Summary

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

Published: August 28, 2019
doi:

Summary

Die quantitative Struktur-Aktivitäts-Beziehungsmodellierung (QSAR) ist eine repräsentative bioinformatische Methode im toxikologischen Screening. Dieses Protokoll zeigt, wie die Risiken von endokrinen Disruptoren (EDs) in aquatischen Umgebungen rechnerisch bewertet werden. Mit Hilfe der OECD QSAR Toolbox implementiert das Protokoll einen in silico assay zur Analyse der Toxizität von EDs bei Fischen.

Abstract

Computational Analysen toxikologischer Prozesse ermöglichen ein hochdurchsatzreiches Screening chemischer Substanzen und die Vorhersage ihrer Endpunkte in biologischen Systemen. Insbesondere wurden quantitative Struktur-Aktivitäts-Beziehungsmodelle (QSAR) zunehmend angewendet, um die Umweltauswirkungen einer Vielzahl toxischer Stoffe zu bewerten. In den letzten Jahren sind einige der stärker hervorgehobenen Arten von Giftstoffen endokrine Disruptoren (EDs, die Chemikalien sind, die jeden hormonbedingten Stoffwechsel stören können). Da EDs die Entwicklung und Fortpflanzung von Tieren erheblich beeinflussen können, ist eine schnelle Vorhersage der nachteiligen Auswirkungen von EDs mit Silico-Techniken erforderlich. Diese Studie stellt eine in silico-Methode zur Erstellung von Vorhersagedaten über die Auswirkungen repräsentativer EDs bei Wirbeltieren, insbesondere Fischarten, vor. Das Protokoll beschreibt ein Beispiel anhand des automatisierten Workflows der QSAR Toolbox Software, die von der Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD) entwickelt wurde, um akute Ökotoxizitätsvorhersagen von EDs zu ermöglichen. Als Ergebnis werden folgende Ermittelt: (1) Berechnung der numerischen Korrelationen zwischen der Konzentration für 50% der Letalität (LC50) und dem Octanol-Wasser-Partitionskoeffizienten (Kow), (2) Ausgangsleistungen, bei denen die LC50 Die in Experimenten ermittelten Werte werden mit denen verglichen, die durch Berechnungen generiert wurden, und (3) die Abhängigkeit der Östrogenrezeptorbindungsaffinität von der Beziehung zwischen Kow und LC50.

Introduction

Neue Entwicklungen in Informatik und Computertechnik haben die biologischen Wissenschaften mit quantitativen Methoden befähigt, die hohe Präzision und Zuverlässigkeit bieten1. Insbesondere Algorithmen, die in der molekularen Taxonomie und Der Objektklassifizierung verwendet werden, haben zu quantitativen Struktur-Aktivitäts-Beziehungsmodellen (QSAR)2geführt. Diese Modelle korrelieren automatisch die chemischen Strukturen und biologischen Aktivitäten einer bestimmten chemischen Datenbank und implementieren ein schnelles Silico-Screening einer breiten Palette chemischer Substrate entsprechend ihrer medizinischen oder toxikologischen Aktivität3. QSAR-Werkzeuge können prädiktive Toxizitätsprofile als Funktion von Merkmalsvektoren molekularer Deskriptoren (d. h. physikalisch-chemischer Parameter) von Chemikalien von Interesse erzeugen, um numerisch kategoriale Endpunkte zu erstellen4. Normalerweise wird jeder quantitative Endpunkt als 2D-Streudiagramm im Vergleich zu Änderungen in Deskriptorwerten angezeigt. Ein QSAR-Modell wird dann mit (mehreren) linearen Regressionsanalysen generiert. Nachdem ein Dataset vollständig zum Erstellen eines QSAR-Modells (der so genannte Trainingssatz) ausgenutzt wurde, wird das Modell statistisch überprüft, indem die Endpunkte einer Gruppe von Chemikalien vorhergesagt werden, die nicht im Trainingssatz enthalten sind (der so genannte Testsatz). Das Modell kann dann verwendet werden, um die biologischen Aktivitäten von ungetesteten Verbindungen3vorherzusagen.

Unter vielen schädlichen Chemikalien, endokrine Disruptoren (EDs) wurden als eine Gruppe von Giftstoffen hervorgehoben, die in zahlreichen Hormon-bezogenen Stoffwechsel bei Säugetieren stören können, Amphibien, und Fische5,6. EDs sind dafür bekannt, eine Vielzahl von Nebenwirkungen zu induzieren, wie Krebs und Fehlbildungen, indem sie normale hormonelle Bahnen blockieren oder verändern oder abnormale Hormonsynthese/-degradationssignale aktivieren. Infolgedessen können diese hormonimitierenden Chemikalien endokrine Systeme stören, so dass die biologische Entwicklung und Fortpflanzung von Wildtierpopulationen behindert wird. Insbesondere die ökotoxikologischen Wirkungen von EDs wurden bei Wasserwirbeltieren, die nahezu identische Hormonrezeptorstrukturen haben, umfassend untersucht wie bei Säugetieren, einschließlich Menschen. Da alle hormonellen Aktionen bei niedrigen Dosen in vivo auftreten, ist die Vorhersage der potenziellen Toxizitäten von ED-Kandidaten mit schnellen Silico-Screening stoltoisierend für die öffentliche und ökologische Gesundheit.

QSAR-Modelle, die auf der Toxikologie von EDs basieren, wurden sowohl unter Verwendung von 2D- als auch 3D-Deskriptoren (bekannt als 2D- und 3D-QSAR) durchgeführt, die die ED-Ligand-Bindungsaffinitäten von Östrogen-, Androgen- und Progesteronrezeptoren7offenbaren. Trotz der hochpräzisen Vorteile von 3D QSAR, bei denen konforme und elektrostatische Wechselwirkungen berücksichtigt werden, behält 2D QSAR seine eigene Robustheit in direkten mathematischen Algorithmen, schnellen Berechnungen und extrem niedrigen Rechenlasten. Darüber hinaus sind 2D-QSAR-Modelle flexibel für den Einsatz in einer Vielzahl von Anwendungen und erzielen gleichzeitig eine relativ genaue Vorhersageleistung.

Die OECD QSAR Toolbox ist derzeit eines der am häufigsten genutzten Computer-Software-Tools und bietet frei verfügbare und vorgefertigte QSAR-Modelle8,9. Der Profiler verwendet 2D-Deskriptordatenbanken. Seit der Veröffentlichung der ersten Version im Jahr 2008 wird die Software in den Bereichen chemische und biologische Industrie, öffentliche Gesundheit und Umweltsicherheit zur vollständigen oder teilweisen Analyse der potenziellen Risiken natürlicher und synthetischer Verbindungen eingesetzt, besondere Interessen in der Karzinogenese10,11,12, Mutagenität13,14,15, und Entwicklungstoxizität16. Die Anwendung auf die aquatische Toxikologie wurde ebenfalls nachgewiesen, mit Schwerpunkt bioakkumation und biotransformation17.

