Summary
Modellering af kvantitative struktur-aktivitetsrelationer (QSAR) er en repræsentativ Bioinformatik-assisteret metode til toksikologisk screening. Denne protokol viser, hvordan man beregner risiciene ved hormonforstyrrende stoffer (EDs) i vandmiljøet. Ved hjælp af OECD'S QSAR-værktøjskasse implementerer protokollen en in silico-analyse til analyse af toksicitet af hormonforstyrrende stoffer i fisk.
Abstract
Beregningsmæssige analyser af toksikologiske processer muliggør en høj gennemløbs screening af kemiske stoffer og forudsigelse af deres endepunkter i biologiske systemer. Navnlig er der i stigende grad anvendt kvantitative struktur-aktivitetsrelationer (QSAR-modeller) til at vurdere de miljømæssige virkninger af en overflod af giftige materialer. I de seneste år, nogle mere fremhævede typer af giftstoffer er hormonforstyrrende stoffer (EDs, som er kemikalier, der kan forstyrre enhver hormon-relaterede metabolisme). Da hormonforstyrrende stoffer i væsentlig grad kan påvirke dyrenes udvikling og reproduktion, er det nødvendigt hurtigt at forudsige de negative virkninger af hormonforstyrrende stoffer i silico-teknikker. Denne undersøgelse præsenterer en in silico-metode til at generere forudsigelsesdata om virkningerne af repræsentative hormonforstyrrende stoffer i akvatiske hvirveldyr, navnlig fiskearter. Protokollen beskriver et eksempel ved hjælp af den automatiserede arbejdsgang af QSAR Toolbox software udviklet af organisationen for økonomisk samarbejde og udvikling (OECD) for at muliggøre akut Økotoksicitet forudsigelser af EDs. Som følge heraf bestemmes følgende: (1) beregning af de numeriske korrelationer mellem koncentrationen for 50% af dødelighed (LC50) og octanol-vand fordelingskoefficient (Kow), (2) output præstationer, hvor LC50 værdier bestemt i eksperimenter sammenlignes med dem, der genereres af beregninger, og (3) afhængighed af østrogen receptor binding affinitet på forholdet mellem Kow og LC50.
Introduction
Nye udviklinger inden for Informatik og beregnings teknologi har styrket de biologiske videnskaber med kvantitative metoder, der giver høj præcision og pålidelighed1. Især har algoritmer, der anvendes i molekylær taksonomi og egenskabsklassifikation, resulteret i kvantitative struktur-aktivitetsforhold (QSAR)-modeller2. Disse modeller korrelerer automatisk de kemiske strukturer og biologiske aktiviteter i en given kemisk database og gennemfører hurtig in silico-screening af en lang række kemiske substrater i henhold til deres medicinske eller toksikologiske foranstaltninger3. QSAR-værktøjer kan producere forudsigende toksicitetsprofiler som funktion af funktions vektorer af molekylære deskriptorer (dvs. fysisk-kemiske parametre) af kemikalier af interesse for numerisk at skabe kategoriske endepunkter4. Normalt vises hvert kvantitative slutpunkt som et 2D-scatterplot vs. ændringer i deskriptorværdier. En QSAR-model genereres derefter ved hjælp af (Multiple) lineære regressionsanalyser. Når et datasæt er fuldt udnyttet til at konstruere en QSAR-model (kaldet Træningssættet), valideres modellen statistisk ved at forudsige endepunkterne for en gruppe kemikalier, der ikke er inkluderet i træningssættet (kaldet test sættet). Modellen kan derefter bruges til at forudsige de biologiske aktiviteter af uafprøvede forbindelser3.
Blandt mange skadelige kemikalier, hormonforstyrrende stoffer (EDS) er blevet fremhævet som en gruppe af giftstoffer, der kan interferere i talrige hormon-relaterede metabolimer i pattedyr, padder, og fisk5,6. EDs er kendt for at inducere en række bivirkninger, såsom kræft og misdannelser, ved at blokere eller ændre normale hormonelle veje eller aktivere unormale hormon syntese/nedbrydnings signaler. Som en konsekvens, disse hormon-mimicking kemikalier kan forstyrrer endokrine systemer, således at biologisk udvikling og reproduktion af dyreliv dyr populationer hæmmes. Især er de økotoksikologiske virkninger af hormonforstyrrende stoffer blevet grundigt undersøgt hos akvatiske hvirveldyr, som har næsten identiske hormonreceptor strukturer til pattedyr, herunder mennesker. Da alle hormonelle handlinger forekommer ved lave doser in vivo, er det afgørende for folkesundheden og miljøet at forudsige de potentielle toksiciteter af ED-kandidater, der anvender hurtig in silico-screening.
QSAR modeller baseret på toksikologien af EDs er blevet udført udnytter både 2D og 3D deskriptorer (kendt som 2D og 3D QSAR, henholdsvis), som afslører ED ligand bindende tilhørsforhold af østrogen, androgen, og progesteron receptorer7. På trods af de høje præcisions fordele ved 3D QSAR, hvor konformationelle og elektrostatiske interaktioner overvejes, bevarer 2D QSAR sin egen robusthed i direkte matematiske algoritmer, hurtige beregninger og ekstremt lave Computational belastninger. Derudover er 2D-QSAR-modeller fleksible til brug i en lang række applikationer, samtidig med at de opnår relativt nøjagtige forudsigelsesresultater.
OECD QSAR Toolbox er i øjeblikket en af de mest anvendte edb-software-værktøjer, der leverer frit tilgængelige og præ-bygget QSAR modeller8,9. Dens profiler bruger 2D deskriptor databaser. Siden udgivelsen af den første version i 2008 er softwaren blevet anvendt inden for kemiske og biologiske industrier, Folkesundhed og miljø sikkerhed for fuldstændig eller delvis analyse af de potentielle risici ved naturlige og syntetiske forbindelser, med særlige interesser i carcinogenese10,11,12, mutagenicitet13,14,15, og udviklingstoksicitet16. Anvendelsen på akvatisk toksikologi er også blevet påvist med fokus på bioakkumulering og biotransformation17.
QSAR Toolbox har vist sig nyttig til at forudsige korttidstoksicitet af en bred vifte af kemikalier17, samt østrogen receptor (er) bindende tilhørsforhold af EDS18. De akutte økotoksiciteter af hormonforstyrrende stoffer i akvatiske hvirveldyr er imidlertid ikke blevet analyseret ved hjælp af QSAR-værktøjskassen. I denne undersøgelse, en typisk og facile protokol præsenteres for at udføre QSAR modellering på de akutte negative virkninger af EDs med fokus på fiskearter. Undersøgelsen viser, at QSAR Toolbox er en yderst tilgængelig software til beregning og forudsigelse af dødelighed/dødelighed for akvatiske hvirveldyr for nogle repræsentative hormonforstyrrende stoffer. der fremlægges statistiske behandlingsmetoder for de afledte i silico-datasæt. Figur 1 viser det overordnede skema for den generelle drift af QSAR Toolbox. Den arbejdsgang, der er vist i figur 2 , indeholder en enkel vejledning i, hvordan man anvender in silico-analysen til at forudsige akut økotoksicitet for målstoffer såsom hormonforstyrrende kemikalier.
