este campo de matriz de dados específico clicando com o botão esquerdo do mouse. Clique em previsão na barra de ferramentas ações. Personalize o conteúdo e a aparência do relatório no assistente de pop-up. Estão disponíveis três tipos de relatórios: (i) predição, (II) categoria e (III) matriz de dados. O assistente permite que o usuário preencha o nome do autor e os detalhes de contato. Escreva um breve resumo, forneça uma explicação detalhada da interpretação mecanicista ou forneça justificação para a adequação da previsão. Inclua informações adicionais relacionadas à previsão executada, se desejado. A extensão das informações adicionais depende do usuário. Percorra o assistente clicando em seguinte. Por fim, clique em criar relatório e salve os relatórios de previsão e categoria como arquivos PDF e a matriz de dados como uma planilha do Excel no computador. Encontre detalhes adicionais sobre as funcionalidades da caixa de ferramentas QSAR e fluxos de trabalho automatizados no manual do aplicativo para o OECD QSAR Toolbox v. 4 (F1 Ajuda no teclado). Detalhes sobre os algoritmos e raciocínio por trás do fluxo de trabalho automatizado são descritos por Dimitrov et al.8 e Yordanova et al.9. 3. aplicação Se utilizar a concentração do efeito previsto (i.e., 96-h LC50 de P. vairão gordo) na avaliação do risco ambiental, utilize o limite inferior do intervalo de confiança de 95%. Encontre os dados na primeira página do relatório de previsão salvo (PDF) em “Resumo de previsão”, “valor previsto: (de para ).”Nota: as notas dadas aqui baseiam-se nos resultados da comparação entre os dados previstos e experimentais para um conjunto de substâncias alvo relatadas neste estudo. A seleção da extremidade inferior do intervalo de confiança de 95% aumentará a probabilidade de que a concentração do efeito previsto não subestime a toxicidade real da substância (veja os resultados representativos). A concentração efetiva prevista do limite inferior do intervalo de confiança de 95%, portanto, apresentará uma base mais segura para a avaliação de risco.

Representative Results

O exemplo descrito neste estudo foi implementado para a análise quantitativa e predição de toxicidades agudas de EDs selecionadas em peixes. Quando os pontos de dados previstos foram plotados versus pontos de dados experimentais como uma escala de log-log, uma correlação positiva entre ambos foi encontrada para todos os peixes e uma espécie representativa, a saber, Pimephales vairão gordo (Minnow do Fathead; Figura 3). Em ambos os casos, a inclinação da regressão linear pareceu ser comparável (previu LC50/experimental LC50 = 0,611 e 0,602 para todos os peixes e P. vairão gordo, respectivamente). Por causa da quantidade limitada de dados experimentais, o número de valores disponíveis da observação experimental era geralmente menor do que aquele da predição computacionais. A