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.

Bioengineering

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

El modelado cuantitativo de la relación estructura-actividad (QSAR) es un método representativo asistido por la bioinformática en el cribado toxicológico. Este protocolo demuestra cómo evaluar computacionalmente los riesgos de los disruptores endocrinos (ED) en entornos acuáticos. Utilizando la Caja de Herramientas QSAR de la OCDE, el protocolo implementa un ensayo in silico para analizar la toxicidad de los DE En los peces.

Abstract

Los análisis computacionales de los procesos toxicológicos permiten el cribado de alto rendimiento de sustancias químicas y la predicción de sus variables en sistemas biológicos. En particular, los modelos cuantitativos de relación estructura-actividad (QSAR) se han aplicado cada vez más para evaluar los efectos ambientales de una plétora de materiales tóxicos. En los últimos años, algunos tipos más destacados de tóxicos son disruptores endocrinos (ED, que son productos químicos que pueden interferir con cualquier metabolismo relacionado con las hormonas). Debido a que los ED pueden afectar significativamente el desarrollo y la reproducción de los animales, es necesario predecir rápidamente los efectos adversos de los DE mediante técnicas de silicona. Este estudio presenta un método in silico para generar datos de predicción sobre los efectos de los ED representativos en vertebrados acuáticos, particularmente especies de peces. El protocolo describe un ejemplo que utiliza el flujo de trabajo automatizado del software QSAR Toolbox desarrollado por la Organización para la Cooperación y el Desarrollo Económicos (OCDE) para permitir predicciones agudas de ecotoxicidad de los ED. Como resultado, se determinan los siguientes factores: (1) cálculo de las correlaciones numéricas entre la concentración del 50% de la letalidad (LC₅₀) y el coeficiente de partición octanol-agua (K_ow), (2) rendimientos de salida en los que la LC₅₀los valores determinados en los experimentos se comparan con los generados por los cálculos, y (3) la dependencia de la afinidad de unión del receptor de estrógeno en la relación entre K_ow y LC₅₀.

Introduction

Los nuevos desarrollos en informática y tecnología computacional han empoderado a las ciencias biológicas con metodologías cuantitativas que ofrecen alta precisión y fiabilidad¹. En particular, los algoritmos utilizados en la taxonomía molecular y la clasificaciónde propiedades han dado lugar a modelos cuantitativos de relación estructura-actividad (QSAR) 2. Estos modelos correlacionan automáticamente las estructuras químicas y las actividades biológicas de una base de datos química determinada e implementan rápidamente en el cribado de silico de una amplia gama de sustratos químicos de acuerdo con sus acciones medicinales o toxicológicas³. Las herramientas QSAR pueden producir perfiles predictivos de toxicidad en función de los vectores de características de los descriptores moleculares (es decir, parámetros fisicoquímicos) de productos químicos de interés para crear numéricamente puntos finales categóricos⁴. Normalmente, cada punto final cuantitativo se muestra como una gráfica de dispersión 2D frente a los cambios en los valores del descriptor. A continuación, se genera un modelo QSAR mediante análisis de regresión lineal (múltiples). Una vez que un conjunto de datos se ha explotado completamente para construir un modelo QSAR (denominado conjunto de entrenamiento), el modelo se valida estadísticamente prediciendo los puntos finales de un grupo de productos químicos no incluidos en el conjunto de entrenamiento (denominado conjunto de pruebas). El modelo se puede utilizar para predecir las actividades biológicas de los compuestos no probados³.

Entre muchos productos químicos nocivos, los disruptores endocrinos (ED) se han destacado como un grupo de tóxicos quepueden interferir en numerosos metabolismos relacionados con las hormonas en mamíferos, anfibios y peces 5,^6. Se sabe que los ED inducen una variedad de efectos adversos, como cánceres y malformaciones, bloqueando o alterando las vías hormonales normales o activando señales anormales de síntesis/degradación hormonal. Como consecuencia, estos productos químicos que imitan las hormonas pueden perturbar los sistemas endocrinos, de tal forma que el desarrollo biológico y la reproducción de las poblaciones de animales de vida silvestre se vean obstaculizados. En particular, los efectos ecotoxicológicos de las EPI han sido ampliamente investigados en vertebrados acuáticos, que tienen estructuras receptoras hormonales casi idénticas a las de los mamíferos, incluidos los seres humanos. Debido a que todas las acciones hormonales ocurren a dosis bajas in vivo, predecir las posibles toxicidades de los candidatos a ED que utilizan pruebas rápidas de detección de sislico es fundamental para la salud pública y ambiental.

Los modelos QSAR basados en la toxicología de los EDse se han llevado a cabo utilizando descriptores 2D y 3D (conocidos como QSAR 2D y3D, respectivamente), que revelan las afinidades de unión de ligandos ED de estrógeno, andrógenos y receptores de progesterona 7. A pesar de las ventajas de alta precisión de 3D QSAR, en el que se consideran las interacciones conformacionales y electrostáticas, 2D QSAR conserva su propia robustez en algoritmos matemáticos directos, cálculos rápidos y cargas computacionales extremadamente bajas. Además, los modelos 2D-QSAR son flexibles para su uso en una amplia gama de aplicaciones, al tiempo que logran un rendimiento de predicción relativamente preciso.

La Caja de Herramientas QSAR de la OCDE es actualmente una de lasherramientas de software informático más utilizadas, proporcionando modelos QSAR 8,⁹de libre disposición y preconstruidos. Su generador de perfiles utiliza bases de datos descriptores 2D. Desde el lanzamiento de la primera versión en 2008, el software se ha aplicado en los campos de las industrias químicas y biológicas, la salud pública y la seguridad ambiental para el análisis total o parcial de los riesgos potenciales de los compuestos naturales y sintéticos, con intereses especiales en la carcinogénesis¹⁰^,¹¹^,¹², mutagenicidad¹³^,¹⁴^,¹⁵, y toxicidad para el desarrollo¹⁶. También se ha demostrado la aplicación a la toxicología acuática, centrándose en la bioacumulación y la biotransformación^17.

