Summary
Kvantitativ struktur-aktivitetrelation (QSAR) modellering är en representativ bioinformatik-assisterad metod vid toxikologisk screening. Detta protokoll visar hur man på ett beräkningsmässigt sätt bedömer riskerna för hormonstörande ämnen (EDs) i vattenmiljöer. Genom att använda OECD: s QSAR-verktygslåda implementerar protokollet en in silico-analys för analys av hormonstörande ämnen i fisk.
Abstract
Beräknings analyser av toxikologiska processer möjliggör screening av kemiska ämnen med hög kapacitet och Prediktion av deras endpoints i biologiska system. I synnerhet har modeller för kvantitativ struktur-aktivitetrelation (QSAR) tillämpats alltmer för att bedöma miljöeffekterna av en uppsjö av giftiga ämnen. Under de senaste åren, några mer betonade typer av toxiska ämnen är hormonstörande ämnen (EDs, som är kemikalier som kan störa någon hormonrelaterad metabolism). Eftersom EDs i betydande grad kan påverka djurens utveckling och fortplantning krävs det att man snabbt förutspår de negativa effekterna av EDs med i silico-teknik. Denna studie presenterar en in silico metod för att generera förutsägelse data om effekterna av representativa EDs i vattenlevande ryggradsdjur, särskilt fiskarter. Protokollet beskriver ett exempel som utnyttjar det automatiserade arbetsflödet i QSAR Toolbox-programvaran som utvecklats av organisationen för ekonomiskt samarbete och utveckling (OECD) för att möjliggöra akuta ekotoxicitetsförutsägelser av EDs. Som ett resultat av detta bestäms följande: (1) beräkning av de numeriska korrelationerna mellan koncentrationen för 50% av dödlighet (LC50) och Fördelningskoefficient oktanol-vatten (Kow), (2) prestanda där LC50 värden som bestäms i experiment jämförs med de som genereras av beräkningar, och (3) beroendet av östrogen receptorbindning affinitet på förhållandet mellan Kow och LC50.
Introduction
Den nya utvecklingen inom informatik och beräkningsteknik har gett de biologiska vetenskaperna en kvantitativ metodik som ger hög precision och tillförlitlighet1. I synnerhet har algoritmer som används i molekylär taxonomi och egenskaps klassificering resulterat i kvantitativa struktur-aktivitetrelations (QSAR) modeller2. Dessa modeller korrelerar automatiskt de kemiska strukturerna och den biologiska verksamheten i en given kemisk databas och genomför snabbt i silico screening av ett brett spektrum av kemiska substrat enligt deras medicinska eller toxikologiska åtgärder3. QSAR-verktyg kan producera prediktiva toxicitetsprofiler som en funktion av funktions vektorer av molekylära beskrivare (dvs. fysikalisk-kemiska parametrar) av kemikalier av intresse för att numeriskt skapa kategoriska slutpunkter4. Vanligtvis visas varje kvantitativ slutpunkt som en 2D-spridningsdiagram kontra ändringar i deskriptorvärden. En QSAR-modell genereras sedan med hjälp av (flera) linjära regressionsanalyser. När en datauppsättning har utnyttjats fullt ut för att konstruera en QSAR-modell (som kallas tränings uppsättning), är modellen statistiskt verifierad genom att förutsäga slutpunkterna för en grupp av kemikalier som inte ingår i utbildnings uppsättningen (kallas testuppsättningen). Modellen kan sedan användas för att förutsäga biologisk verksamhet av oprövade föreningar3.
Bland många skadliga kemikalier, hormonstörande ämnen (EDs) har lyfts fram som en grupp av gifter som kan störa i många hormonrelaterade metabolismer hos däggdjur, groddjur, och fisk5,6. EDs är kända för att inducera en mängd negativa effekter, såsom cancer och missbildningar, genom att blockera eller förändra normala hormonella vägar eller aktivera onormal hormon syntes/nedbrytnings signaler. Som en följd av detta kan dessa hormon-imitera kemikalier stör endokrina system så att biologisk utveckling och reproduktion av vilda djurpopulationer hämmas. I synnerhet har de ekotoxikologiska effekterna av hormonstörande ämnen undersökts utförligt i vattenlevande ryggradsdjur, som har nästan identiska hormonreceptor strukturer till däggdjur, inklusive människor. Eftersom alla hormonella åtgärder uppträder vid låga doser in vivo, är det avgörande för den offentliga och miljömässiga hälsan att förutsäga de potentiella toxiciteterna hos ED-kandidater som använder snabb i silico screening.
QSAR modeller baserade på toxikologin av EDs har genomförts med hjälp av både 2D-och 3D-deskriptorer (känd som 2D och 3D QSAR, respektive), som avslöjar ED ligand bindande tillhörighet av östrogen, androgen, och progesteronreceptorer7. Trots de höga precisions fördelarna med 3D QSAR, där överensstämningsövergripande och elektrostatiska interaktioner beaktas, behåller 2D QSAR sin egen robusthet i direkta matematiska algoritmer, snabba beräkningar och extremt låga beräknings belastningar. Dessutom är 2D-QSAR-modellerna flexibla för användning i en mängd olika applikationer samtidigt som de uppnår relativt exakt förutsägelse prestanda.
OECD: s QSAR Toolbox är för närvarande en av de mest utnyttjade datorprogram verktyg, ger fritt tillgängliga och färdiga QSAR modeller8,9. Profilerings profiler använder 2D-beskrivnings databaser. Sedan lanseringen av den första versionen i 2008 har programvaran tillämpats inom områdena kemisk och biologisk industri, folkhälsa och miljö säkerhet för fullständig eller partiell analys av de potentiella riskerna med naturliga och syntetiska föreningar, med särskilda intressen i cancerogenesen10,11,12, mutagenicitet13,14,15, och utvecklingstoxicitet16. Ansökan till akvatisk toxikologi har också visats, med fokus på bioackumulering och biotransformation17.
QSAR-verktygslådan har visat sig vara användbar för att förutsäga den kortsiktiga toxiciteten hos ett brett spektrum av kemikalier17, samt den östrogen receptor (er) bindande affiniteter av EDs18. De akuta ekotoxiciteterna av EDs hos vattenlevande ryggradsdjur har dock inte analyserats med hjälp av QSAR-verktygslådan. I denna studie presenteras ett typiskt och facile protokoll för att utföra QSAR-modellering på de akuta negativa effekterna av EDs med fokus på fiskarter. Studien visar att QSAR Toolbox är en programvara med hög tillgänglighet för att beräkna och förutsäga dödlighet hos vattenlevande ryggradsdjur för vissa representativa hormonstörande ämnen. statistiska behandlingsmetoder för härledda i silico-dataset presenteras. Figur 1 visar det övergripande systemet för den allmänna driften av QSAR-verktygslådan. Arbetsflödet som visas i figur 2 innehåller enkla instruktioner om hur man använder in silico-analysen för att förutsäga akut ekotoxicitet av målsubstanser såsom hormonstörande kemikalier.