Protocol
1. udstyr
- Software: Brug OECD QSAR Toolbox 4,0 eller nyere (gratis download fra < https:/qsartoolbox.org/download/?) og data analysis software.
- Computer: til OECD QSAR Toolbox, brug: (i) systemtype: 64 bit, Windows 7 eller nyere; (II) processor: i5 på 2,4 GHz, eller en hurtigere processor eller tilsvarende AMD CPU; (III) installeret hukommelse (RAM): 6 GB; (IV) harddiskdrev (HDD): 20 GB ledig harddiskplads (OECD QSAR Toolbox 4,3 Udgivelsesbemærkninger: < https://qsartoolbox.org/file/2019/02/Toolbox-4.3-Release-Notes-1.pdf >).
2. procedure
- OECD QSAR Toolbox
Bemærk: QSAR Toolbox opererer i seks på hinanden følgende flow moduler startende fra input og efterfulgt af profilering, data, kategori definition, data Gap fyldning, derefter rapport, placeret i toppen af programgrænsefladen.- Udforsk de førnævnte seks stadier gennem seks Værktøjslinjeikoner ved at venstre klikke. Først skal du kigge over de stadier af input, data Gap fyldning, og rapport , der er nødvendige for at udføre den automatiserede workflow "økotoksikologiske Endpoint" og til at dokumentere sine resultater.
- Tag et kort kig over valgfrie stadier profilering og data. Profilerings stadiet giver et første indblik i målstoffets (øko) toksicitets potentiale og miljømæssige skæbne karakteristika. Valgfrit data stadie gør det muligt at søge efter tilgængelige forsøgsdata vedrørende målstoffet.
- Input
- Når QSAR-værktøjskassen startes, begynderbrugeren som standard i input Toolbox-fasen. QSAR-værktøjskassen opretter automatisk en fungerende fil med navnet "Document 1", som vises i panelet trin i venstre side af programgrænsefladen. Omdøb filen, hvis det ønskes, ved at højreklikke på arbejdsfilen.
- Klik på CAS # -knappen på værktøjslinjen handlinger, Angiv CAS-nummeret (Chemical Abstract Service) for målstoffet i det tilgængelige tekstfelt, og klik på Søg. Værktøjet vil derefter søge efter målstoffet ved CAS-nummer.
- Hvis det er nødvendigt, skal du vælge andre søgeindstillinger, der er tilgængelige på værktøjslinjen handling, f. eks. Smil kan indtastes som 2D ikke-stereokemiske eller 3D Stereo indeholder former. Klik på henholdsvis navn eller struktur . Brug struktur værktøjet til at tegne målstoffet.
- Søgeværktøjet viser søgeresultaterne via databaseposter i et pop op-vindue. Vælg den post, der rapporterer et "højt" CAS-smil-forhold (CS-relation -felt), hvis der hentes flere poster for målstoffet ved at markere feltet til venstre for posten. Klik på OK.
Bemærk: det er kun muligt at gå videre fra dette punkt, hvis den hentede post indeholder en smil-kode, da SMILETS kode (2D ikke-stereokemisk indeholdende form) er grundlaget for beregningen. - Batch mode: for at udføre in silico assay for flere målstoffer, skrive en simpel stof liste i en tekst editor, hvor hvert CAS-nummer er opført i en enkelt række (supplerende figur S3). Gem tekstfilen med et passende navn og Extension. txt på computeren.
- Batch tilstand: Klik på data. Gå derefter til databaser i indstillingspanelet fase til venstre for programgrænsefladen. Kontroller, at databaser, der er angivet under økotoksikologiske oplysninger , er markeret.
- Batch tilstand: Klik på input. Vælg forespørgsel på værktøjslinjen handlinger. Accepter de indstillinger, der er angivet i trin 2.2.6, ved at klikke på Ja i dialogvinduet.
- Batch mode: Vælg fanen CAS . upload stof listen gemt som tekstfil via Indlæs liste fra din computer.
- Batch mode: der er to tilføje knapper til rådighed; Klik på knappen Tilføj nederst i pop op-menuen, og klik derefter på Udfør. QSAR Toolbox viser en meddelelse om antallet af stoffer, der er hentet til søgningen.
Bemærk: nogle af stofferne på den indlæste liste findes muligvis ikke af søgeværktøjet, eller at flere indgange kan være tilgængelige for ét CAS-nummer. Det er ikke muligt at slette stoffer fra det udtagne sæt af stoffer.
- Profilering
Bemærk: følgende afsnit er valgfrit. Hvis dette ikke er påkrævet, skal du springe til afsnit 2,5.- Klik på knappen profilering af værktøjskasse. Gå til profilerings metoder i panelet trin i venstre side af programgrænsefladen.
- Klik på Fjern markeringen af alle. Kontrollere alle profilere opført under foruddefinerede og dem, der vedrører akvatisk toksicitet opført under Endpoint specifikke såsom "akut akvatisk toksicitet klassifikation af Verhaar (modificeret)."
- Afslutte markeringen. Klik derefter på knappen Anvend på værktøjslinjen handlinger.
Bemærk: QSAR-værktøjskassen indeholder anbefalinger om et sæt profilere. Disse er fremhævet med grønt (egnet) og orange (plausibelt), når du vælger indstillinger ≫ farve efter: ≫ endepunkt valgt i data matrix i øverste venstre hjørne af profilerings metoder. Venstre klik på data matrixfeltet ved siden af interessepunktet. Tilgængelige slutpunkter vises i slutpunkts træet ud for panelet trin. Den profilerede stof type vil angive, om målstoffet er et "diskret kemikalie". Oplysningerne vises i det udvidede slutpunkts træ "profil", "foruddefineret" og "stof type". Kun hvis målstoffet er et diskret kemikalie, kan den automatiserede arbejdsgang køre med succes. "Akut akvatisk toksicitet klassifikation af verhaar (ændret)" giver et første estimat af den akutte akvatisk toksicitets mekanisme for målstoffet19,20. Oplysningerne vises i det udvidede slutpunkts træ "profil", "endepunkts specifik" og "akut akvatisk toksicitets klassifikation af Verhaar (ændret)". Fem klasser er tilgængelige: (klasse 1) inerte kemikalier (baseline toksicitet); (klasse 2) mindre inerte kemikalier; (klasse 3) reaktive kemikalier; (klasse 4) specifikt virkende kemikalier og (klasse 5) for kemikalier, som ikke er mulige at klassificere. - Højreklik på parameteren i slutpunkts træet for at køre integrerede 2D-og 3D QSAR-modeller, der er tilgængelige i QSAR-værktøjskassen, hvis det ønskes. Klik på Beregn/Udpak alle parametre for alle kemikalier i pop op-menuen.