La caja de herramientas QSAR ha demostrado ser útil para predecir la toxicidad a corto plazo de una amplia gama de productos químicos^17,así como las afinidades de unión del receptor de estrógeno (ER) de los ED1. Sin embargo, las ecotoxicidades agudas de los ED en los vertebrados acuáticos no se han analizado utilizando QSAR Toolbox. En este estudio, se presenta un protocolo típico y fácil para realizar modelos QSAR sobre los efectos adversos agudos de los DE con un enfoque en las especies de peces. El estudio muestra que QSAR Toolbox es un software altamente accesible para calcular y predecir la letalidad/mortalidad de los vertebrados acuáticos para algunos EDs representativos. La figura 1 muestra el esquema general para el funcionamiento general del cuadro de herramientas QSAR. El flujo de trabajo que se muestra en la Figura 2 proporciona instrucciones sencillas sobre cómo operar el ensayo in silico para predecir la ecotoxicidad aguda de sustancias diana como los productos químicos disruptores endocrinos.

Protocol

1. Equipo Software: utilice OECD QSAR Toolbox 4.0 o posterior (descarga gratuita desde <https://qsartoolbox.org/download/?) y software de análisis de datos. Ordenador: para la caja de herramientas QSAR de la OCDE, utilice: (i) tipo de sistema: 64 bits, Windows 7 o posterior; (ii) procesador: I5 a 2,4 GHz, o un procesador más rápido o CPU AMD equivalente; (iii) memoria instalada (RAM): 6 GB; (iv) unidad de disco duro (HDD): 20 GB de espacio libre en el disco duro (Notas de la versión de QSAR Toolbox 4.3 de la OCDE: ). 2. Procedimiento Caja de herramientas QSAR de la OCDENOTA: QSAR Toolbox funciona en seis módulos de flujo consecutivos a partir de Input y seguidos de Profiling, Data, Category Definition, Data Gap Filling, luego Report, ubicado según la interfaz del programa. Explore las seis etapas antes mencionadas a través de seis iconos de la barra de herramientas haciendo clic con el botón izquierdo. En primer lugar, examine las etapas de Entrada, Llenado de brecha de datos e Informe que son necesarias para realizar el flujo de trabajo automatizado “Punto final ecotoxicológico” y documentar sus resultados. Eche un breve vistazo a las etapas opcionales Generación de perfiles y datos. La etapa de elaboración de perfiles proporciona una visión inicial del potencial de toxicidad (eco) de la sustancia objetivo y las características del destino ambiental. La etapa de datos opcional permite buscar datos experimentales disponibles relacionados con la sustancia de destino. Entrada Al iniciar QSAR Toolbox, el usuario comienza en la etapa de cuadro de herramientas de entrada de forma predeterminada. QSAR Toolbox crea automáticamente un archivo de trabajo denominado “Document 1”, que se muestra en el panel de opciones del escenario a la izquierda de la interfaz del programa. Cambie el nombre del archivo, si lo desea, haciendo clic con el botón derecho en el archivo de trabajo. Haga clic en el botón CAS en la barra de herramientas de acciones, escriba el número de servicio abstracto químico (CAS) de la sustancia de destino en el campo de texto disponible y haga clic en Buscar. A continuación, la herramienta buscará la sustancia de destino por número CAS. Si es necesario, elija otras opciones de búsqueda que estén disponibles en la barra de herramientas de acciones, como la búsqueda por nombre de sustancia o el código simplificado del sistema de entrada de líneas de entrada molecular (SMILES). SMILES se puede introducir como formas 2D no estereoquímicas o estereoquímicas 3D que contienen. Haga clic en Nombre o Estructura, respectivamente. Utilice la herramienta Estructura para dibujar la sustancia de destino. La herramienta de búsqueda muestra los resultados de la búsqueda a través de registros de base de datos en una ventana emergente. Elija el registro que informa de una relación CAS-SMILES “alta” (campoRelación CS) si se recuperan varios registros para la sustancia de destino marcando la casilla a la izquierda del registro. Haga clic en Aceptar.NOTA: Proceder desde este punto sólo es posible si el registro recuperado contiene un código SMILES, ya que el código SMILES (formulario de contención no estereoquímico 2D) es la base para el cálculo. Modo por lotes: para realizar el ensayo in silico para múltiples sustancias de destino, escriba una lista de sustancias simple en un editor de texto en el que cada número CAS aparezca en una sola fila (Figurasuplementaria S3). Guarde el archivo de texto con un nombre y una extensión .txt adecuados en el equipo. Modo por lotes: haga clic en Datos. A continuación, vaya a Bases de datos en el panel de opciones de etapa a la izquierda de la interfaz del programa. Asegúrese de que las bases de datos que aparecen en Información ecotoxicológica estén marcadas. Modo por lotes: haga clic en Entrada. Seleccione Consulta en la barra de herramientas de acciones. Acepte la configuración establecida en el paso 2.2.6 haciendo clic en Sí en la ventana de diálogo. Modo por lotes: elija la pestaña CAS. Cargue la lista de sustancias guardada como archivo de texto a través de la lista de carga desde el equipo. Modo por lotes: hay dos botones Agregar disponibles; haga clic en el botón Agregar en la parte inferior del menú emergente y, a continuación, haga clic en Ejecutar. QSAR Toolbox mostrará un mensaje sobre el número de sustancias que se han recuperado para la búsqueda.NOTA: Es posible que la herramienta de búsqueda no encuentre algunas sustancias de la lista cargada o que haya varias entradas disponibles para un número CAS. No es posible eliminar sustancias del conjunto de sustancias recuperado. PerfilesNOTA: La siguiente sección es opcional. Si esto no es necesario, vaya a la sección 2.5. Haga clic en el botón de la etapa de la caja de herramientas Generación de perfiles. Vaya a Métodos de generación de perfiles en el panel de opciones de etapa a la izquierda de la interfaz del programa. Haga clic en Anular selección de todo. Compruebe todos los generadores de perfiles enumerados en Predefinido y los relacionados con la toxicidad acuática enumerados en Punto final específico, como “Clasificación de toxicidad acuática aguda por Verhaar (Modificado)”. Finalice la selección. A continuación, haga clic en el botón Aplicar en la barra de herramientas Acciones.NOTA: QSAR Toolbox proporciona recomendaciones sobre un conjunto de generadores de perfiles. Estos se resaltan en verde (adecuado) y naranja (plausible) al elegir Opciones > Color por: > Punto final seleccionado en la matriz de datos en la esquina superior izquierda de Métodos de generación de perfiles. Haga clic con el botón izquierdo en el campo de matriz de datos situado junto al punto final de interés. Los puntos finales disponibles se enumeran en el árbol de puntos finales junto al panel de opciones de etapa. El tipo de sustancia del generador de perfiles indicará si la sustancia objetivo es un “químico discreto”. La información se muestra en el árbol de punto final expandido “Perfil”, “Predefinido” y “Tipo de sustancia”. Solo si la sustancia de destino es un producto químico discreto, el flujo de trabajo automatizado puede ejecutarse correctamente. “Clasificación de toxicidad acuática aguda por Verhaar (modificada)” proporciona una primera estimación del mecanismo de toxicidad acuática aguda de la sustancia objetivo19,20. La información se muestra en el árbol de punto final expandido “Perfil”, “Punto final específico” y “Clasificación de toxicidad acuática aguda por Verhaar (modificado)”. Hay cinco clases disponibles: (clase 1) productos químicos inertes (toxicidad basal); (clase 2) productos químicos menos inertes; (clase 3) productos químicos reactivos; (clase 4) productos químicos de acción específica; y (clase 5) para productos químicos que no son posibles de clasificar. Haga clic con el botón derecho en Parámetro en el árbol de punto final para ejecutar los modelos QSAR 2D y 3D integrados disponibles en QSAR Toolbox, si lo desea. Haga clic en Calcular/extraer todos los parámetros de todos los productos químicos en el menú emergente. Los modelos QSAR 2D y 3D compilados en Parameter proporcionan valores numéricos. Utilice “Métodos de generación de perfiles” para obtener información cualitativa (consulte el paso 2.3.1). DatosNOTA: Esta sección es opcional. Si no es necesario, vaya a la sección 2.5. Haga clic en el botón de la etapa de la caja de herramientas Datos. A continuación, haga clic en Recopilar en la barra de herramientas Acciones. Seleccione Todos los puntos de conexión para recopilar todos los datos experimentales y, a continuación, elija recopilar datos experimentales específicos del punto de conexión. Como ejemplo, si la toxicidad acuática es el foco del usuario, haga clic en Elegir > Información ecotoxicológica > Toxicidad acuática > Aceptar.NOTA: La elección de recopilar datos experimentales para todos los puntos de conexión puede dar lugar a un tiempo de procesamiento prolongado. El usuario puede adaptar la jerarquía del árbol de punto final al propósito específico. Esto cambia la forma en que se muestran los datos. Si lo desea, haga clic con el botón derecho en el punto final de interés en el área del árbol del punto final. Elija Establecer jerarquía de árbol en el menú emergente. Organice el árbol de punto final de la manera preferida utilizando los términos y flechas disponibles y haga clic en Aceptar. Si lo desea, exporte los datos recopilados como un archivo de Excel. Haga clic con el botón derecho en el punto final de interés y elija Exportar matriz de datos en el menú emergente. Se abre un asistente de “Exportación de matriz” que permite agregar otros puntos de conexión a la lista de exportación. Finalice la selección, haga clic en Exportar y guarde el archivo en el equipo.NOTA: No es posible exportar datos de todas las bases de datos. Por ejemplo, los datos recuperados de la base de datos “ECHA CHEM” no se pueden guardar. Relleno de vacío de datos Haga clic en el botón de la etapa de la caja de herramientas Relleno de espacio de datos. A continuación, haga clic en Automatizado en la barra de herramientas Acciones. Seleccione Punto final ecotoxicológico > Pescado, LC50 (concentración letal, 50%) a las 96 h para Pimephales promelas (mortalidad). Haga clic en Aceptar. Aparecerá un “Controlador de flujo de trabajo” y el procesamiento tardará hasta varios minutos, especialmente en modo por lotes.NOTA: QSAR Toolbox aplica automáticamente un conjunto definido de generadores de perfiles al buscar sustancias adecuadas con datos experimentales disponibles para la predicción. Los datos experimentales [por ejemplo, las concentraciones de efecto 96 h LC50 (P. promelas) o 96 h EC50 (P. promelas, mortality)] se utilizan para generar la predicción de la sustancia objetivo por aproximación lineal o más cercana método vecino. Tenga en cuenta que los métodos de aproximación lineal y vecino más cercano se conocen como análisis de tendencia (etiquetado como “T”) y lectura cruzada (etiquetado como “R”), respectivamente. El usuario recibirá un mensaje si la predicción se realiza correctamente. Haga clic en Aceptar y cierre el controlador de flujo de trabajo que indica “Flujo de trabajo terminado” haciendo clic en x en la esquina superior derecha. Modo por lotes: al iniciar el flujo de trabajo automatizado, se pedirá al usuario que especifique el rango de sustancias sobre las que ejecutar el flujo de trabajo. Acepte la gama completa de sustancias seleccionadas de forma predeterminada en la ventana de diálogo haciendo clic en Aceptar. Modo por lotes: el usuario no recibirá un mensaje que indique si una predicción se ejecutó correctamente o sin éxito. Cierre el controlador de flujo de trabajo que indica “Flujo de trabajo terminado” al final del procesamiento por lotes haciendo clic en x en la esquina superior derecha. Informe Si una predicción se ejecutó correctamente, haga clic en el botón De la etapa de la caja de herramientas Informe.NOTA: No se pueden generar informes en modo por lotes. Desplácese hacia abajo y busque el valor de predicción en el campo de matriz ubicado en una fila resaltada en amarillo junto al punto final “96-h.” El valor predicho se etiqueta con “T” o “R.” Active este campo de matriz de datos específico haciendo clic con el botón izquierdo en él. Haga clic en Predicción en la barra de herramientas Acciones. Personalice el contenido y la apariencia del informe en el asistente emergente. Hay tres tipos de informes disponibles: i) predicción, (ii) categoría y (iii) matriz de datos. El asistente permite al usuario rellenar el nombre del autor y los datos de contacto. Escribir un breve resumen, proporcionar una explicación detallada de la interpretación mecanicista, o proporcionar justificación para la adecuación de la predicción. Incluya información adicional relacionada con la predicción ejecutada, si lo desea. El alcance de la información adicional depende del usuario. Vaya a través del asistente haciendo clic en Siguiente. Por último, haga clic en Crear informe y guarde los informes de predicción y categoría como archivos PDF y la matriz de datos como una hoja de cálculo de Excel en el equipo. Encuentre detalles adicionales sobre las funcionalidades de QSAR Toolbox y los flujos de trabajo automatizados en el manual de la aplicación para la versión de QSAR Toolbox v.4 de la OCDE (ayuda F1 en el teclado). Los detalles sobre los algoritmos y los fundamentos detrás del flujo de trabajo automatizado son descritos por Dimitrov et al.8 y Yordanova et al.9. 3. Aplicación Si utiliza la concentración de efecto pronosticada (es decir, 96-h LC50 de P. promelas)en la evaluación del riesgo ambiental, utilice el límite inferior del intervalo de confianza del 95%. Busque los datos de la primera página del informe de predicción guardado (PDF) en “Resumen de predicción”, “Valor previsto: (de a ).”NOTA: Las notas que se indican aquí se basan en los resultados de la comparación entre los datos previstos y los datos experimentales de un conjunto de sustancias objetivo que se indican en este estudio. La selección del extremo inferior del rango de confianza del 95% aumentará la probabilidad de que la concentración de efecto pronosticada no subestime la toxicidad real de la sustancia (véanse los resultados representativos). Por lo tanto, la concentración efectiva prevista del límite inferior del intervalo de confianza del 95 % presentará una base más segura para la evaluación del riesgo.