Protocol
1. utrustning
- Programvara: Använd OECD QSAR Toolbox 4,0 eller nyare (gratis nedladdning från < https://qsartoolbox.org/download/?) och dataanalysprogram vara.
- Dator: för OECD QSAR Toolbox, Använd: (i) Systemtyp: 64 bit, Windows 7 eller nyare; (II) processor: i5 på 2,4 GHz, eller en snabbare processor eller motsvarande AMD-processor; (III) installerat minne (RAM): 6 GB; (IV) hårddisk (HDD): 20 GB ledigt hårddiskutrymme (OECD QSAR Toolbox 4,3 viktig information: < https://qsartoolbox.org/file/2019/02/Toolbox-4.3-Release-Notes-1.pdf >).
2. förfarande
- OECD: s QSAR-verktygslåda
Obs: QSAR Toolbox är verksam i sex på varandra följande flödesmoduler som utgår från indata och följs av profilering, data, kategori definition, fyllning av dataluckor , och därefter rapport, som finns överst programgränssnittet.- Utforska de ovan nämnda sex stadierna genom sex verktygsfältsikoner genom att vänsterklicka. Först, titta över de stadier av input, data gap fyllning, och rapport som är nödvändiga för att utföra den automatiserade arbetsflödet "ekotoxikologisk Endpoint" och dokumentera dess resultat.
- Ta en kort titt över valfria stadier profilering och data. Profilerings stadiet ger en första inblick i mål ämnets (eko) toxicitet potential och miljömässiga öde egenskaper. Valfria data steg gör det möjligt att söka efter tillgängliga experimentella data som rör mål ämnet.
- Input
- När QSAR-verktygslådan startas börjar användaren i inmatnings verktygslådan som standard. QSAR Toolbox skapar en arbetsfil med namnet "dokument 1" automatiskt, som visas i panelen scen alternativ till vänster i programgränssnittet. Byt namn på filen om du vill, genom att högerklicka på arbetsfilen.
- Klicka på knappen CAS # i verktygsfältet åtgärder, ange CAS-numret (Chemical Abstract Service) för mål ämnet i fältet tillgänglig text och klicka på Sök. Verktyget kommer sedan att söka efter mål substansen med CAS-nummer.
- Om det behövs kan du välja andra sökalternativ som är tillgängliga i verktygsfältet åtgärd, till exempel söka efter substansnamn eller förenklad kod i molekylärt Inmatningssystem (SMILES). LEENDEN kan matas in som 2D icke-stereokemiska eller 3D-stereokemiska innehållande former. Klicka på namn eller struktur, respektive. Använd struktur verktyget för att rita mål substansen.
- Sökverktyget visar sökresultaten via databasposter i ett popup-fönster. Välj den post som rapporterar en "hög" CAS-SMILES-relation (CS -relationfält) om flera poster hämtas för mål ämnet genom att markera rutan till vänster om posten. Klicka på OK.
ANMÄRKNINGAR: att fortsätta från denna punkt är möjligt endast om den hämtade posten innehåller en SMILES-kod, eftersom SMILES-koden (2D-icke-stereochemical innehåller form) är grunden för beräkning. - Batch-läge: för att utföra in silico-analysen för flera målsubstanser, Skriv en enkel substans lista i en textredigerare där varje CAS-nummer listas i en enda rad (tilläggs figur S3). Spara textfilen med ett lämpligt namn och filnamnstillägget. txt på datorn.
- Batchläge: Klicka på data. Gå sedan till databaser i panelen scen alternativ till vänster om programmets gränssnitt. Kontrollera att databaser som listas under ekotoxikologisk information kontrolleras.
- Batchläge: Klicka på inmatning. Välj fråga i verktygsfältet åtgärder. Godkänn inställningarna som anges i steg 2.2.6 genom att klicka på Ja i dialogfönstret.
- Batchläge: Välj fliken CAS . Ladda upp ämneslistan Sparad som textfil via laddnings listan från din dator.
- Batch-läge: det finns två Lägg till knappar tillgängliga; Klicka på knappen Lägg till längst ned på popup-menyn och klicka sedan på Kör. QSAR-verktygslådan visar ett meddelande om antalet ämnen som har hämtats för sökningen.
Obs: vissa ämnen i den inlästa listan kan inte hittas av sökverktyg eller att flera poster kan vara tillgängliga för ett CAS-nummer. Det är inte möjligt att ta bort ämnen från den hämtade ämnes uppsättningen.
- Profilering
Anmärkning: följande avsnitt är valfritt. Om detta inte krävs, gå vidare till avsnitt 2,5.- Klicka på knappen verktygslåda scen profilering. Gå till profilerings metoder i panelen scen alternativ till vänster om programmets gränssnitt.
- Klicka på avmarkera alla. Kontrollera alla profilerare listade under fördefinierade och de som är relaterade till akvatisk toxicitet listade under Endpoint specifikt såsom "akut akvatisk toxicitet klassificering av verhaar (modifierad)."
- Slutför markeringen. Klicka sedan på knappen Verkställ i verktygsfältet åtgärder.
QSAR-verktygslådan innehåller rekommendationer om en uppsättning profilerare. Dessa är markerade i grönt (lämplig) och orange (rimligt) när du väljer alternativ ≫ färg av: ≫ slutpunkt som valts i matrisen data i det övre vänstra hörnet av profilering metoder. Vänsterklicka på datamatris fältet bredvid slutpunkten av intresse. Tillgängliga slutpunkter visas i slutpunkts trädet bredvid alternativpanelen för scenen. Den profiler substans typ kommer att indikera om mål ämnet är en "diskret kemikalie." Informationen visas i det expanderade slutpunkts trädet "profil", "fördefinierad" och "substans typ". Endast om mål ämnet är en diskret kemikalie kan det automatiserade arbetsflödet köras. "Klassificering av akut akvatisk toxicitet av verhaar (modifierad)" ger en första uppskattning av den akuta akvatiska toxicitetsmekanismen för mål ämnet19,20. Informationen visas i det utökade slutpunkts trädet "profil", "Endpoint Specific" och "klassificering av akut akvatisk toxicitet av verhaar (ändrad)". Det finns fem klasser: (klass 1) inert kemikalie (baseline toxicitet); (klass 2) mindre inert kemikalier; (klass 3) reaktiva kemikalier; (klass 4) specifikt tillförordnade kemikalier; och (klass 5) för kemikalier som inte är möjliga att klassificera. - Högerklicka på parametern i slutpunkts trädet för att köra integrerade 2D-och 3D QSAR-modeller som finns i QSAR-verktygslådan, om så önskas. Klicka på Beräkna/extrahera alla parametrar för alla kemikalier i popup-menyn.
