内分泌干扰物计算水生毒理学的计算机模拟建模方法：基于QSAR Toolbox软件的建模方法

Marie-Léonie Bohlen; Hyun  Pyo Jeon; Young  Jun Kim; Baeckkyoung Sung

doi:10.3791/60054

方法文章

内分泌干扰物计算水生毒理学的计算机模拟建模方法：基于QSAR Toolbox软件的建模方法

16.6K 次观看

⸱

DOI：

10.3791/60054

⸱

2019年8月28日

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

¹KIST Europe Forschungsgesellschaft mbH

本文内容

摘要

定量构效关系（QSAR）建模是毒理学筛选中一种典型的生物信息学辅助方法。本方案演示如何通过计算评估内分泌干扰物（EDs）在水生环境中的风险。利用经合组织（OECD）开发的QSAR工具箱，本方案实施了一种用于分析EDs对鱼类毒性的计算机模拟检测方法。

摘要

对毒理学过程进行计算分析，能够实现化学物质的高通量筛选及其在生物系统中终点效应的预测。特别是定量构效关系（QSAR）模型，已被越来越多地用于评估大量有毒物质对环境的影响。近年来，某些更受关注的毒物类型为内分泌干扰物（EDs，即能够干扰任何与激素相关代谢过程的化学物质）。由于EDs可能显著影响动物的发育和繁殖，因此亟需利用计算机模拟技术快速预测EDs的不良效应。本研究提出一种计算机模拟方法，用于生成代表性EDs对水生脊椎动物（尤其是鱼类）影响的预测数据。该方案描述了一个实例，利用经济合作与发展组织（OECD）开发的QSAR工具箱软件的自动化工作流程，实现对EDs急性生态毒性的预测。结果确定了以下内容：（1）致死浓度50%（LC₅₀）与辛醇-水分配系数（K_ow）之间数值相关性的计算；（2）输出性能，即将实验测定的LC₅₀值与计算生成的值进行比较；（3）雌激素受体结合亲和力对K_ow与LC₅₀之间关系的依赖性。

引言

信息学与计算技术的新发展为生物科学提供了具有高精度和可靠性的定量方法¹。特别是，分子分类学和性质分类中所使用的算法已发展出定量构效关系（QSAR）模型²。这些模型能够自动关联特定化学数据库中化合物的化学结构与其生物活性，并根据其药理或毒理作用，对大量化学底物进行快速的计算机筛选³。QSAR 工具可根据目标化合物的分子描述符特征向量（即理化参数）生成预测性毒性谱，从而数值化地建立分类终点⁴。通常，每个定量终点以二维散点图形式展示，相对于描述符数值的变化进行呈现。随后通过（多重）线性回归分析建立 QSAR 模型。当一个数据集被充分用于构建 QSAR 模型（称为训练集）后，该模型将通过预测未包含在训练集中的另一组化学品的终点（称为测试集）进行统计验证。此后，该模型可用于预测未经实验测试化合物的生物活性³。

在众多有害化学物质中，内分泌干扰物（EDs）因其可能干扰哺乳动物、两栖动物和鱼类体内多种激素相关代谢过程而受到特别关注⁵^,⁶。已知EDs可通过阻断或改变正常的激素通路，或激活异常的激素合成/降解信号，引发包括癌症和畸形在内的一系列不良效应。因此，这些模拟激素的化学物质会扰乱内分泌系统，阻碍野生动物种群的生物发育和繁殖。特别是，EDs的生态毒理学效应已在水生脊椎动物中得到广泛研究，因其激素受体结构与包括人类在内的哺乳动物几乎相同。由于所有激素作用均在体内低剂量条件下发生，利用快速的计算机模拟筛选来预测ED候选物的潜在毒性，对公共健康和环境健康至关重要。

基于内分泌干扰物（EDs）毒理学的QSAR模型已利用二维和三维描述符（分别称为2D和3D QSAR）开展研究，这些模型揭示了EDs与雌激素、雄激素和孕激素受体的配体结合亲和力⁷。尽管3D QSAR在考虑构象和静电相互作用方面具有高精度优势，但2D QSAR凭借其直接的数学算法、快速计算以及极低的计算负荷，仍具有较强的稳健性。此外，2D QSAR模型在实现相对准确预测性能的同时，适用于多种广泛的应用场景。

经济合作与发展组织（OECD）开发的QSAR Toolbox目前是最常用的计算机软件工具之一，提供免费且预构建的QSAR模型⁸^,⁹。该工具的分析模块使用二维描述符数据库。自2008年发布首个版本以来，该软件已广泛应用于化工与生物产业、公共卫生以及环境安全领域，用于对天然和合成化合物的潜在风险进行完整或部分分析，尤其关注致癌性¹⁰^,¹¹^,¹²、致突变性¹³^,¹⁴^,¹⁵以及发育毒性¹⁶。该软件在水生毒理学中的应用也已有报道，主要集中在生物富集和生物转化方面¹⁷。

QSAR Toolbox 已被证明可用于预测多种化学品的短期毒性¹⁷，以及内分泌干扰物（EDs）对雌激素受体（ER）的结合亲和力¹⁸。然而，尚未利用 QSAR Toolbox 分析内分泌干扰物对水生脊椎动物的急性生态毒性。本研究提出了一种典型且简便的方案，用于对内分泌干扰物的急性不良效应进行 QSAR 建模，重点关注鱼类物种。研究表明，QSAR Toolbox 是一种易于使用的软件，可用于计算和预测某些代表性内分泌干扰物对水生脊椎动物的致死性/死亡率。本文还介绍了对衍生的计算机模拟数据集进行统计处理的方法。图1展示了 QSAR Toolbox 通用操作的整体流程图。图2所示的工作流程提供了清晰的操作指南，用于运行计算机模拟检测，以预测目标物质（如内分泌干扰化学品）的急性生态毒性。