aplicação do fator de tolerância como 5 vezes para a capacidade computacional21 resultou em 94% (34/36) e 96% (26/27) da predição protetora para todos os peixes e P. vairão gordo, respectivamente. Baseado nesta predição, 3 ‘, 5, 7-trihydroxy-4 ‘, 6-dimethoxyisoflavone e 1,4-benzenediol pareceram expor valores calculados do LC50 maiores do que o limite de tolerância. Para possibilitar a avaliação de segurança na maior confiabilidade, foi realizada uma análise computacional mais aprofundada, traçando o limite inferior previsto do intervalo de confiança de 95% do LC50 (em vez dos valores médios utilizados na Figura 3) versus o valores obtidos experimentalmente (Figura 4). Nesta avaliação com um limiar de segurança elevado, 92% (33/36) dos compostos de desreguladores endócrinos testados totais foram mostrados para cair na escala protetora quando comparados aos valores experimentalmente derivados à exceção de: 3 ‘, 5, 7-trihydroxy-4 ‘, 6- dimetoxiisoflavona; 1,4-benzenodiol; e 4-hexilfenol. Com base nas avaliações de toda a espécie disponível a partir da base de dados, os valores para o previsto e experimental 96-h log10LC50 exibiu linearidade com o log10Kow valores no domínio entre-1 e 7, indicando um correlação hiperbólica entre LC50 e Kow. Uma tendência global existiu por meio de que o LC50 diminuiu para uns valores mais elevados de Kow de EDS para os dados obtidos das predições e dos experimentos computacionais, sugerindo o aumento da toxicidade aguda em espécies de peixes para EDs com maior hidrofobicidade (Figura complementar S1). Pelo Profiler de ER baseado em regras incorporado na caixa de ferramentas da OCDE QSAR, as afinidades de ligação de ER das EDs foram categorizadas como ligantes não vinculantes, bem como fracas, moderadas, fortes e muito fortes, por ordem de aumentar a afinidade de ligação18. Assim, a distribuição estatística do log10Kow pode ser exibida como uma classificação qualitativa de afinidade de ligação de er (Figura complementar S2). Globalmente, as mudanças nos intervalos de distribuição Kow e seus níveis médios pareciam não ter uma tendência definida. Da mesma forma, as distribuições de LC previsto e experimental50 foram mostradas como a extensão da afinidade de ligação de er (Figura 5). Neste caso, os níveis médios de LC previsto50 para ligantes do er eram mais elevados do que aqueles de não-aglutinantes. Em contrapartida, para a LC experimental50, os níveis médios de ligantes não-e fracos foram superiores aos de ligantes er mais fortes. Figura 1: esquema básico do fluxo de trabalho geral da caixa de ferramentas da OCDE QSAR.Por favor clique aqui para ver uma versão maior desta figura. Figura 2: fluxo de trabalho.Mostra-se o fluxo de trabalho que conceitualiza os módulos e sequências aplicados para prever as toxicidades agudas dos Disruptores endócrinos (EDs) em peixes usando a caixa de ferramentas da