Summary
Kvantitativ struktur-aktivitet slektskap (QSAR) modellering er en representativ bioinformatikk metode i toksikologiske screening. Denne protokollen viser hvordan du beregningsmessig vurdere risikoen for endokrine disruptors (EDs) i akvatiske miljøer. Bruker OECD QSAR Toolbox, implementerer protokollen en i silisiummangan analysen for å analysere toksisitet av EDs i fisk.
Abstract
Beregningsorientert analyse av toksikologiske prosesser muliggjør screening av kjemiske substanser med høy gjennomstrømming og prediksjon av deres endepunkter i biologiske systemer. Spesielt kvantitative struktur-aktivitet forholdet (QSAR) modeller har blitt stadig mer brukt for å vurdere miljøvirkningene av en overflod av giftige materialer. I de senere årene, noen mer uthevet typer toxicants er endokrine disruptors (EDs, som er kjemikalier som kan forstyrre noen hormon relatert metabolisme). Fordi EDs kan påvirke dyr utvikling og reproduksjon, raskt forutsi de negative virkningene av EDs bruke i silisiummangan teknikker er nødvendig. Denne studien presenterer en i silisiummangan metode for å generere prediksjon data på virkningene av representative EDs i akvatiske virveldyr, spesielt fiskearter. Protokollen beskriver et eksempel utnytte den automatiserte arbeidsflyten av QSAR Toolbox programvare utviklet av organisasjonen for økonomisk samarbeid og utvikling (OECD) for å muliggjøre akutte økotoksisitet spådommer om EDs. Som et resultat, er følgende bestemt: (1) beregning av de numeriske sammenhenger mellom konsentrasjonen for 50% av dødelighet (LC50) og oktanol-vann partisjon koeffisient (Kow), (2) output forestillinger der LC50 verdier bestemmes i eksperimenter sammenlignes med de som genereres av beregninger, og (3) avhengighet av østrogen reseptor bindende affinitet på forholdet mellom Kow og LC50.
Introduction
Nye utviklinger innen informatikk og beregningsorientert teknologi har styrket de biologiske vitenskaper med kvantitative metoder som gir høy presisjon og pålitelighet1. Spesielt har algoritmer som brukes i molekylær taksonomi og eiendom klassifisering resultert i kvantitativ struktur-aktivitet forholdet (QSAR) modeller2. Disse modellene sammenligner automatisk de kjemiske strukturene og de biologiske aktivitetene til en gitt kjemisk database og implementerer hurtig i silisiummangan screening av et bredt spekter av kjemiske underlag i henhold til deres medisinske eller toksikologiske handlinger3. QSAR verktøy kan produsere prediktiv toksisitet profiler som en funksjon av funksjonen vektorer av molekylære beskrivelser (dvs. fysikalsk parametre) av kjemikalier av interesse for numerisk opprette kategorisk endepunkt4. Vanligvis vises hvert kvantitativ sluttpunkt som en 2D-scatterplot kontra endringer i beskrivelses verdier. En QSAR-modell genereres deretter ved hjelp av (flere) lineære regresjonsanalyse. Når et datasett er fullt utnyttet til å konstruere en QSAR-modell (kalt trenings settet), blir modellen statistisk validert ved å forutsi endepunktene til en gruppe kjemikalier som ikke er inkludert i trenings settet (kalt testsettet). Modellen kan deretter brukes til å forutsi de biologiske aktivitetene til testet forbindelser3.
Blant mange skadelige kjemikalier, endokrine disruptors (EDs) har blitt fremhevet som en gruppe toxicants som kan forstyrre i mange hormon-relaterte metabolisms i pattedyr, amfibier, og fisk5,6. EDs er kjent for å indusere en rekke bivirkninger, som kreft og misdannelser, ved å blokkere eller endre normale hormonelle trasé eller aktivere unormal hormon syntese/degradering signaler. Som en konsekvens, disse hormon-etterligne kjemikalier kan forurolige endokrine systemer slik at biologisk utvikling og reproduksjon av dyreliv dyr populasjoner er hemmet. Spesielt, den økotoksikologiske effekten av EDs har blitt grundig undersøkt i akvatiske virveldyr, som har nesten identiske hormon reseptor strukturer til de av pattedyr, inkludert mennesker. Fordi alle hormonelle handlinger oppstår ved lave doser in vivo, forutsi potensialet toksisitet av ED kandidater bruker rask i silisiummangan screening er avgjørende for offentlig og miljømessig helse.
QSAR modeller basert på toksikologiske av EDs har vært gjennomført utnytte både 2D og 3D beskrivelser (kjent som 2D og 3D QSAR, henholdsvis), som avslører ED ligand bindende slektskap av østrogen, androgen, og progesteron reseptorer7. Til tross for høy presisjon fordelene med 3D QSAR, der conformational og elektrostatiske interaksjoner er vurdert, beholder 2D QSAR sin egen robusthet i direkte matematiske algoritmer, raske beregninger, og ekstremt lav beregningsorientert belastninger. I tillegg er 2D-QSAR-modellene fleksible for bruk i et bredt spekter av applikasjoner, samtidig som de oppnår relativt nøyaktig prediktiv ytelse.
OECD QSAR Toolbox er i dag en av de mest utnyttet dataprogramvare verktøy, som gir fritt tilgjengelig og pre-bygget QSAR modeller8,9. Dens profiler bruker 2D Descriptor databaser. Siden utgivelsen av den første versjonen i 2008, har programvaren blitt brukt innen kjemisk og biologisk industri, folkehelse og miljø sikkerhet for full eller delvis analyse av den potensielle risikoen for naturlige og syntetiske forbindelser, med spesielle interesser i kreft10,11,12, mutagenitet13,14,15og utviklingstoksiske effekter16. Det er også demonstrert at anvendelsen av vann-toksikologiske, med fokus på bioakkumulering og biotransformasjon17.
Den QSAR Toolbox har vist seg nyttig for å forutsi den kortsiktige toksisitet av et bredt spekter av kjemikalier17, samt østrogen RESEPTOR (er) bindende slektskap av EDs18. Den akutte ecotoxicities av EDs i akvatiske virveldyr har imidlertid ikke blitt analysert ved hjelp av QSAR Toolbox. I denne studien presenteres en typisk og facile protokoll for å utføre QSAR modellering på de akutte bivirkningene av EDs med fokus på fiskearter. Studien viser at QSAR Toolbox er en lett tilgjengelig programvare for beregning og forutsi dødelighet/dødelighet av akvatiske virveldyr for noen representative EDs. statistiske behandlingsmetoder for de avledede silisiummangan datasettene presenteres. Figur 1 viser den generelle ordningen for den generelle driften av QSAR Toolbox. Arbeidsflyten vist i figur 2 gir enkle instruksjoner om hvordan du skal betjene i silisiummangan analysen å forutsi akutt økotoksisitet av mål stoffer som endokrine forstyrre kjemikalier.
Protocol
1. utstyr
- Programvare: Bruk OECD QSAR Toolbox 4,0 eller nyere (gratis nedlasting fra < https://qsartoolbox.org/download/?) og dataanalyse programvare.
- Datamaskin: for OECD QSAR Toolbox, bruk: (i) Systemtype: 64 bit, Windows 7 eller nyere; (II) prosessor: i5 på 2,4 GHz, eller en raskere prosessor eller tilsvarende AMD CPU; (III) installert minne (RAM): 6 GB; (IV) harddiskstasjon (HDD): 20 GB ledig plass på harddisken (OECD QSAR Toolbox 4,3 Release Merknader: < https://qsartoolbox.org/file/2019/02/Toolbox-4.3-Release-Notes-1.pdf >).