方案

1. 仪器设备

软件：使用经济合作与发展组织（OECD）开发的 QSAR Toolbox 4.0 或更高版本（可从 <https://qsartoolbox.org/download/? 免费下载）以及数据分析软件。
计算机：运行 OECD QSAR Toolbox 所需配置为：(i) 系统类型：64 位，Windows 7 或更高版本；(ii) 处理器：I5 2.4 GHz 或更快的处理器，或性能相当的 AMD CPU；(iii) 安装内存 (RAM)：6 GB；(iv) 硬盘驱动器 (HDD)：20 GB 可用硬盘空间（OECD QSAR Toolbox 4.3 版本说明：<https://qsartoolbox.org/file/2019/02/Toolbox-4.3-Release-Notes-1.pdf>）。

2. 实验步骤

OECD QSAR Toolbox
注意：QSAR Toolbox 从六个连续的流程模块开始运行输入并随后 分析、 数据， 类别定义， 数据缺口填补， 然后报告t, 位于程序界面的顶部。
1. 通过左键单击工具栏中的六个图标来浏览上述六个阶段。首先，查看各阶段 输入， 数据缺口填补， 和报告执行自动化工作流程“生态毒理学终点”及其结果记录所必需的步骤。
2. 快速浏览可选阶段 分析特征 和数据该 分析谱型 该阶段可初步了解目标物质的（生态）毒性潜力及其在环境中的归趋特性。可选数据该阶段可用于检索与目标物质相关的可用实验数据。
输入
1. 启动 QSAR Toolbox 后，用户将从输入默认情况下进入工具箱阶段。QSAR Toolbox 会自动创建一个名为“Document 1”的工作文件，该文件显示在程序界面左侧的阶段选项面板中。如需重命名文件，可右键单击该工作文件进行操作。
2. 点击 CAS# 在操作工具栏中点击按钮，在可用的文本框中输入目标物质的化学文摘服务（CAS）编号，然后点击 搜索。 该工具随后将进行搜索根据目标物质的CAS编号。
3. 如有需要，可在操作工具栏中选择其他可用的搜索选项，例如按物质名称或简化分子输入线性系统（SMILES）代码进行搜索。SMILES 可以以二维非立体化学或三维立体化学形式输入。点击名称或 结构， 分别。使用结构用于绘制目标物质的工具。
4. 搜索工具通过弹出窗口中的数据库记录显示搜索结果。选择报告“高”CAS-SMILES关系的记录（CS 关系 字段），如果目标物质检索到多条记录，可通过勾选记录左侧的复选框来实现。点击好的.
  注意：只有在检索到的记录包含SMILES码时，才能继续进行后续操作，因为SMILES码（二维非立体化学结构形式）是计算的基础。
5. 批量模式：若要对多个目标物质进行计算机模拟检测，可在文本编辑器中编写一个简单的物质列表，其中每个CAS编号单独占一行（补充图 S3将文本文件保存在计算机上，文件名应恰当，并以 .txt 为扩展名。
6. 批处理模式：单击数据然后，转到 数据库 在程序界面左侧的阶段选项面板中。确保所列出的数据库位于 生态毒理学信息 被检查.
7. 批处理模式：单击 输入。 选择查询从操作工具栏中选择。通过点击确认步骤 2.2.6 中设置的参数是在对话窗口中。
8. 批量模式：选择 CAS 表。通过上传保存为文本文件的物质列表 加载列表 从您的计算机。
9. 批处理模式：有两种添加可用按钮；点击添加弹出菜单底部的按钮，然后单击 执行。 QSAR Toolbox 将显示已检索到的用于搜索的物质数量的相关信息。
  注意：加载列表中的某些物质可能无法被搜索工具找到，或一个CAS编号可能对应多个条目。无法从检索到的物质集合中删除物质。
分析谱型
注意：以下部分为可选内容。若无需执行，请跳至第2.5节。
1. 单击工具箱阶段按钮 分析表征 前往 分析方法 在程序界面左侧的阶段选项面板中。
2. 点击 取消全选 检查列出的所有分析工具 预定义 以及与水生毒性相关的条目 终点特异性 例如“基于Verhaar方法（经修改）的急性水生毒性分类”。
3. 完成选择后，点击应用操作工具栏中的按钮。
  注意：QSAR Toolbox 会针对一组分析工具（profiler）提供建议。在选择时，合适的工具以绿色（suitable）标示，合理的工具以橙色（plausible）标示 选项 > 按以下分类： > 数据矩阵中选定的终点 在左上角 分析方法单击目标终点旁边的数据矩阵字段。可用的终点在阶段选项面板旁的终点树中列出。该分析器 物质类型 将指示目标物质是否为“离散化学品”。相关信息显示在扩展的终点树“Profile”、“Predefined”和“Substance type”中。只有当目标物质为离散化学品时，自动化工作流程才能成功运行。“Verhaar法对急性水生毒性的分类（经修改）”可为目标物质的急性水生毒性机制提供初步估算¹⁹^,²⁰信息显示在扩展的终点树中，包括“概况”、“终点特异性”以及“Verhaar法（经修改）的急性水生毒性分类”。共有五类：（第1类）惰性化学品（基础毒性）；（第2类）较不惰性的化学品；（第3类）反应性化学品；（第4类）特异性作用化学品；以及（第5类）无法分类的化学品。
4. 右键单击参数如有需要，可在终点树中运行 QSAR Toolbox 提供的整合二维与三维 QSAR 模型。点击 计算/提取所有化学品的全部参数 在弹出菜单中。
5. 2D 和 3D QSAR 模型汇编于参数提供数值结果。对于定性信息，请使用“构型分析方法”（参见步骤 2.3.1）。
数据
注：本节为可选内容。如无需使用，请跳至第2.5节。
1. 单击工具箱阶段按钮数据然后，点击收集从“操作”工具栏中。
2. 选择 所有终点 收集所有实验数据，然后选择收集特定终点的实验数据。例如，如果用户关注的是水生毒性，则点击选择 > 生态毒理学信息 > 水生毒性 > 好的。
  注意：选择收集所有终点的实验数据可能会导致处理时间延长。用户可根据特定目的调整终点树的层级结构，这将改变数据的显示方式。
3. 如有需要，可右键单击终点树区域中感兴趣的终点。选择 设置树状层级 在弹出菜单中。使用可用的术语和箭头以 preferred 方式组织终点树，然后单击 好的。
4. 如有需要，可将收集的数据导出为 Excel 文件。右键单击感兴趣的终点指标并选择 导出数据矩阵 在弹出菜单中。
5. “矩阵导出”向导窗口打开，可将其他终点添加到导出列表中。完成选择后，单击 导出， 并将文件保存到计算机上。
  注意：无法从所有数据库导出数据。例如，从“ECHA CHEM”数据库检索到的数据无法保存。
数据缺口填补
1. 单击工具箱阶段按钮 数据空缺填补 然后，单击 自动化的 在“操作”工具栏中。
2. 选择 生态毒理学终点 > 鱼类，半数致死浓度 96小时时的致死浓度（50%） Pimephales promelas （死亡率）。点击 好的。 “工作流控制器”将出现，处理过程可能需要几分钟时间，尤其是在批处理模式下。
  注意：QSAR Toolbox 在搜索具有可用实验数据以用于预测的合适物质时，会自动应用一组预定义的分析器。实验数据［例如，96 h LC50 效应浓度］₅₀ (P. promelas）或 96 小时 EC₅₀ (P. promelas，死亡率）] 用于通过线性近似法或最近邻法对目标物质进行预测。需注意，线性近似法和最近邻法分别称为趋势分析（标记为“T”）和交叉读取（标记为“R”）。
3. 如果预测成功执行，用户将收到一条消息。点击好的并单击以关闭工作流控制器，显示“工作流已完成” x 在右上角。
4. 批处理模式：启动自动工作流程后，系统将提示用户指定要执行该流程的物质范围。在对话窗口中，点击确认以接受默认选中的全部物质范围 好的。
5. 批处理模式：用户不会收到消息提示预测是否成功运行。批处理结束时，点击“完成工作流程”以关闭工作流程控制器 x 在右上角。
报告
1. 如果预测成功执行，请点击工具箱阶段按钮 报告。
  注意：无法以批处理模式生成报告。
2. 向下滚动，找到位于“96-h”终点旁黄色高亮行中的矩阵字段内的预测值。该预测值标有“T”或“R”。通过单击左键激活此特定的数据矩阵字段。
3. 点击预测在“操作”工具栏中。在弹出的向导中自定义报告内容和外观。提供三种类型的报告：（i）预测报告，（ii）类别报告，（iii）数据矩阵报告。
4. 向导允许用户填写作者姓名和联系方式。撰写一段简短摘要，提供机制解释的详细说明，或论证预测充分性的依据。
5. 如需，可包含与执行预测相关的附加信息。附加信息的详细程度由用户自行决定。
6. 点击向导继续操作 下一步。 最后，单击 生成报告 将预测报告和分类报告保存为PDF文件，并将数据矩阵保存为Excel电子表格至计算机中。
7. 在经合组织（OECD）QSAR Toolbox v.4 应用手册中查找有关 QSAR Toolbox 功能及自动化工作流程的更多详细信息（键盘上的 F1 帮助）。Dimitrov 等人描述了自动化工作流程背后算法及相关原理的详细内容。⁸ 和 Yordanova 等人⁹.