Representative Results

El ejemplo descrito en este estudio se implementó para el análisis cuantitativo y la predicción de toxicidades agudas de los DE seleccionados en peces. Cuando se trazaron los puntos de datos previstos frente a los puntos de datos experimentales como una escala de registro, se encontró una correlación positiva entre ambos peces y una especie representativa, a saber, Pimephales promelas (fathead minnow; Figura 3). En ambos casos, la pendiente de la regresión lineal parecía ser comparable (pronosticada LC50/experimental LC50 a 0,611 y 0,602 para todos los peces y P. promelas,respectivamente). Debido a la cantidad limitada de datos experimentales, el número de valores disponibles de la observación experimental era generalmente menor que el de la predicción computacional. La aplicación del factor de tolerancia como 5 veces para la capacidad computacional21 dio como resultado el 94% (34/36) y el 96% (26/27) de la predicción protectora para todos los peces y P. promelas,respectivamente. Sobre la base de esta predicción, 3′,5,7-trihydroxy-4′,6-dimethoxyisoflavone y 1,4-benzenediol parecían exhibir valores calculados de LC50 mayores que el límite de tolerancia. Para permitir la evaluación de la seguridad con la máxima fiabilidad, se realizó un análisis computacional adicional trazando el límite inferior previsto del intervalo de confianza del 95% de LC50 (en lugar de los valores medios utilizados en la Figura3) frente al valores derivados experimentalmente (Figura4). En esta evaluación con un umbral de seguridad elevado, se demostró que el 92% (33/36) del total de compuestos disruptores endocrinos probados entraen en el rango de protección en comparación con los valores derivados experimentalmente, excepto por: 3′,5,7-trihidroxi-4′,6- dimetoxisoflavona; 1,4-benzenediol; y 4-hexifenol. Sobre la base de las evaluaciones de toda la especie disponible en la base de datos, los valores para el registro de 96 horas pronosticado y experimental10LC50 mostraron linealidad con los valores de registro10KOW en el dominio entre -1 y 7, lo que indica un correlación hiperbólica entre LC50 y KOW. Existía una tendencia general por la cual la LC50 disminuyó para mayores valores de KOW de EDs para los datos obtenidos tanto de predicciones computacionales como de experimentos, lo que sugiere aumentar la toxicidad aguda en especies de peces para eDs con mayor hidrofobicidad(Figura Suplementaria S1). Por el generador de perfiles de ER basado en reglas integrado en el cuadro de herramientas QSAR de la OCDE, las afinidades vinculantes de ER de los eDs se clasificaron como no vinculantes, así como como aglutinantes débiles, moderados, fuertes y muy fuertes, con el fin de aumentar la afinidad vinculante18. En consecuencia, la distribución estadística del registro10Kow podría mostrarse como una clasificación cualitativa de la afinidad de unión de ER (Figurasuplementaria S2). En general, los cambios en los rangos de distribución de Kow y sus niveles medios parecían no tener una tendencia definida. Del mismo modo, las distribuciones de LC50 pronosticada y experimental se mostraron como la extensión de la afinidad de enlace de ER (Figura 5). En este caso, los niveles medios de LC50 pronosticados para los aglutinantes de ER fueron superiores a los de los no aglutinantes. Por el contrario, para la LC50experimental, los niveles medios de aglutinantes no débiles y no débiles eran superiores a los de los aglutinantes de ER más fuertes. Figura 1: Esquema básico del flujo de trabajo general de la Caja de Herramientas QSAR de la OCDE.Haga clic aquí para ver una versión más grande de esta figura. Figura 2: Flujo de trabajo.Se muestra el flujo de trabajo que conceptualiza los módulos y secuencias aplicados para predecir las toxicidades agudas de los disruptores endocrinos (ED) en los peces utilizando la Caja de herramientas QSAR de la OCDE. Haga clic aquí para ver una versión más grande de esta figura. Figura 3: Predicción frente a experimental 96-h LC50 de EDs en la Tabla 1 para todos los peces (diamantes azules, n.o 36) y una especie seleccionada P. promelas (diamantes cian, n.o 27).Para la LC50pronosticada, se muestran los valores medios (“AVE”). Las líneas discontinuas representan regresiones lineales para los dos grupos: para todos los peces (azul claro), LC50AVE pronosticado a 0,611 x (LC experimental50) + 0,277 (ajustado r2 a 0,408); y para P. promelas (cian claro), pronosticado LC50AVE a 0,602 x (LCexperimental 50) + 0,385 (ajustado r2 a 0,441). La línea diagonal sólida muestra la unidad en la que los valores predichos y experimentales son igualesa 21. La línea gris punteada muestra el límite de tolerancia de 5 veces de la capacidad computacional19. Valores atípicos: 3′,5,7-trihydroxy-4′,6-dimethoxyisoflavone (*) y 1,4-benzenediol (**). Haga clic aquí para ver una versión más grande de esta figura. Figura 4: Pronosticado (límite inferior del intervalo de confianza del 95%, “bajo-95%”) frente al LC50 experimental de los ED en la Tabla 1 para todos los peces (n a 36).La