2. prosedyre
- OECD QSAR verktøykasse
Merk: QSAR Toolbox opererer i seks påfølgende strømnings moduler fra Input og etterfulgt av profilering, data, Kategori definisjon, data gap fylling, deretter rapportert, plassert på toppen av Programmet grensesnittet.- Utforsk de nevnte seks fasene gjennom seks verktøylinjeikoner ved å venstre-klikke. Først, se over stadier av Input, data gap fylling, og rapport som er nødvendig for å utføre den automatiserte arbeidsflyten "økotoksikologiske endepunkt" og for å dokumentere sine resultater.
- Ta en kort titt på valgfrie stadier profilering og data. Profilering scenen gir et første innblikk i målet substansen ' s (øko) toksisitet potensial og miljømessige skjebne egenskaper. Valgfri data Stage gjør det mulig å søke etter tilgjengelige eksperimentelle data knyttet til målet substans.
- Input
- Når du starter QSAR Toolbox, begynner brukeren i trinnet for inn data verktøykassen som standard. QSAR Toolbox oppretter en fungerende fil med navnet "dokument 1" automatisk, som vises i fase alternativ panelet til venstre for programgrensesnittet. Endre navnet på filen, hvis du ønsker det, ved å høyreklikke arbeidsfilen.
- Falle i staver på CAS # knapp inne aksjonene verktøyet, gå inn det kjemikalie abstrakt Service (CAS) antallet av målet substans inne det anvendelig tekst åker, og falle i staver søke. Verktøyet vil deretter søke etter mål substansen etter CAS-nummer.
- Hvis det er nødvendig, velger du andre søkealternativer som er tilgjengelige i handlingsverktøylinjen, for eksempel søk etter substans navn eller forenklet kode for linje oppførings system (SMILES) for molekylær skriving. SMILES kan legges inn som 2D-stereochemical eller 3D-stereochemical som inneholder skjemaer. Klikk henholdsvis navn eller struktur . Bruk struktur verktøyet til å tegne mål substansen.
- Søke verktøyet viser søkeresultatene gjennom databaseposter i et popup-vindu. Velg posten som rapporterer en "høy" CAS-SMILES-relasjon (cs-Relasjons felt) Hvis flere poster hentes for mål substansen ved å merke av i boksen til venstre for posten. Klikk på OK.
Merk: du kan bare fortsette fra dette punktet hvis den hentede posten inneholder en SMILES-kode, siden SMILES-koden (2D-stereochemical som inneholder skjema) er grunnlaget for beregningen. - Batch-modus: for å utføre i silisiummangan analysen for flere mål stoffer, skriver en enkel substans liste i et tekstredigeringsprogram der hver CAS nummer er oppført i en enkelt rad (supplerende figur S3). Lagre tekstfilen med et passende navn og en filtype. txt på datamaskinen.
- Batch-modus: Klikk data. Deretter går du til databaser i fase alternativ panelet til venstre i programgrensesnittet. Kontroller at databaser som er oppført under økotoksikologiske informasjon er merket.
- Batch-modus: Klikk inn data. Velg spørring på handlingsverktøylinjen. Godta innstillingene som er angitt i trinn 2.2.6 ved å klikke Ja i dialogvinduet.
- Batch-modus: Velg CAS tab. Last opp substans listen som er lagret som tekstfil gjennom Last listen fra datamaskinen.
- Batch-modus: det er to Legg til knapper tilgjengelig; Klikk på Legg til -knappen nederst på hurtigmenyen, og klikk deretter på Utfør. Den QSAR Toolbox vil vise en melding om hvor mange stoffer som er hentet for søket.
Merk: det kan hende at noen av stoffene i den lastede listen ikke blir funnet av søke verktøyet, eller at flere oppføringer kan være tilgjengelige for ett CAS-nummer. Det er ikke mulig å slette stoffer fra det hentede settet med stoffer.
- Profilering
Merk: følgende avsnitt er valgfritt. Hvis dette ikke er nødvendig, går du til del 2,5.- Klikk på verktøykassen scenen knappen profilering. Gå til profilering metoder i scenen alternativ panelet til venstre i programmet grensesnittet.
- Klikk Opphev merking av alle. Kontroller alle profileringsverktøy som er oppført under forhåndsdefinerte og de som er relatert til giftighet for vann i listen under endepunkt spesifikk , for eksempel klassifisering av akutt akvatisk giftighet av Verhaar (modifisert). "
- Fullfør valget. Så falle i staver på søke knapp inne aksjonene verktøyet.
Merk: QSAR Toolbox gir anbefalinger om et sett med profileringsverktøy. Disse er uthevet i grønt (egnet) og oransje (sannsynlig) når du velger alternativer ≫ farge av: ≫ endepunkt valgt i datamatrisen i øvre venstre hjørne av profilering metoder. Venstre klikk data matrise feltet ved siden av endepunktet av interesse. Tilgjengelige endepunkter vises i endepunkt treet ved siden av fase alternativ panelet. Typen profil substans vil indikere om mål substansen er en "diskret kjemisk". Informasjonen vises i det utvidede endepunkt treet "profil", "forhåndsdefinert" og "substans type". Bare hvis mål substansen er en diskret kjemisk, kan den automatiserte arbeidsflyten kjøres på riktig måte. "Akutt akvatisk giftighet ved Verhaar (modifisert)" gir et første anslag over den akutte vann giftighet mekanismen i mål stoffet19,20. Informasjonen vises i det utvidede endepunkt treet "profil", "endepunkt spesifikk" og "akutt vann giftighet klassifisering av Verhaar (endret)". Fem klasser er tilgjengelige: (klasse 1) inert kjemikalier (Baseline toksisitet); (klasse 2) mindre inert kjemikalier; (klasse 3) reaktive kjemikalier; (klasse 4) spesielt fungerende kjemikalier; og (klasse 5) for kjemikalier som ikke er mulig å klassifisere. - Høyreklikk parameter i sluttpunkt treet for å kjøre integrerte 2D-og 3D QSAR-modeller som er tilgjengelige i QSAR Toolbox, hvis du ønsker det. Klikk på Beregn/trekk ut alle parametre for alle kjemikaliene i hurtigmenyen.
- 2D-og 3D QSAR-modeller kompilert i parameter gir numeriske verdier. Bruk "profilering metoder" for kvalitativ informasjon (se trinn 2.3.1).
- Data
Merk: denne delen er valgfri. Hvis det ikke er nødvendig, går du til del 2,5.- Falle i staver på verktøyet scene knapp data. Deretter klikker du samle fra handlingsverktøylinjen.
- Velg alle endepunkter for å samle alle eksperimentelle data, og Velg deretter å samle sluttpunkt spesifikke eksperimentelle data. Hvis du for eksempel er en akvatisk giftighet for brukeren, klikker du velg ≫ økotoksikologiske informasjon ≫ akvatisk giftighet > OK.
Merk: Hvis du velger å samle inn eksperimentelle data for alle endepunkter, kan det føre til forlenget behandlingstid. Brukeren kan tilpasse hierarkiet til endepunkt treet til det bestemte formålet. Dette endrer måten data vises på. - Hvis du vil, høyreklikker du endepunktet av interesse i ende tre området. Velg Angi tre hierarki på hurtigmenyen. Organiser endepunkt treet på foretrukket måte ved hjelp av de tilgjengelige termene og pilene, og klikk OK.