Die QSAR Toolbox hat sich als nützlich bei der Vorhersage der kurzfristigen Toxizität einer breiten Palette von Chemikalien17, sowie der Östrogenrezeptor (ER) Bindung Affinitäten von EDs18. Die akuten Ökotoxizitäten von EDs bei Wirbeltieren wurden jedoch nicht mit der QSAR Toolbox analysiert. In dieser Studie wird ein typisches und leichtes Protokoll vorgestellt, um QSAR-Modellierung über die akuten Nebenwirkungen von EDs mit einem Schwerpunkt bei Fischarten durchzuführen. Die Studie zeigt, dass die QSAR Toolbox eine hochzugängliche Software zur Berechnung und Vorhersage der Letalität/Sterblichkeit von Wasserwirbeltieren für einige repräsentative EDs ist. Statistische Behandlungsmethoden für die abgeleiteten silico-Datensätze werden vorgestellt. Abbildung 1 zeigt das Gesamtschema für den allgemeinen Betrieb der QSAR Toolbox. Der in Abbildung 2 dargestellte Arbeitsablauf enthält einfache Anweisungen zum Betrieb des in silico-Assays, um die akute Ökotoxizität von Zielstoffen wie endokrin störenden Chemikalien vorherzusagen.

Protocol

1. Ausrüstung Software: Verwenden Sie OECD QSAR Toolbox 4.0 oder neuer (kostenloser Download von <https://qsartoolbox.org/download/?) und Datenanalysesoftware. Computer: für die OECD QSAR Toolbox, verwenden: (i) Systemtyp: 64 Bit, Windows 7 oder neuer; ii) Prozessor: I5 bei 2,4 GHz oder ein schnellerer Prozessor oder eine gleichwertige AMD-CPU; (iii) installierter Speicher (RAM): 6 GB; (iv) Festplatte (HDD): 20 GB freier Festplattenspeicher (OECD QSAR Toolbox 4.3 Release Notes: ). 2. Verfahren OECD QSAR ToolboxANMERKUNG: Die QSAR Toolbox arbeitet in sechs aufeinanderfolgenden Flow-Modulen ab Eingabe und gefolgt von Profiling, Daten, Kategoriedefinition, Datenlückenfüllung, dann Report, die Programmschnittstelle. Erkunden Sie die oben genannten sechs Stufen durch sechs Symbolleistensymbole, indem Sie mit der linken Maustaste klicken. Sehen Sie sich zunächst die Phasen Input, Data Gap Filling und Report an, die erforderlich sind, um den automatisierten Workflow “Ecotoxicological endpoint” durchzuführen und seine Ergebnisse zu dokumentieren. Werfen Sie einen kurzen Blick auf optionale Phasen Profiling und Daten. Die Profiling-Phase gibt einen ersten Einblick in das (Öko-)Toxizitätspotenzial der Zielsubstanz und die Umweltschicksalseigenschaften. Optionale Datenphase ermöglicht die Suche nach verfügbaren experimentellen Daten im Zusammenhang mit der Zielsubstanz. eingabe Beim Starten der QSAR Toolbox beginnt der Benutzer standardmäßig in der Eingabe-Toolbox-Phase. Die QSAR Toolbox erstellt automatisch eine Arbeitsdatei mit dem Namen “Dokument 1”, die im Bühnenoptionsfeld links neben der Programmoberfläche angezeigt wird. Benennen Sie die Datei auf Wunsch um, indem Sie mit der rechten Maustaste auf die Arbeitsdatei klicken. Klicken Sie in der Symbolleiste Aktionen auf die Schaltfläche CAS, geben Sie die CAS-Nummer (Chemical Abstract Service) der Zielsubstanz in das verfügbare Textfeld ein, und klicken Sie auf Suchen. Das Tool sucht dann nach der Zielsubstanz nach CAS-Nummer. Wählen Sie bei Bedarf andere Suchoptionen aus, die in der Aktionssymbolleiste verfügbar sind, z. B. die Suche nach Stoffnamen oder dem vereinfachten SMILES-Code (Molecular Input Line Entry System). SMILES kann als 2D nicht-stereochemische oder 3D stereochemische Formen eingegeben werden. Klicken Sie auf Name bzw. Struktur. Verwenden Sie das Werkzeug Struktur, um die Zielsubstanz zu zeichnen. Das Suchwerkzeug zeigt die Suchergebnisse über Datenbankdatensätze in einem Popupfenster an. Wählen Sie den Datensatz aus, der eine “hohe” CAS-SMILES-Beziehung (CS Relation-Feld) meldet, wenn mehrere Datensätze für den Zielstoff abgerufen werden, indem Sie das Kontrollkästchen auf der linken Seite des Datensatzes aktivieren. Klicken Sie auf OK.HINWEIS: Von diesem Punkt aus ist es nur möglich, wenn der abgerufene Datensatz einen SMILES-Code enthält, da der SMILES-Code (2D nicht stereochemisches enthaltendes Formular) die Grundlage für die Berechnung ist. Batch-Modus: Um den in silico-Test für mehrere Zielsubstanzen durchzuführen, schreiben Sie eine einfache Stoffliste in einen Texteditor, in dem jede CAS-Nummer in einer einzigen Zeile aufgeführt ist (Ergänzende Abbildung S3). Speichern Sie die Textdatei mit einem entsprechenden Namen und der Entsprechenden Erweiterung .txt auf dem Computer. Batch-Modus: Klicken Sie auf Daten. Wechseln Sie dann zu Datenbanken im Bühnenoptionsfeld auf der linken Seite der Programmoberfläche. Stellen Sie sicher, dass Datenbanken, die unter Ökotoxikologische Informationen aufgeführt sind, überprüft werden. Batch-Modus: Klicken Sie auf Eingabe. Wählen Sie Abfrage aus der Symbolleiste der Aktionen aus. Akzeptieren Sie die in Schritt 2.2.6 eingestellten Einstellungen, indem Sie im Dialogfeld auf Ja klicken. Batch-Modus: Wählen Sie die Registerkarte CAS. Laden Sie die Stoffliste als Textdatei gespeichert durch Ladeliste von Ihrem Computer. Batch-Modus: Es sind zwei Add-Buttons verfügbar; Klicken Sie auf die Schaltfläche Hinzufügen am unteren Rand des Popup-Menüs, und klicken Sie dann auf Ausführen. Die QSAR Toolbox zeigt eine Meldung über die Anzahl der Stoffe an, die für die Suche abgerufen wurden.HINWEIS: Einige Stoffe der geladenen Liste werden vom Suchtool möglicherweise nicht gefunden oder es sind mehrere Einträge für eine CAS-Nummer verfügbar. Es ist nicht möglich, Stoffe aus dem abgerufenen Stoffsatz zu löschen. ProfilerstellungHINWEIS: Der folgende Abschnitt ist optional. Wenn dies nicht erforderlich ist, fahren Sie mit Abschnitt 2.5 fort. Klicken Sie auf die Toolbox-Bühnenschaltfläche Profiling. Wechseln Sie zu Profiling-Methoden im Bühnenoptionsfeld auf der linken Seite der Programmoberfläche. Klicken Sie auf Alle deaktivieren. Überprüfen Sie alle unter Vordefiniert aufgeführten Profiler und diejenigen im Zusammenhang mit aquatischer Toxizität, die unter Endpunkt-spezifisch aufgeführt sind, z. B. “Akute Aquatische Toxizitätsklassifizierung durch Verhaar (Modifiziert).” Beenden Sie die Auswahl. Klicken Sie dann auf die Schaltfläche Anwenden in der Symbolleiste Aktionen.HINWEIS: Die QSAR Toolbox enthält Empfehlungen für eine Reihe von Profilern. Diese werden grün (geeignet) und orange (plausibel) hervorgehoben, wenn Sie Optionen > Farbe auswählen durch: > Endpunkt ausgewählt in der Datenmatrix in der oberen linken Ecke der Profiling-Methoden. Klicken Sie mit der linken Maustaste auf das Datenmatrixfeld neben dem Endpunkt von Interesse. Verfügbare Endpunkte werden in der Endpunktstruktur neben dem Bühnenoptionsfeld aufgeführt. Der Profiler-Stofftyp gibt an, ob es sich bei der Zielsubstanz um eine “diskrete Chemikalie” handelt. Die Informationen werden in der erweiterten Endpunktstruktur “Profil”, “Vordefiniert” und “Stofftyp” angezeigt. Nur wenn es sich bei der Zielsubstanz um eine diskrete Chemikalie handelt, kann der automatisierte Workflow erfolgreich ausgeführt werden. “Akute aquatische Toxizitätsklassifizierung durch Verhaar (modifiziert)” liefert eine erste Schätzung des akuten aquatischen Toxizitätsmechanismus des Zielstoffes19,20. Die Informationen werden im erweiterten Endpunktbaum “Profil”, “Endpunktspezifisch” und “Akute aquatische Toxizitätsklassifizierung durch Verhaar (modifiziert)” angezeigt. Es stehen fünf Klassen zur Verfügung: (Klasse 1) inertes Chemikalien (Basistoxizität); (Klasse 2) weniger inertes Chemikalien; (Klasse 3) reaktive Chemikalien; (Klasse 4) spezifisch wirkende Chemikalien; und (Klasse 5) für Chemikalien, die nicht klassifiziert werden können. Rechtsklick Parameter in der Endpunktstruktur, um integrierte 2D- und 3D-QSAR-Modelle auszuführen, die auf Wunsch in der QSAR Toolbox verfügbar sind. Klicken Sie im Popup-Menü auf Berechnen/Extrahieren aller Parameter für alle Chemikalien. 