línea discontinua representa la regresión lineal: LC50low-95% pronosticado a 0,470 x (LC experimental50) – 0,312, donde se ha ajustado r2 a 0,193. La línea diagonal sólida indica la unidad donde los valores predichos y experimentales son iguales entre sí19. Valores atípicos: 3′,5,7-trihydroxy-4′,6-dimethoxyisoflavone (*), 1,4-benzenediol (**), y 4-hexilfenol (***). Haga clic aquí para ver una versión más grande de esta figura. Figura 5: Distribuciones de las cajas predichas (cajas sólidas, n a 8–20 para cada categoría) y experimentales (cajas de salpicaderas; n a 3–16 para cada categoría) 96-h LC50 dependiendo de la afinidad de encuadernación de ER de los ED en la Tabla 1 para todos los peces.Una gráfica de caja representa: (A) media (pequeño cuadrado con una barra horizontal negrita), (B) 1st y 3rd cuartiles (inferior y superior– extremos de la caja, respectivamente), (C) mediana (segmento horizontal dentro de la caja), ( D) 5o y 95o percentil (barras de error inferior y superior, respectivamente), (E) 1ot y 99o percentil (x inferior y superior, respectivamente), y ( F) mínimo y máximo (inferior y superior –, respectivamente). Haga clic aquí para ver una versión más grande de esta figura. No. Número de registro CAS Nombre de la sustancia Fórmula SMILES (forma no estereoquímica 2D) Log Kow AVEpronosticado 96-h LC50(mg/L) CIN C.C. INFERIOR 95%pronosticado 96-h LC50(mg/L) Profiler – Encuadernación de receptores de estrógeno 1 50-28-2 17-O Estradiol CC12CCC3C(CCc4cc(O)ccc34)C1CCC2O 4.01 3.62 1.42 Aglutinante muy fuerte, grupo OH 2 57-63-6 17– Etini-Estradiol CC12CCC3C(CCc4cc(O)ccc34)C1CCC2(O)C-C 3.67 3.00 1.18 Fuerte aglutinante, grupo OH 3 80-05-7 2,2-bis(4-hidroxiphe-nyl)propano (Bisfenol A) CC(C)(c1ccc(O)cc1)c1ccc(O)cc1 3.32 4.68 1.80 Aglutinante muy fuerte, grupo OH 4 80-46-6 4-tert-Pentylphenol CCC(C)(C)c1ccc(O)cc1 3.91 2.27 0.87 Aglutinante débil, grupo OH 5 140-66-9 4-tert-Octylphenol CC(C)(C)CC(C)(C)(C)c1ccc(O)cc1 5.28 0.38 0.14 Fuerte aglutinante, grupo OH 6 446-72-0 Genisteína [3′,5,7-trihydroxy-4′,6-dimethoxyisoflavone] Oc1ccc(cc1)C1-COc2cc(O)cc(O)c2C1-O 2.84 32.00 10.03 Aglutinante muy fuerte, grupo OH 7 10161-33-8 17o-Trenbolona CC12C-CC3C(CCC4-CC(O)CCC-34)C1CCC2O 2.65 124.72 19.75 Fuerte aglutinante, grupo OH 8 67747-09-5 Proclorozaz (fungicida DMI) CCCN(CCOc1c(Cl)cc(Cl)cc1Cl)C(-O)n1ccnc1 4.1 5.19 1.74 No aglutinante, sin grupo OH o NH2 9 84852-15-3 4-Nonylphenol CC(C)CCCCCCc1ccc(O)cc1 5.92 0.21 0.07 Fuerte aglutinante, grupo OH 10 69-72-7 ácido salicílico OC(-O)c1ccccc1O 2.26 24.07 9.31 Aglutinante débil, grupo OH 11 80-09-1 4,4′-dihidroxidifenilo sulfona (Bisfenol S) Oc1ccc(cc1)S(-O)(-O)c1ccc(O)cc1 1.65 48.67 10.67 Aglutinante muy fuerte, grupo OH 12 84-74-2 ácido ftálico, éster de dibutilo CCCCOC(O)c1ccccc1C(-O)OCCCC 4.5 0.76 0.06 No aglutinante, sin grupo OH o NH2 13 92-88-6 4,4o-dihidroxibifenilo Oc1ccc(cc1)-c1ccc(O)cc1 2.8 12.05 4.20 Aglutinante moderado, oh grooup 14 94-13-3 4-ácido hidroxibenzoico, éster de propilo CCCOC(O)c1ccc(O)cc1 3.04 10.32 3.86 Aglutinante moderado, oh grooup 15 98-54-4 4-tert-butilofenol CC(C)(C)c1ccc(O)cc1 3.31 4.36 1.68 Aglutinante débil, grupo OH 16 97-23-4 2,2o-dihidroxi-–5,5o-diclorodifenilo-metano Oc1ccc(Cl)cc1Cc1cc(Cl)ccc1O 4.26 0.48 0.10 Aglutinante muy fuerte, grupo OH 17 97-53-0 Eugenol COc1cc(CC-C)ccc1O 2.27 14.70 5.60 Aglutinante débil, grupo OH 18 99-76-3 4-ácido hidroxibenzoico, éster de metilo COC(O)c1ccc(O)cc1 1.96 38.20 14.01 Aglutinante débil, grupo OH 19 103-90-2 N-(4-hidroxifenil) acetamida CC(-O)Cc1ccc(O)cc1 0.46 338.97 43.39 Aglutinante débil, grupo OH 20 106-44-5 p-cresol Cc1ccc(O)cc1 1.94 20.47 7.14 Aglutinante débil, grupo OH 21 108-39-4 m-cresol Cc1cccc(O)c1 1.96 23.45 9.17 Aglutinante débil, grupo OH 22 108-45-2 1,3-fenilendiamina Nc1cccc(N)c1 -0.33 34.60 0.00 Aglutinante débil, grupo NH2 23 108-46-3 1,3-dihidroxibenceno Oc1cccc(O)c1 0.8 123.03 27.06 Aglutinante débil, grupo OH 24 108-91-8 Ciclohexilamina NC1CCCCC1 1.49 28.08 1.40 Aglutinante débil, grupo NH2 25 119-36-8 ácido salicílico, éster metílico COC(O)c1ccccc1O 2.55 16.16 5.68 Aglutinante débil, grupo OH 26 120-47-8 4-ácido hidroxibenzoico, éster etílico CCOC(O)c1ccc(O)cc1 2.47 19.93 7.40 Aglutinante débil, grupo OH 27 120-80-9 1,2-dihidroxibenceno Oc1ccccc1O 0.88 11.14 0.01 Aglutinante débil, grupo OH 28 123-31-9 1,4-dihidroxibenceno [1,4-benzenediol] Oc1ccc(O)cc1 0.59 90.75 33.19 Aglutinante débil, grupo OH 29 131-53-3 2,2o-dihidroxi-4-metoxbenzofeno COc1ccc(C(-O)c2ccccc2O)c(O)c1 3.82 3.97 1.46 Aglutinante muy fuerte, grupo OH 30 131-56-6 2,4-dihidroxibenzofenona Oc1ccc(c(O)c1)C(-O)c1ccccc1 2.96 12.04 4.73 Fuerte aglutinante, grupo OH 31 131-57-7 2-hidroxi-4-metoxbenzofeno COc1ccc(C(-O)c2ccccc2)c(O)c1 3.79 5.96 2.27 Fuerte aglutinante, grupo OH 32 599-64-4 4-cumylphenol CC(C)(c1ccccc1)c1ccc(O)cc1 4.12 2.15 0.84 Fuerte aglutinante, grupo OH 33 2855-13-2 1-amino-3-aminomethyl-3,5,5-trimetil-ciclohexano CC1(C)CC(N)CC(C)(CN)C1 1.9 30.65 1.53 Aglutinante moderado, grupo NH2 34 6864-37-5 3,3o-dimetil-4,4o-diaminodiciclohexylmethane