- 2D-og 3D QSAR-modeller, som er kompileret i parameter , angiver numeriske værdier. Brug "profilerings metoder" til kvalitative oplysninger (Se trin 2.3.1).
- Data
Bemærk: dette afsnit er valgfrit. Hvis det ikke er påkrævet, skal du springe til afsnit 2,5.- Klik på knappen data i værktøjskasse fase . Klik derefter på Indsaml fra værktøjslinjen handlinger.
- Vælg alle slutpunkter for at samle alle eksperimentelle data, og Vælg derefter at indsamle endepunkts specifikke eksperimentelle data. Som et eksempel, hvis akvatisk toksicitet er brugerens fokus, klik på vælg ≫ økotoksikologiske oplysninger > akvatisk toksicitet > OK.
Bemærk: Hvis du vælger at indsamle eksperimentelle data for alle endepunkter, kan det medføre forlænget behandlingstid. Brugeren kan tilpasse hierarkiet af slutpunkts træet til det specifikke formål. Dette ændrer den måde, data vises på. - Hvis det ønskes, Højreklik på slutpunktet for interesse i slutpunkts træområdet. Vælg Angiv træhierarki i pop op-menuen. Organiser slutpunkts træet på den foretrukne måde ved hjælp af de tilgængelige termer og pile, og klik på OK.
- Hvis det ønskes, Eksporter de indsamlede data som en Excel-fil. Højreklik på interessepunktet, og vælg Eksportér data matrix i pop op-menuen.
- Guiden "matrix eksport" åbnes og gør det muligt at føje andre slutpunkter til eksportlisten. Afslut markeringen, klik på Eksporter, og Gem filen på computeren.
Bemærk: det er ikke muligt at eksportere data fra alle databaser. F. eks. kan data, der er hentet fra databasen "ECHA CHEM", ikke gemmes.
- Udfyldning af data kløft
- Klik på værktøjskassen fase knap data Gap påfyldning. Klik derefter på automatiseret på værktøjslinjen handlinger.
- Vælg økotoksikologisk endepunkt > fisk, LC50 (dødelig koncentration, 50%) på 96 h for Pimephales promelas (dødelighed). Klik på OK. Der vises en "arbejdsproces controller", og behandlingen vil tage op til flere minutter, især i batchtilstand.
Bemærk: QSAR Toolbox anvender automatisk et defineret sæt profilatorer, når der søges efter egnede stoffer med tilgængelige eksperimentelle data til forudsigelse. Forsøgsdata [f. eks. effekt koncentrationer 96 h LC50 (p. promelas) eller 96 h EC50 (p. promelas, dødelighed)] anvendes til at generere forudsigelsen for målstoffet ved enten lineær tilnærmelse eller nærmeste nabo metode. Bemærk, at metoderne til lineær tilnærmelse og nærmeste nabo kaldes trendanalyse (mærket som "T") og analogi over (mærket som "R") hhv. - Brugeren får vist en meddelelse, hvis forudsigelsen udføres korrekt. Klik på OK , og luk arbejdsproces controlleren, der angiver "afsluttet arbejdsproces", ved at klikke på x i øverste højre hjørne.
- Batch tilstand: ved start af den automatiserede arbejdsgang vil brugeren blive bedt om at angive det område af stoffer, som arbejdsprocessen skal udføres over. Accepter hele rækken af stoffer valgt som standard i dialogvinduet ved at klikke på OK.
- Batch tilstand: brugeren modtager ikke en meddelelse, der angiver, om en forudsigelse blev kørt korrekt eller uden held. Luk arbejdsproces controlleren, der angiver "afsluttet arbejdsproces" i slutningen af batchbehandlingen, ved at klikke på x i øverste højre hjørne.
- Rapport
- Hvis en forudsigelse blev gennemført, klik på værktøjskassen fase knap rapport.
Bemærk: der kan ikke genereres rapporter i batchtilstand. - Rul ned, og Find forudsigelses værdien i matrixfeltet, der er placeret i en gul markeret række ud for slutpunktet "96-h". Den forudsagte værdi er mærket med "T" eller "R". Aktivér dette specifikke data matrixfelt ved at venstre klikke på det.
- Klik på forudsigelse på værktøjslinjen handlinger. Tilpas rapportens indhold og udseende i pop op-guiden. Tre typer af rapporter er tilgængelige: (i) forudsigelse, (II) kategori, og (III) data matrix.
- Guiden giver brugeren mulighed for at udfylde forfatterens navn og kontaktoplysninger. Skriv et kort resumé, give en detaljeret forklaring af den mekanistiske fortolkning, eller give begrundelse for tilstrækkeligheden af forudsigelsen.
- Medtag yderligere oplysninger vedrørende den udførte forudsigelse, hvis det ønskes. Omfanget af yderligere oplysninger afhænger af brugeren.
- Gå gennem guiden ved at klikke på Næste. Klik til sidst på Opret rapport , og Gem forudsigelses-og kategori rapporterne som PDF-filer og data matrixen som et Excel-regneark på computeren.
- Find yderligere oplysninger om funktionerne i QSAR Toolbox og automatiserede arbejdsprocesser i ansøgnings manualen til OECD QSAR Toolbox v. 4 (F1 hjælp på tastaturet). Detaljer om algoritmer og rationale bag den automatiserede arbejdsgang er beskrevet af Dimitrov et al.8 og Yordanova et al.9.
- Hvis en forudsigelse blev gennemført, klik på værktøjskassen fase knap rapport.
3. ansøgning
- Hvis du bruger den forventede effektkoncentration (dvs. 96-h LC50 af P. promelas) i miljørisikovurderingen, skal du bruge den nedre grænse på 95% konfidensintervallet. Find dataene på den første side i den gemte forudsigelses rapport (PDF) i "prognose oversigt", "forventet værdi: < Mean > (fra < lower_limit > til < upper_limit >)."
Bemærk: de her angivne noter er baseret på resultaterne af sammenligningen mellem forventede og eksperimentelle data for et sæt målstoffer, der er indberettet i dette studie. Ved at vælge den nedre ende af 95% konfidensintervallet vil det øge sandsynligheden for, at den forventede effektkoncentration ikke undervurderer stoffets reelle toksicitet (se de repræsentative resultater). Den forventede effektive koncentration af den nedre grænse for konfidensintervallet på 95% vil derfor udgøre et sikrere grundlag for risikovurdering.