- 2D-och 3D QSAR-modeller som kompileras i parametern ger numeriska värden. Använd "profilerings metoder" för kvalitativ information (se steg 2.3.1).
- Data
Obs: detta avsnitt är valfritt. Om det inte behövs, gå vidare till avsnitt 2,5.- Klicka på den verktygslåda scenen knappen data. Klicka sedan på samla in i verktygsfältet åtgärder.
- Välj alla slutpunkter för att samla in alla experimentella data och Välj sedan att samla in Endpoint specifika experimentella data. Som ett exempel, om akvatisk toxicitet är användarens fokus, klicka på välj ≫ ekotoxikologisk information > akvatisk toxicitet > OK.
Obs: välja att samla experimentella data för alla slutpunkter kan leda till utökad bearbetningstid. Användaren kan anpassa hierarkin för slutpunkts trädet till det specifika ändamålet. Detta ändrar det sätt på vilket data visas. - Om du vill högerklickar du på den slutpunkt av intresse i den slutpunkts träd område. Välj Ange trädhierarki på popup-menyn. Organisera slutpunkts trädet på önskat sätt med hjälp av de tillgängliga termerna och pilarna och klicka på OK.
- Om du vill, exportera insamlade data som en Excel-fil. Högerklicka på den slutpunkt av intresse och välj Exportera data Matrix i popup-menyn.
- En "Matrix export"-guiden öppnas och gör det möjligt att lägga till andra slutpunkter i exportlistan. Slutför markeringen, klicka på Exportera och spara filen på datorn.
Obs: det går inte att exportera data från alla databaser. Data som hämtats från databasen "ECHA CHEM" kan till exempel inte sparas.
- Fyllning av data luckor
- Klicka på verktygslådan scen knappen data gap fyllning. Klicka sedan på automatiserad i verktygsfältet åtgärder.
- Välj ekotoxikologisk Endpoint > fisk, LC50 (dödlig koncentration, 50%) vid 96 h för Pimephales promelas (dödlighet). Klicka på OK. En "Workflow Controller" kommer att visas, och bearbetningen tar upp till flera minuter, särskilt i batch-läge.
Obs: QSAR Toolbox tillämpar automatiskt en definierad uppsättning profilerare vid sökning efter lämpliga ämnen med tillgängliga experimentella data för förutsägelse. Experimentella data (t. ex. effektkoncentrationer 96 h LC50 (p. promelas) eller 96 h EC50 (p. promelas, mortalitet)] används för att generera prediktionen för mål ämnet genom antingen linjär approximation eller närmast intilliggande metod. Observera att metoderna för linjär approximation och närmaste granne kallas trendanalys (märkt som "T") och Läs-över (märkt som "R") respektive. - Användaren får ett meddelande om förutsägelsen utförs korrekt. Klicka på OK och Stäng arbetsflödes styrenheten som anger "slutfört arbetsflöde" genom att klicka på x i det övre högra hörnet.
- Batch-läge: när du startar det automatiserade arbetsflödet ombeds användaren att ange det ämnesområde som ska användas för att utföra arbetsflödet. Godkänn hela sortimentet av ämnen som väljs som standard i dialogfönstret genom att klicka på OK.
- Batch-läge: användaren får inte ett meddelande som anger om en förutsägelse har körts eller utan framgång. Stäng arbetsflödes styrenheten som visar "slutfört arbetsflöde" i slutet av batchbearbetningen genom att klicka på x i det övre högra hörnet.
- Rapport
- Om en förutsägelse har utförts, klickar du på den verktygslåda scenen knappen rapport.
Obs: inga rapporter kan genereras i batch-läge. - Rulla ned och hitta det förutsägelse värde i matrisfält som finns i en gul markerad rad bredvid slutpunkten "96-h". Det förutsagda värdet är märkt med "T" eller "R". Aktivera det här specifika datamatris fältet genom att vänsterklicka på det.
- Klicka på förutsägelse i verktygsfältet åtgärder. Anpassa rapportens innehåll och utseende i popup-guiden. Det finns tre typer av rapporter: (i) förutsägelse, (II) kategori och (III) data Matrix.
- Guiden tillåter användaren att fylla i författarens namn och kontaktuppgifter. Skriv en kort sammanfattning, ge en detaljerad förklaring av den mekanistiska tolkningen, eller ge motivering för lämpligheten av förutsägelsen.
- Inkludera ytterligare information som är relaterad till den utförda förutsägelse, om så önskas. Omfattningen av ytterligare information beror på användaren.
- Gå igenom guiden genom att klicka på Nästa. Klicka slutligen på Skapa rapport och spara förutsägelse-och kategori rapporterna som PDF-filer och data-matrisen som ett Excel-kalkylblad på datorn.
- Hitta ytterligare information om funktionerna i QSAR Toolbox och automatiserade arbetsflöden i applikations handboken för OECD QSAR Toolbox v. 4 (F1 hjälp på tangentbordet). Information om algoritmerna och logiken bakom det automatiserade arbetsflödet beskrivs av Dimitrov et al.8 och Yordanova et al.9.
- Om en förutsägelse har utförts, klickar du på den verktygslåda scenen knappen rapport.
3. tillämpning
- Om du använder den förväntade effekten koncentrationen (dvs., 96-h LC50 av P. promelas) i miljöriskbedömningen, Använd den nedre gränsen på 95% konfidensintervall. Hitta data på första sidan i den sparade förutsägelse rapporten (PDF) i "förutsägelse Sammanfattning", "förväntat värde: < medelvärde > (från < lower_limit > till < upper_limit >)."
ANMÄRKNINGAR: de noteringar som ges här baseras på resultaten av jämförelsen mellan predikterade och experimentella data för en uppsättning målsubstanser som rapporterats i denna studie. Om du väljer den nedre änden av 95% konfidensintervall ökar sannolikheten för att koncentrationen av den förväntade effekten inte underskatta ämnets verkliga toxicitet (se de representativa resultaten). Den förväntade effektiva koncentrationen av den undre gränsen på 95% konfidensintervall kommer därför att utgöra en säkrare grund för riskbedömning.