OCDE QSAR. Por favor clique aqui para ver uma versão maior desta figura. Figura 3: previsto vs. experimental 96-h LC50 de EDs na tabela 1 para todos os peixes (diamantes azuis, n = 36) e uma espécie selecionada P. vairão gordo (diamantes ciano, n = 27).Para o50LC previsto, os valores médios (“ave”) são exibidos. As linhas tracejadas representam regressões lineares para os dois grupos: para todos os peixes (azul claro), previsto LC50ave = 0,611 x (experimental lc50) + 0,277 (ajustado r2 = 0,408); e P. vairão gordo (ciano claro), previsto LC50ave = 0,602 x (LC experimental50) + 0,385 (ajustado r2 = 0,441). A linha diagonal sólida mostra a unidade na qual os valores previstos e experimentais são iguais a21. A linha cinzenta pontilhada mostra o limite de tolerância de 5 vezes da capacidade computacional19. Outliers: 3 ‘, 5, 7-trihydroxy-4 ‘, 6-dimethoxyisoflavone (*) e 1,4-benzenediol (* *). Por favor clique aqui para ver uma versão maior desta figura. Figura 4: previsto (limite inferior de 95% de intervalo de confiança, “Low-95%”) vs. experimental 96-h LC50 de EDs na tabela 1 para todos os peixes (n = 36).A linha tracejada representa a regressão linear: previu LC50Low-95% = 0,470 x (experimental lc50)-0,312, onde ajustado r2 = 0,193. A linha diagonal sólida indica a unidade onde os valores previstos e experimentais são iguais entre si19. Outliers: 3 ‘, 5, 7-trihydroxy-4 ‘, 6-dimethoxyisoflavone (*), 1,4-benzenediol (* *), e 4-hexylphenol (* * *). Por favor clique aqui para ver uma versão maior desta figura. Figura 5: distribuições do previsto (caixas sólidas, n = 8 – 20 para cada categoria) e experimentais (caixas tracejadas; n = 3 – 16 para cada categoria) 96-h LC50 dependendo da afinidade de ligação de er de EDs na tabela 1 para todos os peixes.Um gráfico de caixa representa: (a) média (quadrado pequeno com uma barra horizontal arrojada), (B) 1 quartis deSt e 3RD (inferior e superior – extremidades da caixa, respectivamente), (C) mediana (segmento horizontal dentro da caixa), ( D) 5º e 95º percentil (barras de erro inferiores e superiores, respectivamente), (e) 1St e 99º percentil (inferior e superior x, respectivamente) e (F) mínimo e máximo (inferior e superior –, respectivamente). Por favor clique aqui para ver uma versão maior desta figura. Não. Número do registro CAS Nome da substância Fórmula SMILES (formulário 2D não estereo-químico) Log Kow AVEpreviu 96-h CL50(mg/L) MENOR 95% CIpreviu 96-h CL50(mg/L) Profiler-ligação do receptor de estrogênio 1 50-28-2 17-β estradiol CC12CCC3C (CCc4cc (O) ccc34) C1CCC2O 4, 1 3,62 1,42 Ligante muito forte, grupo OH 2 57-63-6 17-α Ethinyl-Estradiol CC12CCC3C (CCc4cc (O) ccc34) C1CCC2 (O) C # C 3,67 3, 0 1,18 Aglutinante forte, grupo OH 3 80-05-7 2, 2-bis (4-hydroxyphe-nyl) propano (bisfenol A) CC (C) c1ccc (O) c1ccc 3,32 4,68 1,80 Ligante muito forte, grupo OH 4 80-46-6 4-tert-Pentilfenol