Representative Results
Eksemplet beskrevet i dette studie blev implementeret for kvantitativ analyse og forudsigelse af akut toksicitet af udvalgte hormonforstyrrende stoffer i fisk. Når de forventede datapunkter blev afbildet versus eksperimentelle datapunkter som en log-log skala, en positiv sammenhæng mellem begge blev fundet for alle fisk og en repræsentativ art, nemlig Pimephales promelas (fathead Minnow; Figur 3). I begge tilfælde syntes hældningen af den lineære regression at være sammenlignelig (forventet LC50/experimental LC50 = 0,611 og 0,602 for alle fisk og P. promelas). På grund af den begrænsede mængde af eksperimentelle data, antallet af tilgængelige værdier fra eksperimentelle observation var normalt mindre end det fra beregningsmæssige forudsigelse. Anvendelsen af tolerance faktoren som 5-fold for beregnings evnen21 resulterede i henholdsvis 94% (34/36) og 96% (26/27) af den beskyttende forudsigelse for alle fisk og P. promelas. Baseret på denne forudsigelse, 3 ', 5, 7-trihydroxy-4 ', 6-dimethoxyisoflavon og 1, 4-benzenediol syntes at udstille beregnede LC50 værdier større end tolerancegrænsen.
For at muliggøre sikkerhedsvurdering med den højeste pålidelighed blev der udført yderligere beregnings analyse ved at afbilde den forventede nedre grænse for 95% konfidensintervallet for LC50 (i stedet for de gennemsnitlige værdier, der anvendes i figur 3) versus eksperimentelt afledte værdier (figur 4). I denne vurdering med en forhøjet sikkerheds tærskel blev 92% (33/36) af de samlede testede endokrine forstyrrende forbindelser påvist at falde i beskyttelsesområdet sammenlignet med de eksperimentelt afledte værdier undtagen: 3 ', 5, 7-trihydroxy-4 ', 6- dimethoxyisoflavon; 1, 4-benzenediol; og 4-hexylphenol.
Baseret på vurderinger af hele den art, der er tilgængelig fra databasen, er værdierne for den forventede og eksperimentelle 96-h log10LC50 udstillet linearitet med log10Kow værdier i domænet mellem-1 og 7, hvilket indikerer en hyperbolske korrelation mellem LC50 og Kow. En overordnet tendens eksisterede, hvor LC50 faldt for højere Kow -værdier for EDS for data indhentet fra både beregningsmæssige forudsigelser og eksperimenter, hvilket tyder på øget akut toksicitet i fiskearter for hormonforstyrrende stoffer med højere hydrofobicitet (supplerende figur S1).
Af den regelbaserede ER profiler, der er indlejret i OECD'S QSAR-værktøjskasse, er de bindende tilhørsforhold til EDs kategoriseret som ikke bindende såvel som svage, moderate, stærke og meget stærke bindemidler med henblik på at øge bindings affiniteten18. Den statistiske fordeling af log10Kow kunne således vises som en kvalitativ klassifikation af er bindende affinitet (supplerende figur S2). Generelt syntes ændringerne i Kow -fordelings intervallerne og deres gennemsnitlige niveauer ikke at have en defineret tendens. Tilsvarende blev Fordelingerne af forudsagte og eksperimentelle LC50 vist som graden af er bindende affinitet (figur 5). I dette tilfælde var de gennemsnitlige niveauer af forventet LC50 for er bindere højere end for ikke bindende. Derimod var de gennemsnitlige niveauer af ikke-og svage bindemidler for den eksperimentelle LC50højere end for kraftigere er bindere.
Figur 1: grundlæggende ordning for den generelle arbejdsgang i OECD'S QSAR-værktøjskasse.
Venligst klik her for at se en større version af dette tal.
Figur 2: arbejdsgang.
Vist er arbejdsgangen, der konceptualiserer de moduler og sekvenser, der anvendes til at forudsige de akutte toksiciteter af hormonforstyrrende stoffer (EDs) i fisk ved hjælp af OECD'S QSAR-værktøjskasse. Venligst klik her for at se en større version af dette tal.
Figur 3: forventet vs. eksperimentel 96-h LC50 af EDS i tabel 1 for alle fisk (blå diamanter, n = 36) og en udvalgt art P. promelas (cyan diamanter, n = 27).
For den forventede LC50vises de gennemsnitlige ("Ave") værdier. De stiplede linjer repræsenterer lineære regressioner for de to grupper: for alle fisk (lyseblå), forventet LC50Ave = 0,611 x (eksperimentel lc50) + 0,277 (justeret r2 = 0,408); og for P. promelas (lysecyan), forventet LC50Ave = 0,602 x (eksperimentel LC50) + 0,385 (justeret r2 = 0,441). Den solide diagonal linje viser enhed, hvor de forudsagte og eksperimentelle værdier er lige21. Den punkterede grå linje viser den 5-dobbelte tolerancegrænse for beregningsfunktionen19. Afvigende værdier: 3 ', 5, 7-trihydroxy-4 ', 6-dimethoxyisoflavon (*) og 1, 4-benzenediol (* *). Venligst klik her for at se en større version af dette tal.
Figur 4: forventet (nedre grænse på 95% konfidensinterval, "lav-95%") vs. eksperimentel 96-h LC50 af EDS i tabel 1 for alle fisk (n = 36).
Den stiplede linje repræsenterer den lineære regression: forventet LC50lav-95% = 0,470 x (eksperimentel LC50)-0,312, hvor justeret r2 = 0,193. Den solide diagonal linje indikerer enhed, hvor de forudsagte og eksperimentelle værdier er lig med hinanden19. Afvigende værdier: 3 ', 5, 7-trihydroxy-4 ', 6-dimethoxyisoflavon (*), 1, 4-benzenediol (* *) og 4-hexylphenol (* * *). Venligst klik her for at se en større version af dette tal.
Figur 5: fordelinger af forudsagte (faste kasser, n = 8 – 20 for hver kategori) og eksperimentelle (stiplede kasser; n = 3 – 16 for hver kategori) 96-h LC50 afhængig af er binding affinitet af EDS i tabel 1 for alle fisk.