- Om ønskelig kan du eksportere de innsamlede dataene som en Excel-fil. Høyreklikk på sluttpunktet av interesse og velg Eksporter data matrise i hurtigmenyen.
- En veiviser for eksport av matrise åpnes og gjør det mulig å legge til andre endepunkter i eksport listen. Fullfør utvalget, klikk Eksporter, og lagre filen på datamaskinen.
Merk: det er ikke mulig å eksportere data fra alle databaser. Data som hentes fra databasen "ECHA CHEM", kan for eksempel ikke lagres.
- Fylling av data gap
- Klikk på verktøykassen scenen knappen data gap fylling. Deretter klikker du automatisert på handlingsverktøylinjen.
- Velg økotoksikologiske endepunkt > fisk, LC50 (dødelig konsentrasjon, 50%) på 96 h for Pimephales promelas (dødelighet). Klikk på OK. En "Workflow Controller" vil vises, og behandlingen vil ta opptil flere minutter, spesielt i batch-modus.
Merk: QSAR Toolbox bruker automatisk et definert sett med profileringsverktøy når det søkes etter egnede stoffer med tilgjengelige eksperimentelle data for anslaget. Den eksperimentelle data [f. eks, effekt konsentrasjoner 96 h LC50 (p. promelas) eller 96 h EC50 (p. promelas, dødelighet)] brukes til å generere prediksjon for målet substans ved enten lineær tilnærming eller nærmeste nabo metoden. Legg merke til at metodene for lineær tilnærming og nærmeste nabo er referert til som trendanalyse (merket som "T") og lest over (merket som "R"), henholdsvis. - Brukeren vil motta en melding hvis anslaget er utført. Klikk OK og Lukk arbeidsflyt kontrolleren som angir "ferdig arbeidsflyt" ved å klikke x i øvre høyre hjørne.
- Satsvis modus: Når du starter den automatiserte arbeidsflyten, blir brukeren bedt om å angi omfanget av stoffene som arbeidsflyten skal kjøres over. Godta hele spekteret av stoffer som er valgt som standard i dialogvinduet ved å klikke OK.
- Satsvis modus: brukeren vil ikke motta en melding som indikerer om en forutsigelse ble kjørt vellykket eller mislykket. Lukk arbeidsflyt kontrolleren som angir "ferdig arbeidsflyt" på slutten av den satsvise behandlingen ved å klikke x i øvre høyre hjørne.
- Rapporten
- Hvis en forutsigelse ble utført, klikk på verktøykasse fase knappen .
Merk: ingen rapporter kan genereres i satsvis modus. - Rull ned og Finn prediktiv-verdien i matrise-feltet som ligger i en gul uthevet rad ved siden av endepunktet "96-h." Den anslåtte verdien er merket med "T" eller "R". Aktiver dette bestemte data Matrix-feltet ved å venstre-klikke det.
- Klikk på forutsigelse på handlingsverktøylinjen. Tilpass Rapportinnholdet og utseendet i hurtig veiviseren. Tre typer rapporter er tilgjengelige: (i) prediksjon, (II) kategori, og (III) data matrise.
- Veiviseren lar brukeren fylle ut forfatterens navn og kontaktdetaljer. Skriv et kort sammendrag, gi en detaljert forklaring av mekanistisk tolkning, eller gi begrunnelse for tilstrekkeligheten av prediksjon.
- Inkluder tilleggsinformasjon knyttet til den utførte prognosen, hvis ønskelig. Omfanget av tilleggsinformasjon avhenger av brukeren.
- Gå gjennom veiviseren ved å klikke Neste. Til slutt klikker du på Opprett rapport og lagrer prediktiv-og kategori rapportene som PDF-filer og datamatrisen som et Excel-regneark på datamaskinen.
- Finn flere detaljer om funksjonaliteten til QSAR Toolbox og automatiserte arbeidsflyter i applikasjons manualen for OECD QSAR Toolbox v. 4 (F1 hjelp på tastaturet). Detaljer om algoritmene og begrunnelsen bak den automatiserte arbeidsflyten er beskrevet av Dimitrov et al.8 og Gunnar et al.9.
- Hvis en forutsigelse ble utført, klikk på verktøykasse fase knappen .
3. anvendelse
- Ved bruk av den anslåtte effekt konsentrasjonen (dvs. 96-h LC50 av P. promelas) i miljørisiko vurderingen, bruk den nedre grensen på 95% sikkerhetsintervall. Finn dataene på den første siden i den lagrede prediktiv rapporten (PDF) i "prediksjon Summary", "anslått verdi: < bety > (fra < lower_limit > til < upper_limit >)."
Merk: notatene gitt her er basert på resultatene av sammenligningen mellom spådde og eksperimentelle data for et sett av mål stoffer rapportert i denne studien. Velge den nedre enden av 95% tillit området vil øke sannsynligheten for at den anslåtte effekten konsentrasjonen vil ikke undervurdere den virkelige toksisitet av stoffet (se representative resultater). Den anslåtte effektive konsentrasjonen av den nedre grensen på 95% av sikkerhets intervallet vil derfor utgjøre et tryggere grunnlag for risikovurdering.
Representative Results
Eksempelet beskrevet i denne studien ble gjennomført for kvantitativ analyse og prediksjon av Akutt toksisitet av valgte EDs i fisk. Når de anslåtte datapunktene ble plottet versus eksperimentelle datapunkter som en stokk-log skala, en positiv korrelasjon mellom begge ble funnet for alle fisk og en representant arter, nemlig Pimephales promelas (fathead ørekyte; Figur 3). I begge tilfeller, skråningen av lineær regresjon syntes å være sammenlignbare (spådd LC50/experimental LC50 = 0,611 og 0,602 for alle fisk og P. promelas, henholdsvis). På grunn av den begrensede mengden av eksperimentelle data, antall tilgjengelige verdier fra eksperimentell observasjon var vanligvis mindre enn det fra databehandling prediksjon. Anvendelse av toleranse faktor som 5-fold for beregningsorientert evne21 resulterte i 94% (34/36) og 96% (26/27) av beskyttende prediksjon for alle fisk og P. promelas, henholdsvis. Basert på denne prediksjon, 3 ', 5, 7-trihydroxy-4 ', 6-dimethoxyisoflavone og 1, 4-benzenediol syntes å vise beregnet LC50 verdier større enn grensen toleranse.
For å aktivere sikkerhetsvurderingen med den høyeste påliteligheten, ble ytterligere beregnings analyse utført ved å plotte den anslåtte nedre grensen på 95% tillit intervall på LC50 (i stedet for middelverdiene som brukes i Figur 3) kontra eksperimentelt avledede verdier (Figur 4). I denne evalueringen med en forhøyet sikkerhets terskel, 92% (33/36) av den totale testede endokrine forstyrre forbindelser ble vist å falle inn i det beskyttende området sammenlignet med eksperimentelt avledede verdier unntatt: 3 ', 5, 7-trihydroxy-4 ', 6- dimethoxyisoflavone; 1, 4-benzenediol; og 4-hexylphenol.
Basert på vurderinger av hele arten tilgjengelig fra databasen, verdier for den anslåtte og eksperimentelle 96-h log10LC50 utstilt linearitet med loggen10Kow verdier i domenet mellom-1 og 7, noe som indikerer en hyperbolske korrelasjon mellom LC50 og Kow. En generell trend eksisterte der LC50 redusert for høyere Kow verdier av EDs for data innhentet fra både beregningsorientert spådommer og eksperimenter, antyder økende Akutt toksisitet i fiskearter for EDs med høyere hydrofobisiteten (supplerende figur S1).