CC1CC(CCC1N)CC1CCC(N)C(C)C1 4.1 1.07 0.05 Fuerte aglutinante, grupo NH2 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 grooup 36 147315-50-2 2-(4,6-difenilo-1,3,5-triazin-2-yl)-5-(hexiloxy)fenol CCCCCCOc1ccc(c(O)c1)-c1nc(nc(n1)-c1ccccc1)-c1ccccc1 6.24 0.17 0.06 Fuerte aglutinante, grupo OH 37 88-68-6 2-aminobenzamida NC(-O)c1ccccc1N 0.35 694.00 84.30 Aglutinante débil, grupo NH2 38 611-99-4 4,4o-dihidroxibenzofenona Oc1ccc(cc1)C(-O)c1ccc(O)cc1 2.19 37.74 14.67 Aglutinante muy fuerte, grupo OH 39 27955-94-8 1,1,1-tris(4-hidroxifenol)etano CC(c1ccc(O)cc1)(c1ccc(O)cc1)c1ccc(O)cc1 4.38 2.09 0.82 Aglutinante muy fuerte, grupo OH 40 87-18-3 ácido salicílico, éster de 4 tertes-butilfenilo CC(C)(C)c1ccc(OC(-O)c2ccccc2O)cc1 5.73 0.24 0.09 Fuerte aglutinante, grupo OH 41 47465-97-4 3,3-bis(3-metil-4-hidroxifenil)2-indolinona Cc1cc(ccc1O)C1(C(O)Cc2ccccc12)c1ccc(O)c(C)c1 4.48 2.07 0.77 Aglutinante muy fuerte, grupo OH 42 99-96-7 ácido p-hidroxibenzoico OC(-O)c1ccc(O)cc1 1.58 8.54 0.00 Aglutinante débil, grupo OH 43 80-07-9 1-Chloro-4-(4-clorofenil)sulfonilbenz Clc1ccc(cc1)S(-O)(-O)c1ccc(Cl)cc1 3.9 3.92 0.85 No aglutinante, sin grupo OH o NH2 44 84-65-1 9,10-Antraquinona O-C1c2ccccc2C(O)c2ccccc12 3.39 7.00 3.54 No aglutinante, sin grupo OH o NH2 45 85-44-9 2-benzofurano-1,3-dione O-C1OC(-O)c2ccccc12 1.6 2.69 0.00 No aglutinante, sin grupo OH o NH2 46 92-84-2 10H-Fenotiazina N1c2ccccc2Sc2ccccc12 4.15 1.07 0.08 No aglutinante, sin grupo OH o NH2 47 2855-13-2 1-amino-3-aminomethyl-3,5,5-trimetil-ciclohexano CC1(C)CC(N)CC(C)(CN)C1 1.9 30.65 1.53 Aglutinante moderado, grupo NH2 48 50-27-1 Estriol CC12CCC3C(CCc4cc(O)ccc34)C1CC(O)C2O 2.45 21.21 8.29 Aglutinante muy fuerte, grupo OH 49 50-50-0 beta-Estradiol-3-benzoato CC12CCC3C(CCc4cc(OC(O)c5ccccc5)ccc34)C1CCC2O 5.47 0.36 0.02 Fuerte aglutinante, grupo OH 50 53-16-7 Estrona CC12CCC3C(CCc4cc(O)ccc34)C1CCC2-O 3.13 7.78 3.06 Fuerte aglutinante, grupo OH 51 92-52-4 Bifenilo c1ccc(cc1)-c1ccccc1 4.01 4.10 0.47 No aglutinante, sin grupo OH o NH2 52 92-69-3 p-Fenifenol Oc1ccc(cc1)-c1ccccc1 3.2 5.99 1.82 Aglutinante moderado, oh grooup 53 96-29-7 2-Butanone oxime CCC(C)-NO 0.63 32.67 2.49 Estructura no aglutinante y no cíclica 54 121-75-5 Malathon CCOC(O)CC(SP(S)(OC)OC)C(-O)OCC 2.36 37.73 3.33 Estructura no aglutinante y no cíclica 55 123-07-9 4-Etilenolenol CCc1ccc(O)cc1 2.58 13.63 4.65 Aglutinante débil, grupo OH 56 645-56-7 4-n-Propylpehnol CCCc1ccc(O)cc1 3.2 7.32 2.55 Aglutinante débil, grupo OH 57 1638-22-8 p-Butyl fenol CCCCc1ccc(O)cc1 3.65 4.09 1.39 Aglutinante débil, grupo OH 58 1912-24-9 Atrazina CCNc1nc(Cl)nc(NC(C)C)n1 2.61 30.87 4.63 No aglutinante, sin grupo OH o NH2 59 40596-69-8 Methoprene COC(C)(C)CCCC(C)CC-CC(C)-CC(O)OC(C)C 5.5 0.08 0.00 Estructura no aglutinante y no cíclica 60 1987-50-4 4-Heptilfenol CCCCCCCc1ccc(O)cc1 5.01 0.66 0.22 Aglutinante moderado, oh grooup 61 92-86-4 p,p’-Dibromobiphenyl Brc1ccc(cc1)-c1ccc(Br)cc1 5.72 0.11 0.02 No aglutinante, sin grupo OH o NH2 62 480-41-1 Naringenina Oc1ccc(cc1)C1CC(-O)c2c(O)cc(O)cc2O1 2.52 27.84 10.87 Aglutinante muy fuerte, grupo OH 63 486-66-8 Daidzein Oc1ccc(cc1)C1-COc2cc(O)ccc2C1-O 2.55 36.47 11.71 Aglutinante muy fuerte, 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 Aglutinante muy fuerte, grupo OH 65 491-80-5 Biochanin A COc1ccc(cc1)C1-COc2cc(O)cc(O)c2C1-O 3.41 15.87 3.70 Fuerte aglutinante, grupo OH 66 520-18-3 Kaempferol Oc1ccc(cc1)C1Oc2cc(O)cc(O)c2C(O)C-1O 1.96 70.98 8.05 Aglutinante muy fuerte, grupo OH 67 2051-60-7 2-Clorobifenilo (PCB 1) Clc1ccccc1-c1ccccc1 4.53 0.77 0.16 No aglutinante, sin grupo OH o NH2 68 2051-61-8 3-Clorobifenilo (PCB 2) Clc1cccc(c1)-c1ccccc1 4.58 0.77 0.16 No aglutinante, sin grupo OH o NH2 69 2051-62-9 4-Cloro-1,1′-bifenilo Clc1ccc(cc1)-c1ccccc1 4.61 0.77 0.16 No aglutinante, sin grupo OH o NH2 70 2446-69-7 p-n-Hexylphenol [4-hexylphenol] CCCCCCc1ccc(O)cc1 4.52 1.22 0.42 Aglutinante moderado, oh grooup 71 14938-35-3 4-n-Amielenol CCCCCc1ccc(O)cc1 4.06 2.44 0.89 Aglutinante débil, grupo OH 72 17924-92-4 Zearalenona CC1CCCC(O)CCCC-Cc2cc(O)cc(O)c2C(-O)O1 3.58 7.22 2.66 Fuerte aglutinante, grupo OH 73 1743-60-8 beta-Estradiol 3-benzoato 17-nbutirato CC(-O)OC1CCC2C3CCc4cc(O)ccc4C3CCC12C 4.95 0.91 0.35 Fuerte aglutinante, grupo OH 74 479-13-0 Coumestrol Oc1ccc2c(OC(-O)c3c-2oc2cc(O)ccc32)c1 1.57 52.16 11.44 Aglutinante muy fuerte, grupo OH Tabla 1: Lista de sustancias químicas disruptoras endocrinas evaluadas. Las concentraciones efectivas medias medias (AVE) y un intervalo de confianza inferior del 95% (IC) (95-h LC50, Pimephales promelas)así como la unión del receptor de estrógenos se pronosticaron con el flujo de trabajo automatizado QSAR Toolbox versión 4.3. El registro10Kow fue recuperado a través de QSAR Toolbox versión 4.3 de KOWWIN v1.68, 2000, U.S. Environmental Protection Agency. Los valores de registro experimentalde 10Kow se preferían a los valores predichos. La lista de sustancias objetivo se compiló a partir de listas de EDs22,23,24. Información complementaria. Haga clic aquí para descargar este archivo.

