Summary

Endokrin Bozucuların Hesaplamalı SuToksikolojisi için Silico Modelleme Yöntemi: QSAR Toolbox Kullanarak Yazılım Tabanlı Bir Yaklaşım

Published: August 28, 2019
doi:

Summary

Kantitatif yapı-aktivite ilişkisi (QSAR) modellemesi toksikolojik taramada biyoinformatik destekli bir yöntemdir. Bu protokol, sucul ortamlarda endokrin bozucuların (ED’ lerin) risklerinin nasıl hesaplanabildiğini göstermektedir. OECD QSAR Toolbox’ı kullanan protokol, balıktaki ED’lerin toksisitesini analiz etmek için silico bir test uygular.

Abstract

Toksikolojik süreçlerin hesaplamalı analizleri, kimyasal maddelerin yüksek iş lerle taranmasını ve biyolojik sistemlerdeki uç noktalarının tahmin edilmesini sağlar. Özellikle, kantitatif yapı-aktivite ilişkisi (QSAR) modelleri giderek toksik maddelerin bir bolluk çevresel etkilerini değerlendirmek için uygulanmıştır. Son yıllarda, toksik maddelerin bazı daha vurgulanan türleri endokrin bozucular (ED’ler, herhangi bir hormon ile ilgili metabolizma ile müdahale edebilir kimyasallar). ED’ler hayvan gelişimini ve üremesini önemli ölçüde etkileyebildiği için, silico tekniklerini kullanan ED’lerin olumsuz etkilerini hızla tahmin etmek gereklidir. Bu çalışma, özellikle balık türleri olmak üzere su omurgalılarında temsili ED’lerin etkileri hakkında tahmin verileri oluşturmak için silico yöntemi sunmaktadır. Protokol, Ekonomik İşbirliği ve Kalkınma Örgütü (OECD) tarafından geliştirilen QSAR Araç Kutusu yazılımının, ED’lerin akut ekotoksisite tahminlerini mümkün kılmak için otomatik iş akışından yararlanan bir örneği açıklar. Sonuç olarak, aşağıdaki ler belirlenir: (1) öldürücülük (LC50)ve oktanol-su bölüm katsayısı (Kow)için konsantrasyon arasındaki sayısal korelasyonların hesaplanması, (2) lc 50 çıkış performansları deneylerde belirlenen değerler hesaplamalarla elde edilenlerle karşılaştırılır ve (3) östrojen reseptör bağlama afiyetinin Kow ve LC50arasındaki ilişkiye bağımlılığı.

Introduction

Bilişim ve hesaplama teknolojisindeki yeni gelişmeler, biyolojik bilimleri yüksek hassasiyet ve güvenilirlik sunan nicelmetodolojilerle güçlendirdi 1. Özellikle moleküler taksonomi ve özellik sınıflandırmasında kullanılan algoritmalar nicel yapı-aktivite ilişkisi (QSAR) modelleri2ile sonuçlanmıştır. Bu modeller otomatik olarak belirli bir kimyasal veritabanının kimyasal yapıları ve biyolojik faaliyetleri ilişkilendirmek ve tıbbi veya toksikolojik eylemlere göre kimyasal substratlar geniş bir yelpazede silico tarama hızlı uygulamak3. QSAR araçları, sayısal olarak kategorik uçnoktalarıoluşturmak için ilgi kimyasallarının moleküler tanımlayıcıların özellik vektörlerinin (yani fizikokimyasal parametrelerin) bir fonksiyonu olarak tahmine dayalı toksisite profilleri üretebilir. Genellikle, her nicel uç nokta tanımlayıcı değerlerinde 2B dağılım çizimi ve değişiklikler olarak görüntülenir. Daha sonra bir QSAR modeli (çoklu) doğrusal regresyon analizleri kullanılarak oluşturulur. Bir veri kümesi bir QSAR modeli (eğitim kümesi olarak adlandırılır) oluşturmak için tam olarak yararlanıldıktan sonra, model eğitim kümesine dahil olmayan bir grup kimyasalın (test kümesi olarak adlandırılır) uç noktalarını tahmin ederek istatistiksel olarak doğrulanır. Model daha sonra test edilmemiş bileşiklerin biyolojik faaliyetlerinitahmin etmek için kullanılabilir 3.

Birçok zararlı kimyasallar arasında, endokrin bozucular (ED’ler) memelilerde çok sayıda hormon ile ilgili metabolizmaları müdahale edebilir toksik maddeler grubu olarak vurgulanmıştır, amfibiler, ve balık5,6. ED’lerin, normal hormonal yolları tıkayan veya değiştirerek veya anormal hormon sentezi/bozulma sinyallerini aktive ederek kanserler ve malformasyonlar gibi çeşitli yan etkilere yol açtığı bilinmektedir. Sonuç olarak, bu hormon taklit kimyasallar, yaban hayatı hayvan popülasyonlarının biyolojik gelişimi ve üremeengel olduğu endokrin sistemleri tedirgin edebilir. Özellikle, ED’lerin ekotoksikolojik etkileri, insanlar da dahil olmak üzere memelilerinkiyle neredeyse aynı hormon reseptör yapılarına sahip olan su omurgalılarında kapsamlı bir şekilde araştırılmıştır. Tüm hormonal eylemler in vivo düşük dozlarda meydana çünkü, silico tarama hızlı kullanarak ED adaylarının potansiyel toksisite tahmin kamu ve çevre sağlığı için önemlidir.

ED’lerin toksikolojisi dayalı QSAR modelleri hem 2D ve 3D tanımlayıcılar kullanılarak yapılmıştır (2D ve 3D QSAR olarak da bilinir, sırasıyla), östrojen ED ligand bağlayıcı afiyetleri ortaya, androjen, ve progesteron reseptörleri7. Konformasyonel ve elektrostatik etkileşimlerin göz önünde bulundurularak 3D QSAR’ın yüksek hassasiyetli avantajlarına rağmen, 2D QSAR doğrudan matematiksel algoritmalar, hızlı hesaplamalar ve son derece düşük hesaplamalı yüklerde kendi sağlamlığını korumaktadır. Buna ek olarak, 2D-QSAR modelleri çok çeşitli uygulamalarda kullanım için esnektir ve nispeten doğru tahmin performansı elde eder.

OECD QSAR Toolbox şu anda serbestçe kullanılabilir ve önceden inşa QSAR modelleri sağlayan en çok kullanılan bilgisayar yazılım araçlarından biridir8,9. Profilleyicisi 2B tanımlayıcı veritabanları kullanır. 2008 yılında ilk sürümü yayımlanmasından bu yana, yazılım kimyasal ve biyolojik sanayi, halk sağlığı ve çevre güvenliği alanlarında doğal ve sentetik bileşiklerin potansiyel risklerin tam veya kısmi analizi için uygulanmıştır, ile karsinogenez özel ilgi10,11,12, mutajenite13,14,15, ve gelişimsel toksisite16. Sutoksikolojisi için uygulama da, biyobirikim ve biyotransformasyon17odaklanarak gösterilmiştir.