Ved regelbasert ER-profiler som er innebygd i OECD QSAR Toolbox, ble slektskap-binding for EDs kategorisert som ikke-bindende, så vel som svake, moderate, sterke og svært sterke bindemidler, for å øke bindings affinitet18. Følgelig kan den statistiske fordelingen av loggen10Kow vises som en kvalitativ klassifisering av er bindende affinitet (supplerende figur S2). Total, forandringene inne Kow distribusjon områder og deres mening høyder opptrådte å ikke har en definerte tendensen. På samme måte ble fordelingen av anslått og eksperimentell LC50 vist som omfanget av er bindende affinitet (figur 5). I dette tilfellet var nivåer av anslåtte LC50 for er bindemidler høyere enn for ikke-bindemidler. I motsetning til den eksperimentelle LC50, var gjennomsnitts nivåene for ikke-og svake bindemidler høyere enn de av sterkere er-bindemidler.
Figur 1: grunnleggende ordningen med den generelle arbeidsflyten i OECD QSAR Toolbox.
Vennligst klikk her for å se en større versjon av dette tallet.
Figur 2: arbeidsflyt.
Vist er arbeidsflyten conceptualizing modulene og sekvenser brukes til å forutsi den akutte toksisitet av endokrine disruptors (EDs) i fisk ved hjelp av OECD QSAR Toolbox. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 3: anslått kontra eksperimentell 96-h LC50 av EDs i tabell 1 for all fisk (blå diamanter, n = 36) og en valgt Art P. promelas (cyan diamanter, n = 27).
For de anslåtte LC50-verdiene vises gjennomsnittsverdien ("Ave"). De stiplede linjene representerer lineære regresjoner for de to gruppene: for all fisk (lyseblå), anslått LC50Ave = 0,611 x (eksperimentell lc50) + 0,277 (justert r2 = 0,408); og for P. promelas (lys cyan), anslått LC50Ave = 0,602 x (eksperimentell LC50) + 0,385 (justert r2 = 0,441). Den solide diagonale linjen viser enhet der de anslåtte og eksperimentelle verdiene er like21. Den stiplede grå linjen viser grensen på 5 ganger toleranse for beregningsorientert kapasitet19. Outliers: 3 ', 5, 7-trihydroxy-4 ', 6-dimethoxyisoflavone (*) og 1, 4-benzenediol (* *). Vennligst klikk her for å se en større versjon av dette tallet.
Figur 4: anslått (nedre grense på 95% sikkerhetsintervall, "Low-95%") vs. eksperimentelle 96-h LC50 av EDs i tabell 1 for alle fisk (n = 36).
Den stiplede linjen representerer den lineære regresjon: anslått LC50lav-95% = 0,470 x (eksperimentell lc50)-0,312, der justert r2 = 0,193. Den solide diagonale linjen indikerer enhet der de anslåtte og eksperimentelle verdiene er lik hverandre19. Outliers: 3 ', 5, 7-trihydroxy-4 ', 6-dimethoxyisoflavone (*), 1, 4-benzenediol (* *), og 4-hexylphenol (* * *). Vennligst klikk her for å se en større versjon av dette tallet.
Figur 5: distribusjoner av spådd (solid bokser, n = 8-20 for hver kategori) og eksperimentelle (stiplede bokser; n = 3 – 16 for hver kategori) 96-h LC50 avhengig av er bindende affinitet av EDs i tabell 1 for all fisk.
Et boks plott representerer: (A) Mean (liten firkant med en fet horisontal bar), (B) 1m og 3Rd kvartiler (nedre og øvre- endene av boksen, henholdsvis), (C) median (horisontal segment inne i boksen), ( D) 5th og 95th persentil (henholdsvis nedre og øvre feilfelt), (E) 1St og 99th persentil (nedre og øvre x, henholdsvis) og (F) minimum og maksimum (nedre og øvre –, (henholdsvis). Vennligst klikk her for å se en større versjon av dette tallet.
| nei. | CAS registernummer | Substans navn | SMILER formel (2D ikke-stereochemical form) | Logg Kow | Ave spådd 96-h LC50 (mg/L) |
LAVERE 95% CI spådd 96-h LC50 (mg/L) |
Profiler-østrogen reseptor binding | |||||||
| 1 | 50-28-2 | 17-β østradiol | CC12CCC3C (CCc4cc (O) ccc34) C1CCC2O | 4,01 | 3,62 | 1,42 | Veldig sterk bindemiddel, OH gruppe | |||||||
| 2 | 57-63-6 | 17-α etinyløstradiol- Østradiol |
CC12CCC3C (CCc4cc (O) ccc34) C1CCC2 (O) C # C | 3,67 | 3,00 | 1,18 | Sterk bindemiddel, OH gruppe | |||||||
| 3 | 80-05-7 | 2, 2-BIS (4-hydroxyphe-nyl) propan (bisfenol A) | KOPI (C) (c1ccc (O) CC1) c1ccc (O) CC1 | 3,32 | 4,68 | 1,80 | Veldig sterk bindemiddel, OH gruppe | |||||||
| 4 | 80-46-6 | 4-tert-Pentylphenol | CCC (C) (C) c1ccc (O) CC1 | 3,91 | 2,27 | 0,87 | Svak bindemiddel, OH gruppe | |||||||
| 5 | 140-66-9 | 4-tert-Octylphenol | KOPI (c) (C) kopi (C) (C) c1ccc (O) CC1 | 5,28 | 0,38 | 0,14 | Sterk bindemiddel, OH gruppe | |||||||
| 6 | 446-72-0 | Genistein [3 ', 5, 7-trihydroxy-4 ', 6-dimethoxyisoflavone] | Oc1ccc (CC1) C1 = COc2cc (O) kopi (O) c2C1 = O | 2,84 | 32,00 | 10,03 | Veldig sterk bindemiddel, OH gruppe | |||||||
| 7 | 10161-33-8 | 17β-trenbolone | CC12C = CC3C (CCC4 = CC (= O) CCC = 34) C1CCC2O | 2,65 | 124,72 | 19,75 | Sterk bindemiddel, OH gruppe | |||||||
| 8 | 67747-09-5 | Prochloraz (DMI-soppdreper) | CCCN (CCOc1c (CL) CC (CL) cc1Cl) C (= O) n1ccnc1 | 4,1 | 5,19 | 1,74 | Non bindemiddel, uten OH eller NH2 gruppe | |||||||
| 9 | 84852-15-3 | 4-nonylfenol | KOPI (C) CCCCCCc1ccc (O) CC1 | 5,92 | 0,21 | 0,07 | Sterk bindemiddel, OH gruppe | |||||||