CCC (C) (C) c1ccc (O) p. b. 3,91 2,27 0,87 Aglutinante fraco, grupo OH 5 140-66-9 4-tert-Octylphenol CC (c) (c) CC (C) (c) c1ccc (O) p. b. 5,28 0,38 0,14 Aglutinante forte, grupo OH 6 446-72-0 Genistein [3 ‘, 5, 7-trihydroxy-4 ‘, 6-dimethoxyisoflavone] Oc1ccc (c) C1 = COc2cc (o) CC (O) c2C1 = O 2,84 32, 0 10, 3 Ligante muito forte, grupo OH 7 10161-33-8 17β-trembolona CC12C = CC3C (CCC4 = CC (= O) CCC = 34) C1CCC2O 2,65 124,72 19,75 Aglutinante forte, grupo OH 8 67747-09-5 Prochloraz (fungicida de DMI) CCCN (CCOc1c (CL) CC (CL) cc1Cl) C (= O) n1ccnc1 4,1 5,19 1,74 Não aglutinante, sem grupo OH ou n 9 84852-15-3 4-nonylphenol CC (C) CCCCCCc1ccc (O) b. b. 5,92 0,21 0, 7 Aglutinante forte, grupo OH 10 69-72-7 ácido salicílico OC (= O) c1ccccc1O 2,26 24, 7 9,31 Aglutinante fraco, grupo OH 11 80-09-1 4, 4 ‘-dihydroxydiphenyl sulfona (Bisfenol S) Oc1ccc (S) (= o) (= o) c1ccc (O) 1,65 48,67 10,67 Ligante muito forte, grupo OH 12 84-74-2 ácido ftálico, éster de dibutilo CCCCOC (= O) c1ccccc1C (= O) OCCCC 4,5 0,76 0, 6 Não aglutinante, sem grupo OH ou n 13 92-88-6 4, 4 ′-dihydroxybiphenyl Oc1ccc (s)-c1ccc (O) p. i. 2,8 12, 5 4,20 Aglutinante moderado, Oh grupo 14 94-13-3 ácido 4-hydroxybenzoic, éster do propil CCCOC (= O) c1ccc (O) CC 3, 4 10,32 3,86 Aglutinante moderado, Oh grupo 15 98-54-4 4-tert-Butilfenol CC (C) (C) c1ccc (O) p. b. 3,31 4,36 1,68 Aglutinante fraco, grupo OH 16 97-23-4 2, 2 ′-dihydroxy–5, 5 ′-dichlorodiphenyl-Methane Oc1ccc (CL) cc1Cc1cc (CL) ccc1O 4,26 0,48 0,10 Ligante muito forte, grupo OH 17 97-53-0 Eugenol COc1cc (CC = C) ccc1O 2,27 14,70 5,60 Aglutinante fraco, grupo OH 18 99-76-3 ácido 4-hidroxibenzóico, éster metílico COC (= O) c1ccc (O) CC 1,96 38,20 14, 1 Aglutinante fraco, grupo OH 19 103-90-2 N-(4-hidroxifenil) acetamida CC (= O) Nc1ccc (O) c 2 0,46 338,97 43,39 Aglutinante fraco, grupo OH 20 106-44-5 p-cresol Cc1ccc (O) p. s. 1,94 20,47 7,14 Aglutinante fraco, grupo OH 21 108-39-4 m-cresol Cc1cccc (O) C1 1,96 23,45 9,17 Aglutinante fraco, grupo OH 22 108-45-2 1,3-feniletilenodiamina Nc1cccc (N) C1 -0,33 34,60 0, 0 Aglutinante fraco, grupo de n. 23 108-46-3 1,3-dihidroxibenzeno Oc1cccc (O) C1 0,8 123, 3 27, 6 Aglutinante fraco, grupo OH 24 108-91-8 ciclohexilamina NC1CCCCC1 1,49 28, 8 1,40 Aglutinante fraco, grupo de n. 25 119-36-8 ácido salicílico, éster metílico COC (= O) c1ccccc1O 2,55 16,16 5,68 Aglutinante fraco, grupo OH 26 120-47-8 ácido 4-hidroxibenzóico, éster etílico CCOC (= O) c1ccc (O) CC 2,47 19,93 7,40 Aglutinante fraco, grupo OH 27 120-80-9 1,2-dihidroxibenzeno Oc1ccccc1O 0,88 11,14 0, 1 Aglutinante fraco, grupo OH 28 123-31-9 1,4-dihidroxibenzeno [1,4-benzenodiol] Oc1ccc (O) p. s. 0,59 90,75 33,19 Aglutinante fraco, grupo OH 29 131-53-3 2, 2 ′-dihydroxy-4-methoxybenzophenone COc1ccc (C (= O) c2ccccc2O) c (O) C1 3,82 3,97 1,46 Ligante muito forte, grupo OH 30 131-56-6 2,4-dihidroxibenzofenona