Et felt plot repræsenterer: (a) middel (lille firkant med en fed vandret bjælke), (B) 1St og 3Rd kvartiler (henholdsvis nedre og øvre-ender af boksen), (C) median (horisontalt segment inde i kassen), ( D) 5th og 95th percentilen (henholdsvis nedre og øvre fejlstænger), (E) 1St og 99th percentil (henholdsvis nedre og øvre x), og (F) minimum og maksimum (nedre og øvre-, henholdsvis). Venligst klik her for at se en større version af dette tal.
| Nej. | CAS-registreringsnummer | Stoffets navn | SMIL formel (2D ikke-stereokemisk form) | Log Kow | Ave forventet 96-h LC50 (mg/L) |
NEDRE 95% CI forventet 96-h LC50 (mg/L) |
Profiler-østrogen receptor binding | |||||||
| 1 | 50-28-2 | 17-β estradiol | CC12CCC3C (CCc4cc (O) ccc34) C1CCC2O | 4,01 | 3,62 | 1,42 | Meget stærk bindemiddel, OH gruppe | |||||||
| 2 | 57-63-6 | 17-α ethinyl- Estradiol |
CC12CCC3C (CCc4cc (O) ccc34) C1CCC2 (O) C # C | 3,67 | 3,00 | 1,18 | Stærk bindemiddel, OH gruppe | |||||||
| 3 | 80-05-7 | 2, 2-bis (4-hydroxyphe-nyl) propan (Bisphenol A) | CC (C) (c1ccc (O) CC1) c1ccc (O) CC1 | 3,32 | 4,68 | 1,80 | Meget stærk bindemiddel, OH gruppe | |||||||
| 4 | 80-46-6 | 4-tert-Pentylphenol | CCC (C) (C) c1ccc (O) CC1 | 3,91 | 2,27 | 0,87 | Svage bindemiddel, OH gruppe | |||||||
| 5 | 140-66-9 | 4-tert-Octylphenol | CC (C) (C) CC (C) (C) c1ccc (O) CC1 | 5,28 | 0,38 | 0,14 | Stærk bindemiddel, OH gruppe | |||||||
| 6 | 446-72-0 | Genistein [3 ', 5, 7-trihydroxy-4 ', 6-dimethoxyisoflavone] | Oc1ccc (CC1) C1 = COc2cc (O) CC (O) c2C1 = O | 2,84 | 32,00 | 10,03 | Meget stærk bindemiddel, OH gruppe | |||||||
| 7 | 10161-33-8 | 17β-trenbolon | CC12C = CC3C (CCC4 = CC (= O) CCC = 34) C1CCC2O | 2,65 | 124,72 | 19,75 | Stærk bindemiddel, OH gruppe | |||||||
| 8 | 67747-09-5 | Prochloraz (DMI-fungicid) | CCCN (CCOc1c (CL) CC (CL) cc1Cl) C (= O) n1ccnc1 | 4,1 | 5,19 | 1,74 | Ikke-binder, uden OH eller NH2 Group | |||||||
| 9 | 84852-15-3 | 4-nonylphenol | CC (C) CCCCCCc1ccc (O) CC1 | 5,92 | 0,21 | 0,07 | Stærk bindemiddel, OH gruppe | |||||||
| 10 | 69-72-7 | Salicylsyre | OC (= O) c1ccccc1O | 2,26 | 24,07 | 9,31 | Svage bindemiddel, OH gruppe | |||||||
| 11 | 80-09-1 | 4, 4 '-dihydroxydiphenyl methioninsulfon (Bisfenol S) | Oc1ccc (CC1) S (= O) (= O) c1ccc (O) CC1 | 1,65 | 48,67 | 10,67 | Meget stærk bindemiddel, OH gruppe | |||||||
| 12 | 84-74-2 | phthalsyre, Dibutyl ester | CCCCOC (= O) c1ccccc1C (= O) OCCCC | 4,5 | 0,76 | 0,06 | Ikke-binder, uden OH eller NH2 Group | |||||||
| 13 | 92-88-6 | 4, 4 ′-dihydroxybiphenyl | Oc1ccc (CC1)-c1ccc (O) CC1 | 2,8 | 12,05 | 4,20 | Moderat bindemiddel, OH grooup | |||||||
| 14 | 94-13-3 | 4-HYDROXYBENZOESYRE, propylester | CCCOC (= O) c1ccc (O) CC1 | 3,04 | 10,32 | 3,86 | Moderat bindemiddel, OH grooup | |||||||
| 15 | 98-54-4 | 4-tert-butylphenol | CC (C) (C) c1ccc (O) CC1 | 3,31 | 4,36 | 1,68 | Svage bindemiddel, OH gruppe | |||||||
| 16 | 97-23-4 | 2, 2 ′-dihydroxy--5, 5 ′-dichlorodiphenyl-methan | Oc1ccc (CL) cc1Cc1cc (CL) ccc1O | 4,26 | 0,48 | 0,10 | Meget stærk bindemiddel, OH gruppe | |||||||
| 17 | 97-53-0 | Eugenol | COc1cc (CC = C) ccc1O | 2,27 | 14,70 | 5,60 | Svage bindemiddel, OH gruppe | |||||||
| 18 | 99-76-3 | 4-HYDROXYBENZOESYRE, methylester | COC (= O) c1ccc (O) CC1 | 1,96 | 38,20 | 14,01 | Svage bindemiddel, OH gruppe | |||||||
| 19 | 103-90-2 | N-(4-hydroxyphenyl) acetamid | CC (= O) Nc1ccc (O) CC1 | 0,46 | 338,97 | 43,39 | Svage bindemiddel, OH gruppe | |||||||
| 20 | 106-44-5 | p-cresol | Cc1ccc (O) CC1 | 1,94 | 20,47 | 7,14 | Svage bindemiddel, OH gruppe | |||||||
| 21 | 108-39-4 | m-cresol | Cc1cccc (O) C1 | 1,96 | 23,45 | 9,17 | Svage bindemiddel, OH gruppe | |||||||
| 22 | 108-45-2 | 1, 3-phenylenediamin | Nc1cccc (N) C1 | -0,33 | 34,60 | 0,00 | Svage bindemiddel, NH2 gruppe | |||||||
| 23 | 108-46-3 | 1, 3-dihydroxybenzen | Oc1cccc (O) C1 | 0,8 | 123,03 | 27,06 | Svage bindemiddel, OH gruppe | |||||||
| 24 | 108-91-8 | Cyclohexylamin | NC1CCCCC1 | 1,49 | 28,08 | 1,40 | Svage bindemiddel, NH2 gruppe | |||||||
| 25 | 119-36-8 | Salicylsyre, methylester | COC (= O) c1ccccc1O | 2,55 | 16,16 | 5,68 | Svage bindemiddel, OH gruppe | |||||||
| 26 | 120-47-8 | 4-HYDROXYBENZOESYRE, ethylester | CCOC (= O) c1ccc (O) CC1 | 2,47 | 19,93 | 7,40 | Svage bindemiddel, OH gruppe | |||||||
| 27 | 120-80-9 | 1,2-dihydroxybenzen | Oc1ccccc1O | 0,88 | 11,14 | 0,01 | Svage bindemiddel, OH gruppe | |||||||