3. 应用

若在环境风险评估中使用预测效应浓度（即P. promelas的96小时LC₅₀），应采用95%置信区间的下限值。该数据可在保存的预测报告（PDF）第一页的“预测摘要”部分找到，格式为：“预测值：<均值>（从<下限>到<上限>）”。
注意：此处提供的说明基于本研究中报告的一组目标物质的预测数据与实验数据比较结果。选择95%置信区间的下限值可提高预测效应浓度不低估物质实际毒性的可能性（见代表性结果）。因此，采用95%置信区间下限的预测有效浓度将为风险评估提供更安全的依据。

结果

本研究中描述的示例用于对所选内分泌干扰物（EDs）在鱼类中的急性毒性进行定量分析和预测。当将预测数据点与实验数据点以对数-对数坐标绘图时，发现所有鱼类以及代表性物种Pimephales promelas（胖头 minnow；图3）均呈现正相关关系。在这两种情况下，线性回归的斜率相近（所有鱼类和P. promelas的预测LC₅₀/实验LC₅₀分别为0.611和0.602）。由于实验数据量有限，来自实验观测的可用数值通常少于计算预测所得的数值。采用5倍容许因子评估计算能力²¹时，对所有鱼类和P. promelas的保护性预测分别达到了94%（34/36）和96%（26/27）。根据该预测结果，3',5,7-三羟基-4',6-二甲氧基异黄酮和1,4-苯二酚的计算LC₅₀值均超过容许限值。

为了以最高可靠性进行安全性评估，进一步进行了计算分析，将LC₅₀的95%置信区间下限预测值（而非图3中使用的平均值）与实验测得的数值进行对比绘图（图4）。在此采用更高安全阈值的评估中，除以下三种物质外，其余所有测试的内分泌干扰物中92%（33/36）均落在保护范围内：3',5,7-三羟基-4',6-二甲氧基异黄酮；1,4-苯二酚；以及4-己基苯酚。

基于数据库中所有可用物种的评估，预测值与实验值的96小时log₁₀半数致死浓度₅₀ 与log呈线性关系₁₀K_OW -1 到 7 范围内的值，表明 LC₅₀ 和 K_OW. 存在一个总体趋势，即 LC₅₀ 随着 Kow 增加而降低_{辛醇-水分配系数} 内分泌干扰物（EDs）的计算预测值与实验所得数据表明，随着内分泌干扰物疏水性的增强，其对鱼类物种的急性毒性也随之增加（补充图 S1).