Representative Results
Det exempel som beskrivs i denna studie genomfördes för kvantitativ analys och förutsägelse av akuta toxiciteter av utvalda EDs i fisk. När de förväntade datapunkterna plottas kontra experimentella datapunkter som en log-log skala, en positiv korrelation mellan båda hittades för alla fiskar och en representativ art, nämligen, Pimephales promelas (Fathead Minnow; Figur 3). I båda fallen verkade lutningen på den linjära regressionen vara jämförbar (förutspådde LC50/experimentell LC50 = 0,611 och 0,602 för alla fiskar respektive P. promelas). På grund av den begränsade mängden experimentella data var antalet tillgängliga värden från experimentell observation vanligtvis mindre än från beräknings prognoser. Tillämpningen av tolerans faktorn som 5-faldig för den Computational kapacitet21 resulterade i 94% (34/36) och 96% (26/27) av skyddande förutsägelse för alla fiskar och P. promelas, respektive. Baserat på denna förutsägelse, 3 ', 5, 7-trihydroxy-4 ', 6-dimethoxyisoflavone och 1,4-benzenediol verkade uppvisa beräknade LC50 värden större än toleransgränsen.
För att möjliggöra säkerhetsbedömning med högsta tillförlitlighet utfördes ytterligare beräknings analys genom att den förväntade nedre gränsen för 95% konfidensintervall för LC50 (i stället för medelvärdena som används i figur 3) jämfördes med experimentellt härledda värden (figur 4). I denna utvärdering med en förhöjd säkerhets tröskel visades 92% (33/36) av de totala testade hormonstörande ämnena falla i skyddsområdet jämfört med de experimentellt härledda värdena med undantag för: 3 ', 5, 7-trihydroxy-4 ', 6- dimetoxyisoflavon; 1,4-benzenediol; och 4-hexylfenol.
Baserat på bedömningar av hela den art som finns tillgänglig från databasen, värden för den förväntade och experimentella 96-h log10LC50 uppvisade linearitet med log10Kow värden i domänen mellan-1 och 7, vilket indikerar en hyperboliskt samband mellan LC50 och Kow. En generell trend fanns där LC50 minskade för högre K-ow -värden av EDs för de data som erhållits från både beräknings prognoser och experiment, vilket tyder på ökad akut toxicitet hos fiskarter för hormonstörande ämnen med högre hydrofobicitet (tilläggs siffra S1).
Av de regelbaserade ER-profiler som är inbäddade i OECD: s QSAR-verktygslåda kategoriseras de ER-bindande tillhörigheten i EDs som icke-bindande såväl som svaga, måttliga, starka och mycket starka bindemedel, i syfte att öka bindningsaffinitet18. Följaktligen kan den statistiska fördelningen av log10Kow visas som en kvalitativ klassificering av er-Bindningstillhörighet (tilläggs figur S2). Sammantaget verkade förändringarna i K-ow -distributionsplatser och deras genomsnittliga nivåer inte ha en definierad tendens. På samma sätt visades fördelningen av förväntad och experimentell LC50 som omfattningen av er-bindningsaffinitet (figur 5). I detta fall var medelvärdet av förväntad LC50 för er-bindemedel högre än för icke-bindemedel. För den experimentella LC50var däremot medel nivåerna för icke-och svaga bindemedel högre än för starkare er-bindemedel.
Figur 1: grundläggande system för det allmänna arbetsflödet i OECD: s QSAR-verktygslåda.
Vänligen klicka här för att se en större version av denna siffra.
Bild 2: arbetsflöde.
Visas är arbetsflödet konceptualisera modulerna och sekvenser tillämpas för att förutsäga den akuta toxicitet av hormonstörande ämnen (EDs) i fisk med hjälp av OECD QSAR Toolbox. Vänligen klicka här för att se en större version av denna siffra.
Figur 3: förväntad kontra experimentell 96-h LC50 av EDs i tabell 1 för all fisk (blå diamanter, n = 36) och en utvald Art P. promelas (cyan Diamonds, n = 27).
För den förväntade LC50visas medelvärdet ("Ave") värden. De streckade linjerna representerar Linjära regressioner för de två grupperna: för alla fiskar (ljusblå), förutspådde LC50Ave = 0,611 x (experimentell lc50) + 0,277 (justerad r2 = 0,408); och för P. promelas (ljus cyan), förutspådde LC50Ave = 0,602 x (experimentell LC50) + 0,385 (justerad r2 = 0,441). Den solida diagonala linjen visar enighet där de förväntade och experimentella värdena är lika med21. Den prickade grå linjen visar den 5-faldigt toleransgräns för beräkningskapacitet19. Extremvärden: 3 ', 5, 7-trihydroxy-4 ', 6-dimethoxyisoflavone (*) och 1,4-benzenediol (* *). Vänligen klicka här för att se en större version av denna siffra.
Figur 4: förväntad (undre gräns 95% konfidensintervall, "låg-95%") jämfört med experimentell 96-h LC50 av EDs i tabell 1 för all fisk (n = 36).
Streckad linje representerar linjär regression: förutspådde LC50låg-95% = 0,470 x (experimentell lc50)-0,312, där justerat r2 = 0,193. Den heldragna diagonala linjen indikerar enighet där de förväntade och experimentella värdena är lika med varandra19. Extremvärden: 3 ', 5, 7-trihydroxy-4 ', 6-dimethoxyisoflavone (*), 1,4-benzenediol (* *), och 4-hexylfenol (* * *). Vänligen klicka här för att se en större version av denna siffra.
Figur 5: förväntade utdelningar (fasta lådor, n = 8 – 20 för varje kategori) och experimentella (streckade rutor, n = 3 – 16 för varje kategori) 96-h LC50 beroende på er-bindningsaffinitet för EDs i tabell 1 för all fisk.