QSAR Toolbox kimyasalların geniş bir yelpazede kısa vadeli toksisite tahmin yararlı olduğu kanıtlanmıştır17, yanı sıra östrojen reseptörü (ER) EDs bağlayıcı afiyetleri18. Ancak, su omurgalılarında ED’lerin akut ekotoksikiteleri QSAR Toolbox kullanılarak analiz edilmemiştir. Bu çalışmada, balık türlerine odaklanarak ET’lerin akut yan etkileri üzerine QSAR modellemesi yapmak için tipik ve kolay bir protokol sunulmuştur. Çalışma, QSAR Toolbox’ın bazı temsili ED’ler için su omurgalılarının öldürücülüğünü/mortalitesini hesaplamak ve tahmin etmek için son derece erişilebilir bir yazılım olduğunu göstermektedir. Şekil 1, QSAR Araç Kutusu’nun genel çalışması için genel düzeni gösterir. Şekil 2’de gösterilen iş akışı, endokrin bozucu kimyasallar gibi hedef maddelerin akut ekotoksisitesini tahmin etmek için silico tişinnasıl işletileneçalışacağına ilişkin basit talimatlar sağlar.

Protocol

1. Ekipman Yazılım: OECD QSAR Toolbox 4.0 veya yeni (ücretsiz indir <https://qsartoolbox.org/download/?) ve veri analizi yazılımı kullanın. Bilgisayar: OECD QSAR Araç Kutusu için kullanın: (i) sistem türü: 64 bit, Windows 7 veya daha yeni; (ii) işlemci: I5 at 2.4 GHz veya daha hızlı bir işlemci veya eşdeğer AMD IŞLEMCI; (iii) yüklü bellek (RAM): 6 GB; (iv) sabit disk sürücüsü (HDD): 20 GB ücretsiz sabit disk alanı (OECD QSAR Toolbox 4.3 Yayın Notları: ). 2. Prosedür OECD QSAR Araç KutusuNOT: QSAR Araç Kutusu, Giriş’ten başlayarak altı ardışık akış modülünde çalışır ve ardından Profil oluşturma, Veri, Kategori Tanımı, Veri Boşluğu Doldurma, ardından Report, program arabirimi. Sol tıklatarak altı araç çubuğu simgesi aracılığıyla yukarıda belirtilen altı aşamayı keşfedin. İlk olarak, otomatik iş akışını “Ekotoksikolojik bitiş noktası” gerçekleştirmek ve sonuçlarını belgelemek için gerekli olan Giriş, Veri Boşluğu Doldurma ve Rapor aşamalarına bakın. Profil Oluşturma ve Veri’nin isteğe bağlı aşamalarına kısa bir göz atın. Profil oluşturma aşaması, hedef maddenin (eko)toksisite potansiyeli ve çevresel kader özellikleri hakkında ilk bakış açısısağlar. İsteğe bağlı Veri aşaması, hedef maddeyle ilgili mevcut deneysel verilerin aranmasını sağlar. Giriş QSAR Araç Kutusu’nu açtıktan sonra, kullanıcı varsayılan olarak Giriş araç kutusu aşamasında başlar. QSAR Araç Kutusu, program arabiriminin solundaki sahne seçeneği panelinde görüntülenen “Belge 1” adlı bir çalışma dosyası oluşturur. İstenirse, çalışma dosyasına sağ tıklayarak dosyayı yeniden adlandırın. Eylemler araç çubuğundaki CAS# düğmesine tıklayın, kullanılabilir metin alanına hedef maddenin kimyasal soyut servis (CAS) numarasını girin ve Ara’yı tıklatın. Araç daha sonra CAS numarasına göre hedef maddeyi arayacaktır. Gerekirse, madde adına göre arama veya basitleştirilmiş moleküler giriş satırı giriş sistemi (SMILES) kodu gibi eylem araç çubuğunda bulunan diğer arama seçeneklerini seçin. SMILES 2D stereokimyasal olmayan veya 3D stereokimyasal formlar içeren olarak girilebilir. Sırasıyla Ad veya Yapı’yı tıklatın. Hedef maddeyi çizmek için Yapı aracını kullanın. Arama aracı, arama sonuçlarını açılan penceredeki veritabanı kayıtları aracılığıyla görüntüler. Kaydın solundaki kutuyu işaretleyerek hedef madde için birden fazla kayıt alınırsa, “yüksek” CAS-SMILES ilişkisini(CS İlişki alanı) bildiren kaydı seçin. Tamam’ıtıklatın.NOT: Bu noktadan itibaren devam etmek, ancak alınan kayıt bir SMILES kodu içeriyorsa mümkündür, çünkü SMILES kodu (2D stereokimyasal içermeyen form) hesaplamanın temelini oluşturur. Toplu işlem modu: birden çok hedef madde için silico test gerçekleştirmek için, her CAS numarasının tek bir satırda listelendiği bir metin düzenleyicisine basit bir madde listesi yazın (EkŞekil S3). Metin dosyasını uygun bir ad ve uzantı .txt ile bilgisayara kaydedin. Toplu iş modu: Veri’yi tıklatın. Ardından, program arabiriminin solundaki sahne seçeneği panelindeki Veritabanları’na gidin. Ekotoksikolojik Bilgiler altında listelenen veritabanlarının kontrol edildiklerinden emin olun. Toplu iş modu: Giriş’i tıklatın. Eylemler araç çubuğundan Sorgula’yı seçin. İletişim penceresinde Evet’i tıklatarak adım 2.2.6’da ayarlanan ayarları kabul edin. Toplu iş modu: CAS sekmesini seçin. Metin dosyası olarak kaydedilen madde listesini bilgisayarınızdan Yük listesi ne kaydedin. Toplu iş modu: iki Ekle düğmesi vardır; açılır menüsünün altındaki Ekle düğmesini tıklatın ve ardından Yürüt’ü tıklatın. QSAR Araç Kutusu, arama için alınan maddelerin sayısıhakkında bir ileti görüntüler.NOT: Yüklenen listedeki bazı maddeler arama aracı tarafından bulunamayabilir veya bir CAS numarası için birden fazla giriş bulunabilir. Alınan maddeler kümesinden maddeleri silmek mümkün değildir. Profil oluşturmaNOT: Aşağıdaki bölüm isteğe bağlıdır. Bu gerekli değilse, bölüm 2.5’e atlayın. Araç kutusu sahne düğmesi Profil oluşturma tıklayın. Program arabiriminin solundaki sahne seçeneği panelinde Profil oluşturma yöntemlerine gidin. Tümünü Seç’i tıklatın. Predefined altında listelenen tüm profilcileri ve Endpoint spesifik olarak listelenen sutoksisitesi ile ilgili olanları kontrol edin, örneğin “Verhaar tarafından akut sutoksisitesi sınıflandırması (Modifiye).” Seçimi bitirin. Ardından Eylemler araç çubuğundaki Uygula düğmesine tıklayın.NOT: QSAR Araç Kutusu profilciler kümesi hakkında öneriler sağlar. Seçenekler > Renk tarafından seçilirken bunlar yeşil (uygun) ve turuncu (makul) olarak vurgulanır: > Profil oluşturmayöntemlerinin sol üst köşesindeki veri matrisinde seçilen Bitiş Noktası. İlgi nin bitiş noktasının yanındaki veri matrisi alanını sol tıklatın. Kullanılabilir uç noktalar, aşama seçeneği panelinin yanındaki bitiş noktası ağacında listelenir. Profiloluşturucu Madde tipi, hedef maddenin “ayrık bir kimyasal” olup olmadığını gösterir. Bilgiler genişletilmiş uç nokta ağacında görüntülenir “Profil”, “Önceden tanımlanmış”, ve “Madde türü”. Sadece hedef madde ayrı bir kimyasal ise otomatik iş akışı başarılı bir şekilde çalışabilir. Verhaar tarafından “Akut sutoksisitesi sınıflandırması (modifiye)” hedef maddenin akut sutoksisitesi mekanizmasının ilk tahminini sağlar19,20. Bilgiler genişletilmiş uç nokta ağacında “Profil”, “Endpoint Specific” ve “Verhaar (modifiye) tarafından akut sutoksisitesi sınıflandırmasında görüntülenir. Beş sınıf mevcuttur: (sınıf 1) inert kimyasallar (temel toksisite); (sınıf 2) daha az inert kimyasallar; (sınıf 3) reaktif kimyasallar; (sınıf 4) özellikle kimyasallar etkili; ve (sınıf 5) kimyasallar için sınıflandırmak mümkün değildir. İstenirseniz QSAR Araç Kutusu’nda bulunan tümleşik 2B ve 3D QSAR modellerini çalıştırmak için bitiş noktası ağacında Parametre’ye sağ tıklayın. Açılan menüdeki tüm kimyasallar için tüm parametreleri Hesapla/ayıkla’yı tıklatın. Parametre’de derlenen 2D ve 3D QSAR modelleri sayısal değerler sağlar. Nitel bilgi için “Profil oluşturma yöntemleri”ni kullanın (bkz. adım 2.3.1). VeriNOT: Bu bölüm isteğe bağlıdır. Gerekli değilse, bölüm 2.5’e atlayın. Araç kutusu sahne düğmesi Data’ya tıklayın. Ardından, Eylemler araç çubuğundan Topla’yı tıklatın. Tüm deneysel verileri toplamak için Tüm uç noktaları seçin ve ardından bitiş noktasına özgü deneysel verileri toplamayı seçin. Örnek olarak, sutoksisitesi kullanıcının odak noktasıysa, Seç > Ekotoksikolojik Bilgiler > Sutoksisitesi > Tamam’ı tıklatın.NOT: Tüm uç noktalar için deneysel veri toplamayı seçmek, işlem süresinin uzamasını sağlayabilir. Kullanıcı, bitiş noktası ağacının hiyerarşisini belirli amaca uyarlayabilir. Bu, verilerin görüntülenme biçimini değiştirir. İstenirse, bitiş noktası ağacı alanında ilgi bitiş noktasını sağ tıklatın. Açılan menüde Ağaç Hiyerarşisini Ayarla’yı seçin. Kullanılabilir terimleri ve okları kullanarak bitiş noktası ağacını tercih edilen şekilde düzenleyin ve Tamam’ı tıklatın. İstenirse, toplanan verileri Excel dosyası olarak dışa aktarın. İlginin bitiş noktasına sağ tıklayın ve açılan menüde Veri Verilerini İhraç’ı seçin. “Matris dışa aktarma” sihirbazı açılır ve dışa aktarma listesine başka uç noktaları eklemeyi sağlar. Seçimi tamamlayın, Dışa Aktar’ı tıklatın ve dosyayı bilgisayara kaydedin.NOT: Tüm veritabanlarından veri dışa aktarma mümkün değildir. Örneğin, “ECHA CHEM” veritabanından alınan veriler kaydedilemez. Veri boşluğu doldurma Araç kutusu sahne düğmesine tıklayın Veri boşluğu doldurma. Ardından, Eylemler araç çubuğunda Otomatik’i tıklatın. Seçerek Ekotoksikolojik Uç Nokta > Balık, LC50 (öldürücü konsantrasyon, ) Pimephales promelas (mortalite) için 96 h. Tamam’ı tıklatın. Bir “İş Akışı Denetleyicisi” görünür ve işleme, özellikle toplu iş modunda birkaç dakika kadar sürer.NOT: QSAR Araç Kutusu, tahmin için mevcut deneysel verilere sahip uygun maddeleri ararken tanımlanmış bir profilleyici kümesini otomatik olarak uygular. Deneysel veriler [örneğin, etki konsantrasyonları 96 h LC50 (P. promelas)veya 96 h EC50 (P. promelas, mortalite)] doğrusal yaklaşık veya en yakın tarafından hedef madde için tahmin oluşturmak için kullanılır komşu yöntemi. Doğrusal yaklaşım ve en yakın komşu yöntemlerine sırasıyla eğilim çözümlemesi (“T” olarak etiketlenmiş) ve okuma genelinde (“R” olarak etiketlenmiş) olarak adlandırılanın. Tahmin başarıyla gerçekleştirilirse, kullanıcı bir ileti alır. Sağ üst köşedeki x’i tıklatarak Tamam’ı tıklatın ve “İş akışı bitti” seçeneğini belirten iş akışı denetleyicisini kapatın. Toplu iş modu: Otomatik iş akışını çalıştırıldıktan sonra, kullanıcıdan iş akışını yürütecek maddelerin aralığını belirtilmesi istenir. Tamam’ı tıklatarak iletişim penceresinde varsayılan olarak seçilen maddelerin tüm aralığını kabul edin. Toplu iş modu: Kullanıcı, bir tahminin başarılı veya başarısız çalışıp çalışmadığını belirten bir ileti almaz. Sağ üst köşedeki x’e tıklayarak toplu iş işleminin sonunda “Tamamlanmış iş akışı” belirten iş akışı denetleyicisini kapatın. Rapor Bir tahmin başarıyla yürütüldüyse, araç kutusu sahne düğmesi Rapor’u tıklatın.NOT: Toplu iş modunda rapor oluşturulamaz. Aşağı kaydırın ve bitiş noktası “96-h” yanında sarı vurgulanmış bir satırda bulunan matris alanında tahmin değerini bulun. Öngörülen değer “T” veya “R” ile etiketlenir. Bu özel veri matrisi alanını sol tıklatarak etkinleştirin. Eylemler araç çubuğunda Tahmin’i tıklatın. Açılır penceredeki rapor içeriğini ve görünümünü özelleştirin. Üç tür rapor mevcuttur: (i) tahmin, (ii) kategori ve (iii) veri matrisi. Sihirbaz, kullanıcının yazarın adını ve iletişim bilgilerini doldurmasına izin verir. Kısa bir özet yazın, mekanistik yorumlamanın ayrıntılı bir açıklamasını sağlayın veya tahminin yeterliliğini doğrulayın. İstenirse, yürütülen tahminle ilgili ek bilgiler ekleyin. Ek bilgilerin kapsamı kullanıcıya bağlıdır. İleri’yi tıklatarak sihirbazın içinden geçin. Son olarak, rapor oluştur’u tıklatın ve tahmin ve kategori raporlarını PDF dosyaları olarak, veri matrisini ise bilgisayardaki Excel elektronik tablosu olarak kaydedin. OECD QSAR Toolbox v.4 (klavyede F1 yardımı) için uygulama kılavuzunda QSAR Araç Kutusu’nun işlevleri ve otomatik iş akışları hakkında ek ayrıntılar bulabilirsiniz. Otomatik iş akışının arkasındaki algoritmalar ve mantığın ayrıntıları Dimitrov ve ark.8 ve Yordanova ve ark.9tarafından açıklanmıştır. 3. Uygulama Çevresel risk değerlendirmesinde öngörülen etki konsantrasyonu (örneğin, 96-h LC50 P. promelas)kullanıyorsanız, güven aralığının alt sınırını kullanın. Kaydedilen tahmin raporunun ilk sayfasındaki verileri (PDF) “Tahmin özeti”, “Tahmin edilen değer: (from to )” olarak bulabilirsiniz.NOT: Burada verilen notlar, bu çalışmada bildirilen bir dizi hedef madde için öngörülen ve deneysel veriler arasındaki karşılaştırmanın sonuçlarına dayanmaktadır. güven aralığının alt ucunun seçilmesi, öngörülen etki konsantrasyonunun maddenin gerçek toksisitesini hafife almaması olasılığını artıracaktır (temsili sonuçlara bakın). güven aralığının alt limitinin öngörülen etkin konsantrasyonu bu nedenle risk değerlendirmesi için daha güvenli bir temel oluşturacaktır.