2D- und 3D-QSAR-Modelle, die in Parameter kompiliert wurden, liefern numerische Werte. Verwenden Sie “Profiling-Methoden” für qualitative Informationen (siehe Schritt 2.3.1). datenHINWEIS: Dieser Abschnitt ist optional. Wenn dies nicht erforderlich ist, fahren Sie mit Abschnitt 2.5 fort. Klicken Sie auf die Toolbox-Bühnenschaltfläche Daten. Klicken Sie dann auf der Symbolleiste Aktionen auf Sammeln. Wählen Sie Alle Endpunkte aus, um alle experimentellen Daten zu sammeln, und wählen Sie dann aus, um Endpunktspezifische experimentelle Daten zu sammeln. Wenn beispielsweise die aquatische Toxizität im Mittelpunkt des Benutzers steht, klicken Sie auf Wählen > Ökotoxikologische Informationen > Aquatische Toxizität > OK.HINWEIS: Die Auswahl des Sammelns experimenteller Daten für alle Endpunkte kann zu einer längeren Verarbeitungszeit führen. Der Benutzer kann die Hierarchie der Endpunktstruktur an den jeweiligen Zweck anpassen. Dadurch wird die Art und Weise, wie Daten angezeigt werden, geändert. Klicken Sie bei Bedarf mit der rechten Maustaste auf den Endpunkt, der für den Endpunktbaumbereich von Interesse ist. Wählen Sie Baumhierarchie festlegen im Popupmenü aus. Organisieren Sie die Endpunktstruktur auf die bevorzugte Weise mit den verfügbaren Begriffen und Pfeilen, und klicken Sie auf OK. Exportieren Sie die gesammelten Daten bei Bedarf als Excel-Datei. Klicken Sie mit der rechten Maustaste auf den Endpunkt von Interesse und wählen Sie Im Popup-Menü die Matrix “Daten exportieren”. Ein Assistent “Matrixexport” wird geöffnet und ermöglicht das Hinzufügen weiterer Endpunkte zur Exportliste. Beenden Sie die Auswahl, klicken Sie auf Exportieren, und speichern Sie die Datei auf dem Computer.HINWEIS: Das Exportieren von Daten aus allen Datenbanken ist nicht möglich. Beispielsweise können daten, die aus der Datenbank “ECHA CHEM” abgerufen wurden, nicht gespeichert werden. Datenlückenfüllung Klicken Sie auf die Toolbox-Bühnenschaltfläche Datenlücke füllen. Klicken Sie dann in der Symbolleiste Aktionen auf Automatisiert. Wählen Sie Ecotoxicological Endpoint > Fish, LC50 (tödliche Konzentration, 50%) 96 h für Pimephales promelas (Sterblichkeit). Klicken Sie auf OK. Ein “Workflow-Controller” wird angezeigt, und die Verarbeitung dauert bis zu mehreren Minuten, insbesondere im Batch-Modus.HINWEIS: Die QSAR Toolbox wendet automatisch einen definierten Satz von Profilern an, wenn nach geeigneten Substanzen mit verfügbaren experimentellen Daten für die Vorhersage gesucht wird. Die experimentellen Daten [z.B. Wirkungskonzentrationen 96 h LC50 (P. promelas) oder 96 h EC50 (P. promelas, Mortalität)] werden verwendet, um die Vorhersage für die Zielsubstanz entweder durch lineare Annäherung oder Nachbarmethode. Beachten Sie, dass die Methoden der linearen Annäherung und der nächste Nachbar als Trendanalyse (als “T” bezeichnet) bzw. als Read-Across (als “R” bezeichnet) bezeichnet werden. Der Benutzer erhält eine Meldung, wenn die Vorhersage erfolgreich durchgeführt wurde. Klicken Sie auf OK, und schließen Sie den Workflow-Controller mit der Angabe “Fertiger Workflow”, indem Sie in der oberen rechten Ecke auf x klicken. Batch-Modus: Beim Starten des automatisierten Workflows wird der Benutzer aufgefordert, den Stoffbereich anzugeben, über den der Workflow ausgeführt werden soll. Akzeptieren Sie die gesamte Palette der standardmäßig im Dialogfeld ausgewählten Substanzen, indem Sie auf OK klicken. Batchmodus: Der Benutzer erhält keine Meldung, ob eine Vorhersage erfolgreich oder erfolglos ausgeführt wurde. Schließen Sie den Workflow-Controller mit der Angabe “Fertiger Workflow” am Ende der Stapelverarbeitung, indem Sie in der oberen rechten Ecke auf x klicken. bericht Wenn eine Vorhersage erfolgreich ausgeführt wurde, klicken Sie auf die Toolbox-Stufenschaltfläche Bericht.HINWEIS: Im Batch-Modus können keine Berichte generiert werden. Scrollen Sie nach unten, und finden Sie den Vorhersagewert im Matrixfeld in einer gelb hervorgehobenen Zeile neben dem Endpunkt “96-h”. Der vorhergesagte Wert wird mit “T” oder “R” gekennzeichnet. Aktivieren Sie dieses spezifische Datenmatrixfeld, indem Sie mit der linken Maustaste darauf klicken. Klicken Sie in der Symbolleiste Aktionen auf Vorhersage. Passen Sie den Berichtsinhalt und die Darstellung im Popup-Assistenten an. Es stehen drei Arten von Berichten zur Verfügung: (i) Vorhersage, (ii) Kategorie und (iii) Datenmatrix. Der Assistent ermöglicht es dem Benutzer, den Namen und die Kontaktdaten des Autors einzugeben. Schreiben Sie eine kurze Zusammenfassung, geben Sie eine detaillierte Erklärung der mechanistischen Interpretation oder geben Sie eine Rechtfertigung für die Angemessenheit der Vorhersage. Fügen Sie ggf. zusätzliche Informationen zur ausgeführten Vorhersage hinzu. Der Umfang der zusätzlichen Informationen hängt vom Benutzer ab. Wechseln Sie durch den Assistenten, indem Sie auf Weiter klicken. Klicken Sie schließlich auf Bericht erstellen, und speichern Sie die Vorhersage- und Kategorieberichte als PDF-Dateien und die Datenmatrix als Excel-Tabelle auf dem Computer. Weitere Details zu den Funktionalitäten der QSAR Toolbox und automatisierten Workflows finden Sie im Anwendungshandbuch für die OECD QSAR Toolbox v.4 (F1-Hilfe auf der Tastatur). Details zu den Algorithmen und Begründungen hinter dem automatisierten Workflow werden von Dimitrov et al.8 und Yordanova et al.9beschrieben. 3. Anwendung Wenn Sie die vorhergesagte Effektkonzentration (d. h. 96-h LC50 von P. promelas) in der Umweltverträglichkeitsprüfung verwenden, verwenden Sie die untere Grenze des 95%-Konfidenzintervalls. Suchen Sie die Daten auf der ersten Seite des gespeicherten Vorhersageberichts (PDF) in “Vorhersagezusammenfassung”, “Vorhergesagter Wert: (von bis ).”ANMERKUNG: Die hier angegebenen Hinweise basieren auf den Ergebnissen des Vergleichs zwischen vorhergesagten und experimentellen Daten für eine Reihe von Zielsubstanzen, die in dieser Studie berichtet wurden. Die Auswahl des unteren Endes des 95%-Konfidenzbereichs erhöht die Wahrscheinlichkeit, dass die vorhergesagte Wirkungskonzentration die reale Toxizität des Stoffes nicht unterschätzt (siehe die repräsentativen Ergebnisse). Die vorhergesagte effektive Konzentration der unteren Grenze des 95%-Konfidenzintervalls wird daher eine sicherere Grundlage für die Risikobewertung darstellen.