根据经济合作与发展组织（OECD）QSAR Toolbox 中内置的基于规则的雌激素受体（ER）分析工具，内分泌干扰物（EDs）对雌激素受体的结合亲和力被分类为非结合、弱结合、中等结合、强结合和极强结合，按结合亲和力递增顺序排列¹⁸。因此，log₁₀K_ow 的统计分布可作为雌激素受体结合亲和力的定性分类（补充图 S2）。总体而言，K_ow 分布范围及其平均值的变化未表现出明确的趋势。类似地，预测的和实验测得的 LC₅₀ 分布也按雌激素受体结合亲和力程度进行展示（图5）。在此情况下，雌激素受体结合物的预测 LC₅₀ 平均值高于非结合物。相比之下，在实验 LC₅₀ 中，非结合物和弱结合物的平均值高于结合能力更强的雌激素受体结合物。

化学风险评估流程图，包含化学特性、数据分析、QSAR模型、危害预测。
图1：OECD QSAR Toolbox通用工作流程的基本示意图。
请点击此处查看此图的放大版本。

自动填补数据空白流程的流程图，显示输入、查询、预测阶段。
图 2：工作流程。
图示为利用经合组织（OECD）QSAR 工具箱预测内分泌干扰物（EDs）在鱼类中急性毒性的模块化流程与操作序列。请点击此处查看该图的放大版本。

稀有𬶋鲫（Pimephales promelas）的预测与实测LC50散点图；包含统计分析。
图3：预测值与实验值的96小时LC50对比₅₀ 表1中所有鱼类（蓝色菱形，n = 36）及一种选定物种的EDs P. promelas （青色钻石，n = 27）
对于预测的 LC₅₀，平均值（“AVE”）被显示。虚线表示两个组的线性回归：针对所有鱼类（浅蓝色），预测的LC₅₀^平均值 = 0.611 ×（实验测得的LC₅₀) + 0.277（校正后 r² = 0.408）；以及对于 P. promelas （浅青色），预测的 LC₅₀^平均值 = 0.602 ×（实验测得的 LC₅₀) + 0.385（校正后 r² = 0.441）。实心对角线表示预测值与实验值相等的情况²¹灰色虚线表示计算能力的5倍容差范围¹⁹异常值：3',5,7-三羟基-4',6-二甲氧基异黄酮（*）和1,4-苯二酚（**）。请点击此处以查看该图的放大版本。

实验值与预测值LC50在鱼类中的比较；散点图，毒性数据分析。
图4：表1中所有鱼类（n = 36）内分泌干扰物（EDs）的预测值（95%置信区间的下限，“low-95%”）与实验测得的96小时LC₅₀值的对比。
虚线表示线性回归关系：预测LC₅₀^low-95% = 0.470 ×（实验LC₅₀）－0.312，校正后r² = 0.193。实对角线表示预测值与实验值相等的情况¹⁹。离群值：3',5,7-三羟基-4',6-二甲氧基异黄酮（*）、1,4-苯二酚（**）和4-己基苯酚（***）。请点击此处查看该图的放大版本。

鱼类毒性的LC<sub>50</sub>（mg/L）箱线图；显示预测与实验结合类别。
图5：预测值（实线框，每类n = 8–20）与实验值（虚线框，每类n = 3–16）的96小时LC₅₀分布₅₀ 根据表1中所有鱼类EDs的雌激素受体结合亲和力而定。
箱线图表示：（A) 平均值（带加粗水平线的小方块），（B) 1^st 以及3^rd 四分位数（下限和上限）分别代表方框的两端），（计算毒理学分析能够实现对化学物质的高通量筛选，并预测其在生物系统中的终点效应。特别是定量构效关系（QSAR）模型已被 increasingly 应用于评估大量有毒物质对环境的影响。近年来，某些更受关注的毒物类型为内分泌干扰物（EDs，即能够干扰任何激素相关代谢的化学物质）。由于 EDs 可能显著影响动物的发育和繁殖，因此亟需利用计算机模拟技术快速预测 EDs 的有害效应。本研究提出一种计算机模拟方法，用于生成代表性 EDs 对水生脊椎动物（特别是鱼类物种）影响的预测数据。该方案描述了一个示例，利用经济合作与发展组织（OECD）开发的 QSAR Toolbox 软件的自动化工作流程，实现对 EDs 急性生态毒性的预测。结果确定了以下内容：（1）致死浓度 50%（LC50）与辛醇-水分配系数（Kow）之间的数值相关性计算；（2）输出性能，即将实验测定的 LC50 值与计算生成的 LC50 值进行比较；（3）雌激素受体结合亲和力对 Kow 与 LC50 关系的依赖性。）中位数（箱内水平线段），（D) 5^th 和 95^th 百分位数（分别为下限和上限误差线），（E) 1^st 和99^th 百分位数（分别为下限 x 和上限 x），以及（F最小值和最大值（下限和上限，分别）。请点击此处以查看该图的放大版本。