Representative Results

Bu çalışmada açıklanan örnek, balıklarda seçilen ED’lerin akut toksisitelerinin kantitatif analizi ve tahmini için uygulanmıştır. Öngörülen veri noktaları bir log-log ölçeği olarak deneysel veri noktaları karşı çizildiğinde, her ikisi arasında pozitif bir korelasyon tüm balık ve temsili türler, yani, Pimephales promelas (fathead minnow; Şekil 3). Her iki durumda da, doğrusal regresyonun eğimi karşılaştırılabilir olarak ortaya çıkmıştır (tahmin edilen LC50/deneysel LC50 = 0.611 ve 0.602 tüm balıklar ve P. promelasiçin (sırasıyla). Sınırlı miktardadeneysel veri nedeniyle, deneysel gözlemden elde edilen kullanılabilir değerlerin sayısı genellikle hesaplamalı tahminden daha küçüktü. 21 hesaplama yeteneği için 5 kat tolerans faktörü uygulanması, sırasıyla tüm balıklar ve P. promelasiçin koruyucu tahminin ‘ü (34/36) ve ‘sı (26/27) ile sonuçlandı. Bu tahmine dayanarak, 3′,5,7-trihidroksi-4’, 6-dimethoxyisoflavone ve 1,4-benzenediol tolerans sınırından daha büyük hesaplanan LC50 değerleri sergiledi. En yüksek güvenilirlikte güvenlik değerlendirmesini sağlamak için, LC 50’nin güven aralığının öngörülen alt sınırı (Şekil 3’te kullanılan ortalama değerler yerine) çizilerek daha fazla hesaplamaanalizi yapılmıştır. deneysel olarak türetilmiş değerler (Şekil 4). Yüksek güvenlik eşiği olan bu değerlendirmede, test edilen toplam endokrin bozucu bileşiklerin ‘sinin (33/36) deneysel olarak elde edilen değerlere göre koruyucu menzile düştüğü gösterilmiştir: 3′,5,7-trihidroksi-4′,6- dimethoxyisoflavone; 1,4-benzenediol; ve 4-heksilfenol. Veritabanından elde edilen tüm türlerin değerlendirmelerine dayanarak, tahmin edilen ve deneysel 96-h log10LC50’ye ait değerler,-1 ile 7 arasındaki etki alanında 10 KOW değerleri ile doğrusallık LC50 ve KOWarasındaki hiperbolik korelasyon . Genel bir eğilim, lc50’nin hem hesaplamalı tahminler hem de deneylerden elde edilen veriler için ED’lerin daha yüksek KOW değerleri için azaldığı ve daha yüksek olan ED’ler için balık türlerinde akut toksisitenin arttığını düşündüren genel bir eğilim mevcut hidrofobiklik (Ek Şekil S1). OECD QSAR Toolbox’a gömülü kural tabanlı ER profilleyicisi tarafından, ED’lerin ER bağlayıcı yakınlıkları bağlayıcı olmayan yanı sıra zayıf, orta, güçlü ve çok güçlü bağlayıcılar olarak kategorize edildi, bağlayıcı yakınlığı artırmak amacıyla18. Buna göre, log10Kow istatistiksel dağılımı ER bağlayıcı afinite nitel bir sınıflandırma olarak görüntülenebilir (Ek Şekil S2). Genel olarak, Kow dağıtım aralıklarındaki değişiklikler ve bunların ortalama düzeyleri tanımlanmış bir eğilime sahip değil gibi görünmiştir. Benzer şekilde, öngörülen ve deneysel LC50 dağılımları ER bağlayıcı afinitederecesi olarak gösterilmiştir (Şekil 5). Bu durumda, ER bağlayıcıları için öngörülen LC50 ortalama düzeyleri bağlayıcı olmayanlardan daha yüksekti. Buna karşılık, deneysel LC50için, olmayan ve zayıf bağlayıcıların ortalama düzeyleri güçlü ER bağlayıcıları daha yüksekti. Şekil 1: OECD QSAR Araç Kutusunun genel iş akışının temel şeması.Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 2: İş akışı.OECD QSAR Araç Kutusu’nu kullanarak balıklarda endokrin bozucuların (ED’lerin) akut toksisitelerini tahmin etmek için uygulanan modülleri ve dizileri kavramsallaştıran iş akışı gösterilmiştir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 3: Tüm balıklar (mavi elmaslar, n = 36) ve p. promelas (siyan elması, n = 27) için Tablo 1’deki 96 h LC50’ye karşılık tahmin edilir.Öngörülen LC50için ortalama (“AVE”) değerleri görüntülenir. Kesik çizgiler iki grup için doğrusal gerilemeleri temsil eder: tüm balıklar için (açık mavi), tahmin edilen LC50AVE = 0,611 x (deneysel LC50) + 0,277 (ayarlanmış r2 = 0,408); ve P. promelas (açık panara) için tahmin edilen LC50AVE = 0.602 x (deneysel LC50) + 0.385 (ayarlanmış r2 = 0.441). Katı diyagonal çizgi, öngörülen ve deneysel değerlerin21’eeşit olduğu birliği gösterir. Noktalı gri çizgi hesaplama özelliğinin 5 kat tolerans sınırını gösterir19. Aykırı: 3′,5,7-trihidroksi-4′, 6-dimethoxyisoflavone (*) ve 1,4-benzenediol (**). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 4: Tahmin edilen ( güven aralığının alt sınırı, “düşük-“) ve tüm balıklar için Tablo 1’deki 96-h LC 50’lik deneysel ED’ler (n = 36).Kesikli çizgi doğrusal regresyonu temsil eder: tahmin edilen LC50düşük-95% = 0,470 x (deneysel LC50) – 0,312, burada ayarlanmış r2 = 0,193. Katı diyagonal çizgi, öngörülen ve deneysel değerlerin birbirine eşit olduğu birliği gösterir19. Outliers: 3′, 5,7-trihydroxy-4′, 6-dimethoxyisoflavone (*), 1,4-benzenediol (**) ve 4-heksilfenol (***). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 5: Tahmin edilen (katı kutular, her kategori için n = 8-20) ve deneysel (kesik kutular; her kategori için n = 3-16) 96-h LC 50’nin dağılımı, tüm balıklar için Tablo 1’deki ET’lerin ER bağlama yakınlığına bağlı olarak yapılır.Bir kutu çizimi temsil eder: (A) ortalaması (kalın yatay çubuklu küçük kare), (B) 1ve 3’lü dörtte (sırasıyla alt ve üst– kutunun uçları), (C) ortanca (kutunun içindeki yatay segment), ( D) 5ve 95inci yüzdelik (sırasıyla alt ve üst hata çubukları), (E) 1ve 99yüzdelik (sırasıyla alt ve üst x) ve (F) minimum ve maksimum (alt ve üst –, sırasıyla). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. №. CAS Sicil Numarası Madde Adı SMILES Formülü (2D stereokimyasal olmayan form) Günlük Kow Aveöngörülen 96-h LC50(mg/L) ALT CIöngörülen 96-h LC50(mg/L) Profiler – Östrojen Reseptör Bağlanması 1 50-28-2 17-β Estradiol CC12CCC3C(CCc4cc(O)ccc34)C1CCC2O 4.01 3.62 1.42 Çok güçlü bağlayıcı, OH grubu 2 57-63-6 17-α Ethinil-estradiol CC12CCC3C(CCc4cc(O)ccc34)C1CCC2(O)C#C 3.67 3.00 1.18 Güçlü bağlayıcı, OH grubu 3 80-05-7 2,2-bis(4-hidroksiphe-nyl)propan (Bisfenol A) CC(C)(c1ccc(O)cc1)c1ccc(O)cc1 3.32 4.68 1.80 Çok güçlü bağlayıcı, OH grubu 4 80-46-6 4-tert-Pentylphenol CCC(C)(C)c1ccc(O)cc1 3.91 2.27 0.87 Zayıf bağlayıcı, OH grubu 5 140-66-9 4-tert-Octylphenol CC(C)(C)CC(C)(C)c1ccc(O)cc1 5.28 0.38 0.14 Güçlü bağlayıcı, OH grubu 6 446-72-0 Genistein [3′,5,7-trihidroksi-4′,6-dimethoxyisoflavone] Oc1ccc(cc1)C1=COc2cc(O)cc(O)c2C1=O 2.84 32.00 10.03 Çok güçlü bağlayıcı, OH grubu 7 10161-33-8 17β-Trenbolone CC12C=CC3C(CCC4=CC(=O)CCC=34)C1CCC2O 2.65 124.72 19.75 Güçlü bağlayıcı, OH grubu 8 67747-09-5 Prochloraz (DMI mantar ilacı) CCCN(CCOc1c(Cl)cc(Cl)cc1Cl)C(=O)n1ccnc1 4.1 5.19 1.74 Non bağlayıcı, OH veya NH2 grubu olmadan 9 84852-15-3 4-Nonylphenol CC(C)CCCCCCc1ccc(O)cc1 5.92 0.21 0.07 Güçlü bağlayıcı, OH grubu 10 69-72-7 salisilik asit OC(=O)c1ccccc1O 2.26 24.07 9.31 Zayıf bağlayıcı, OH grubu 11 80-09-1 4,4′-dihidroksidifenil sülfon (Bisfenol S) Oc1ccc(cc1)S(=O)(=O)c1ccc(O)cc1 1.65 48.67 10.67 Çok güçlü bağlayıcı, OH grubu 12 84-74-2 phthalic asit, dibutil ester CCCCOC(=O)c1ccccc1C(=O)OCCCC 4.5 0.76 0.06 Non bağlayıcı, OH veya NH2 grubu olmadan 13 92-88-6 4,4′-dihidroksybifenil Oc1ccc(cc1)-c1ccc(O)cc1 2.8 12.05 4.20 Orta bağlayıcı, OH grooup 14 94-13-3 4-hidroksibenzoik asit, propil ester CCCOC(=O)c1ccc(O)cc1 3.04 10.32 3.86 Orta bağlayıcı, OH grooup 15 98-54-4 4-tert-butilfenol CC(C)(C)c1ccc(O)cc1 3.31 4.36 1.68 Zayıf bağlayıcı, OH grubu 16 97-23-4 2,2′-dihidroksi-–5,5′-diklorodifenil-metan Oc1ccc(Cl)cc1Cc1cc(Cl)ccc1O 4.26 0.48 0.10 Çok güçlü bağlayıcı, OH grubu 17 97-53-0 eugenol COc1cc(CC=C)ccc1O 2.27 14.70 5.60 Zayıf bağlayıcı, OH grubu 18 99-76-3 4-hidroksibenzoik asit, metil ester COC(=O)c1ccc(O)cc1 1.96 38.20 14.01 Zayıf bağlayıcı, OH grubu 19 103-90-2 N-(4-hidroksifenil) asetamid CC(=O)Nc1ccc(O)cc1 0.46 338.97 43.39 Zayıf bağlayıcı, OH grubu 20 106-44-5 p-kresol Cc1ccc(O)cc1 1.94 20.47 7.14 Zayıf bağlayıcı, OH grubu 21 108-39-4 m-cresol Cc1cccc(O)c1 1.96 23.45 9.17 Zayıf bağlayıcı, OH grubu 22 108-45-2 1,3-fenilenediamin Nc1cccc(N)c1 -0.33 34.60 0.00 Zayıf bağlayıcı, NH2 grubu 23 108-46-3 1,3-dihidroksybenzen Oc1cccc(O)c1 0.8 123.03 27.06 Zayıf bağlayıcı, OH grubu 24 108-91-8 sikloheksilin NC1CCCCC1 1.49 28.08 1.40 Zayıf bağlayıcı, NH2 grubu 25 119-36-8 salisilik asit, metil ester COC(=O)c1ccccc1O 2.55 16.16 5.68 Zayıf bağlayıcı, OH grubu 26 120-47-8 4-hidroksibenzoik asit, etil ester CCOC(=O)c1ccc(O)cc1 2.47 19.93 7.40 Zayıf bağlayıcı, OH grubu 27 120-80-9 1,2-dihidroksybenzen Oc1ccccc1O 0.88 11.14 0.01 Zayıf bağlayıcı, OH grubu 28 123-31-9 1,4-dihidroksybenzen [1,4-benzenediol] Oc1ccc(O)cc1 0.59 90.75 33.19 Zayıf bağlayıcı, OH grubu 29 131-53-3 2,2′-dihidroksi-4-methoxybenzophenone COc1ccc(C(=O)c2ccccc2O)c(O)c1 3.82 3.97 1.46 Çok güçlü bağlayıcı, OH grubu 30 131-56-6 2,4-dihidroksybenzofenon Oc1ccc(c(O)c1)C(=O)c1ccccc1 2.96 12.04 4.73 Güçlü bağlayıcı, OH grubu 31 131-57-7 2-hidroksi-4-methoxybenzophenone COc1ccc(C(=O)c2ccccc2)c(O)c1 3.79 5.96 2.27 Güçlü bağlayıcı, OH grubu 32 599-64-4 4-cumilfenol CC(C)(c1ccccc1)c1ccc(O)cc1 4.12 2.15 0.84 Güçlü bağlayıcı, OH grubu 33 2855-13-2 1-amino-3-aminometil-3,5,5-trimethyl-cycloheks CC1(C)CC(N)CC(C)(CN)C1 1.9 30.65 1.53 Orta bağlayıcı, NH2 grubu 34 6864-37-5 3,3′-dimethyl-4,4′-diaminodicyclohexylmethane CC1CC(CCC1N)CC1CCC(N)C(C)C1 4.1 1.07 0.05 Güçlü bağlayıcı, NH2 grubu 35 25013-16-5 tert-butil-4-hidroksiyatino COc1ccc(O)c(c1)C(C)(C)C 3.5 4.85 1.85 Orta bağlayıcı, OH grooup 36 147315-50-2 2-(4,6-difenil-1,3,5-triazin-2-yl)-5-(heksiloksi)fenol CCCCCCOc1ccc(c(O)c1)-c1nc(nc(n1)-c1ccccc1)-c1ccccc1 6.24 0.17 0.06 Güçlü bağlayıcı, OH grubu 37 88-68-6 