Representative Results

Das in dieser Studie beschriebene Beispiel wurde für die quantitative Analyse und Vorhersage der akuten Toxizität ausgewählter EDs bei Fischen implementiert. Wenn die vorhergesagten Datenpunkte im Vergleich zu experimentellen Datenpunkten als Log-Log-Skala dargestellt wurden, wurde eine positive Korrelation zwischen beiden für alle Fische und einer repräsentativen Art gefunden, nämlich Pimephales promelas (Fathead minnow; Abbildung 3). In beiden Fällen schien die Steigung der linearen Regression vergleichbar zu sein (vorhergesagt lc50/experimental LC50 = 0.611 bzw. 0.602 für alle Fische bzw. P. promelas). Aufgrund der begrenzten Menge an experimentellen Daten war die Anzahl der verfügbaren Werte aus experimenteller Beobachtung in der Regel kleiner als die aus der Berechnungsvorhersage. Die Anwendung des Toleranzfaktors als 5-fach für die Rechenfähigkeit21 führte zu 94% (34/36) bzw. 96% (26/27) der Schutzvorhersage für alle Fische bzw. P. Promelas. Basierend auf dieser Vorhersage schienen 3′,5,7-Trihydroxy-4′,6-Dimethoxyisoflavon und 1,4-Benzediol berechnete LC 50-Werte zu aufweisen, die größer als die Toleranzgrenze waren. Um eine Sicherheitsbewertung bei höchster Zuverlässigkeit zu ermöglichen, wurde eine weitere Berechnungsanalyse durchgeführt, indem die vorhergesagte Untergrenze des 95%-Konfidenzintervalls von LC50 (anstelle der in Abbildung 3verwendeten Mittelwerte) im Vergleich zum experimentell abgeleitete Werte (Abbildung 4). Bei dieser Bewertung mit erhöhter Sicherheitsschwelle wurden 92% (33/36) der insgesamt getesteten endokrine störenden Verbindungen im Vergleich zu den experimentell abgeleiteten Werten mit Ausnahme von: 3′,5,7-trihydroxy-4′,6- Dimethoxyisoflavone; 1,4-Benzediol; und 4-Hexylphenol. Basierend auf Bewertungen der gesamten Arten, die in der Datenbank verfügbar sind, zeigten die Werte für das vorhergesagte und experimentelle 96-h-Protokoll10LC50 eine Linearität mit den Log10K OW-Werten im Bereich zwischen -1 und 7, was auf eine hyperbolische Korrelation zwischen LC50 und KOW. Es gab einen allgemeinen Trend, bei dem der LC50 für höhere K OW-Werte von EDs für die Daten, die sowohl aus Rechenvorhersagen als auch aus Experimenten gewonnen wurden, abnahm, was auf eine zunehmende akute Toxizität bei Fischarten für EDs mit höheren Hydrophobizität (Zusatzabbildung S1). Durch den regelbasierten ER-Profiler, der in die OECD QSAR Toolbox eingebettet ist, wurden die ER-Bindungsaffinitäten der EDs als unverbindlich sowie als schwache, moderate, starke und sehr starke Bindemittel eingestuft, um eine zunehmende Bindungsaffinität zu erhöhen18. Dementsprechend könnte die statistische Verteilung von Log10Kow als qualitative Klassifikation der ER-Bindungsaffinität dargestellt werden (Ergänzende Abbildung S2). Insgesamt schienen die Veränderungen der Verteilungsbereiche und der mittleren Werte keine definierte Tendenz zu haben. In ähnlicher Weise wurden die Verteilungen von vorhergesagtem und experimentellem LC50 als das Ausmaß der ER-Bindungsaffinität dargestellt (Abbildung 5). In diesem Fall waren die mittleren Werte der vorhergesagten LC50 für ER-Bindemittel höher als die von Nicht-Bindemitteln. Im Gegensatz dazu waren für die experimentellen LC50die mittleren Werte von nicht- und schwachen Bindemitteln höher als die von stärkeren ER-Bindemitteln. Abbildung 1: Grundschema des allgemeinen Workflows der OECD QSAR Toolbox.Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Abbildung 2: Workflow.Gezeigt wird der Workflow zur Konzeption der Module und Sequenzen, die zur Vorhersage der akuten Toxizitäten von endokrinen Disruptoren (EDs) bei Fischen mithilfe der OECD QSAR Toolbox angewendet werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Abbildung 3: Voraussichtliche vs. experimentelle 96-h LC50 von EDs in Tabelle 1 für alle Fische (blaue Diamanten, n = 36) und eine ausgewählte Art P. promelas (Cyandiamanten, n = 27).Für die vorhergesagten LC50werden die durchschnittlichen Werte (“AVE”) angezeigt. Die gestrichelten Linien stellen lineare Regressionen für die beiden Gruppen dar: für alle Fische (hellblau), vorhergesagt LC50AVE = 0,611 x (experimentell LC50) + 0,277 (korrigiert r2 = 0,408); und für P. promelas (leichtes Cyan), vorhergesagt LC50AVE = 0,602 x (experimentell LC50) + 0,385 (angepasst r2 = 0,441). Die durchgezogene diagonale Linie zeigt Einheit, in der die vorhergesagten und experimentellen Werte gleich21sind. Die gepunktete graue Linie zeigt die 5-fache Toleranzgrenze der Rechenfähigkeit19. Ausreißer: 3′,5,7-Trihydroxy-4′,6-Dimethoxyisoflavon (*) und 1,4-Benzenediol (**). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Abbildung 4: Voraussichtliche (untere Grenze von 95 % Konfidenzintervall, “niedrig-95%”) im Vergleich zu experimentellen 96-h LC50 von EDs in Tabelle 1 für alle Fische (n = 36).Die gestrichelte Linie stellt die lineare Regression dar: vorhergesagte LC50niedrig-95% = 0,470 x (experimentell LC50) – 0,312, wobei r2 = 0,193 angepasst. Die durchgezogene diagonale Linie gibt die Einheit an, wobei die vorhergesagten und experimentellen Werte gleich sind19. Ausreißer: 3′,5,7-Trihydroxy-4′,6-Dimethoxyisoflavon (*), 1,4-Benzenediol (**) und 4-Hexylphenol (***). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Abbildung 5: Verteilungen der vorhergesagten (festen Boxen, n = 8–20 für jede Kategorie) und experimentell (gestrichelte Boxen; n = 3–16 für jede Kategorie) 96-h LC50 in Abhängigkeit von der ER-Bindungsaffinität von EDs in Tabelle 1 für alle Fische.Ein Box-Plot steht für: (A) Mittelwert (kleines Quadrat mit einem fetten horizontalen Balken), (B) 1. und 3. Quartile (untere bzw. obere  Enden des Kastens), (C) Median (horizontales Segment innerhalb des Kastens), ( ( D) 5. und 95. Perzentil (untere und obere Fehlerbalken), (E) 1. und 99. Perzentil (unteres und oberes x) und (F) Minimum und Maximum (unterund oben –, bzw.). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Nein. CAS-Registrierungsnummer Stoffname SMILES Formula (2D nicht-stereochemische Form) Log Kow Avevorhergesagt 96-h LC50(mg/L) UNTER95% CIvorhergesagt 96-h LC50(mg/L) Profiler – Östrogenrezeptorbindung 1 50-28-2 17-€Estradiol CC12CCC3C(CCc4cc(O)ccc34)C1CCC2O 4.01 3.62 1.42 Sehr starkes Bindemittel, OH-Gruppe 2 57-63-6 17-€ Ethinyl-Estradiol CC12CCC3C(CCc4cc(O)ccc34)C1CCC2(O)C 3.67 3.00 1.18 Starker Bindemittel, 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 Sehr starkes Bindemittel, OH-Gruppe 4 80-46-6 4-tert-Pentylphenol CCC(C)(C)c1ccc(O)cc1 3.91 2.27 0.87 Schwaches Bindemittel, OH-Gruppe 5 140-66-9 4-tert-Octylphenol CC(C)(C)CC(C)(C)c1ccc(O)cc1 5.28 0.38 0.14 Starker Bindemittel, OH-Gruppe 6 446-72-0 Genistein [3′,5,7-Trihydroxy-4′,6-Dimethoxyisoflavon] Oc1ccc(cc1)C1=COc2cc(O)cc(O)c2C1=O 2.84 32.00 10.03 Sehr starkes Bindemittel, OH-Gruppe 7 10161-33-8 17-Trenbolon CC12C=CC3C(CCC4=CC(=O)CCC=34)C1CCC2O 2.65 124.72 19.75 Starker Bindemittel, OH-Gruppe 8 67747-09-5 Prochloraz (DMI-Fungizid) CCCN(CCOc1c(Cl)cc(Cl)cc1Cl)C(=O)n1ccnc1 4.1 5.19 1.74 Nicht-Bindemittel, ohne OH- oder NH2-Gruppe 9 84852-15-3 4-Nonylphenol CC(C)CCCCCCc1ccc(O)cc1 5.92 0.21 0.07 Starker Bindemittel, OH-Gruppe 10 69-72-7 Salicylsäure OC(=O)c1ccccc1O 2.26 24.07 9.31 Schwaches Bindemittel, OH-Gruppe 11 80-09-1 4,4′-Dihydroxydiphenylsulfon (Bisfenol S) Oc1ccc(cc1)S(=O)(=O)c1ccc(O)cc1 1.65 48.67 10.67 Sehr starkes Bindemittel, OH-Gruppe 12 84-74-2 Phthalsäure, Dibutylester CCCCOC(=O)c1ccccc1C(=O)OCCCC 4.5 0.76 0.06 Nicht-Bindemittel, ohne OH- oder NH2-Gruppe 13 92-88-6 4,4-Dihydroxybiphenyl Oc1ccc(cc1)-c1ccc(O)cc1 2.8 12.05 4.20 Moderater Bindemittel, OH grooup 14 94-13-3 4-Hydroxybenzoesäure, Propylester CCCOC(=O)c1ccc(O)cc1 3.04 10.32 3.86 Moderater Bindemittel, OH grooup 15 98-54-4 4-tert-Butylphenol CC(C)(C)c1ccc(O)cc1 3.31 4.36 1.68 Schwaches Bindemittel, OH-Gruppe 16 97-23-4 2,2-Dihydroxy-–5,5-Dichlorodiphenyl-Methan Oc1ccc(Cl)cc1Cc1cc(Cl)ccc1O 4.26 0.48 0.10 Sehr starkes Bindemittel, OH-Gruppe 17 97-53-0 Eugenol COc1cc(CC=C)ccc1O 2.27 14.70 5.60 Schwaches Bindemittel, OH-Gruppe 18 99-76-3 4-Hydroxybenzoesäure, Methylester COC(=O)c1ccc(O)cc1 1.96 38.20 14.01 Schwaches Bindemittel, OH-Gruppe 19 103-90-2 N-(4-Hydroxyphenyl)-Acetamid CC(=O)Sc1ccc(O)cc1 0.46 338.97 43.39 Schwaches Bindemittel, OH-Gruppe 20 106-44-5 p-cresol Cc1ccc(O)cc1 1.94 20.47 7.14 Schwaches Bindemittel, OH-Gruppe 21 108-39-4 m-cresol Cc1cccc(O)c1 1.96 23.45 9.17 Schwaches Bindemittel, OH-Gruppe 22 108-45-2 1,3-Phenylendiamin Nc1cccc(N)c1 -0.33 34.60 0.00 Schwacher Bindemittel, NH2-Gruppe 23 108-46-3 1,3-Dihydroxybenzol Oc1cccc(O)c1 0.8 123.03 27.06 Schwaches Bindemittel, OH-Gruppe 24 108-91-8 Cyclohexylamin NC1CCCCC1 1.49 28.08 1.40 Schwacher Bindemittel, NH2-Gruppe 25 119-36-8 Salicylsäure, Methylester COC(=O)c1ccccc1O 2.55 16.16 5.68 Schwaches Bindemittel, OH-Gruppe 26 120-47-8 4-Hydroxybenzoesäure, Ethylester CCOC(=O)c1ccc(O)cc1 2.47 19.93 7.40 Schwaches Bindemittel, OH-Gruppe 27 120-80-9 1,2-Dihydroxybenzol Oc1ccccc1O 0.88 11.14 0.01 Schwaches Bindemittel, OH-Gruppe 28 123-31-9 1,4-Dihydroxybenzol [1,4-Benzediol] Oc1ccc(O)cc1 0.59 90.75 33.19 Schwaches Bindemittel, OH-Gruppe 29 131-53-3 2,2-Dihydroxy-4-Methoxybenzophenon COc1ccc(C(=O)c2ccccc2O)c(O)c1 3.82 3.97 1.46 Sehr starkes Bindemittel, OH-Gruppe 30 131-56-6 2,4-Dihydroxybenzophenon Oc1ccc(c(O)c1)C(=O)c1ccccc1 2.96 12.04 4.73 Starker Bindemittel, OH-Gruppe 31 131-57-7 2-Hydroxy-4-Methoxybenzophenon COc1ccc(C(=O)c2ccccc2)c(O)c1 3.79 5.96 2.27 Starker Bindemittel, OH-Gruppe 32 599-64-4 4-Cumylphenol CC(C)(c1ccccc1)c1ccc(O)cc1 4.12 2.15 0.84 Starker Bindemittel, 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 Moderates Bindemittel, 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 Starker Bindemittel, NH2-Gruppe 35 25013-16-5 tert-butyl-4-hydroxyanisol COc1ccc(O)c(c1)C(C)(C)C 3.5 4.85 1.85 Moderater Bindemittel, OH grooup 36 147315-50-2 2-(4,6-diphenyl-1,3,5-triazin-2-yl)-5-(Hexyloxy)phenol