| 10 | 69-72-7 | Salisylsyre | OC (= O) c1ccccc1O | 2,26 | 24,07 | 9,31 | Svak bindemiddel, OH gruppe | |||||||
| 11 | 80-09-1 | 4, 4 '-dihydroxydiphenyl sulphone (bisfenol S) | Oc1ccc (CC1) S (= O) (= O) c1ccc (O) CC1 | 1,65 | 48,67 | 10,67 | Veldig sterk bindemiddel, OH gruppe | |||||||
| 12 | 84-74-2 | ftalsyre syre, dibutyl Ester | CCCCOC (= O) c1ccccc1C (= O) OCCCC | 4,5 | 0,76 | 0,06 | Non bindemiddel, uten OH eller NH2 gruppe | |||||||
| 13 | 92-88-6 | 4, 4 ′-dihydroxybiphenyl | Oc1ccc (CC1)-c1ccc (O) CC1 | 2,8 | 12,05 | 4,20 | Moderat bindemiddel, OH grooup | |||||||
| 14 | 94-13-3 | 4-hydroksybenzosyre syre, propyl Ester | CCCOC (= O) c1ccc (O) CC1 | 3,04 | 10,32 | 3,86 | Moderat bindemiddel, OH grooup | |||||||
| 15 | 98-54-4 | 4-tert-butylphenol | KOPI (C) (C) c1ccc (O) CC1 | 3,31 | 4,36 | 1,68 | Svak bindemiddel, OH gruppe | |||||||
| 16 | 97-23-4 | 2, 2 '-dihydroxy--5, 5 ′-dichlorodiphenyl-metan | Oc1ccc (CL) cc1Cc1cc (CL) ccc1O | 4,26 | 0,48 | 0,10 | Veldig sterk bindemiddel, OH gruppe | |||||||
| 17 | 97-53-0 | eugenol | COc1cc (CC = C) ccc1O | 2,27 | 14,70 | 5,60 | Svak bindemiddel, OH gruppe | |||||||
| 18 | 99-76-3 | 4-hydroksybenzosyre syre, metyl Ester | COC (= O) c1ccc (O) CC1 | 1,96 | 38,20 | 14,01 | Svak bindemiddel, OH gruppe | |||||||
| 19 | 103-90-2 | N-(4-hydroxyphenyl) acetamid | KOPI (= O) Nc1ccc (O) CC1 | 0,46 | 338,97 | 43,39 | Svak bindemiddel, OH gruppe | |||||||
| 20 | 106-44-5 | p-cresol | Cc1ccc (O) CC1 | 1,94 | 20,47 | 7,14 | Svak bindemiddel, OH gruppe | |||||||
| 21 | 108-39-4 | m-cresol | Cc1cccc (O) C1 | 1,96 | 23,45 | 9,17 | Svak bindemiddel, OH gruppe | |||||||
| 22 | 108-45-2 | 1, 3-phenylenediamine | Nc1cccc (N) C1 | -0,33 til en | 34,60 | 0,00 | Svakt bindemiddel, NH2 gruppe | |||||||
| 23 | 108-46-3 | 1, 3-dihydroxybenzene | Oc1cccc (O) C1 | 0,8 | 123,03 | 27,06 | Svak bindemiddel, OH gruppe | |||||||
| 24 | 108-91-8 | sykloheksylamin | NC1CCCCC1 | 1,49 | 28,08 | 1,40 | Svakt bindemiddel, NH2 gruppe | |||||||
| 25 | 119-36-8 | Salisylsyre, metyl Ester | COC (= O) c1ccccc1O | 2,55 | 16,16 | 5,68 | Svak bindemiddel, OH gruppe | |||||||
| 26 | 120-47-8 | 4-hydroksybenzosyre yre, etanol Ester | CCOC (= O) c1ccc (O) CC1 | 2,47 | 19,93 | 7,40 | Svak bindemiddel, OH gruppe | |||||||
| 27 | 120-80-9 | 1, 2-dihydroxybenzene | Oc1ccccc1O | 0,88 | 11,14 | 0,01 | Svak bindemiddel, OH gruppe | |||||||
| 28 | 123-31-9 | 1, 4-dihydroxybenzene [1, 4-benzenediol] | Oc1ccc (O) CC1 | 0,59 | 90,75 | 33,19 | Svak bindemiddel, OH gruppe | |||||||
| 29 | 131-53-3 | 2, 2 ′-dihydroxy-4-methoxybenzophenone | COc1ccc (C (= O) c2ccccc2O) C (O) C1 | 3,82 | 3,97 | 1,46 | Veldig sterk bindemiddel, OH gruppe | |||||||
| 30 | 131-56-6 | 2, 4-dihydroxybenzophenone | Oc1ccc (c (O) C1) C (= O) c1ccccc1 | 2,96 | 12,04 | 4,73 | Sterk bindemiddel, OH gruppe | |||||||
| 31 | 131-57-7 | 2-AHA-4-methoxybenzophenone | COc1ccc (C (= O) c2ccccc2) C (O) C1 | 3,79 | 5,96 | 2,27 | Sterk bindemiddel, OH gruppe | |||||||
| 32 | 599-64-4 | 4-cumylphenol | KOPI (C) (c1ccccc1) c1ccc (O) CC1 | 4,12 | 2,15 | 0,84 | Sterk bindemiddel, OH gruppe | |||||||
| 33 | 2855-13-2 | 1-amino-3-aminometylpropanol-3, 5, 5-trimethyl-cykloheksan | CC1 (C) CC (N) CC (C) (CN) C1 | 1,9 | 30,65 | 1,53 | Moderat bindemiddel, NH2 gruppe | |||||||
| 34 | 6864-37-5 | 3, 3 '-dimethyl-4, 4 ′-diaminodicyclohexylmethane | CC1CC (CCC1N) CC1CCC (N) C (C) C1 | 4,1 | 1,07 | 0,05 | Sterkt bindemiddel, NH2 gruppe | |||||||
| 35 | 25013-16-5 | tert-butyl-4-hydroxyanisole | COc1ccc (O) c (C1) C (C) (C) C | 3,5 | 4,85 | 1,85 | Moderat bindemiddel, OH grooup | |||||||
| 36 | 147315-50-2 | 2-(4, 6-difenyleter-1, 3, 5-triazin-2-YL)-5-(hexyloxy) fenol | CCCCCCOc1ccc (c (O) C1)-c1nc (NC (N1)-c1ccccc1)-c1ccccc1 | 6,24 | 0,17 | 0,06 | Sterk bindemiddel, OH gruppe | |||||||
| 37 | 88-68-6 | 2-aminobenzamide | NC (= O) c1ccccc1N | 0,35 | 694,00 | 84,30 | Svakt bindemiddel, NH2 gruppe | |||||||
| 38 | 611-99-4 | 4, 4 ′-dihydroxybenzophenone | Oc1ccc (CC1) C (= O) c1ccc (O) CC1 | 2,19 | 37,74 | 14,67 | Veldig sterk bindemiddel, OH gruppe | |||||||
| 39 | 27955-94-8 | 1, 1, 1-Tris (4-hydroxyphenol) etan | KOPI (c1ccc (O) CC1) (c1ccc (O) CC1) c1ccc (O) CC1 | 4,38 | 2,09 | 0,82 | Veldig sterk bindemiddel, OH gruppe | |||||||
| 40 | 87-18-3 | Salisylsyre, 4-tert-butylphenyl Ester | CC (C) (C) c1ccc (OC (= O) c2ccccc2O) CC1 | 5,73 | 0,24 | 0,09 | Sterk bindemiddel, OH gruppe | |||||||
| 41 | 47465-97-4 | 3, 3-BIS (3-metyl-4-hydroxyphenyl) 2-indolinone | Cc1cc (ccc1O) C1 (C (= O) Nc2ccccc12) c1ccc (O) C (C) C1 | 4,48 | 2,07 | 0,77 | Veldig sterk bindemiddel, OH gruppe | |||||||
| 42 | 99-96-7 | p-hydroksybenzosyre syre | OC (= O) c1ccc (O) CC1 | 1,58 | 8,54 | 0,00 | Svak bindemiddel, OH gruppe | |||||||
| 43 | 80-07-9 | 1-klor-4-(4- klorofenyl) sulfonylbenz |
Clc1ccc (CC1) S (= O) (= O) c1ccc (CL) CC1 | 3,9 | 3,92 | 0,85 | Non bindemiddel, uten OH eller NH2 gruppe | |||||||