2-aminobenzamid NC(=O)c1ccccc1N 0.35 694.00 84.30 Zayıf bağlayıcı, NH2 grubu 38 611-99-4 4,4′-dihidroksybenzofenon Oc1ccc(cc1)C(=O)c1ccc(O)cc1 2.19 37.74 14.67 Çok güçlü bağlayıcı, OH grubu 39 27955-94-8 1,1,1-tris(4-hidroksifenol)etan CC(c1ccc(O)cc1)(c1ccc(O)cc1)c1ccc(O)cc1 4.38 2.09 0.82 Çok güçlü bağlayıcı, OH grubu 40 87-18-3 salisilik asit, 4-tert-bütilfenil ester CC(C)(C)c1ccc(OC(=O)c2ccccc2O)cc1 5.73 0.24 0.09 Güçlü bağlayıcı, OH grubu 41 47465-97-4 3,3-bis(3-metil-4-hidroksifenil)2-indolinon Cc1cc(ccc1O)C1(C(=O)Nc2ccccc12)c1ccc(O)c(C)c1 4.48 2.07 0.77 Çok güçlü bağlayıcı, OH grubu 42 99-96-7 p-hidroksibenzoik asit OC(=O)c1ccc(O)cc1 1.58 8.54 0.00 Zayıf bağlayıcı, OH grubu 43 80-07-9 1-Kloro-4-(4-klorofenil)sülfonilbenz Clc1ccc(cc1)S(=O)(=O)c1ccc(Cl)cc1 3.9 3.92 0.85 Non bağlayıcı, OH veya NH2 grubu olmadan 44 84-65-1 9,10-Anthraquinone O=C1c2ccccc2C(=O)c2ccccc12 3.39 7.00 3.54 Non bağlayıcı, OH veya NH2 grubu olmadan 45 85-44-9 2-benzofuran-1,3-dione O=C1OC(=O)c2ccccc12 1.6 2.69 0.00 Non bağlayıcı, OH veya NH2 grubu olmadan 46 92-84-2 10H-Phenothiazine N1c2ccccc2Sc2ccccc12 4.15 1.07 0.08 Non bağlayıcı, OH veya NH2 grubu olmadan 47 2855-13-2 1-amino-3-aminometil-3,5,5-trimethyl-cycloheks CC1(C)CC(N)CC(C)(CN)C1 1.9 30.65 1.53 Orta bağlayıcı, NH2 grubu 48 50-27-1 Estriol CC12CCC3C(CCc4cc(O)ccc34)C1CC(O)C2O 2.45 21.21 8.29 Çok güçlü bağlayıcı, OH grubu 49 50-50-0 beta-Estradiol-3-benzoat CC12CCC3C(CCc4cc(OC(=O)c5ccccc5)ccc34)C1CCC2O 5.47 0.36 0.02 Güçlü bağlayıcı, OH grubu 50 53-16-7 Estrone CC12CCC3C(CCc4cc(O)ccc34)C1CCC2=O 3.13 7.78 3.06 Güçlü bağlayıcı, OH grubu 51 92-52-4 Bifenil c1ccc(cc1)-c1ccccc1 4.01 4.10 0.47 Non bağlayıcı, OH veya NH2 grubu olmadan 52 92-69-3 p-Fenilfenol Oc1ccc(cc1)-c1ccccc1 3.2 5.99 1.82 Orta bağlayıcı, OH grooup 53 96-29-7 2-Butanone oksim CCC(C)=HAYRİ 0.63 32.67 2.49 Bağlayıcı olmayan, döngüsel olmayan yapı 54 121-75-5 Malathon CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC 2.36 37.73 3.33 Bağlayıcı olmayan, döngüsel olmayan yapı 55 123-07-9 4-Etilfenol CCc1ccc(O)cc1 2.58 13.63 4.65 Zayıf bağlayıcı, OH grubu 56 645-56-7 4-n-Proylpehnol CCCc1ccc(O)cc1 3.2 7.32 2.55 Zayıf bağlayıcı, OH grubu 57 1638-22-8 p-Butil fenol CCCCc1ccc(O)cc1 3.65 4.09 1.39 Zayıf bağlayıcı, OH grubu 58 1912-24-9 Atrazine CCNc1nc(Cl)nc(NC(C)C)n1 2.61 30.87 4.63 Non bağlayıcı, OH veya NH2 grubu olmadan 59 40596-69-8 Methoprene COC(C)(C)CCCC(C)CC=CC(C)=CC(=O)OC(C)C 5.5 0.08 0.00 Bağlayıcı olmayan, döngüsel olmayan yapı 60 1987-50-4 4-Heptylphenol CCCCCCCc1ccc(O)cc1 5.01 0.66 0.22 Orta bağlayıcı, OH grooup 61 92-86-4 p,p’-Dibromobiphenyl Brc1ccc(cc1)-c1ccc(Br)cc1 5.72 0.11 0.02 Non bağlayıcı, OH veya NH2 grubu olmadan 62 480-41-1 Naringenin Oc1ccc(cc1)C1CC(=O)c2c(O)cc(O)cc2O1 2.52 27.84 10.87 Çok güçlü bağlayıcı, OH grubu 63 486-66-8 Daidzein Oc1ccc(cc1)C1=COc2cc(O)ccc2C1=O 2.55 36.47 11.71 Çok güçlü bağlayıcı, OH grubu 64 491-70-3 Luteolin Oc1cc(O)c2C(=O)C=C(Oc2c1)c1ccc(O)c(O)c1 2.53 43.75 14.28 Çok güçlü bağlayıcı, OH grubu 65 491-80-5 Biochanin A COc1ccc(cc1)C1=COc2cc(O)cc(O)c2C1=O 3.41 15.87 3.70 Güçlü bağlayıcı, OH grubu 66 520-18-3 Kaempferol Oc1ccc(cc1)C1Oc2cc(O)cc(O)c2C(=O)C=1O 1.96 70.98 8.05 Çok güçlü bağlayıcı, OH grubu 67 2051-60-7 2-Klorobifenil (PCB 1) Clc1ccccc1-c1ccccc1 4.53 0.77 0.16 Non bağlayıcı, OH veya NH2 grubu olmadan 68 2051-61-8 3-Klorobifenil (PCB 2) Clc1cccc(c1)-c1ccccc1 4.58 0.77 0.16 Non bağlayıcı, OH veya NH2 grubu olmadan 69 2051-62-9 4-Kloro-1,1′-bifenil Clc1ccc(cc1)-c1ccccc1 4.61 0.77 0.16 Non bağlayıcı, OH veya NH2 grubu olmadan 70 2446-69-7 p-n-Hexylphenol [4-hexylphenol] CCCCCCc1ccc(O)cc1 4.52 1.22 0.42 Orta bağlayıcı, OH grooup 71 14938-35-3 4-n-Amylfenol CCCCCc1ccc(O)cc1 4.06 2.44 0.89 Zayıf bağlayıcı, OH grubu 72 17924-92-4 Zearalenone CC1CCCC(=O)CCCC=Cc2cc(O)cc(O)c2C(=O)O1 3.58 7.22 2.66 Güçlü bağlayıcı, OH grubu 73 1743-60-8 beta-Estradiol 3-benzoat 17-nbutirate CC(=O)OC1CCC2C3CCc4cc(O)ccc4C3CCC12C 4.95 0.91 0.35 Güçlü bağlayıcı, OH grubu 74 479-13-0 Coumestrol Oc1ccc2c(OC(=O)c3c-2oc2cc(O)ccc32)c1 1.57 52.16 11.44 Çok güçlü bağlayıcı, OH grubu Tablo 1: Değerlendirilen endokrin bozucu kimyasallarınlistesi. QSAR Toolbox sürüm 4.3 Otomatik İş Akışı ile ortalama ortalama (AVE) ve daha düşük güven aralığı (CI) etkin konsantrasyonları (95-h LC50, Pimephales promelas)ve Östrojen Reseptör Bağlanması öngörülmüştür. Log10Kow, QSAR Toolbox sürüm 4.3 üzerinden KOWWIN v1.68, 2000, ABD Çevre Koruma Ajansı’ndan alındı. Deneysel log10Kow değerleri öngörülen değerlere göre tercih edildi. Hedef madde listesi, daha önce bildirilen ED’ler22,23,24listelerinden derlenmiştir. Ek Bilgiler. Bu dosyayı indirmek için lütfen buraya tıklayınız. 