Oc1ccc (c (O) C1) C (= O) c1ccccc1 2,96 12, 4 4,73 Aglutinante forte, grupo OH 31 131-57-7 2-hidroxi-4-metoxibenzofenona COc1ccc (C (= O) c2ccccc2) c (O) C1 3,79 5,96 2,27 Aglutinante forte, grupo OH 32 599-64-4 4-cumylphenol CC (C) (c1ccccc1) c1ccc (O) p. b. 4,12 2,15 0,84 Aglutinante forte, grupo OH 33 2855-13-2 1-amino-3-Aminometil-3, 5, 5-trimetil-ciclohexano C) CC (N) CC (C) (CN) C1 1,9 30,65 1,53 Aglutinante moderado, grupo de n. 34 6864-37-5 3, 3 ′-dimetil-4, 4 ′-diaminodicyclohexylmethane CC1CC (CCC1N) CC1CCC (N) C (C) C1 4,1 1, 7 0, 5 Aglutinante forte, grupo de n. 35 25013-16-5 tert-butyl-4-hydroxyanisole COc1ccc (O) c (C1) C (C) (C) C 3,5 4,85 1,85 Aglutinante moderado, Oh grupo 36 147315-50-2 2-(4, 6-difenil-1, 3, 5-triazina-2-yl)-5-(hexyloxy) fenol CCCCCCOc1ccc (c (O) C1)-c1nc (NC (N1)-c1ccccc1)-c1ccccc1 6,24 0,17 0, 6 Aglutinante forte, grupo OH 37 88-68-6 2-aminobenzamida NC (= O) c1ccccc1N 0,35 694, 0 84,30 Aglutinante fraco, grupo de n. 38 611-99-4 4, 4 ′-dihydroxybenzophenone Oc1ccc (C 2) (= O) c1ccc (O) b 2,19 37,74 14,67 Ligante muito forte, grupo OH 39 27955-94-8 1, 1, 1-tris (4-hidroxifenol) etano CC (c1ccc (O) c. p) (c1ccc (O) p. c1ccc 4,38 2, 9 0,82 Ligante muito forte, grupo OH 40 87-18-3 ácido salicílico, éster 4-terc-butilfenil CC (C) (C) c1ccc (OC (= O) c2ccccc2O) b. b. 5,73 0,24 0, 9 Aglutinante forte, grupo OH 41 47465-97-4 3, 3-bis (3-metil-4-hidroxifenil) 2-indolinona Cc1cc (ccc1O) C1 (C (= O) Nc2ccccc12) c1ccc (O) c (C) C1 4,48 2, 7 0,77 Ligante muito forte, grupo OH 42 99-96-7 ácido p-hidroxibenzóico OC (= O) c1ccc (O) c 2 1,58 8,54 0, 0 Aglutinante fraco, grupo OH 43 80-07-9 1-cloro-4-(4-clorofenil) sulfonilbenz Clc1ccc (= o) S (= o) (= O) c1ccc (CL) 3,9 3,92 0,85 Não aglutinante, sem grupo OH ou n 44 84-65-1 9,10-anthraquinone O = C1c2ccccc2C (= O) c2ccccc12 3,39 7, 0 3,54 Não aglutinante, sem grupo OH ou n 45 85-44-9 2-benzofurano-1,3-diona O = C1OC (= O) c2ccccc12 1,6 2,69 0, 0 Não aglutinante, sem grupo OH ou n 46 92-84-2 10H-fenotiazina N1c2ccccc2Sc2ccccc12 4,15 1, 7 0, 8 Não aglutinante, sem grupo OH ou n 47 2855-13-2 1-amino-3-Aminometil-3, 5, 5-trimetil-ciclohexano C) CC (N) CC (C) (CN) C1 1,9 30,65 1,53 Aglutinante moderado, grupo de n. 48 50-27-1 Estriol CC12CCC3C (CCc4cc (O) ccc34) C1CC (O) C2O 2,45 21,21 8,29 Ligante muito forte, grupo OH 49 50-50-0 Beta-estradiol-3-benzoato CC12CCC3C (CCc4cc (OC (= O) c5ccccc5) ccc34) C1CCC2O 5,47 0,36 0, 2 Aglutinante forte, grupo OH 50 53-16-7 Estrona CC12CCC3C (CCc4cc (O) ccc34) C1CCC2 = O 3,13 7,78 3, 6 Aglutinante forte, grupo OH 51 92-52-4 Biphenyl c1ccc (c1ccccc1) 4, 1 4,10 0,47 Não aglutinante, sem grupo OH ou n 52 92-69-3 p-Fenilfenol Oc1ccc (c1ccccc1) 3,2 5,99 1,82 Aglutinante moderado, Oh grupo 53 96-29-7 2-butanone oxima CCC (C) = NÃO 0,63 32,67 2,49 Não aglutinante, estrutura não cíclica 54 121-75-5 Malathon CCOC (= O) CC (SP (= S) (OC) OC) C (= O) OCC 2,36 37,73 3,33 Não aglutinante, estrutura não cíclica 55 123-07-9 4-etilfenol CCc1ccc (O) 2,58 13,63 4,65 Aglutinante fraco, grupo OH 56 645-56-7 4-n-Propylpehnol CCCc1ccc (O) 3,2 7,32 2,55 Aglutinante fraco, grupo OH 57 1638-22-8 p-butilo fenol CCCCc1ccc (O) 3,65 4, 9 1,39 Aglutinante fraco, grupo OH 58 1912-24-9 Atrazina CCNc1nc (CL) NC (NC (C) C) N1 2,61 30,87 4,63 Não aglutinante, sem grupo OH ou n 59 40596-69-8 Methoprene COC (C) (C) CCCC (C) CC = CC (C) = CC (= O) OC (C) C 5,5 0, 8 0, 0 Não aglutinante, estrutura não cíclica 60 1987-50-4 4-heptylphenol CCCCCCCc1ccc (O) 5, 1 0,66 0,22 Aglutinante moderado, Oh grupo 61 92-86-4 p, p’-Dibromobifenilo Brc1ccc (c1ccc) 5,72 0,11 0, 2 Não aglutinante, sem grupo OH ou n 62 480-41-1 Naringenina Oc1ccc (C1CC) (= O) C2C (O) CC (O) cc2O1 2,52 27,84 10,87 Ligante muito forte, grupo OH 63 486-66-8 Daidzeína Oc1ccc (s) C1 = COc2cc (O) ccc2C1 = O 2,55 36,47 11,71 Ligante muito forte, grupo OH 64 491-70-3 Luteolina Oc1cc (O) c2C (= O) C = C (Oc2c1) c1ccc (O) c (O) C1 2,53 43,75 14,28 Ligante muito forte, grupo OH 65 491-80-5 Biochanin A COc1ccc (c) C1 = COc2cc (o) CC (O) c2C1 = O 3,41 15,87 3,70 Aglutinante forte, grupo OH 66 520-18-3 Kaempferol Oc1ccc (C1Oc2cc) (o) CC (O) c2C (= O) C = 1O 1,96 70,98 8, 5 Ligante muito forte, grupo OH 67 2051-60-7 2-Clorobifenilo (PCB 1) Clc1ccccc1-c1ccccc1 4,53 0,77 0,16 Não aglutinante, sem grupo OH ou n 68 2051-61-8 3-Clorobifenilo (PCB 2) Clc1cccc (C1)-c1ccccc1 4,58 0,77 0,16 Não aglutinante, sem grupo OH ou n 69 2051-62-9 4-cloro-1, 1 ‘-bifenilo Clc1ccc (c1ccccc1) 4,61 0,77 0,16 Não aglutinante, sem grupo OH ou n 70 2446-69-7 p-n-hexilfenol [4-hexilfenol] CCCCCCc1ccc (O) 4,52 1,22 0,42 Aglutinante moderado, Oh grupo 71 14938-35-3 4-n-Amilfenol CCCCCc1ccc (O) 4, 6 2,44 0,89 Aglutinante fraco, grupo OH 72 17924-92-4 Zearalenona CC1CCCC (= O) CCCC = Cc2cc (o) CC (O) c2C (= O) O1 3,58 7,22 2,66 Aglutinante forte, grupo OH 73 1743-60-8 Beta-estradiol 3-benzoato 17-nbutyrate CC (= O) OC1CCC2C3CCc4cc (O) ccc4C3CCC12C 4,95 0,91 0,35 Aglutinante forte, grupo OH 74 479-13-0 Coumestrol Oc1ccc2c (OC (= O) c3c-2oc2cc (O) ccc32) C1 1,57 52,16 11,44 Ligante muito forte, grupo OH Tabela 1: lista de produtos químicos de desregulação endócrina avaliados. As concentrações efetivas média (ave) e menor de 95% de intervalo de confiança (IC) (95-h LC50, Pimephales vairão gordo) bem como o receptor de estrogênio Binding foram previstas com o QSAR Toolbox versão 4,3 Automated Workflow. Log10Kow foi recuperado via qsar Toolbox versão 4,3 de kowwin v 1.68, 2000, E.u. Agência de proteção ambiental. Log experimental10Kow valores foram preferidos sobre os valores previstos. A lista de substâncias-alvo foi compilada a partir de listas previamente relatadas de EDs22,23,24. Informações complementares. Por favor, clique aqui para baixar este arquivo.