| 44 | 84-65-1 | 9, 10-antrakinonderivater | O = C1c2ccccc2C (= O) c2ccccc12 | 3,39 | 7,00 | 3,54 | Non bindemiddel, uten OH eller NH2 gruppe | |||||||
| 45 | 85-44-9 | 2-benzofuran-1, 3-Dione | O = C1OC (= O) c2ccccc12 | 1,6 | 2,69 | 0,00 | Non bindemiddel, uten OH eller NH2 gruppe | |||||||
| 46 | 92-84-2 | 10H-Fenotiazin | N1c2ccccc2Sc2ccccc12 | 4,15 | 1,07 | 0,08 | Non bindemiddel, uten OH eller NH2 gruppe | |||||||
| 47 | 2855-13-2 | 1-amino-3-aminometylpropanol-3, 5, 5-trimethyl-cykloheksan | CC1 (C) CC (N) CC (C) (CN) C1 | 1,9 | 30,65 | 1,53 | Moderat bindemiddel, NH2 gruppe | |||||||
| 48 | 50-27-1 | Estriol | CC12CCC3C (CCc4cc (O) ccc34) C1CC (O) C2O | 2,45 | 21,21 | 8,29 | Veldig sterk bindemiddel, OH gruppe | |||||||
| 49 | 50-50-0 | Beta-østradiol-3-benzoate | CC12CCC3C (CCc4cc (OC (= O) c5ccccc5) ccc34) C1CCC2O | 5,47 | 0,36 | 0,02 | Sterk bindemiddel, OH gruppe | |||||||
| 50 | 53-16-7 | Østron | CC12CCC3C (CCc4cc (O) ccc34) C1CCC2 = O | 3,13 | 7,78 | 3,06 | Sterk bindemiddel, OH gruppe | |||||||
| 51 | 92-52-4 | Bifenyl | c1ccc (CC1)-c1ccccc1 | 4,01 | 4,10 | 0,47 | Non bindemiddel, uten OH eller NH2 gruppe | |||||||
| 52 | 92-69-3 | p-Phenylphenol | Oc1ccc (CC1)-c1ccccc1 | 3,2 | 5,99 | 1,82 | Moderat bindemiddel, OH grooup | |||||||
| 53 | 96-29-7 | 2-butanon Oxime | CCC (C) = INGEN | 0,63 | 32,67 | 2,49 | Ikke bindemiddel, ikke syklisk struktur | |||||||
| 54 | 121-75-5 | Malathon | CCOC (= O) CC (SP (= S) (OC) OC) C (= O) OCC | 2,36 | 37,73 | 3,33 | Ikke bindemiddel, ikke syklisk struktur | |||||||
| 55 | 123-07-9 | 4-Ethylphenol | CCc1ccc (O) CC1 | 2,58 | 13,63 | 4,65 | Svak bindemiddel, OH gruppe | |||||||
| 56 | 645-56-7 | 4-n-Propylpehnol | CCCc1ccc (O) CC1 | 3,2 | 7,32 | 2,55 | Svak bindemiddel, OH gruppe | |||||||
| 57 | 1638-22-8 | p-butyl fenol | CCCCc1ccc (O) CC1 | 3,65 | 4,09 | 1,39 | Svak bindemiddel, OH gruppe | |||||||
| 58 | 1912-24-9 | Atrazine | CCNc1nc (CL) NC (NC (C) C) N1 | 2,61 | 30,87 | 4,63 | Non bindemiddel, uten OH eller NH2 gruppe | |||||||
| 59 | 40596-69-8 | Methoprene | COC (C) (C) CCCC (C) CC = CC (C) = CC (= O) OC (C) C | 5,5 | 0,08 | 0,00 | Ikke bindemiddel, ikke syklisk struktur | |||||||
| 60 | 1987-50-4 | 4-Heptylphenol | CCCCCCCc1ccc (O) CC1 | 5,01 | 0,66 | 0,22 | Moderat bindemiddel, OH grooup | |||||||
| 61 | 92-86-4 | p, p'-Dibromobiphenyl | Brc1ccc (CC1)-c1ccc (Br) CC1 | 5,72 | 0,11 | 0,02 | Non bindemiddel, uten OH eller NH2 gruppe | |||||||
| 62 | 480-41-1 | Naringenin | Oc1ccc (CC1) C1CC (= O) C2C (O) CC (O) cc2O1 | 2,52 | 27,84 | 10,87 | Veldig sterk bindemiddel, OH gruppe | |||||||
| 63 | 486-66-8 | Daidzein | Oc1ccc (CC1) C1 = COc2cc (O) ccc2C1 = O | 2,55 | 36,47 | 11,71 | Veldig sterk bindemiddel, OH gruppe | |||||||
| 64 | 491-70-3 | Luteolin | Oc1cc (O) c2C (= O) C = C (Oc2c1) c1ccc (O) c (O) C1 | 2,53 | 43,75 | 14,28 | Veldig sterk bindemiddel, OH gruppe | |||||||
| 65 | 491-80-5 | Biochanin | COc1ccc (CC1) C1 = COc2cc (O) kopi (O) c2C1 = O | 3,41 | 15,87 | 3,70 | Sterk bindemiddel, OH gruppe | |||||||
| 66 | 520-18-3 | Kaempferol | Oc1ccc (CC1) C1Oc2cc (O) CC (O) c2C (= O) C = 1O | 1,96 | 70,98 | 8,05 | Veldig sterk bindemiddel, OH gruppe | |||||||
| 67 | 2051-60-7 | 2-Chlorobiphenyl (PCB 1) | Clc1ccccc1-c1ccccc1 | 4,53 | 0,77 | 0,16 | Non bindemiddel, uten OH eller NH2 gruppe | |||||||
| 68 | 2051-61-8 | 3-Chlorobiphenyl (PCB 2) | Clc1cccc (C1)-c1ccccc1 | 4,58 | 0,77 | 0,16 | Non bindemiddel, uten OH eller NH2 gruppe | |||||||
| 69 | 2051-62-9 | 4-klor-1, 1 '-bifenyl | Clc1ccc (CC1)-c1ccccc1 | 4,61 | 0,77 | 0,16 | Non bindemiddel, uten OH eller NH2 gruppe | |||||||
| 70 | 2446-69-7 | p-n-Hexylphenol [4-Hexylphenol] | CCCCCCc1ccc (O) CC1 | 4,52 | 1,22 | 0,42 | Moderat bindemiddel, OH grooup | |||||||
| 71 | 14938-35-3 | 4-n-Amylphenol | CCCCCc1ccc (O) CC1 | 4,06 | 2,44 | 0,89 | Svak bindemiddel, OH gruppe | |||||||
| 72 | 17924-92-4 | Zearalenone | CC1CCCC (= O) CCCC = Cc2cc (O) kopi (O) c2C (= O) O1 | 3,58 | 7,22 | 2,66 | Sterk bindemiddel, OH gruppe | |||||||
| 73 | 1743-60-8 | Beta-østradiol 3-benzoate 17-nbutyrate | KOPI (= O) OC1CCC2C3CCc4cc (O) ccc4C3CCC12C | 4,95 | 0,91 | 0,35 | Sterk bindemiddel, OH gruppe | |||||||
| 74 | 479-13-0 | Coumestrol | Oc1ccc2c (OC (= O) c3c-2oc2cc (O) ccc32) C1 | 1,57 | 52,16 | 11,44 | Veldig sterk bindemiddel, OH gruppe | |||||||
Tabell 1: liste over vurdert endokrine forstyrre kjemikalier. Gjennomsnittlig gjennomsnitt (AVE) og lavere 95% sikkerhetsintervall (CI) effektive konsentrasjoner (95-h LC50, Pimephales promelas) i tillegg til østrogen reseptor binding ble spådd med QSAR Toolbox versjon 4,3 automatisert arbeidsflyt. Logg10Kow ble hentet via QSAR TOOLBOX versjon 4,3 fra KOWWIN v 1.68, 2000, US Environmental Protection Agency. Eksperimentell Logg10Kow verdier ble foretrukket fremfor anslåtte verdier. Listen over mål substans ble kompilert fra tidligere rapporterte lister over EDs22,23,24.