无	CAS登记号	物质名称	SMILES 分子式（二维非立体化学形式）	Log Kow	平均值预测的96小时LC50 (mg/L)	下限 95% 置信区间预测的96小时LC50 (mg/L)	分析工具 - 雌激素受体结合
1	50-28-2	17-β 雌二醇	CC12CCC3C(CCc4cc(O)ccc34)C1CCC2O	4.01	3.62	1.42	强结合剂，含羟基
2	57-63-6	17-α 乙炔基- 雌二醇	CC12CCC3C(CCc4cc(O)ccc34)C1CCC2(O)C#C	3.67	3.00	1.18	强结合剂，羟基
3	80-05-7	2,2-双(4-羟基苯基)丙烷（双酚A）	CC(C)(c1ccc(O)cc1)c1ccc(O)cc1	3.32	4.68	1.80	强结合剂，含羟基
4	80-46-6	4-叔戊基苯酚	CCC(C)(C)c1ccc(O)cc1	3.91	2.27	0.87	弱结合剂，羟基
5	140-66-9	4-叔辛基苯酚	CC(C)(C)CC(C)(C)c1ccc(O)cc1	5.28	0.38	0.14	强结合剂，羟基
6	446-72-0	染料木素 [3',5,7-三羟基-4',6-二甲氧基异黄酮]	Oc1ccc(cc1)C1=COc2cc(O)cc(O)c2C1=O	2.84	32.00	10.03	强结合剂，含羟基
7	10161-33-8	17β-群勃龙	CC12C=CC3C(CCC4=CC(=O)CCC=34)C1CCC2O	2.65	124.72	19.75	强结合剂，羟基
8	67747-09-5	丙环唑（DMI 类杀菌剂）	CCCN(CCOc1c(Cl)cc(Cl)cc1Cl)C(=O)n1ccnc1	4.1	5.19	1.74	非结合物，不含羟基或氨基
9	84852-15-3	4-壬基酚	CC(C)CCCCCCc1ccc(O)cc1	5.92	0.21	0.07	强结合剂，羟基
10	69-72-7	水杨酸	OC(=O)c1ccccc1O	2.26	24.07	9.31	弱结合剂，羟基
11	80-09-1	4,4’-二羟基二苯砜（双酚S）	Oc1ccc(cc1)S(=O)(=O)c1ccc(O)cc1	1.65	48.67	10.67	强结合剂，含羟基
12	84-74-2	邻苯二甲酸二丁酯	CCCCOC(=O)c1ccccc1C(=O)OCCCC	4.5	0.76	0.06	非结合物，不含羟基或氨基
13	92-88-6	4,4′-二羟基联苯	Oc1ccc(cc1)-c1ccc(O)cc1	2.8	12.05	4.20	中等结合剂，含羟基
14	94-13-3	对羟基苯甲酸丙酯	CCCOC(=O)c1ccc(O)cc1	3.04	10.32	3.86	中等结合剂，羟基团
15	98-54-4	4-叔丁基苯酚	CC(C)(C)c1ccc(O)cc1	3.31	4.36	1.68	弱结合剂，OH 基团
16	97-23-4	2,2′-二羟基-5,5′-二氯二苯基甲烷	Oc1ccc(Cl)cc1Cc1cc(Cl)ccc1O	4.26	0.48	0.10	强结合剂，含羟基
17	97-53-0	丁香酚	COc1cc(CC=C)ccc1O	2.27	14.70	5.60	弱结合剂，羟基
18	99-76-3	4-羟基苯甲酸甲酯	COC(=O)c1ccc(O)cc1	1.96	38.20	14.01	弱结合剂，OH 基团
19	103-90-2	N-(4-羟基苯基)乙酰胺	CC(=O)Nc1ccc(O)cc1	0.46	338.97	43.39	弱结合剂，羟基
20	106-44-5	对甲酚	Cc1ccc(O)cc1	1.94	20.47	7.14	弱结合剂，羟基
21	108-39-4	间甲酚	Cc1cccc(O)c1	1.96	23.45	9.17	弱结合剂，羟基
22	108-45-2	1,3-苯二胺	Nc1cccc(N)c1	-0.33	34.60	0.00	弱结合剂，NH2 基团
23	108-46-3	1,3-二羟基苯	Oc1cccc(O)c1	0.8	123.03	27.06	弱结合剂，羟基
24	108-91-8	环己胺	NC1CCCCC1	1.49	28.08	1.40	弱结合剂，NH2 基团
25	119-36-8	水杨酸甲酯	COC(=O)c1ccccc1O	2.55	16.16	5.68	弱结合剂，羟基
26	120-47-8	4-羟基苯甲酸乙酯	CCOC(=O)c1ccc(O)cc1	2.47	19.93	7.40	弱结合剂，羟基
27	120-80-9	1,2-二羟基苯	Oc1ccccc1O	0.88	11.14	0.01	弱结合剂，羟基
28	123-31-9	1,4-二羟基苯 [1,4-苯二酚]	Oc1ccc(O)cc1	0.59	90.75	33.19	弱结合剂，羟基
29	131-53-3	2,2′-二羟基-4-甲氧基二苯甲酮	COc1ccc(C(=O)c2ccccc2O)c(O)c1	3.82	3.97	1.46	强结合剂，含羟基
30	131-56-6	2,4-二羟基二苯甲酮	Oc1ccc(c(O)c1)C(=O)c1ccccc1	2.96	12.04	4.73	强结合剂，羟基
31	131-57-7	2-羟基-4-甲氧基二苯甲酮	COc1ccc(C(=O)c2ccccc2)c(O)c1	3.79	5.96	2.27	强结合剂，羟基
32	599-64-4	4-异丙基苯酚	CC(C)(c1ccccc1)c1ccc(O)cc1	4.12	2.15	0.84	强结合剂，羟基
33	2855-13-2	1-氨基-3-氨甲基-3,5,5-三甲基环己烷	CC1(C)CC(N)CC(C)(CN)C1	1.9	30.65	1.53	中等结合剂，NH2 基团
34	6864-37-5	3,3′-二甲基-4,4′-二氨基二环己基甲烷	CC1CC(CCC1N)CC1CCC(N)C(C)C1	4.1	1.07	0.05	强结合剂，NH2 基团
35	25013-16-5	叔丁基-4-羟基苯甲醚	COc1ccc(O)c(c1)C(C)(C)C	3.5	4.85	1.85	中等结合剂，羟基团
36	147315-50-2	2-(4,6-二苯基-1,3,5-三嗪-2-基)-5-(己氧基)苯酚	CCCCCCOc1ccc(c(O)c1)-c1nc(nc(n1)-c1ccccc1)-c1ccccc1	6.24	0.17	0.06	强结合剂，羟基
37	88-68-6	2-氨基苯甲酰胺	NC(=O)c1ccccc1N	0.35	694.00	84.30	弱结合剂，NH2 基团