En lådplan representerar: (a) medelvärde (liten kvadrat med en fet horisontell stapel), (B) 1St och3 rkvartil (nedre och övre – ändarna av boxen), (C) median (horisontellt segment inuti boxen), ( D) 5: e och 95: e percentilen (nedre och övre felstaplarna), (E) 1St och 99: e percentilen (lägre respektive övre x), och (F) minimum och maximum (nedre och övre-, respektive). Vänligen klicka här för att se en större version av denna siffra.
| Nej. | CAS-registernummer | Ämnets namn | LER formula (2D icke-stereokemisk form) | Log Kow | Ave förväntad 96-h LC50 (mg/L) |
LÄGRE 95% CI förväntad 96-h LC50 (mg/L) |
Profiler-östrogen receptor bindning | |||||||
| 1 | 50-28-2 | 17-β estradiol | CC12CCC3C (CCc4cc (O) ccc34) C1CCC2O | 4,01 | 3,62 | 1,42 | Mycket stark pärm, OH-grupp | |||||||
| 2 | 57-63-6 | 17-α Ethinyl- Estradiol |
CC12CCC3C (CCc4cc (O) ccc34) C1CCC2 (O) C # C | 3,67 | 3,00 | 1,18 | Stark pärm, OH-grupp | |||||||
| 3 | 80-05-7 | 2, 2-bis (4-hydroxyphe-nyl) propan (bisfenol A) | CC (C) (c1ccc (O) CC1) c1ccc (O) CC1 | 3,32 | 4,68 | 1,80 | Mycket stark pärm, OH-grupp | |||||||
| 4 | 80-46-6 | 4-tert-Pentylphenol | CCC (C) (C) c1ccc (O) CC1 | 3,91 | 2,27 | 0,87 | Svag pärm, OH-grupp | |||||||
| 5 | 140-66-9 | 4-tert-oktylfenol | CC (C) (C) CC (C) (C) c1ccc (O) CC1 | 5,28 | 0,38 | 0,14 | Stark pärm, OH-grupp | |||||||
| 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 | Mycket stark pärm, OH-grupp | |||||||
| 7 | 10161-33-8 | 17β-trenbolon | CC12C = CC3C (CCC4 = CC (= O) CCC = 34) C1CCC2O | 2,65 | 124,72 | 19,75 | Stark pärm, OH-grupp | |||||||
| 8 | 67747-09-5 | Prochloraz (DMI fungicid) | CCCN (CCOc1c (cl) CC (cl) cc1Cl) C (= O) n1ccnc1 | 4,1 | 5,19 | 1,74 | Icke binder, utan OH eller NH2 grupp | |||||||
| 9 | 84852-15-3 | 4-Nonylphenol | CC (C) CCCCCCc1ccc (O) CC1 | 5,92 | 0,21 | 0,07 | Stark pärm, OH-grupp | |||||||
| 10 | 69-72-7 | Salicylsyra | OC (= O) c1ccccc1O | 2,26 | 24,07 | 9,31 | Svag pärm, OH-grupp | |||||||
| 11 | 80-09-1 | 4, 4 '-dihydroxidifenylsulfon (bisfenol S) | Oc1ccc (CC1) S (= O) (= O) c1ccc (O) CC1 | 1,65 | 48,67 | 10,67 | Mycket stark pärm, OH-grupp | |||||||
| 12 | 84-74-2 | Ftalsyraanhydrid syra, dibutylftalat Ester | CCCCOC (= O) c1ccccc1C (= O) OCCCC | 4,5 | 0,76 | 0,06 | Icke binder, utan OH eller NH2 grupp | |||||||
| 13 | 92-88-6 | 4, 4 ′-dihydroxybifenyl | Oc1ccc (CC1)-c1ccc (O) CC1 | 2,8 | 12,05 | 4,20 | Måttlig bindemedel, OH grooup | |||||||
| 14 | 94-13-3 | 4-hydroxibensoesyra, propylester | CCCOC (= O) c1ccc (O) CC1 | 3,04 | 10,32 | 3,86 | Måttlig bindemedel, OH grooup | |||||||
| 15 | 98-54-4 | 4-tert-butylfenol | CC (C) (C) c1ccc (O) CC1 | 3,31 | 4,36 | 1,68 | Svag pärm, OH-grupp | |||||||
| 16 | 97-23-4 | 2, 2 ′-dihydroxi--5,5 ′-diklordifenyleter-metan | Oc1ccc (cl) cc1Cc1cc (cl) ccc1O | 4,26 | 0,48 | 0,10 | Mycket stark pärm, OH-grupp | |||||||
| 17 | 97-53-0 | Eugenol | COc1cc (CC = C) ccc1O | 2,27 | 14,70 | 5,60 | Svag pärm, OH-grupp | |||||||
| 18 | 99-76-3 | 4-hydroxybensoesyra, metylester | COC (= O) c1ccc (O) CC1 | 1,96 | 38,20 | 14,01 | Svag pärm, OH-grupp | |||||||
| 19 | 103-90-2 | N-(4-hydroxifenyl) acetamid | CC (= O) Nc1ccc (O) CC1 | 0,46 | 338,97 | 43,39 | Svag pärm, OH-grupp | |||||||
| 20 | 106-44-5 | p-Cresol | Cc1ccc (O) CC1 | 1,94 | 20,47 | 7,14 | Svag pärm, OH-grupp | |||||||
| 21 | 108-39-4 | m-Cresol | Cc1cccc (O) C1 | 1,96 | 23,45 | 9,17 | Svag pärm, OH-grupp | |||||||
| 22 | 108-45-2 | 1,3-fenylendiamamin | Nc1cccc (N) C1 | -0,33 | 34,60 | 0,00 | Svag pärm, NH2 grupp | |||||||
| 23 | 108-46-3 | 1,3-dihydroxibensen | Oc1cccc (O) C1 | 0,8 | 123,03 | 27,06 | Svag pärm, OH-grupp | |||||||
| 24 | 108-91-8 | Cyklohexylamin | NC1CCCCC1 | 1,49 | 28,08 | 1,40 | Svag pärm, NH2 grupp | |||||||
| 25 | 119-36-8 | salicylsyra, metylester | COC (= O) c1ccccc1O | 2,55 | 16,16 | 5,68 | Svag pärm, OH-grupp | |||||||
| 26 | 120-47-8 | 4-hydroxybensoesyra, etylester | CCOC (= O) c1ccc (O) CC1 | 2,47 | 19,93 | 7,40 | Svag pärm, OH-grupp | |||||||
| 27 | 120-80-9 | 1,2-dihydroxibensen | Oc1ccccc1O | 0,88 | 11,14 | 0,01 | Svag pärm, OH-grupp | |||||||
| 28 | 123-31-9 | 1,4-dihydroxibensen [1,4-benzenediol] | Oc1ccc (O) CC1 | 0,59 | 90,75 | 33,19 | Svag pärm, OH-grupp | |||||||