Utfyllende informasjon. Vennligst klikk her for å laste ned denne filen.
Discussion
Allsidigheten til OECD QSAR Toolbox som analytisk programvare for økotoksikologi er vist her med spesiell interesse for de negative virkningene av endokrine forstyrre kjemikalier på akvatiske virveldyr. I tillegg ble en enkel og standard protokoll demonstrert for å forutsi Akutt toksisitet (96-h LC50) av 74 representant EDs (tabell 1) for fiskearter. Dette ble oppnådd ved å bruke kategori bygging, data gap fylling, og er profilering moduler innebygd i QSAR Toolbox (figur 1, figur 2).
Den lineære sammenhengen mellom log10LC50 oglog 10Kow med en negativ skråning (som vist i supplerende figur S1) har lenge vært kjent som en standard kvantitativ forhold i QSAR analyser25, hvor høyere toksisitet er vist jo mer hydrofobe en gitt kjemisk er. Som du kan se fra en enkel beregning, er den generelle matematiske relasjonen som inneholder formelen S1 og formel S2 (tilleggsinformasjon), et konvertert uttrykk fra følgende effekt funksjon26:
Fra plottet av (ligning 2), karakteriserer et mellomliggende utvalg av Kow26 kan være mulig ved å justere parametrene a og b, hvor en viss variasjon i hydrofobisiteten (eller hydrofiliteten) ikke signifikant endre endepunkt for Akutt toksisitet.
Sammenlignende analyser mellom beregningsorientert spådommer og eksperimentelle observasjoner på LC50, som vist i Figur 3 og Figur 4, er vanligvis rapportert i studier av QSAR for ulike akvatiske toxicants, inkludert tekniske ioniske overflateaktive stoffer27, for soppmidler28, og plantevernmidler metabolitter21. Denne typen retrospektiv validering gir informasjon om hvor langt en gitt QSAR verktøyet kan nå i form av komparative resultater til eksperimentelle resultater. I denne studien av Akutt toksisitet i fisk, QSAR Toolbox ble påvist å gi beskyttende spådommer for over 90% av testet EDs i all fisk og i en enkelt Art, Pimephales promelas.
Ytterligere identifisere de tre avvikende kjemikalier i Figur 3 og Figur 4, som viste høyere anslått LC50 i gjennomsnitt og på et minimum, henholdsvis, er nødvendig. Først den 3 ', 5, 7-trihydroxy-4 ', 6-dimethoxyisoflavone er en type flavonoid (mer spesifikt, en isoflavone), som anses å være generelt trygt og brukes i urte Farmasi; Men, det har fortsatt østrogen-relaterte bekymringer29 og kan forårsake akutt toksisitet trolig gjennom oksidativt fosforylering frakobling30. Neste, det 1, 4-benzenediol, alarmert hydrokinon, er en fenoliske sammensatt det kanne avtrekker en ingen-spesifikk og cytotoksisk immun svaret inne fisken31. Endelig har 4-hexylphenol vært kjent for å vise tilstrekkelig positiv estrogenic aktivitet skal klassifiseres som en ED32. Det har vært godt studert at den viktigste årsaken til den akutte toksisitet av hydrokinon er reduksjonen-oksidasjon (Redox) sykling. Den hydrokinon er oksidert å benzoquinone og redusert tilbake til semi-quinone eller hydrokinon gjentatte ganger, med tappe kofaktorer og generere reaktive oksygen arter33. De to andre kjemikaliene kan kreve dypere undersøkelser for å avdekke deres virkningsmekanismer i akutte økotoksisitet ved hjelp av molekylær docking tilnærminger som som brukes av Panche et al.34, som ikke kan dekkes av QSAR verktøykasse.
EDs forstyrrer det endokrine systemet hovedsakelig gjennom fysikalsk interaksjoner med steroid reseptorer som østrogen og androgen reseptorer, som er av stor interesse i QSAR modellering studier35. Med tanke på dette, er QSAR Toolbox robust når det gjelder facile og rask klassifisering av ER bindende slektskap for et sett av kjemikalier basert bare på 2D-beskrivelsene av molekylære strukturer. Når dette ER profiler systemet ble brukt på vår liste over EDs, ingen klar korrelasjon ble funnet mellom ER bindende affinitet og hydrofobisiteten (supplerende figur S2). Dette resultatet kan forklares med det faktum at dannelsen av en steroid-reseptor-komplekset er ikke en direkte konsekvens av en hydrofobe binding bidrag, men bør ledsages av en conformational endring i den aktive-site reseptor struktur36. Reseptoren bindingen kan også skyldes hydrogen-binding og π-stabling.
I tillegg kan plasseringen av hver kjemisk gruppe på molekylet påvirke reseptor bindingen, selv om hydrofobisiteten og antall hydrogen bånd aksept Orer-givere forblir de samme. For det andre, ER profiler produsert motsatte trender mellom anslått og eksperimentell LC50 bety nivåer med økende er bindende affinitet (figur 5). Dette kan være fordi dødelighet av foreldre i en Akutt toksisitet test er ikke på grunn av ER bindende, men heller til narkose i de fleste tilfeller, eller å Redox sykling i tilfelle av hydrokinon. For eksempel kreves mer omfattende analyse, inkludert kronisk toksisitet, for et større sett med EDs for å definere prediktiv begrensninger for den gjeldende versjonen av QSAR Toolbox.
Denne foreløpige forskningen kan også ha folkehelsen implikasjoner fordi steroider (androgener, østrogen, progestines, og corticoids) og deres reseptorer utstillingen lignende eller til og med identiske makro molekylære strukturer på tvers virveldyr5. Disse typer analoge endokrine signalering systemer kan operere ved hjelp av en felles mekanisme i viktige hendelser i EDs5. Likevel er flere og komplementære metoder som kreves for å belyse dette store og komplekse aspektet [for eksempel ved å utføre beregningsorientert modellering av absorpsjon, distribusjon, metabolisme, og utskillelse (ADME), og/eller ugunstig utfall vei (AOP)]38. Videre, fordi de fleste av de vitenskapelige og offentlige bekymringer reist om de negative virkningene av EDs er relatert til deres kroniske toksisitet, forbedre databaser og algoritmer i QSAR Toolbox og produsere pålitelige langsiktige økotoksikologi spådommer for EDs er begge nødvendige.