Discussion

La versatilidad de la caja de herramientas QSAR de la OCDE como software analítico para la ecotoxicología se muestra aquí con un interés específico en los efectos adversos de los productos químicos disruptores endocrinos en los vertebrados acuáticos. Además, se demostró un protocolo simple y estándar para predecir la toxicidad aguda (96-h LC₅₀) de 74 EDs representativos (Tabla1) para las especies de peces. Esto se logró aplicando módulos de creación de categorías, llenado de brechas de datos y generación de perfiles de ER integrados en el cuadro de herramientas QSAR (Figura1, Figura 2).

La correlación lineal entre el registro₁₀LC₅₀ y el registro₁₀K_OW con una pendiente negativa (como se muestra en la figura suplementaria S1)ha sido conocida durante mucho tiempo como una relación cuantitativa estándar en los análisis QSAR^25,donde mayor toxicidad se muestra cuanto más hidrófobo es un producto químico dado. Como se puede ver en un simple cálculo, la relación matemática general que incluye la Ecuación S1 y la Ecuación S2 (InformaciónSuplementaria)es una expresión convertida de la siguiente función de potencia^26:

A partir de la gráfica de(Ecuación 2), caracterizar un rango intermedio de K_OW²⁶ puede ser posible ajustando los parámetros a y b, donde una cierta variación en hidrofobicidad (o hidrofilicidad) no cambia significativamente la punto final de toxicidad aguda.

Los análisis comparativos entre las predicciones computacionales y las observaciones experimentales sobre la LC₅₀, como se muestra en la Figura 3 y la Figura 4,se han notificado típicamente en estudios de QSAR para diversos tóxicos acuáticos, incluyendo tensioactivos técnicos no iónicos²⁷, fungicidas triazoles²⁸y metabolitos plaguicidas^21. Este tipo de validación retrospectiva proporciona información sobre hasta qué punto una determinada herramienta QSAR puede llegar en términos de rendimiento comparativo a los resultados experimentales. En este estudio de toxicidad aguda en peces, se demostró que QSAR Toolbox proporciona predicciones protectoras para más del 90% de los ED probados en todos los peces y en una sola especie, Pimephales promelas.