| 28 | 123-31-9 | 1, 4-dihydroxybenzen [1, 4-benzenediol] | Oc1ccc (O) CC1 | 0,59 | 90,75 | 33,19 | Svage bindemiddel, OH gruppe | |||||||
| 29 | 131-53-3 | 2, 2 ′-dihydroxy-4-methoxybenzophenon | COc1ccc (C (= O) c2ccccc2O) C (O) C1 | 3,82 | 3,97 | 1,46 | Meget stærk bindemiddel, OH gruppe | |||||||
| 30 | 131-56-6 | 2,4-dihydroxybenzophenon | Oc1ccc (c (O) C1) C (= O) c1ccccc1 | 2,96 | 12,04 | 4,73 | Stærk bindemiddel, OH gruppe | |||||||
| 31 | 131-57-7 | 2-hydroxy-4-methoxybenzophenon | COc1ccc (C (= O) c2ccccc2) C (O) C1 | 3,79 | 5,96 | 2,27 | Stærk bindemiddel, OH gruppe | |||||||
| 32 | 599-64-4 | 4-cumylphenol | CC (C) (c1ccccc1) c1ccc (O) CC1 | 4,12 | 2,15 | 0,84 | Stærk bindemiddel, OH gruppe | |||||||
| 33 | 2855-13-2 | 1-amino-3-aminomethyl-3, 5, 5-trimethyl-cyclohexan | CC1 (C) CC (N) CC (C) (CN) C1 | 1,9 | 30,65 | 1,53 | Moderat bindemiddel, NH2 gruppe | |||||||
| 34 | 6864-37-5 | 3, 3 ′-dimethyl-4, 4 ′-diaminodicyclohexylmethan | CC1CC (CCC1N) CC1CCC (N) C (C) C1 | 4,1 | 1,07 | 0,05 | Stærk bindemiddel, NH2 gruppe | |||||||
| 35 | 25013-16-5 | tert-butyl-4-hydroxyanisole | COc1ccc (O) c (C1) C (C) (C) C | 3,5 | 4,85 | 1,85 | Moderat bindemiddel, OH grooup | |||||||
| 36 | 147315-50-2 | 2-(4, 6-diphenyl-1, 3, 5-triazin-2-yl)-5-(hexyloxy) phenol | CCCCCCOc1ccc (c (O) C1)-c1nc (NC (N1)-c1ccccc1)-c1ccccc1 | 6,24 | 0,17 | 0,06 | Stærk bindemiddel, OH gruppe | |||||||
| 37 | 88-68-6 | 2-aminobenzamid | NC (= O) c1ccccc1N | 0,35 | 694,00 | 84,30 | Svage bindemiddel, NH2 gruppe | |||||||
| 38 | 611-99-4 | 4, 4 ′-dihydroxybenzophenon | Oc1ccc (CC1) C (= O) c1ccc (O) CC1 | 2,19 | 37,74 | 14,67 | Meget stærk bindemiddel, OH gruppe | |||||||
| 39 | 27955-94-8 | 1, 1, 1-tris (4-hydroxyphenol) Ethan | CC (c1ccc (O) CC1) (c1ccc (O) CC1) c1ccc (O) CC1 | 4,38 | 2,09 | 0,82 | Meget stærk bindemiddel, OH gruppe | |||||||
| 40 | 87-18-3 | Salicylsyre, 4-tert-butylphenyl ester | CC (C) (C) c1ccc (OC (= O) c2ccccc2O) CC1 | 5,73 | 0,24 | 0,09 | Stærk bindemiddel, OH gruppe | |||||||
| 41 | 47465-97-4 | 3, 3-bis (3-methyl-4-hydroxyphenyl) 2-indolinon | Cc1cc (ccc1O) C1 (C (= O) Nc2ccccc12) c1ccc (O) c (C) C1 | 4,48 | 2,07 | 0,77 | Meget stærk bindemiddel, OH gruppe | |||||||
| 42 | 99-96-7 | p-hydroxybenzoesyre | OC (= O) c1ccc (O) CC1 | 1,58 | 8,54 | 0,00 | Svage bindemiddel, OH gruppe | |||||||
| 43 | 80-07-9 | 1-chloro-4-(4- chlorophenyl) sulfonylbenz |
Clc1ccc (CC1) S (= O) (= O) c1ccc (CL) CC1 | 3,9 | 3,92 | 0,85 | Ikke-binder, uden OH eller NH2 Group | |||||||
| 44 | 84-65-1 | 9, 10-anthraquinon | O = C1c2ccccc2C (= O) c2ccccc12 | 3,39 | 7,00 | 3,54 | Ikke-binder, uden OH eller NH2 Group | |||||||
| 45 | 85-44-9 | 2-benzofuran-1, 3-Dione | O = C1OC (= O) c2ccccc12 | 1,6 | 2,69 | 0,00 | Ikke-binder, uden OH eller NH2 Group | |||||||
| 46 | 92-84-2 | 10H-Phenothiazin | N1c2ccccc2Sc2ccccc12 | 4,15 | 1,07 | 0,08 | Ikke-binder, uden OH eller NH2 Group | |||||||
| 47 | 2855-13-2 | 1-amino-3-aminomethyl-3, 5, 5-trimethyl-cyclohexan | CC1 (C) CC (N) CC (C) (CN) C1 | 1,9 | 30,65 | 1,53 | Moderat bindemiddel, NH2 gruppe | |||||||
| 48 | 50-27-1 | Estriol | CC12CCC3C (CCc4cc (O) ccc34) C1CC (O) C2O | 2,45 | 21,21 | 8,29 | Meget stærk bindemiddel, OH gruppe | |||||||
| 49 | 50-50-0 | Beta-østradiol-3-benzoat | CC12CCC3C (CCc4cc (OC (= O) c5ccccc5) ccc34) C1CCC2O | 5,47 | 0,36 | 0,02 | Stærk bindemiddel, OH gruppe | |||||||
| 50 | 53-16-7 | Østron | CC12CCC3C (CCc4cc (O) ccc34) C1CCC2 = O | 3,13 | 7,78 | 3,06 | Stærk bindemiddel, OH gruppe | |||||||
| 51 | 92-52-4 | Biphenyler | c1ccc (CC1)-c1ccccc1 | 4,01 | 4,10 | 0,47 | Ikke-binder, uden OH eller NH2 Group | |||||||
| 52 | 92-69-3 | p-Phenylphenol | Oc1ccc (CC1)-c1ccccc1 | 3,2 | 5,99 | 1,82 | Moderat bindemiddel, OH grooup | |||||||
| 53 | 96-29-7 | 2-butanone milbemycinoxim | CCC (C) = NEJ | 0,63 | 32,67 | 2,49 | Ikke-bindemiddel, ikke cyklisk struktur | |||||||
| 54 | 121-75-5 | Malathon | CCOC (= O) CC (SP (= S) (OC) OC) C (= O) OCC | 2,36 | 37,73 | 3,33 | Ikke-bindemiddel, ikke cyklisk struktur | |||||||
| 55 | 123-07-9 | 4-ethylphenol | CCc1ccc (O) CC1 | 2,58 | 13,63 | 4,65 | Svage bindemiddel, OH gruppe | |||||||
| 56 | 645-56-7 | 4-n-Propylpehnol | CCCc1ccc (O) CC1 | 3,2 | 7,32 | 2,55 | Svage bindemiddel, OH gruppe | |||||||
| 57 | 1638-22-8 | p-Butylphenol | CCCCc1ccc (O) CC1 | 3,65 | 4,09 | 1,39 | Svage bindemiddel, OH gruppe | |||||||