38	611-99-4	4,4′-二羟基二苯甲酮	Oc1ccc(cc1)C(=O)c1ccc(O)cc1	2.19	37.74	14.67	强结合剂，含羟基
39	27955-94-8	1,1,1-三(4-羟基苯基)乙烷	CC(c1ccc(O)cc1)(c1ccc(O)cc1)c1ccc(O)cc1	4.38	2.09	0.82	强结合剂，含羟基
40	87-18-3	水杨酸-4-叔丁基苯酯	CC(C)(C)c1ccc(OC(=O)c2ccccc2O)cc1	5.73	0.24	0.09	强结合剂，羟基
41	47465-97-4	3,3-双(3-甲基-4-羟基苯基)2-吲哚啉酮	Cc1cc(ccc1O)C1(C(=O)Nc2ccccc12)c1ccc(O)c(C)c1	4.48	2.07	0.77	强结合剂，含羟基
42	99-96-7	对羟基苯甲酸	OC(=O)c1ccc(O)cc1	1.58	8.54	0.00	弱结合剂，羟基
43	80-07-9	1-氯-4-(4- 氯苯基)磺酰苯	Clc1ccc(cc1)S(=O)(=O)c1ccc(Cl)cc1	3.9	3.92	0.85	非结合物，不含羟基或氨基
44	84-65-1	9,10-蒽醌	O=C1c2ccccc2C(=O)c2ccccc12	3.39	7.00	3.54	非结合物，不含羟基或氨基
45	85-44-9	2-苯并呋喃-1,3-二酮	O=C1OC(=O)c2ccccc12	1.6	2.69	0.00	非结合物，不含羟基或氨基
46	92-84-2	10H-吩噻嗪	N1c2ccccc2Sc2ccccc12	4.15	1.07	0.08	非结合物，不含羟基或氨基
47	2855-13-2	1-氨基-3-氨甲基-3,5,5-三甲基环己烷	CC1(C)CC(N)CC(C)(CN)C1	1.9	30.65	1.53	中等结合剂，NH2 基团
48	50-27-1	雌三醇	CC12CCC3C(CCc4cc(O)ccc34)C1CC(O)C2O	2.45	21.21	8.29	强结合剂，含羟基
49	50-50-0	β-雌二醇-3-苯甲酸酯	CC12CCC3C(CCc4cc(OC(=O)c5ccccc5)ccc34)C1CCC2O	5.47	0.36	0.02	强结合剂，羟基
50	53-16-7	雌酮	CC12CCC3C(CCc4cc(O)ccc34)C1CCC2=O	3.13	7.78	3.06	强结合剂，羟基
51	92-52-4	联苯	c1ccc(cc1)-c1ccccc1	4.01	4.10	0.47	非结合物，不含羟基或氨基
52	92-69-3	对苯基苯酚	Oc1ccc(cc1)-c1ccccc1	3.2	5.99	1.82	中等结合剂，含羟基
53	96-29-7	2-丁酮肟	CCC(C)=NO	0.63	32.67	2.49	非结合物，非环状结构
54	121-75-5	马拉硫磷	CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC	2.36	37.73	3.33	非结合物，非环状结构
55	123-07-9	4-乙基苯酚	CCc1ccc(O)cc1	2.58	13.63	4.65	弱结合剂，羟基
56	645-56-7	4-正丙基苯酚	CCCc1ccc(O)cc1	3.2	7.32	2.55	弱结合剂，羟基
57	1638-22-8	对叔丁基苯酚	CCCCc1ccc(O)cc1	3.65	4.09	1.39	弱结合剂，羟基
58	1912-24-9	莠去津	CCNc1nc(Cl)nc(NC(C)C)n1	2.61	30.87	4.63	非结合物，不含羟基或氨基
59	40596-69-8	甲氧普林	COC(C)(C)CCCC(C)CC=CC(C)=CC(=O)OC(C)C	5.5	0.08	0.00	非结合物，非环状结构
60	1987-50-4	4-庚基苯酚	CCCCCCCc1ccc(O)cc1	5.01	0.66	0.22	中等结合剂，OH基团
61	92-86-4	p,p'-二溴联苯	Brc1ccc(cc1)-c1ccc(Br)cc1	5.72	0.11	0.02	非结合物，不含羟基或氨基
62	480-41-1	柚皮素	Oc1ccc(cc1)C1CC(=O)c2c(O)cc(O)cc2O1	2.52	27.84	10.87	强结合剂，含羟基
63	486-66-8	染料木黄酮	Oc1ccc(cc1)C1=COc2cc(O)ccc2C1=O	2.55	36.47	11.71	强结合剂，含羟基
64	491-70-3	木犀草素	Oc1cc(O)c2C(=O)C=C(Oc2c1)c1ccc(O)c(O)c1	2.53	43.75	14.28	强结合剂，含羟基
65	491-80-5	金雀异黄素 A	COc1ccc(cc1)C1=COc2cc(O)cc(O)c2C1=O	3.41	15.87	3.70	强结合剂，羟基
66	520-18-3	山奈酚	Oc1ccc(cc1)C1Oc2cc(O)cc(O)c2C(=O)C=1O	1.96	70.98	8.05	强结合剂，含羟基
67	2051-60-7	2-氯联苯（PCB 1）	Clc1ccccc1-c1ccccc1	4.53	0.77	0.16	非结合物，不含羟基或氨基
68	2051-61-8	3-氯联苯（PCB 2）	Clc1cccc(c1)-c1ccccc1	4.58	0.77	0.16	非结合物，不含羟基或氨基
69	2051-62-9	4-氯-1,1'-联苯	Clc1ccc(cc1)-c1ccccc1	4.61	0.77	0.16	非结合物，不含羟基或氨基
70	2446-69-7	对-正己基苯酚 [4-己基苯酚]	CCCCCCc1ccc(O)cc1	4.52	1.22	0.42	中等结合剂，羟基团
71	14938-35-3	4-正戊基苯酚	CCCCCc1ccc(O)cc1	4.06	2.44	0.89	弱结合剂，羟基
72	17924-92-4	玉米赤霉烯酮	CC1CCCC(=O)CCCC=Cc2cc(O)cc(O)c2C(=O)O1	3.58	7.22	2.66	强结合剂，羟基
73	1743-60-8	β-雌二醇-3-苯甲酸酯-17-丁酸酯	CC(=O)OC1CCC2C3CCc4cc(O)ccc4C3CCC12C	4.95	0.91	0.35	强结合剂，羟基
74	479-13-0	香豆雌酚	Oc1ccc2c(OC(=O)c3c-2oc2cc(O)ccc32)c1	1.57	52.16	11.44	强结合剂，含羟基