| 29 | 131-53-3 | 2, 2 ′-dihydroxi-4-metoxibenzophenon | COc1ccc (C (= O) c2ccccc2O) C (O) C1 | 3,82 | 3,97 | 1,46 | Mycket stark pärm, OH-grupp | |||||||
| 30 | 131-56-6 | 2, 4-dihydroxybenzophenone | Oc1ccc (c (O) C1) C (= O) c1ccccc1 | 2,96 | 12,04 | 4,73 | Stark pärm, OH-grupp | |||||||
| 31 | 131-57-7 | 2-hydroxi-4-metoxibenzophenone | COc1ccc (C (= O) c2ccccc2) C (O) C1 | 3,79 | 5,96 | 2,27 | Stark pärm, OH-grupp | |||||||
| 32 | 599-64-4 | 4-cumylphenol | CC (C) (c1ccccc1) c1ccc (O) CC1 | 4,12 | 2,15 | 0,84 | Stark pärm, OH-grupp | |||||||
| 33 | 2855-13-2 | 1-Amino-3-aminomethyl-3, 5, 5-trimetyl-cyklohexan | CC1 (C) CC (N) CC (C) (KN) C1 | 1,9 | 30,65 | 1,53 | Moderat bindemedel, NH2 grupp | |||||||
| 34 | 6864-37-5 | 3, 3 ′-dimetyl-4, 4 ′-diaminodicyklohexylmethane | CC1CC (CCC1N) CC1CCC (N) C (C) C1 | 4,1 | 1,07 | 0,05 | Stark pärm, NH2 grupp | |||||||
| 35 | 25013-16-5 | tert-butyl-4-hydroxyanisole | COc1ccc (O) c (C1) C (C) (C) c | 3,5 | 4,85 | 1,85 | Måttlig bindemedel, OH grooup | |||||||
| 36 | 147315-50-2 | 2-(4, 6-difenyl-1, 3, 5-triazin-2-yl)-5-(hexyloxy) fenol | CCCCCCOc1ccc (c (O) C1)-c1nc (NC (N1)-c1ccccc1)-c1ccccc1 | 6,24 | 0,17 | 0,06 | Stark pärm, OH-grupp | |||||||
| 37 | 88-68-6 | 2-aminobenzamid | NC (= O) c1ccccc1N | 0,35 | 694,00 | 84,30 | Svag pärm, NH2 grupp | |||||||
| 38 | 611-99-4 | 4, 4 ′-dihydroxybenzophenone | Oc1ccc (CC1) C (= O) c1ccc (O) CC1 | 2,19 | 37,74 | 14,67 | Mycket stark pärm, OH-grupp | |||||||
| 39 | 27955-94-8 | 1, 1, 1-tris (4-hydroxifenol) etan | CC (c1ccc (O) CC1) (c1ccc (O) CC1) c1ccc (O) CC1 | 4,38 | 2,09 | 0,82 | Mycket stark pärm, OH-grupp | |||||||
| 40 | 87-18-3 | salicylsyra, 4-tert-butylfenylester | CC (C) (C) c1ccc (OC (= O) c2ccccc2O) CC1 | 5,73 | 0,24 | 0,09 | Stark pärm, OH-grupp | |||||||
| 41 | 47465-97-4 | 3, 3-bis (3-metyl-4-hydroxifenyl) 2-indolinone | Cc1cc (ccc1O) C1 (C (= O) Nc2ccccc12) c1ccc (O) c (C) C1 | 4,48 | 2,07 | 0,77 | Mycket stark pärm, OH-grupp | |||||||
| 42 | 99-96-7 | p-hydroxybensoesyra | OC (= O) c1ccc (O) CC1 | 1,58 | 8,54 | 0,00 | Svag pärm, OH-grupp | |||||||
| 43 | 80-07-9 | 1-chloro-4-(4- klorofenyl) sulfonylbenz |
Clc1ccc (CC1) S (= O) (= O) c1ccc (cl) CC1 | 3,9 | 3,92 | 0,85 | Icke binder, utan OH eller NH2 grupp | |||||||
| 44 | 84-65-1 | 9, 10-anthraquinone | O = C1c2ccccc2C (= O) c2ccccc12 | 3,39 | 7,00 | 3,54 | Icke binder, utan OH eller NH2 grupp | |||||||
| 45 | 85-44-9 | 2-benzofuran-1,3-Dione | O = C1OC (= O) c2ccccc12 | 1,6 | 2,69 | 0,00 | Icke binder, utan OH eller NH2 grupp | |||||||
| 46 | 92-84-2 | 10H-fenotiazin | N1c2ccccc2Sc2ccccc12 | 4,15 | 1,07 | 0,08 | Icke binder, utan OH eller NH2 grupp | |||||||
| 47 | 2855-13-2 | 1-Amino-3-aminomethyl-3, 5, 5-trimetyl-cyklohexan | CC1 (C) CC (N) CC (C) (KN) C1 | 1,9 | 30,65 | 1,53 | Moderat bindemedel, NH2 grupp | |||||||
| 48 | 50-27-1 | Estriol | CC12CCC3C (CCc4cc (O) ccc34) C1CC (O) C2O | 2,45 | 21,21 | 8,29 | Mycket stark pärm, OH-grupp | |||||||
| 49 | 50-50-0 | Beta-estradiol-3-bensoat | CC12CCC3C (CCc4cc (OC (= O) c5ccccc5) ccc34) C1CCC2O | 5,47 | 0,36 | 0,02 | Stark pärm, OH-grupp | |||||||
| 50 | 53-16-7 | Östron | CC12CCC3C (CCc4cc (O) ccc34) C1CCC2 = O | 3,13 | 7,78 | 3,06 | Stark pärm, OH-grupp | |||||||
| 51 | 92-52-4 | Bifenyler | c1ccc (CC1)-c1ccccc1 | 4,01 | 4,10 | 0,47 | Icke binder, utan OH eller NH2 grupp | |||||||
| 52 | 92-69-3 | p-fenylfenol | Oc1ccc (CC1)-c1ccccc1 | 3,2 | 5,99 | 1,82 | Måttlig bindemedel, OH grooup | |||||||
| 53 | 96-29-7 | 2-Butanonoxim | CCC (C) = NEJ | 0,63 | 32,67 | 2,49 | Icke-bindemedel, icke cyklisk struktur | |||||||
| 54 | 121-75-5 | Malathon | CCOC (= O) CC (SP (= S) (OC) OC) C (= O) OCC | 2,36 | 37,73 | 3,33 | Icke-bindemedel, icke cyklisk struktur | |||||||
| 55 | 123-07-9 | 4-etylfenol | CCc1ccc (O) CC1 | 2,58 | 13,63 | 4,65 | Svag pärm, OH-grupp | |||||||
| 56 | 645-56-7 | 4-n-Propylpehnol | CCCc1ccc (O) CC1 | 3,2 | 7,32 | 2,55 | Svag pärm, OH-grupp | |||||||
| 57 | 1638-22-8 | p-butylfenol | CCCCc1ccc (O) CC1 | 3,65 | 4,09 | 1,39 | Svag pärm, OH-grupp | |||||||