Discussion

OECD QSAR Toolbox’ın ekotoksikoloji için analitik bir yazılım olarak çok yönlülüğü, su omurgalıları üzerindeki endokrin bozan kimyasalların olumsuz etkilerine özel bir ilgi yle gösterilmiştir. Buna ek olarak, balık türleri için 74 temsili ED’nin (Tablo 1) akut toksisitesini(96-h LC50)tahmin etmek için basit ve standart bir protokol gösterilmiştir. Bu, qsar araç kutusuna gömülü kategori oluşturma, veri boşluğu doldurma ve ER profil oluşturma modülleri uygulanarak elde edilmiştir (Şekil 1, Şekil 2).

Günlük10LC50 ile log10KOW arasındaki doğrusal korelasyon negatif eğimle (Ek Şekil S1’degösterildiği gibi) uzun süre QSAR analizlerinde standart nicel ilişki olarak bilinmektedir25, burada daha yüksek toksisite daha hidrofobik bir kimyasal gösterilir. Basit bir hesaplamadan da görüleceği gibi, S1 denklemini ve S2 denklemini içeren genel matematiksel ilişki (TamamlayıcıBilgiler)aşağıdaki güç fonksiyonundan dönüştürülmüş bir ifadedir26:

Equation 1

Equation 2

(Denklem 2) konusundan, bir ara KOW26 aralığını karakterize etmek, hidrofobiklikte (veya hidrofilisitede) belirli bir değişimin önemli ölçüde değişmediği a ve b parametrelerini ayarlayarak mümkün olabilir. akut toksisite nin uç noktası.

Şekil 3 ve Şekil4’te gösterildiği gibi, Hesaplamalı tahminler ile LC50üzerindeki deneysel gözlemler arasındaki karşılaştırmalı analizler, tipik olarak QSAR’ın çeşitli su toksikmaddeleri için yapılan çalışmalarda teknik niyonik yüzey aktif maddeler27, triazol fungisitler28, ve pestisit metabolitleri21. Bu tür retrospektif doğrulama, belirli bir QSAR aracının deneysel sonuçlara karşılaştırmalı performans açısından ne kadar ulaşabileceği hakkında bilgi sağlar. Balık akut toksisite bu çalışmada, QSAR Toolbox tüm balık ve tek bir tür test ED’lerin% 90 üzerinde koruyucu tahminler sağlamak için kanıtlanmıştır, Pimephales promelas.