CCCCCCCCCOc1ccc(c(O)c1)-c1nc(nc(n1)-c1ccccc1)-c1ccccc1 6.24 0.17 0.06 Starker Bindemittel, OH-Gruppe 37 88-68-6 2-Aminobenzamid NC(=O)c1ccccc1N 0.35 694.00 84.30 Schwacher Bindemittel, NH2-Gruppe 38 611-99-4 4,4-Dihydroxybenzophenon Oc1ccc(cc1)C(=O)c1ccc(O)cc1 2.19 37.74 14.67 Sehr starkes Bindemittel, OH-Gruppe 39 27955-94-8 1,1,1-tris(4-hydroxyphenol)ethane CC(c1ccc(O)cc1)(c1ccc(O)cc1)c1ccc(O)cc1 4.38 2.09 0.82 Sehr starkes Bindemittel, OH-Gruppe 40 87-18-3 Salicylsäure, 4-tert-Butylphenylester CC(C)(C)c1ccc(OC(=O)c2ccccc2O)cc1 5.73 0.24 0.09 Starker Bindemittel, OH-Gruppe 41 47465-97-4 3,3-bis(3-methyl-4-hydroxyphenyl)2-indolinon Cc1cc(ccc1O)C1(C(=O)Sc2ccccc12)c1ccc(O)c(C)c1 4.48 2.07 0.77 Sehr starkes Bindemittel, OH-Gruppe 42 99-96-7 p-Hydroxybenzoesäure OC(=O)c1ccc(O)cc1 1.58 8.54 0.00 Schwaches Bindemittel, OH-Gruppe 43 80-07-9 1-Chloro-4-(4-Chlorphenyl)Sulfonylbenz Clc1ccc(cc1)S(=O)(=O)c1ccc(Cl)cc1 3.9 3.92 0.85 Nicht-Bindemittel, ohne OH- oder NH2-Gruppe 44 84-65-1 9,10-Anthrachinon O=C1c2ccccc2C(=O)c2ccccc12 3.39 7.00 3.54 Nicht-Bindemittel, ohne OH- oder NH2-Gruppe 45 85-44-9 2-Benzofuran-1,3-dion O=C1OC(=O)c2ccccc12 1.6 2.69 0.00 Nicht-Bindemittel, ohne OH- oder NH2-Gruppe 46 92-84-2 10H-Phenothiazin N1c2ccccc2Sc2ccccc12 4.15 1.07 0.08 Nicht-Bindemittel, ohne OH- oder NH2-Gruppe 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 Moderates Bindemittel, NH2-Gruppe 48 50-27-1 Estriol CC12CCC3C(CCc4cc(O)ccc34)C1CC(O)C2O 2.45 21.21 8.29 Sehr starkes Bindemittel, OH-Gruppe 49 50-50-0 Beta-Estradiol-3-Benzoat CC12CCC3C(CCc4cc(OC(=O)c5ccccc5)ccc34)C1CCC2O 5.47 0.36 0.02 Starker Bindemittel, OH-Gruppe 50 53-16-7 Estrone CC12CCC3C(CCc4cc(O)ccc34)C1CCC2=O 3.13 7.78 3.06 Starker Bindemittel, OH-Gruppe 51 92-52-4 Biphenyl c1ccc(cc1)-c1ccccc1 4.01 4.10 0.47 Nicht-Bindemittel, ohne OH- oder NH2-Gruppe 52 92-69-3 p-Phenylphenol Oc1ccc(cc1)-c1ccccc1 3.2 5.99 1.82 Moderater Bindemittel, OH grooup 53 96-29-7 2-Butanonoxim CCC(C)=NO 0.63 32.67 2.49 Nicht binder, nicht zyklische Struktur 54 121-75-5 Malathon CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC 2.36 37.73 3.33 Nicht binder, nicht zyklische Struktur 55 123-07-9 4-Ethylphenol CCc1ccc(O)cc1 2.58 13.63 4.65 Schwaches Bindemittel, OH-Gruppe 56 645-56-7 4-n-Propylpehnol CCCc1ccc(O)cc1 3.2 7.32 2.55 Schwaches Bindemittel, OH-Gruppe 57 1638-22-8 p-Butylphenol CCCCc1ccc(O)cc1 3.65 4.09 1.39 Schwaches Bindemittel, OH-Gruppe 58 1912-24-9 Atrazin CCNc1nc(Cl)nc(NC(C)C)n1 2.61 30.87 4.63 Nicht-Bindemittel, ohne OH- oder NH2-Gruppe 59 40596-69-8 Methopren COC(C)(C)CCCC(C)CC=CC(C)=CC(=O)OC(C)C 5.5 0.08 0.00 Nicht binder, nicht zyklische Struktur 60 1987-50-4 4-Heptylphenol CCCCCCCc1ccc(O)cc1 5.01 0.66 0.22 Moderater Bindemittel, OH grooup 61 92-86-4 p,p’-Dibromobiphenyl Brc1ccc(cc1)-c1ccc(Br)cc1 5.72 0.11 0.02 Nicht-Bindemittel, ohne OH- oder NH2-Gruppe 62 480-41-1 Naringenin Oc1ccc(cc1)C1CC(=O)c2c(O)cc(O)cc2O1 2.52 27.84 10.87 Sehr starkes Bindemittel, OH-Gruppe 63 486-66-8 Daidzein Oc1ccc(cc1)C1=COc2cc(O)ccc2C1=O 2.55 36.47 11.71 Sehr starkes Bindemittel, 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 Sehr starkes Bindemittel, OH-Gruppe 65 491-80-5 Biochanin A COc1ccc(cc1)C1=COc2cc(O)cc(O)c2C1=O 3.41 15.87 3.70 Starker Bindemittel, OH-Gruppe 66 520-18-3 Kaempferol Oc1ccc(cc1)C1Oc2cc(O)cc(O)c2C(=O)C=1O 1.96 70.98 8.05 Sehr starkes Bindemittel, OH-Gruppe 67 2051-60-7 2-Chlorobiphenyl (PCB 1) Clc1ccccc1-c1ccccc1 4.53 0.77 0.16 Nicht-Bindemittel, ohne OH- oder NH2-Gruppe 68 2051-61-8 3-Chlorobiphenyl (PCB 2) Clc1cccc(c1)-c1ccccc1 4.58 0.77 0.16 Nicht-Bindemittel, ohne OH- oder NH2-Gruppe 69 2051-62-9 4-Chlor-1,1′-Biphenyl Clc1ccc(cc1)-c1ccccc1 4.61 0.77 0.16 Nicht-Bindemittel, ohne OH- oder NH2-Gruppe 70 2446-69-7 p-n-Hexylphenol [4-Hexylphenol] CCCCCCc1ccc(O)cc1 4.52 1.22 0.42 Moderater Bindemittel, OH grooup 71 14938-35-3 4-n-Amylphenol CCCCCc1ccc(O)cc1 4.06 2.44 0.89 Schwaches Bindemittel, OH-Gruppe 72 17924-92-4 Zearalenon CC1CCCC(=O)CCCC=Cc2cc(O)cc(O)c2C(=O)O1 3.58 7.22 2.66 Starker Bindemittel, OH-Gruppe 73 1743-60-8 Beta-Estradiol 3-Benzoat 17-nbutyrat CC(=O)OC1CCC2C3CCc4cc(O)ccc4C3CCC12C 4.95 0.91 0.35 Starker Bindemittel, OH-Gruppe 74 479-13-0 Coumestrol Oc1ccc2c(OC(=O)c3c-2oc2cc(O)ccc32)c1 1.57 52.16 11.44 Sehr starkes Bindemittel, OH-Gruppe Tabelle 1: Liste der bewerteten endokrin störenden Chemikalien. Mit der QSAR Toolbox Version 4.3 Automated Workflow wurden durchschnittliche mittlere (AVE) und niedrigere 95% Konfidenzintervall (CI) effektive Konzentrationen (95-h LC50, Pimephales promelas) sowie Östrogen-Rezeptorbindung vorhergesagt. Log10Kow wurde über QSAR Toolbox Version 4.3 von KOWWIN v1.68, 2000, U.S. Environmental Protection Agency abgerufen. Experimentelle Log10K ow-Werte wurden gegenüber vorhergesagten Werten bevorzugt. Die Zielstoffliste wurde aus zuvor gemeldeten Listen der EDs22,23,24zusammengestellt. Ergänzende Informationen. Bitte klicken Sie hier, um diese Datei herunterzuladen. 