Se requiere una mayor identificación de los tres productos químicos atípicos en la Figura 3 y la Figura 4, que mostraron una LC₅₀ pronosticada más alta en promedio y como mínimo, respectivamente. En primer lugar, el 3′,5,7-trihydroxy-4′,6-dimethoxyisoflavone es un tipo de flavonoide (más específicamente, una isoflavona), que se considera generalmente seguro y se utiliza en productos farmacéuticos herbarios; sin embargo, todavía tiene preocupaciones relacionadas con el estrógeno²⁹ y puede causar toxicidad aguda probablemente a través de desacoplamiento de fosforilación oxidativa³⁰. A continuación, el 1,4-benzenediol, llamado hidroquinona, es un compuesto fenólico que puede desencadenar una respuesta inmune no específica y citotóxica en los peces³¹. Finalmente, el 4-hexylphenol se ha sabido para exhibir suficiente actividad estrogénica positiva para ser clasificado como un ED³². Se ha estudiado bien que la razón principal de la toxicidad aguda de la hidroquinona es el ciclo de reducción-oxidación (redox). La hidroquinona se oxida a benzoquinona y se reduce de nuevo a semiquinona o hidroquinona repetidamente, con cofactores que agotan y generando especies reactivas de oxígeno^33. Los otros dos productos químicos pueden requerir investigaciones más profundas para revelar sus mecanismos de acción en ecotoxicidad aguda utilizando enfoques de acoplamiento molecular como el utilizado por Panche et al.³⁴, que no pueden ser cubiertos por la caja de herramientas QSAR.

Los ED interfieren con el sistema endocrino principalmente a través de interacciones fisicoquímicas con receptores de esteroides como los receptores de estrógeno y andrógenos, que son de considerable interés en los estudios de modelado QSAR³⁵. Teniendo en cuenta esto, QSAR Toolbox es robusto en términos de clasificación fácil y rápida de afinidades de unión er para un conjunto de productos químicos basados únicamente en los descriptores 2D de las estructuras moleculares. Cuando este sistema de generador es de perfiles de ER se aplicó a nuestra lista de EDs, no se encontró una correlación clara entre la afinidad de unión de ER y la hidrofobicidad (FiguraSuplementaria S2). Este resultado puede explicarse por el hecho de que la formación de un complejo esteroide-receptor no es una consecuencia directa de una contribución de unión hidrófoba, sino que debe ir acompañada de un cambio de conformación en la estructura del receptor del sitio activo³⁶. La unión del receptor también puede deberse a la unión al hidrógeno y al apilamiento de la s.

Además, la posición de cada grupo químico en la molécula puede afectar a la unión del receptor, incluso si la hidrofobicidad y el número de receptores-bonos de hidrógeno siguen siendo los mismos. En segundo lugar, el generador de perfiles de ER produjo tendencias contrarias entre los niveles medios de LC₅₀ previstos y experimentales con una creciente afinidad de unión de ER (Figura5). Esto puede deberse a que la letalidad de los padres en una prueba de toxicidad aguda no se debe a la unión a Urgencias, sino más bien a la narcosis en la mayoría de los casos, o al ciclo de redox en el caso de la hidroquinona. Por ejemplo, se requiere un análisis más extenso, incluida la toxicidad crónica, para que un conjunto más grande de EDs defina las limitaciones predictivas de la versión actual de QSAR Toolbox.

Esta investigación preliminar también puede tener implicaciones para la salud pública porque los esteroides (andrógenos, estrógenos, progestinas, y corticoides) y sus receptores exhiben estructuras macromoleculares similares o incluso idénticas a través de vertebrados⁵. Estos tipos de sistemas de señalización endocrino análogos pueden funcionarutilizando un mecanismo común en eventos clave de los DATOS Electrónicos 5. Sin embargo, se requieren metodologías adicionales y complementarias para iluminar este vasto y complejo aspecto [por ejemplo, mediante la realización de modelos computacionales de absorción, distribución, metabolismo y excreción (ADME) y/o resultados adversos vía (AOP)]³⁸. Además, debido a que la mayoría de las preocupaciones científicas y públicas planteadas sobre los efectos adversos de los DEE están relacionadas con sus toxicidades crónicas, mejorar las bases de datos y algoritmos en la caja de herramientas QSAR y producir ecotoxicología fiable a largo plazo las predicciones de los DE Son necesarias.

Este artículo demuestra la aplicación de QSAR Toolbox para comparar los valores ecotoxicológicos de LC₅₀ para peces con los valores de registro₁₀K_ow de EDs. A lo largo del protocolo, resulta en relaciones débiles entre los dos parámetros, ya que ha sido revelado por estudios anteriores (por ejemplo, Kim et al.³⁹) que el registro₁₀K_ow no es un buen predictor directo de LC₅₀acuático. A pesar de esta limitación, este protocolo proporciona una revisión general o “viñeta” para describir cómo utilizar el panel para un propósito determinado, ya que es una aplicación válida para utilizar qSAR Toolbox para investigar correlaciones entre LC₅₀ (o enlace ER afinidad) y el registrode₁₀K_ow, o como una herramienta para la detección rápida de ecotoxicidad aguda. No obstante, cabe señalar que (1) iluminar el vínculo entre la unión del receptor de estrógeno y la toxicidad crónica, en lugar de la toxicidad aguda (letalidad), es más relevante para que se puedan encontrar correlaciones más claras, y (2) el receptor de andrógenos, con la de estrógeno, también juega un papel crítico en la toxicidad reproductiva. Por lo tanto, es necesario que la versión futura del cuadro de herramientas QSAR mejore las funciones de predicción a la luz de esos dos puntos.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Esta investigación fue apoyada por la subvención del Consejo Nacional de Investigación de Ciencia y Tecnología (NST) por el gobierno de Corea del Sur (MSIP) (No. CAP-17-01-KIST Europe) y el Proyecto 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