| 58 | 1912-24-9 | Atrazin | CCNc1nc (CL) NC (NC (C) C) N1 | 2,61 | 30,87 | 4,63 | Ikke-binder, uden OH eller NH2 Group | |||||||
| 59 | 40596-69-8 | Methoprene | COC (C) (C) CCCC (C) CC = CC (C) = CC (= O) OC (C) C | 5,5 | 0,08 | 0,00 | Ikke-bindemiddel, ikke cyklisk struktur | |||||||
| 60 | 1987-50-4 | 4-heptylphenol | CCCCCCCc1ccc (O) CC1 | 5,01 | 0,66 | 0,22 | Moderat bindemiddel, OH grooup | |||||||
| 61 | 92-86-4 | p, p'-Dibromobiphenyl | Brc1ccc (CC1)-c1ccc (br) CC1 | 5,72 | 0,11 | 0,02 | Ikke-binder, uden OH eller NH2 Group | |||||||
| 62 | 480-41-1 | Naringenin | Oc1ccc (CC1) C1CC (= O) C2C (O) CC (O) cc2O1 | 2,52 | 27,84 | 10,87 | Meget stærk bindemiddel, OH gruppe | |||||||
| 63 | 486-66-8 | Daidzein | Oc1ccc (CC1) C1 = COc2cc (O) ccc2C1 = O | 2,55 | 36,47 | 11,71 | Meget stærk bindemiddel, OH gruppe | |||||||
| 64 | 491-70-3 | Luteolin | Oc1cc (O) c2C (= O) C = C (Oc2c1) c1ccc (O) c (O) C1 | 2,53 | 43,75 | 14,28 | Meget stærk bindemiddel, OH gruppe | |||||||
| 65 | 491-80-5 | Biochanin A | COc1ccc (CC1) C1 = COc2cc (O) CC (O) c2C1 = O | 3,41 | 15,87 | 3,70 | Stærk bindemiddel, OH gruppe | |||||||
| 66 | 520-18-3 | Kaempferol | Oc1ccc (CC1) C1Oc2cc (O) CC (O) c2C (= O) C = 1O | 1,96 | 70,98 | 8,05 | Meget stærk bindemiddel, OH gruppe | |||||||
| 67 | 2051-60-7 | 2-chlorobiphenyl (PCB 1) | Clc1ccccc1-c1ccccc1 | 4,53 | 0,77 | 0,16 | Ikke-binder, uden OH eller NH2 Group | |||||||
| 68 | 2051-61-8 | 3-chlorobiphenyl (PCB 2) | Clc1cccc (C1)-c1ccccc1 | 4,58 | 0,77 | 0,16 | Ikke-binder, uden OH eller NH2 Group | |||||||
| 69 | 2051-62-9 | 4-chloro-1, 1 '-biphenyl | Clc1ccc (CC1)-c1ccccc1 | 4,61 | 0,77 | 0,16 | Ikke-binder, uden OH eller NH2 Group | |||||||
| 70 | 2446-69-7 | p-n-Hexylphenol [4-hexylphenol] | CCCCCCc1ccc (O) CC1 | 4,52 | 1,22 | 0,42 | Moderat bindemiddel, OH grooup | |||||||
| 71 | 14938-35-3 | 4-n-Amylphenol | CCCCCc1ccc (O) CC1 | 4,06 | 2,44 | 0,89 | Svage bindemiddel, OH gruppe | |||||||
| 72 | 17924-92-4 | Zearalenon | CC1CCCC (= O) CCCC = Cc2cc (O) CC (O) c2C (= O) O1 | 3,58 | 7,22 | 2,66 | Stærk bindemiddel, OH gruppe | |||||||
| 73 | 1743-60-8 | Beta-estradiol 3-benzoat 17-nbutyrat | CC (= O) OC1CCC2C3CCc4cc (O) ccc4C3CCC12C | 4,95 | 0,91 | 0,35 | Stærk bindemiddel, OH gruppe | |||||||
| 74 | 479-13-0 | Coumestrol | Oc1ccc2c (OC (= O) c3c-2oc2cc (O) ccc32) C1 | 1,57 | 52,16 | 11,44 | Meget stærk bindemiddel, OH gruppe | |||||||
Tabel 1: liste over vurderede hormonforstyrrende stoffer. Gennemsnitlig middelværdi (AVE) og lavere 95% konfidensinterval (CI) effektive koncentrationer (95-h LC50, pimephales Promelas) samt østrogen receptor binding blev forudsagt med qsar Toolbox version 4,3 automatiseret workflow. Log10Kow blev hentet via qsar Toolbox version 4,3 fra kowwin v 1.68, 2000, U.S. Environmental Protection Agency. Eksperimentel log10Kow værdier blev foretrukket over forventede værdier. Listen over målstoffer blev udarbejdet ud fra tidligere rapporterede lister af EDS22,23,24.
Supplerende oplysninger. Venligst klik her for at downloade denne fil.
Discussion
Alsidigheden i OECD'S QSAR-værktøjskasse som analytisk software til økotoksikologi er vist her med særlig interesse for de skadelige virkninger af hormonforstyrrende kemikalier på akvatiske hvirveldyr. Desuden blev der påvist en enkel og standardiseret protokol til forudsigelse af akut toksicitet (96-h LC50) af 74 repræsentative hormonforstyrrende stoffer (tabel 1) for fiskearter. Dette blev opnået ved at anvende kategori bygning, udfyldning af datahuller og er-profilerings moduler indlejret i QSAR Toolbox (figur 1, figur 2).
Den lineære korrelation mellem log10LC50 ogLog 10Kow med en negativ hældning (som vist i supplerende figur S1) har længe været kendt som et standard kvantitativt forhold i QSAR-analyse25, hvor højere toksicitet er vist jo mere hydrofobe et givet kemikalie er. Som det fremgår af en simpel beregning, er den generelle matematiske relation, der omfatter ligning S1 og Equation S2 (supplerende oplysninger), et konverteret udtryk fra følgende Power Function26:
Fra plottet (ligning 2) kan det være muligt at karakterisere et mellemliggende interval på Kow26 ved at justere parametrene a og b, hvor en vis variation i hydrofobiciten (eller hydrophilicity) ikke i væsentlig grad ændrer endepunkt for akut toksicitet.