| 58 | 1912-24-9 | Atrazin | CCNc1nc (cl) NC (NC (C) C) N1 | 2,61 | 30,87 | 4,63 | Icke binder, utan OH eller NH2 grupp | |||||||
| 59 | 40596-69-8 | Metopren | COC (C) (C) CCCC (C) CC = CC (C) = CC (= O) OC (C) C | 5,5 | 0,08 | 0,00 | Icke-bindemedel, icke cyklisk struktur | |||||||
| 60 | 1987-50-4 | 4-heptylfenol | CCCCCCCc1ccc (O) CC1 | 5,01 | 0,66 | 0,22 | Måttlig bindemedel, OH grooup | |||||||
| 61 | 92-86-4 | p, p'-Dibromobiphenyl | Brc1ccc (CC1)-c1ccc (br) CC1 | 5,72 | 0,11 | 0,02 | Icke binder, utan OH eller NH2 grupp | |||||||
| 62 | 480-41-1 | Naringenin | Oc1ccc (CC1) C1CC (= O) C2C (O) CC (O) cc2O1 | 2,52 | 27,84 | 10,87 | Mycket stark pärm, OH-grupp | |||||||
| 63 | 486-66-8 | Daidzein | Oc1ccc (CC1) C1 = COc2cc (O) ccc2C1 = O | 2,55 | 36,47 | 11,71 | Mycket stark pärm, OH-grupp | |||||||
| 64 | 491-70-3 | Luteolin | Oc1cc (O) c2C (= O) C = C (Oc2c1) c1ccc (O) c (O) C1 | 2,53 | 43,75 | 14,28 | Mycket stark pärm, OH-grupp | |||||||
| 65 | 491-80-5 | (Ekby) | COc1ccc (CC1) C1 = COc2cc (O) CC (O) c2C1 = O | 3,41 | 15,87 | 3,70 | Stark pärm, OH-grupp | |||||||
| 66 | 520-18-3 | Kaempferol | Oc1ccc (CC1) C1Oc2cc (O) CC (O) c2C (= O) C = 1O | 1,96 | 70,98 | 8,05 | Mycket stark pärm, OH-grupp | |||||||
| 67 | 2051-60-7 | 2-klorobifenyl (PCB 1) | Clc1ccccc1-c1ccccc1 | 4,53 | 0,77 | 0,16 | Icke binder, utan OH eller NH2 grupp | |||||||
| 68 | 2051-61-8 | 3-klorobifenyl (PCB 2) | Clc1cccc (C1)-c1ccccc1 | 4,58 | 0,77 | 0,16 | Icke binder, utan OH eller NH2 grupp | |||||||
| 69 | 2051-62-9 | 4-klor-1, 1 '-bifenyl | Clc1ccc (CC1)-c1ccccc1 | 4,61 | 0,77 | 0,16 | Icke binder, utan OH eller NH2 grupp | |||||||
| 70 | 2446-69-7 | p-n-Hexylfenol [4-hexylfenol] | CCCCCCc1ccc (O) CC1 | 4,52 | 1,22 | 0,42 | Måttlig bindemedel, OH grooup | |||||||
| 71 | 14938-35-3 | 4-n-Amylfenol | CCCCCc1ccc (O) CC1 | 4,06 | 2,44 | 0,89 | Svag pärm, OH-grupp | |||||||
| 72 | 17924-92-4 | Zearalenon | CC1CCCC (= O) CCCC = Cc2cc (O) CC (O) c2C (= O) O1 | 3,58 | 7,22 | 2,66 | Stark pärm, OH-grupp | |||||||
| 73 | 1743-60-8 | Beta-estradiol 3-bensoat 17-nbutyrat | CC (= O) OC1CCC2C3CCc4cc (O) ccc4C3CCC12C | 4,95 | 0,91 | 0,35 | Stark pärm, OH-grupp | |||||||
| 74 | 479-13-0 | Coumestrol | Oc1ccc2c (OC (= O) C3c-2oc2cc (O) ccc32) C1 | 1,57 | 52,16 | 11,44 | Mycket stark pärm, OH-grupp | |||||||
Tabell 1: förteckning över utvärderade hormonstörande kemikalier. Genomsnittligt medelvärde (AVE) och lägre 95% konfidensintervall (CI) effektiva koncentrationer (95-h LC50, Pimephales promelas) samt östrogen receptor bindning FÖRUTSPÅDDES med qsar Toolbox version 4,3 automatiserat arbetsflöde. Log10Kow hämtades via qsar Toolbox version 4,3 från kowwin v 1.68, 2000, amerikanska Naturvårdsverket. Experimentella log10Kow värden var att föredra framför förväntade värden. Listan över målsubstanser har sammanställts från tidigare rapporterade förteckningar över EDs22,23,24.
Kompletterande information. Vänligen klicka här för att ladda ner denna fil.
Discussion
Mångsidigheten hos OECD: s QSAR-verktygslåda som analytisk programvara för ekotoxikologi visas här med särskilt intresse för de negativa effekterna av hormonstörande kemikalier på vattenlevande ryggradsdjur. Dessutom demonstrerades ett enkelt och standardiserat protokoll för att förutsäga akut toxicitet (96-h LC50) av 74 representativa EDs (tabell 1) för fiskarter. Detta uppnåddes genom tillämpning av kategori byggnad, fyllning av dataluckor och er-profilmoduler inbäddade i QSAR-verktygslådan (figur 1, figur 2).
Den linjära korrelationen mellan log10LC50 ochlog 10Kow med en negativ lutning (som visas i tilläggs siffran S1) har länge varit känd som en standard kvantitativ relation i QSAR-analyser25, där högre toxicitet visas ju mer hydrofoba en given kemikalie är. Som framgår av en enkel beräkning, den allmänna matematiska relationen som innehåller ekvation S1 och ekvation S2 (kompletterande information) är ett konverterat uttryck från följande Power-funktion26:
Från handlingen (ekvation 2) kan det vara möjligt att karakterisera ett mellanliggande intervall av Kow26 genom att justera parametrarna a och b, där en viss variation i hydrofobicitet (eller hydrofilicitet) inte väsentligt förändrar Endpoint av akut toxicitet.