表1：评估的内分泌干扰化学品列表。使用OECD QSAR Toolbox 4.3版本的自动工作流程预测了平均值（AVE）和95%置信区间下限（CI）的有效浓度（95小时LC₅₀，Pimephales promelas），以及雌激素受体结合能力。Log₁₀K_ow通过QSAR Toolbox 4.3从KOWWIN v1.68（2000年，美国环境保护局）获取。优先采用实验测得的log₁₀K_ow值而非预测值。目标物质列表来源于先前报道的内分泌干扰物列表²²^,²³^,²⁴。

补充信息。 请点击此处下载该文件。

讨论

本文展示了经济合作与发展组织（OECD）QSAR Toolbox 作为生态毒理学分析软件在研究内分泌干扰物对水生脊椎动物不良影响方面的多功能性。此外，还演示了一种简单且标准的协议，用于预测74种代表性内分泌干扰物（EDs）对鱼类物种的急性毒性（96小时LC₅₀）（表1）。该预测通过应用QSAR Toolbox中内置的类别构建、数据空缺填补和雌激素受体（ER）谱型分析模块实现（图1，图2）。

如补充图S1所示，log₁₀LC₅₀与log₁₀K_OW之间具有负斜率的线性相关性，长期以来被视为QSAR分析中的一种标准定量关系²⁵，即某种化学物质的疏水性越强，其毒性越高。通过简单计算可知，包含公式S1和公式S2（补充信息）在内的通用数学关系，是由以下幂函数转换而来的表达式²⁶：

平衡方程：log(LC50) = a' - b·log(Kow)，数学分析公式。

毒理学研究中的LC<sub>50</sub>方程，显示数学模型参数和对数。

根据（公式2）的图示，通过调整参数a和b，可能可以表征K_OW²⁶的中间范围，其中疏水性（或亲水性）的一定变化不会显著改变急性毒性的终点。

如图3和图4所示，针对LC₅₀的计算预测结果与实验观测结果之间的比较分析，已在多种水生毒物的QSAR研究中广泛报道，包括工业用非离子表面活性剂²⁷、三唑类杀菌剂²⁸以及农药代谢产物²¹。此类回顾性验证可提供信息，用以评估特定QSAR工具在与实验结果进行比较时所能达到的性能范围。在本项关于鱼类急性毒性的研究中，QSAR Toolbox被证实对所有鱼类以及单一物种Pimephales promelas中超过90%的受试内分泌干扰物（EDs）均能提供具有保护性的预测结果。

还需进一步确认图3和图4中的三种异常化学物质，它们的预测LC₅₀值分别在平均值和最小值上均较高。首先，3',5,7-三羟基-4',6-二甲氧基异黄酮是一种黄酮类化合物（更具体地说，属于异黄酮），通常被认为安全性较高，并用于草本药物中；然而，它仍存在与雌激素相关的担忧²⁹，可能通过解偶联氧化磷酸化作用引起急性毒性³⁰。其次，1,4-苯二酚（又称对苯二酚）是一种酚类化合物，可在鱼类中引发非特异性和细胞毒性的免疫反应³¹。最后，4-己基苯酚已被证实具有足够的雌激素活性，可被归类为内分泌干扰物（ED）³²。已有充分研究表明，对苯二酚急性毒性的主要原因在于其氧化还原（redox）循环过程：对苯二酚被氧化为苯醌，随后又被还原为半醌或对苯二酚，该过程反复进行，消耗辅因子并产生活性氧物种³³。其余两种化学物质可能需要通过分子对接等方法进行更深入的研究，以揭示其在急性生态毒性中的作用机制，例如Panche等人所采用的方法³⁴，而这些方法无法由QSAR Toolbox涵盖。