Şekil 3 ve Şekil4’teki üç aykırı kimyasalın daha fazla tanımlanması , ortalama ve en az, sırasıyla daha yüksek tahmin edilen LC50’yi göstermesi gerekmektedir. İlk olarak, 3′,5,7-trihidroksi-4′, 6-dimethoxyisoflavone flavonoid bir türüdür (özellikle, bir isoflavone), hangi genellikle güvenli olarak kabul edilir ve bitkisel ilaçlar kullanılır; ancak, hala östrojen ile ilgili endişeleri vardır29 ve muhtemelen oksidatif fosforilasyon uncoupling yoluyla akut toksisite neden olabilir30. Sonra, 1,4-benzenediol, hidrokinon denilen, balık bir non-spesifik ve sitotoksik bağışıklık yanıtı tetikleyebilir bir fenolik bileşiktir31. Son olarak, 4-heksilfenol ed32olarak sınıflandırılacak yeterli pozitif östrojenik aktivite sergilemek bilinmektedir. Hidrokinonun akut toksisitesinin temel nedeninin redüksiyon-oksidasyon (redoks) bisikleti olduğu iyi araştırılmıştır. Hidrokinon benzokinon okside ve tekrar tekrar yarı kinon veya hidrokinon geri azalır, kofaktörleri tüketen ve reaktif oksijen türleri üreten33. Diğer iki kimyasal, QSAR Toolbox tarafından karşılanamayan Panche ve ark.34tarafından kullanılan moleküler yerleştirme yaklaşımlarını kullanarak akut ekotoksisitedeki eylem mekanizmalarını ortaya çıkarmak için daha derin araştırmalar gerektirebilir.

ED’ler östrojen ve androjen reseptörleri gibi steroid reseptörleri ile fizikokimyasal etkileşimler esas yoluyla endokrin sistemi ile müdahale, QSAR modelleme çalışmaları önemli ilgi vardır35. Bunu göz önünde bulundurarak, QSAR Araç Kutusu, sadece moleküler yapıların 2B tanımlayıcılarına dayalı bir dizi kimyasal için ER bağlayıcı yakınlıklarının kolay ve hızlı sınıflandırılması açısından sağlamdır. Bu ER profil sistemi ED listemize uygulandığında, ER bağlayıcı afinite ve hidrofobiklik arasında net bir korelasyon saptanmamamıştır (EkŞekil S2). Bu sonuç bir steroid-reseptör kompleksi oluşumu bir hidrofobik bağ katkısıdoğrudan bir sonucu değildir ama aktif site reseptör yapısında bir konformasyonel değişiklik eşlik etmelidir gerçeği ile açıklanabilir36. Reseptör bağlama da hidrojen-bonding ve π-istifleme nedeniyle olabilir.

Ayrıca, hidrofobiklik ve hidrojen-bağ alıcı-donör lerin sayısı aynı kalsa bile, molekül üzerindeki her kimyasal grubun konumu reseptör bağlanmasını etkileyebilir. İkinci olarak, ER profilleyicisi, tahmin edilen ve deneysel LC50 ortalamadüzeyleri arasında ters eğilimler üretmiş ve ER bağlayıcılığı artmaktadır (Şekil 5). Akut toksisite testinde ebeveynlerin öldürücülüğü ER bağlanmasından değil, çoğu durumda narkoza veya hidrokinon durumunda redoks bisikletine bağlı olabilir. Örneğin, QSAR Araç Kutusu’nun geçerli sürümünün tahmine dayalı sınırlamalarını tanımlamak için daha büyük bir ED kümesi için kronik toksisite de dahil olmak üzere daha kapsamlı bir analiz gereklidir.

Steroidler (androjenler, östrojenler, progestineler ve kortikoidler) ve reseptörleri omurgalılar arasında benzer veya hatta aynı makromoleküler yapıları sergilemek çünkü bu ön araştırma da halk sağlığı etkileri olabilir5. Benzer endokrin sinyalizasyon sistemleri Bu tür EDS5önemli olaylarda ortak bir mekanizma kullanılarak çalışabilir. Bununla birlikte, ek ve tamamlayıcı metodolojiler bu geniş ve karmaşık yönü aydınlatmak için gereklidir [örneğin, emme, dağıtım, metabolizma ve atılım (ADME) hesaplamalı modelleme gerçekleştirerek, ve / veya olumsuz sonuç yol (AOP)]38. Ayrıca, ED’lerin yan etkileri hakkında ortaya atılan bilimsel ve kamusal kaygıların çoğu kronik toksisiteleriyle ilişkili olduğundan, QSAR Araç Kutusu’ndaki veritabanlarını ve algoritmaları geliştirerek ve güvenilir uzun vadeli ekotoksikoloji ler ürettiği için ED’ler için tahminler her ikisi de gereklidir.

Bu makale, Balıklar için ekotoksikolojik LC50 değerlerini DD’lerin günlük10Kow değerleri ile karşılaştırmak için QSAR Toolbox uygulamasını göstermektedir. önceki çalışmalar (örneğin, Kim ve ark.39)bu günlük10Kow sucul LC50iyi bir doğrudan belirleyici değildir ortaya çıktı. Bu sınırlamaya rağmen, bu protokol, LC50 (veya ER bağlama) arasındaki korelasyonları araştırmak için QSAR Araç Kutusu’nu kullanmak için geçerli bir uygulama olduğundan, bu protokol, gösterge panelinin belirli bir amaç için nasıl kullanılacağını açıklamak için genel bir gözden geçirme veya “vinyet” sağlar yakınlık) ve günlük10K ow, ya da hızlı akut ekotoksisite tarama için bir araç olarak. Bununla birlikte, (1) östrojen reseptör bağlanması ve kronik toksisite arasındaki bağlantıyı aydınlatmak, akut toksisite (öldürücü), daha net korelasyonlar bulunabilir, böylece daha alakalı olduğu unutulmamalıdır, ve (2) androjen reseptörü, birlikte östrojen ile, aynı zamanda üreme toksisitesi kritik bir rol oynar. Bu nedenle, qsar araç kutusunun gelecekteki sürümü için bu iki nokta ışığında tahmin işlevlerini geliştirmek için gereklidir.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Bu araştırma, Güney Kore hükümeti (MSIP) tarafından Ulusal Bilim ve Teknoloji Araştırma Konseyi (NST) hibe tarafından desteklenmiştir (Hayır. CAP-17-01-KIST Avrupa) ve Proje 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