Sammenlignende analyser mellem de beregningsmæssige forudsigelser og eksperimentelle observationer på LC50, som vist i figur 3 og figur 4, er typisk rapporteret i studier af QSAR for forskellige akvatiske toksiske stoffer, herunder tekniske nonioniske overfladeaktive stoffer27, triazol-fungicider28og pesticid metabolitter21. Denne type retrospektiv validering giver oplysninger om, hvor langt et givet QSAR-værktøj kan nå med hensyn til komparativ ydeevne til eksperimentelle resultater. I denne undersøgelse af akut toksicitet i fisk, QSAR Toolbox blev vist sig at give beskyttende forudsigelser for over 90% af testede EDs i alle fisk og i en enkelt art, Pimephales promelas.
Yderligere at identificere de tre outlier kemikalier i figur 3 og figur 4, som viste højere forventet LC50 i gennemsnit og som minimum, henholdsvis er påkrævet. Første, den 3 ', 5, 7-trihydroxy-4 ', 6-dimethoxyisoflavon er en type af flavonoid (mere specifikt, en isoflavone), som anses for at være generelt sikker og anvendes i urtelægemidler; Men, det har stadig østrogen-relaterede bekymringer29 og kan forårsage akut toksicitet sandsynligvis gennem oxidativ fosforylering frakobling30. Dernæst er den 1, 4-benzenediol, kaldet hydroquinon, en phenolforbindelse, der kan udløse en ikke-specifik og cytotoksisk immunrespons i fisk31. Endelig, 4-hexylphenol har været kendt for at udvise tilstrækkelig positiv østrogene aktivitet, der skal klassificeres som en ED32. Det har været godt undersøgt, at den vigtigste årsag til akut toksicitet af hydroquinon er reduktion-oxidation (redox) cykling. Hydroquinon oxideres til Benzoquinon og reduceres tilbage til semi-Quinon eller hydroquinon gentagne gange, med nedbrydende cofaktorer og generering af reaktive oxygenarter33. De to andre kemikalier kan kræve dybere undersøgelser for at afsløre deres virkningsmekanismer i akut Økotoksicitet ved hjælp af molekylære docking-tilgange som den, der anvendes af Panche et al.34, som ikke kan dækkes af QSAR-værktøjskassen.
EDs interfererer med det endokrine system primært gennem fysisk-kemiske interaktioner med steroid receptorer såsom østrogen og androgenreceptorer, som er af betydelig interesse i QSAR modellering undersøgelser35. I betragtning af dette, QSAR Toolbox er robust i form af facile og hurtig klassificering af ER bindende tilhørsforhold til et sæt af kemikalier baseret kun på 2D deskriptorer af molekylære strukturer. Da dette er profiler-system blev anvendt på vores liste over EDS, blev der ikke fundet nogen tydelig korrelation mellem er-bindingsaffinitet og hydrofobicitet (supplerende figur S2). Dette resultat kan forklares ved det faktum, at dannelsen af et steroid-receptor kompleks ikke er en direkte konsekvens af et hydrofobe bindings bidrag, men bør ledsages af en konformationel ændring i den aktive websteds receptor struktur36. Receptor bindingen kan også skyldes hydrogen binding og π-stabling.
Derudover kan positionen af hver kemisk gruppe på molekylet påvirke receptor bindingen, selv om hydrofobibyen og antallet af hydrogen-Bond-acceptorer-donorer forbliver de samme. For det andet producerede ER profiler modstridende tendenser mellem forudsagte og eksperimentelle LC50 middelværdier med stigende er bindende affinitet (figur 5). Dette kan skyldes, at dødelighed af forældre i en akut toksicitetstest ikke skyldes ER bindende, men snarere at narkose i de fleste tilfælde, eller at redox cykling i tilfælde af hydroquinon. For eksempel kræves der en mere omfattende analyse, herunder kronisk toksicitet, for et større sæt EDs for at definere forudsigende begrænsninger for den aktuelle version af QSAR-værktøjskassen.
Denne indledende forskning kan også have konsekvenser for folkesundheden, fordi steroider (androgener, østrogener, progestines, og kortikoider) og deres receptorer udviser lignende eller endda identiske makromolekyler strukturer på tværs af hvirveldyr5. Disse typer af analoge endokrine signaleringssystemer kan fungere ved hjælp af en fælles mekanisme i vigtige hændelser af EDs5. Ikke desto mindre kræves der supplerende og komplementære metoder for at belyse dette store og komplekse aspekt [f. eks. ved at udføre beregningsmæssige modellering af absorption, distribution, metabolisme og udskillelse (ADME) og/eller negativt udfald pathway (AOP)]38. Da de fleste af de videnskabelige og offentlige betænkeligheder, der er rejst vedrørende de negative virkninger af hormonforstyrrende stoffer, er relateret til deres kroniske toksicitet, forbedring af databaserne og algoritmerne i QSAR-værktøjskassen og fremstilling af pålidelig langsigtet økotoksikologi forudsigelser for EDs er begge nødvendige.
Dette dokument viser anvendelsen af QSAR Toolbox til at sammenligne økotoksikologiske LC50 værdier for fisk med log10Kow værdier af EDS. i hele protokollen, det resulterer i svage relationer mellem de to parametre, som det har blevet afsløret af tidligere undersøgelser (f. eks. Kim et al.39), at log10Kow ikke er en god direkte prædiktor for akvatisk LC50. På trods af denne begrænsning giver denne protokol en generel gennemgang eller "vignet" til at beskrive, hvordan du bruger dashboardet til et bestemt formål, da det er et gyldigt program til at bruge QSAR Toolbox til at undersøge korrelationer mellem LC50 (eller er binding og log10Kow, eller som et værktøj til hurtig akut Økotoksicitet screening. Ikke desto mindre skal det bemærkes, at (1) belysning af forbindelsen mellem østrogen receptor binding og kronisk toksicitet, snarere end akut toksicitet (dødelighed), er mere relevant, så klarere korrelationer kan findes, og (2) Androgen receptor, sammen med østrogen, spiller også en afgørende rolle i reproduktionstoksicitet. Derfor er det nødvendigt for den fremtidige version af QSAR Toolbox at forbedre forudsigelses funktionerne i lyset af disse to punkter.
Disclosures
Forfatterne har intet at afsløre.
Acknowledgments
Denne forskning blev støttet af det nationale Forskningsråd for Science & Technology (NST) Grant af den sydkoreanske regering (MSIP) (nr. CAP-17-01-KIST Europe) og projekt 11911.
Materials
| Name | Company | Catalog Number | Comments |
| 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. , 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.
- Panche, A. N., Diwan, A. D., Chandra, S. R.
- 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).