EDs 主要通过与类固醇受体（如雌激素受体和雄激素受体）发生理化相互作用来干扰内分泌系统，这在 QSAR 建模研究中具有重要意义³⁵。鉴于此，QSAR Toolbox 能够仅基于化学物质分子结构的二维描述符，便捷、快速地对其雌激素受体（ER）结合亲和力进行分类，在这方面具有较强的可靠性。当将该 ER 分析系统应用于我们的 EDs 列表时，未发现 ER 结合亲和力与疏水性之间存在明显相关性（补充图 S2）。这一结果可能是因为类固醇-受体复合物的形成并非单纯由疏水键合作用直接导致，而是需要伴随受体活性位点结构的构象变化³⁶。此外，受体结合也可能由氢键作用和 π-堆积作用引起。

此外，即使分子的疏水性以及氢键受体-供体数量保持不变，各个化学基团在分子上的位置也可能影响受体结合。其次，随着雌激素受体（ER）结合亲和力的增加，ER分析工具在预测值与实验测得的LC₅₀平均值之间呈现出相反的趋势（图5）。这可能是因为在急性毒性试验中，亲代生物的致死效应通常并非由ER结合引起，大多数情况下是由于麻醉作用，而对于对苯二酚而言，则可能是由于氧化还原循环所致。例如，需要对更大范围的内分泌干扰物（EDs）开展更深入的分析，包括慢性毒性研究，以明确当前版本QSAR Toolbox的预测局限性。

这项初步研究也可能具有公共卫生意义，因为类固醇（雄激素、雌激素、孕激素和皮质类固醇）及其受体在脊椎动物中表现出相似甚至相同的高分子结构⁵。这类类似的内分泌信号系统在内分泌干扰物（EDs）的关键事件中可能通过共同的机制发挥作用⁵。然而，仍需要更多补充性方法来阐明这一广泛而复杂的领域［例如，通过进行吸收、分布、代谢和排泄（ADME）的计算建模和/或不良结局通路（AOP）分析］³⁸。此外，由于科学界和公众对EDs不良影响的大多数关注都与其慢性毒性相关，因此有必要改进QSAR Toolbox中的数据库和算法，并为EDs生成可靠的长期生态毒性预测结果。

本文展示了利用QSAR Toolbox比较生态毒理学LC₅₀ 鱼类的 log 值₁₀K_Kow 内分泌干扰物（EDs）的数值。在整个方案中，这两个参数之间呈现出较弱的相关性，这与以往的研究结果一致（例如，Kim et al.³⁹）表明log₁₀K_Kow 不是水生生物LC50的良好直接预测指标₅₀尽管存在这一局限性，本方案仍提供了一个通用的综述或“简例”，用于说明如何针对特定目的使用该仪表盘，因为利用QSAR Toolbox研究LC50与Kow之间的相关性是一种有效的应用方式。₅₀ （或雌激素受体结合亲和力）与log₁₀K_Kow,或作为快速急性生态毒性筛选的工具。然而，需要注意的是：（1）阐明雌激素受体结合与慢性毒性（而非急性毒性，即致死性）之间的关联更具相关性，以便发现更明确的相关性；（2）雄激素受体与雌激素受体共同在生殖毒性中发挥关键作用。因此，未来版本的QSAR Toolbox有必要针对上述两点改进其预测功能。

披露

作者无任何利益冲突需要披露。

致谢

本研究由国家科学研究院资助 & 技术（NST）基金，由韩国政府（MSIP）资助（编号：CAP-17-01-KIST Europe）以及项目11911。

材料

本文使用的材料清单
姓名	公司	目录编号	评论
Adobe Acrobat Reader DC	Adobe Systems Software Ireland Limited	NA	需查看预测结果与分类报告
计算机	系统：Microsoft Corporation	NA	推荐的系统配置：（i）系统类型：64 位，Microsoft Windows 7 或更高版本，（ii）处理器：2.4 GHz 或更快的 I5 处理器或同等性能的 AMD CPU，（iii）安装的内存（RAM）：6 GB 内存，（iv）硬盘驱动器（HDD）：20 GB 可用硬盘空间
Microsoft Editor	Microsoft Corporation	NA	需将包含CAS编号的物质列表（批处理模式）作为.txt文件（文本文件）上传至OECD QSAR Toolbox
Microsoft Excel 2016	微软公司	NA	需要将数据从 OECD QSAR Toolbox 导出为 .cvs、.xls 或 .xlsx 文件
OECD QSAR Toolbox 版本 4.0 或更高版本	经济合作与发展组织经济合作与发展组织	NA	需运行经合组织（OECD）QSAR Toolbox 自动化工作流程；可免费下载： https://qsartoolbox.org/download/
OriginPro 9	OriginLab Corporation	NA	可选的数据分析程序；其他类似工具亦可使用

参考文献

Najarian, K., Najarian, S., Gharibzadeh, S., Eichelberger, C. N. Systems Biology and Bioinformatics: A Computational Approach. , CRC Press. Boca Raton, FL, USA. (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. , Academic Press. Cambridge, MA, USA. (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. QSARs for New Practitioners. QSARs for Pollution Prevention, Toxicity Screening, Risk Assessment, and Web Applications. Walker, J. D. , SETAC Press. Pensacola, FL, USA. (2003).
Sánchez-Bayo, F. From simple toxicological models to prediction of toxic effects in time). Ecotoxicology. 18, 343-354 (2009).
Sjöström, M., Lindgren, Å, Uppgård, L. L. Joint Multivariate Quantitative Structure-Property and Structure-Activity Relationships for a Series of Technical Nonionic Surfactants. Quantitative Structure-Activity Relationships in Environmental Sciences-VII. Chen, F., Schüürmann, G. , SETAC Press. Pensacola, FL, USA. (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. , CRC Press. Boca Raton, FL, USA. (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).

内分泌干扰物计算水生毒理学的计算机模拟建模方法：基于QSAR Toolbox软件的建模方法

本文内容

摘要

摘要

引言

方案

结果

讨论

披露

致谢

材料

参考文献

重印与许可

标签