Jämförande analyser mellan beräknings prognoser och experimentella observationer på LC50, som visas i figur 3 och figur 4, har typiskt rapporterats i studier av QSAR för olika akvatiska toxicants, inklusive tekniska icke-jonaktivt tensider27, triazol fungicider28, och pesticiden metaboliter21. Denna typ av retrospektiv validering ger information om hur långt ett givet QSAR-verktyg kan nå när det gäller jämförande resultat med experimentella resultat. I denna studie av akut toxicitet i fisk, var QSAR Toolbox visat sig ge skyddande förutsägelser för över 90% av testade EDs i alla fiskar och i en enda art, Pimephales promelas.
Ytterligare identifiera de tre avvikare kemikalier i figur 3 och figur 4, som visade högre förutspådde LC50 i genomsnitt och till ett minimum, respektive, krävs. Första, den 3 ', 5, 7-trihydroxy-4 ', 6-dimethoxyisoflavone är en typ av flavonoid (mer specifikt, en isoflavone), som anses vara allmänt säker och används i växtbaserade läkemedel; emellertid, det har fortfarande östrogen-relaterade frågor29 och kan orsaka akut toxicitet förmodligen genom oxidativ fosforylering unkoppling30. Nästa, den 1,4-benzenediol, kallas Hydrokinon, är en fenol förening som kan utlösa en icke-specifik och cytotoxiska immunsvar i fisk31. Slutligen, 4-hexylfenol har varit kända för att uppvisa tillräcklig positiv östrogena aktivitet klassificeras som en ED32. Det har varit väl studerat att den främsta orsaken till den akuta toxiciteten av hydrokinon är minskningen-oxidation (redox) cykling. Hydrokinon oxideras till benzoquinone och reduceras tillbaka till semi-quinone eller hydrokinon upprepade gånger, med nedbrytande kofaktorer och generera reaktiva syreradikaler33. De andra två kemikalierna kan kräva djupare undersökningar för att avslöja deras verkningsmekanismer vid akut ekotoxicitet med hjälp av molekylära docknings metoder som den som används av Panche et al.34, som inte kan TÄCKAS av QSAR-verktygslådan.
EDs störa det endokrina systemet främst genom fysikalisk-kemiska interaktioner med steroid receptorer såsom östrogen och androgenreceptorer, som är av stort intresse för QSAR modellering studier35. Med tanke på detta är QSAR Toolbox robust när det gäller facile och snabb klassificering av ER-bindande tillhörighet för en uppsättning kemikalier som endast bygger på 2D-beskrivare av molekylära strukturer. När detta ER profiler-system tillämpades på vår lista över hormonstörande ämnen hittades ingen tydlig korrelation mellan ER-bindningsaffinitet och hydrofobicitet (tilläggs figur S2). Detta resultat kan förklaras av det faktum att bildandet av en steroid-receptorn komplex är inte en direkt följd av en hydrofoba bindning bidrag utan bör åtföljas av en överensstämmande förändring i den aktiva-plats receptor struktur36. Receptor bandet kan vara också tack vare väten-bindning och π-stapla.
Dessutom kan positionen för varje kemisk grupp på molekylen påverka receptor bindningen, även om hydrofobicitet och antal väteobligatorer-givare förblir desamma. För det andra producerade ER profiler motsatta trender mellan predikterade och experimentella LC50 medel nivåer med ökande er-bindningsaffinitet (figur 5). Detta kan bero på att dödlighet hos föräldrarna i ett akut toxicitetstest inte beror på ER bindande utan snarare att narkos i de flesta fall, eller att Redox cykling i fråga om hydrokinon. Till exempel krävs en mer omfattande analys, inklusive kronisk toxicitet, för en större uppsättning EDs för att definiera förutsägande begränsningar i den aktuella versionen av QSAR-verktygslådan.
Denna preliminära forskning kan också ha folkhälso konsekvenser eftersom steroider (androgener, östrogener, progestines, och kortikoider) och deras receptorer uppvisar liknande eller ens identiska makromolekylära strukturer över ryggradsdjur5. Dessa typer av analoga endokrina signalering system kan fungera med hjälp av en gemensam mekanism i viktiga händelser av EDs5. Ytterligare och kompletterande metoder krävs dock för att belysa denna stora och komplexa aspekt [till exempel genom att utföra beräknings modellering av absorption, distribution, metabolism och utsöndring (ADME) och/eller negativa resultat väg (AOP)]38. Dessutom, eftersom de flesta av de vetenskapliga och offentliga farhågor om de negativa effekterna av EDs är relaterade till deras kroniska toxiciteter, förbättra databaser och algoritmer i QSAR Toolbox och producera tillförlitlig långsiktig ekotoxikologi förutsägelser för EDs är båda nödvändiga.
Denna uppsats visar tillämpningen av QSAR Toolbox för att jämföra ekotoxikologiska LC50 värden för fisk med log10Kow värden av EDs. under hela protokollet leder det till svaga relationer mellan de två parametrarna, avslöjats genom tidigare studier (t. ex. Kim et al.39) som log10Kow är inte en bra direkt prediktor för Aquatic LC50. Trots denna begränsning, ger detta protokoll en allmän översyn eller "Vignette" för att beskriva hur man använder instrumentpanelen för ett givet ändamål, eftersom det är ett giltigt program för att använda QSAR verktygslådan för att undersöka korrelationer mellan LC50 (eller er bindning (affinitet) och log 10 Kow, eller som ett verktyg för snabb undersökning av akut ekotoxicitet. Det bör dock noteras att (1) upplysande sambandet mellan östrogen receptorbindning och kronisk toxicitet, snarare än akut toxicitet (dödlighet), är mer relevant så att tydligare korrelationer kan hittas, och (2) androgenreceptorn, tillsammans med den av östrogen, spelar också en avgörande roll i reproduktionstoxicitet. Därför krävs för den framtida versionen av QSAR-verktygslådan för att förbättra förutsägelse funktioner mot bakgrund av dessa två punkter.
Disclosures
Författarna har inget att avslöja.
Acknowledgments
Denna forskning stöddes av det nationella forskningsrådet för Science & Technology (NST) Grant av den sydkoreanska regeringen (MSIP) (No. CAP-17-01-KIST Europe) och 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).