Discussion

Die Vielseitigkeit der OECD QSAR Toolbox als analytische Software für die Ökotoxikologie wird hier mit besonderem Interesse an den negativen Auswirkungen endokrine störender Chemikalien auf Wasserwirbeltiere gezeigt. Darüber hinaus wurde ein einfaches und standardisiertes Protokoll zur Vorhersage der akuten Toxizität (96-h LC50) von 74 repräsentativen EDs (Tabelle 1) für Fischarten nachgewiesen. Dies wurde durch die Anwendung von Kategoriebildungs-, Datenlückenfüllungs- und ER-Profilierungsmodulen erreicht, die in die QSAR Toolbox eingebettet sind (Abbildung 1, Abbildung 2).

Die lineare Korrelation zwischen Log10LC50 und Log10KOW mit einer negativen Steigung (wie in DerZusatzabbildung S1dargestellt) ist seit langem als Standard-quantitative Beziehung in QSAR-Analysen25bekannt, wobei eine höhere Toxizität wird gezeigt, je hydrophober eine bestimmte Chemikalie ist. Wie aus einer einfachen Berechnung ersehen kann, ist die allgemeine mathematische Beziehung, die Gleichung S1 und Gleichung S2 (Ergänzende Information) enthält, ein konvertierter Ausdruck aus der folgenden Leistungsfunktion26:

Equation 1

Equation 2

Aus der Darstellung von (Gleichung 2) kann die Charakterisierung eines Zwischenbereichs von KOW26 durch Anpassung der Parameter a und b möglich sein, wobei eine bestimmte Variation der Hydrophobie (oder Hydrophilie) die Endpunkt der akuten Toxizität.

Vergleichende Analysen zwischen den Rechenvorhersagen und experimentellen Beobachtungen am LC50, wie in Abbildung 3 und Abbildung 4dargestellt, wurden in der Regel in Studien mit QSAR für verschiedene aquatische Giftstoffe, einschließlich technische nichtionische Tenside27, Triazol-Fungizide28und Pestizidmetaboliten21. Diese Art der retrospektiven Validierung liefert Informationen darüber, wie weit ein bestimmtes QSAR-Tool in Bezug auf die vergleichende Leistung mit experimentellen Ergebnissen reichen kann. In dieser Studie über die akute Toxizität bei Fischen wurde die QSAR Toolbox als Schutzvorhersage für über 90% der getesteten EDs in allen Fischen und bei einer einzigen Art, Pimephales promelas,nachgewiesen.

Weitere Identifizierung der drei Ausreißerchemikalien in Abbildung 3 und Abbildung 4, die im Durchschnitt und auf einem Minimum höhere vorhergesagte LC50 zeigten, ist erforderlich. Erstens ist das 3′,5,7-Trihydroxy-4′,6-Dimethoxyisoflavon eine Art von Flavonoid (genauer gesagt ein Isoflavon), das allgemein als sicher gilt und in pflanzlichen Arzneimitteln verwendet wird; jedoch, Es hat immer noch Östrogen-bezogene Bedenken29 und kann akute Toxizität wahrscheinlich durch oxidative Phosphorylierung Entkopplungverursachen 30. Als nächstes ist das 1,4-Benzenediol, Hydrochinon genannt, eine phenolische Verbindung, die eine unspezifische und zytotoxische Immunantwort bei Fischen31auslösen kann. Schließlich ist bekannt, dass das 4-Hexylphenol eine ausreichende positive östrogene Aktivität aufweist, um als ED32eingestuft zu werden. Es wurde gut untersucht, dass der Hauptgrund für die akute Toxizität von Hydrochinon die Reduktion-Oxidation (Redox) Radfahren ist. Das Hydrochinon wird zu Benzochinon oxidiert und wiederholt auf Semichinon oder Hydrochinon reduziert, mit erschöpfenden Kofaktoren und der Erzeugung reaktiver Sauerstoffspezies33. Die beiden anderen Chemikalien erfordern möglicherweise tiefergehende Untersuchungen, um ihre Wirkmechanismen in der akuten Ökotoxizität anhand molekularer Docking-Ansätze wie der von Panche et al.34verwendeten zu offenbaren, die nicht von der QSAR Toolbox abgedeckt werden können.

EDs stören das endokrine System vor allem durch physikalisch-chemische Wechselwirkungen mit Steroid-Rezeptoren wie Östrogen und Androgen-Rezeptoren, die von erheblichem Interesse in QSAR-ModellierungStudien35sind. In an betracht zu nehmen, ist die QSAR Toolbox robust in Bezug auf die einfache und schnelle Klassifizierung von ER-Bindungsaffinitäten für eine Reihe von Chemikalien, die nur auf den 2D-Deskriptoren molekularer Strukturen basieren. Als dieses ER-Profilersystem auf unsere ED-Liste angewendet wurde, wurde keine eindeutige Korrelation zwischen ER-Bindungsaffinität und Hydrophobie gefunden (Ergänzende Abbildung S2). Dieses Ergebnis kann durch die Tatsache erklärt werden, dass die Bildung eines Steroid-Rezeptor-Komplexes keine direkte Folge eines hydrophoben Bindungsbeitrags ist, sondern von einer konformen Veränderung der Wirkstoff-Rezeptorstruktur begleitet werden sollte36. Die Rezeptorbindung kann auch durch Wasserstoff-Bindung und -Stacking erfolgen.

Darüber hinaus kann die Position jeder chemischen Gruppe auf dem Molekül die Rezeptorbindung beeinflussen, auch wenn die Hydrophobie und die Anzahl der Wasserstoff-Bond-Akzeptoren-Spender gleich bleiben. Zweitens erzeugte der ER-Profiler gegenteilige Trends zwischen vorhergesagten und experimentellen LC 50-Mittelwerten mit zunehmender ER-Bindungsaffinität (Abbildung 5). Dies kann daran liegen, dass die Letalität der Eltern in einem akuten Toxizitätstest nicht auf ER-Bindung zurückzuführen ist, sondern in den meisten Fällen auf Narkose oder auf Redox-Zyklus im Falle von Hydrochinon. Beispielsweise ist eine umfassendere Analyse, einschließlich der chronischen Toxizität, erforderlich, damit ein größerer Satz von EDs prädiktive Einschränkungen der aktuellen Version der QSAR Toolbox definieren kann.