Discussion

A versatilidade da caixa de ferramentas QSAR da OCDE como software analítico para Ecotoxicologia é mostrada aqui com interesse específico nos efeitos adversos dos produtos químicos de desregulação endócrina em vertebrados aquáticos. Além, um protocolo simples e padrão foi demonstrado para prever a toxicidade aguda (96-h LC₅₀) de 74 representante EDs (tabela 1) para espécies de peixes. Isso foi conseguido aplicando-se a construção de categorias, preenchimento de lacunas de dados e módulos de perfilamento de er incorporados na caixa de ferramentas QSAR (Figura 1, Figura 2).

A correlação linear entre o log₁₀LC₅₀ e o log₁₀K_ow com uma inclinação negativa (como mostrado na Figura complementar S1) tem sido conhecida como uma relação quantitativa padrão nas análises QSAR²⁵, onde maior toxicidade é mostrada a mais hidrofóbica um dado químico é. Como pode ser visto a partir de um cálculo simples, a relação matemática geral que inclui a equação S1 e a equação S2 (informações complementares) é uma expressão convertida da seguinte função de poder²⁶:

A partir da parcela de (equação 2), caracterizar um intervalo intermediário de K_ow²⁶ pode ser possível ajustando os parâmetros a e b, onde uma certa variação na hidrofobicidade (ou hidrofilicidade) não altera significativamente a desfecho de toxicidade aguda.

As análises comparativas entre as predições computacionais e as observações experimentais na LC₅₀, como mostra a Figura 3 e a Figura 4, têm sido tipicamente relatadas em estudos de QSAR para vários tóxicos aquáticos, incluindo surfactantes técnicos não iônicos²⁷, fungicidas triazol²⁸e metabólitos do pesticida²¹. Este tipo de validação retrospectiva fornece informações sobre o quão longe uma determinada ferramenta QSAR pode chegar em termos de desempenho comparativo para resultados experimentais. Neste estudo de toxicidade aguda em peixes, a caixa de ferramentas QSAR foi comprovada para fornecer previsões protetoras para mais de 90% de EDs testadas em todos os peixes e em uma única espécie, Pimephales vairão gordo.

Além disso, identificar os três produtos químicos outlier na Figura 3 e na Figura 4, que mostraram maior previsto LC₅₀ em média e no mínimo, respectivamente, é necessária. Primeiramente, o 3 ‘, 5, 7-trihydroxy-4 ‘, 6-dimethoxyisoflavone é um tipo de flavonóide (mais especificamente, um Isoflavone), que seja considerado para ser geralmente seguro e usado em produtos farmacêuticos ervais; no entanto, ele ainda tem preocupações relacionadas ao estrogênio²⁹ e pode causar toxicidade aguda provavelmente através de fosforilação oxidativa desengate³⁰. Em seguida, o 1,4-benzenediol, denominado hidroquinona, é um composto fenólico que pode desencadear uma resposta imune não-específica e citotóxica em peixes³¹. Finalmente, o 4-hexilfenol tem sido conhecido por apresentar uma atividade estrogênica positiva suficiente para ser classificado como um ED³². Tem sido bem estudado que a principal razão da toxicidade aguda da hidroquinona é a redução-oxidação (redox) ciclismo. A hidroquinona é oxidada à benzoquinona e reduzida de volta à semiquinona ou hidroquinona repetidamente, com cofatores de depletização e gerando espécies reativas de oxigênio³³. Os outros dois produtos químicos podem exigir investigações mais profundas para revelar seus mecanismos de ação na ecotoxicidade aguda usando abordagens de encaixe molecular, como a usada por panche et al.³⁴, que não podem ser cobertas pela caixa de ferramentas QSAR.

EDs interferir com o sistema endócrino, principalmente através de interações físico-químicas com receptores de esteroides, tais como os receptores de estrogênio e andrógeno, que são de interesse considerável em estudos de modelagem QSAR³⁵. Considerando isso, o QSAR Toolbox é robusto em termos de classificação facile e rápida de afinidades de ligação de ER para um conjunto de produtos químicos baseados apenas nos descritores 2D de estruturas moleculares. Quando este sistema de perfilador de ER foi aplicado à nossa lista de EDs, nenhuma correlação clara foi encontrada entre a afinidade de ligação de ER e a hidrofobicidade (Figura complementar S2). Este resultado pode ser explicado pelo fato de que a formação de um complexo receptor de esteroides não é uma consequência direta de uma contribuição de ligação hidrofóbica, mas deve ser acompanhada por uma mudança conformacional na estrutura do receptor do local ativo³⁶. A ligação do receptor pode ser também devido ao hidrogênio-ligação e π-empilhamento.

Adicionalmente, a posição de cada grupo químico na molécula pode afetar a ligação do receptor, mesmo que a hidrofobicidade e o número de aceitadores de ligação de hidrogênio-doadores permaneçam os mesmos. Em segundo lugar, o profiler de ER produziu tendências contrárias entre os níveis médios previstos e experimentais do LC₅₀ com afinidade de ligação de er crescente (Figura 5). Isso pode ser porque a letalidade dos pais em um teste de toxicidade aguda não se deve à associação de ER, mas sim à narcose na maioria dos casos, ou ao ciclagem redox no caso da hidroquinona. Por exemplo, uma análise mais extensa, incluindo a toxicidade crônica, é necessária para um conjunto maior de EDs definir limitações preditivas da versão atual da caixa de ferramentas QSAR.

Esta pesquisa preliminar também pode ter implicações para a saúde pública porque esteroides (andrógenos, estrogênios, progestines e corticoides) e seus receptores exibem estruturas macromoleculares semelhantes ou mesmo idênticas em vertebrados⁵. Estes tipos de sistemas de sinalização endócrina análoga podem operar-se usando um mecanismo comum em eventos chaves de EDs⁵. No entanto, são necessárias metodologias adicionais e complementares para iluminar esse aspecto vasto e complexo [por exemplo, realizando modelagem computacional de absorção, distribuição, metabolismo e excreção (ADME), e/ou desfecho adverso via (AOP)]³⁸. Além disso, porque a maioria das preocupações científicas e públicas levantadas sobre os efeitos adversos dos EDs estão relacionadas com suas toxicidades crônicas, melhorando as bases de dados e algoritmos na caixa de ferramentas QSAR e produzindo confiável Ecotoxicologia a longo prazo previsões para EDs são ambos necessários.

Este artigo demonstra a aplicação do QSAR Toolbox para comparar os valores de LC₅₀ ecotoxicológicos para peixes com valores de log₁₀K_ow de EDs. ao longo do protocolo, ele resulta em relações fracas entre os dois parâmetros, como tem foi revelado por estudos prévios (por exemplo, Kim et al.³⁹) que o log₁₀K_ow não é um bom preditor direto do LC aquático₅₀. Apesar dessa limitação, este protocolo fornece uma revisão geral ou “vinheta” para descrever como usar o Dashboard para uma determinada finalidade, uma vez que é um aplicativo válido para usar a caixa de ferramentas QSAR para investigar correlações entre LC₅₀ (ou er Binding afinidade) e log₁₀K_ow,ou como uma ferramenta para a triagem rápida de ecotoxicidade aguda. No entanto, deve-se notar que (1) iluminar a ligação entre o receptor de estrogênio obrigatório e toxicidade crônica, em vez de toxicidade aguda (letalidade), é mais relevante para que correlações mais claras podem ser encontradas, e (2) o receptor de andrógeno, juntos com o de estrogênio, também desempenha um papel crítico na toxicidade reprodutiva. Portanto, é necessário que a versão futura da caixa de ferramentas QSAR melhore as funções de previsão à luz desses dois pontos.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Esta pesquisa foi apoiada pelo Conselho Nacional de pesquisa de ciência & tecnologia (NST) concessão pelo governo sul-coreano (MSIP) (não. CAP-17-01-KIST Europe) e projeto 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).

Automatically Generated