Diese vorläufige Forschung kann auch Auswirkungen auf die öffentliche Gesundheit haben, weil Steroide (Androgene, Östrogene, Gestagene, und Kortikoide) und ihre Rezeptoren ähnliche oder sogar identische makromolekulare Strukturen über Wirbeltiere aufweisen5. Diese Arten von analogen endokrineSignalsystemen können mit einem gemeinsamen Mechanismus in Schlüsselereignissen von EDs5arbeiten. Dennoch sind zusätzliche und ergänzende Methoden erforderlich, um diesen gewaltigen und komplexen Aspekt zu beleuchten [z. B. durch eine rechnerische Modellierung von Absorption, Verteilung, Stoffwechsel und Ausscheidung (ADME) und/oder negativen Ergebnissen. (AOP)]38. Da die meisten wissenschaftlichen und öffentlichen Bedenken hinsichtlich der nachteiligen Auswirkungen von EDs auf ihre chronischen Toxizitäten, die Verbesserung der Datenbanken und Algorithmen in der QSAR Toolbox und die Herstellung einer zuverlässigen Langzeitökotoxikologie Vorhersagen für EDs sind beide notwendig.

Dieses Papier zeigt die Anwendung der QSAR Toolbox zum Vergleich ökotoxikologischer LC50-Werte für Fische mit log10K ow-Werten von EDs. Während des gesamten Protokolls führt es zu schwachen Beziehungen zwischen den beiden Parametern, da es wurden durch frühere Studien (z.B. Kim et al.39) festgestellt, dass Log10Kow kein guter direkter Prädiktor von aquatischem LC50ist. Trotz dieser Einschränkung bietet dieses Protokoll eine allgemeine Überprüfung oder “Vignette”, um zu beschreiben, wie das Dashboard für einen bestimmten Zweck verwendet wird, da es eine gültige Anwendung ist, um die QSAR Toolbox zur Untersuchung von Korrelationen zwischen LC50 (oder ER-Bindung) zu verwenden. Affinität) und log10K ow, oder als Werkzeug für ein schnelles akutes Ökotoxizitätsscreening. Es sei jedoch darauf hingewiesen, dass (1) die Beleuchtung des Zusammenhangs zwischen Östrogenrezeptorbindung und chronischer Toxizität anstelle der akuten Toxizität (Tödlichkeit) relevanter ist, so dass klarere Korrelationen gefunden werden können, und (2) der Androgenrezeptor zusammen mit dem von Östrogen, spielt auch eine entscheidende Rolle bei der reproduktiven Toxizität. Daher ist es für die zukünftige Version der QSAR Toolbox erforderlich, die Vorhersagefunktionen im Lichte dieser beiden Punkte zu verbessern.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Diese Forschung wurde vom National Research Council of Science & Technology (NST) von der südkoreanischen Regierung (MSIP) (Nr. CAP-17-01-KIST Europe) und Projekt 11911.

Materials

Adobe Acrobat Reader DC Adobe Systems Software Ireland Limited NA Required to view prediction and category report
Computer System: Microsoft Corporation NA Recommended system properties: (i) system type: 64 bit, Microsoft Windows 7 or newer, (ii) processor: I5 at 2.4 GHz or faster processor or equivalent AMD CPU, (iii) Installed memory (RAM): 6 GB of RAM, (iv) Hard Disk Drive (HDD): 20 GB free hard drive space
Microsoft Editor Microsoft Corporation NA Required to upload a substance list of CAS numbers (batch mode) to the OECD QSAR Toolbox as .txt file (text file)
Microsoft Excel 2016 Microsoft Corporation NA Required to export data from OECD QSAR Toolbox as .cvs, .xls or .xlsx files
OECD QSAR Toolbox version 4.0 or newer Organisation for Economic
Co-operation and Development
NA Required to run OECD QSAR Toolbox Automated Workflows; free download:
https://qsartoolbox.org/download/
OriginPro 9 OriginLab Corporation NA Optional program for data analysis; similar tools possible

References

  1. Najarian, K., Najarian, S., Gharibzadeh, S., Eichelberger, C. N. . Systems Biology and Bioinformatics: A Computational Approach. , (2009).
  2. 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).
  3. Roy, K., Kar, S., Das, R. N. . Understanding the Basics of QSAR for Applications in Pharmaceutical Sciences and Risk Assessment. , (2015).
  4. 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).
  5. 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).
  6. Schug, T. T., et al. Minireview: endocrine disruptors: past lessons and future directions. Molecular Endocrinology. 30, 833-847 (2016).
  7. 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).
  8. Dimitrov, S. D., et al. QSAR Toolbox – workflow and major functionalities. SAR QSAR Environmental Research. 27, 203-219 (2016).
  9. Yordanova, D., et al. Automated and standardized workflows in the OECD QSAR Toolbox. Computational Toxicology. 10, 89-104 (2019).
  10. 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).
  11. Devillers, J., Mombelli, E., Samsera, R. Structural alerts for estimating the carcinogenicity of pesticides and biocides. SAR QSAR Environmental Research. 22, 89-106 (2011).
  12. 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).
  13. 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).
  14. 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).
  15. 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).
  16. 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).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. Walker, J. D., Dearden, J. C., Schultz, T. W., Jaworska, J., Comber, M. H. I., Walker, J. D. QSARs for New Practitioners. QSARs for Pollution Prevention, Toxicity Screening, Risk Assessment, and Web Applications. , (2003).
  26. Sánchez-Bayo, F. From simple toxicological models to prediction of toxic effects in time). Ecotoxicology. 18, 343-354 (2009).
  27. Sjöström, M., Lindgren, &. #. 1. 9. 7. ;., Uppgård, L. L., Chen, F., Schüürmann, G. Joint Multivariate Quantitative Structure-Property and Structure-Activity Relationships for a Series of Technical Nonionic Surfactants. Quantitative Structure-Activity Relationships in Environmental Sciences-VII. , (1997).
  28. 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).
  29. 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).
  30. 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).
  31. 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).
  32. Nishihara, T., et al. Estrogenic activities of 517 chemicals by yeast two-hybrid assay. Journal of Health Science. 46, 282-298 (2000).
  33. Bolton, J. L., Trush, M. A., Penning, T. M., Dryhurst, G., Monks, T. J. Role of quinones in toxicology. Chemical Research in Toxicology. 13, 135-160 (2000).
  34. Panche, A. N., Diwan, A. D., Chandra, S. R. Flavonoids: an overview. Journal of Nutritional Science. 5, e47 (2016).
  35. 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).
  36. Bohl, M. . Molecular Structure and Biological Activity of Steroids. , (2017).
  37. Kaminuma, T., Takai-Igarashi, T., Nakano, T., Nakata, K. Modeling of signaling pathways for endocrine disruptors. BioSystems. 55, 23-31 (2000).
  38. 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).
  39. Kim, J. W., et al. Acute toxicity of pharmaceutical and personal care products on freshwater crustacean (Thamnocephalus platyurus) and fish (Oryzias latipes). Journal of Toxicological Sciences. 34, 227-232 (2009).

Play Video

Cite This Article
Bohlen, M., Jeon, H. P., Kim, Y. J., Sung, B. In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox. J. Vis. Exp. (150), e60054, doi:10.3791/60054 (2019).

View Video