Dette papiret demonstrerer anvendelsen av QSAR Toolbox å sammenligne økotoksikologiske LC50 verdier for fisk med log10K verdier for EDs. gjennom hele protokollen, det resulterer i svake relasjoner mellom de to parametrene, som det har blitt avslørt av tidligere studier (f. eks, Kim et al.39) som logger10Kow er ikke en god direkte indikasjon på akvatiske LC50. Til tross for denne begrensningen, gir denne protokollen en generell gjennomgang eller "scene" for å beskrive hvordan du bruker dashbordet for et gitt formål, siden det er et gyldig program for å bruke QSAR Toolbox for å undersøke sammenhenger mellom LC50 (eller er binding affinitet) og stokk10Kow, eller som et verktøy for rask akutt økotoksisitet screening. Likevel, det bør bemerkes at (1) belyse koblingen mellom østrogen reseptor bindende og kronisk toksisitet, snarere enn Akutt toksisitet (dødelighet), er mer relevant slik at klarere sammenhenger kan bli funnet, og (2) androgen reseptoren, sammen med at av østrogen, spiller også en avgjørende rolle i reproduktiv toksisitet. Derfor er det nødvendig for den fremtidige versjonen av QSAR Toolbox for å forbedre prediksjon funksjonene i lys av disse to punktene.
Disclosures
Forfatterne har ingenting å avsløre.
Acknowledgments
Denne forskningen ble støttet av National Research Council of Science & Technology (NST) stipend fra Sør-Korea regjeringen (MSIP) (nr. CAP-17-01-KIST Europe) og Project 11911.
Materials
| Name | Company | Catalog Number | Comments |
| Adobe Acrobat Reader DC | Adobe Systems Software Ireland Limited | NA | Required to view prediction and category report |
| Computer | System: Microsoft Corporation | NA | Recommended system properties: (i) system type: 64 bit, Microsoft Windows 7 or newer, (ii) processor: I5 at 2.4 GHz or faster processor or equivalent AMD CPU, (iii) Installed memory (RAM): 6 GB of RAM, (iv) Hard Disk Drive (HDD): 20 GB free hard drive space |
| Microsoft Editor | Microsoft Corporation | NA | Required to upload a substance list of CAS numbers (batch mode) to the OECD QSAR Toolbox as .txt file (text file) |
| Microsoft Excel 2016 | Microsoft Corporation | NA | Required to export data from OECD QSAR Toolbox as .cvs, .xls or .xlsx files |
| OECD QSAR Toolbox version 4.0 or newer | Organisation for Economic Co-operation and Development |
NA | Required to run OECD QSAR Toolbox Automated Workflows; free download: https://qsartoolbox.org/download/ |
| OriginPro 9 | OriginLab Corporation | NA | Optional program for data analysis; similar tools possible |
References
- Najarian, K., Najarian, S., Gharibzadeh, S., Eichelberger, C. N. Systems Biology and Bioinformatics: A Computational Approach. , CRC Press. Boca Raton, FL, USA. (2009).
- Fujita, T., Iwasa, J., Hansch, C. A new substituent constant, π, derived from partition coefficient. Journal of the American Chemical Society. 86, 5175-5180 (1964).
- Roy, K., Kar, S., Das, R. N. Understanding the Basics of QSAR for Applications in Pharmaceutical Sciences and Risk Assessment. , Academic Press. Cambridge, MA, USA. (2015).
- Raies, A. B., Bajic, V. B. In silico toxicology: computational methods for the prediction of chemical toxicity. WIREs Computational Molecular Science. 6, 147-172 (2016).
- Hayes, T. B. Welcome to the revolution: integrative biology and assessing the impact of endocrine disruptors on environmental and public health. Integrative Compuational Biology. 45, 321-329 (2005).
- Schug, T. T., et al. Minireview: endocrine disruptors: past lessons and future directions. Molecular Endocrinology. 30, 833-847 (2016).
- Devillers, J., Marchand-Geneste, N., Carpy, A., Porcher, J. M. SAR and QSAR modeling of endocrine disruptors. SAR QSAR Environmental Research. 17, 393-412 (2006).
- Dimitrov, S. D., et al. QSAR Toolbox - workflow and major functionalities. SAR QSAR Environmental Research. 27, 203-219 (2016).
- Yordanova, D., et al. Automated and standardized workflows in the OECD QSAR Toolbox. Computational Toxicology. 10, 89-104 (2019).
- Mombelli, E., Devillers, J. Evaluation of the OECD (Q)SAR Application Toolbox and Toxtree for predicting and profiling the carcinogenic potential of chemicals. SAR QSAR Environmental Research. 21, 731-752 (2010).
- Devillers, J., Mombelli, E., Samsera, R. Structural alerts for estimating the carcinogenicity of pesticides and biocides. SAR QSAR Environmental Research. 22, 89-106 (2011).
- Li, C., et al. Identifying unknown by-products in drinking water using comprehensive two-dimensional gas chromatography-quadrupole mass spectrometry and in silico toxicity assessment. Chemosphere. 163, 535-543 (2016).
- Devillers, J., Mombelli, E. Evaluation of the OECD QSAR Application Toolbox and Toxtree for estimating the mutagenicity of chemicals. Part 1. Aromatic amines. SAR QSAR Environmental Research. 21, 753-769 (2010).
- Devillers, J., Mombelli, E. Evaluation of the OECD QSAR Application Toolbox and Toxtree for estimating the mutagenicity of chemicals. Part 2. α-β unsaturated aliphatic aldehydes. SAR QSAR Environmental Research. 21, 771-783 (2010).
- Kulkarni, S. A., Barton-Maclaren, T. S. Performance of (Q)SAR models for predicting Ames mutagenicity of aryl azo and benzidine based compounds. Journal of Environmental Science and Health Part C Environmental Carcinogenesis & Ecotoxicology Reviews. 32, 46-82 (2014).
- Craig, E. A., Wang, N. C., Zhao, Q. J. Using quantitative structure-activity relationship modeling to quantitatively predict the developmental toxicity of halogenated azole compounds. Journal of Applied Toxicology. 34, 787-794 (2014).
- Tebby, C., Mombelli, E., Pandard, P., Péry, A. R. Exploring an ecotoxicity database with the OECD (Q)SAR Toolbox and DRAGON descriptors in order to prioritise testing on algae, daphnids, and fish. Science of the Total Environment. 409, 3334-3343 (2011).
- Mombelli, E. Evaluation of the OECD (Q)SAR Application Toolbox for the profiling of estrogen receptor binding affinities. SAR QSAR Environmental Research. 23, 37-57 (2012).
- Verhaar, H. J. M., van Leeuwen, C. J., Hermens, J. L. M. Classifying environmental pollutants. 1: structure-activity relationships for prediction of aquatic toxicology. Chemosphere. 25, 471-491 (1992).
- Enoch, S. J., Hewitt, M., Cronin, M. T. D., Azam, S., Madden, J. C. Classification of chemicals according to mechanism of aquatic toxicity: an evaluation of the implementation of the Verhaar scheme in Toxtree. Chemosphere. 73, 243-248 (2008).
- Burden, N., Maynard, S. K., Weltje, L., Wheeler, J. R. The utility of QSARs in predicting acute fish toxicity of pesticide metabolites: a retrospective validation approach. Regulatory Toxicology and Pharmacology. 80, 241-246 (2016).
- Nendza, M., et al. Screening for potential endocrine disruptors in fish: evidence from structural alerts and in vitro and in vivo toxicological assays. Environmental Sciences Europe. 28, 26 (2016).
- Roncaglioni, A., Piclin, N., Pintore, M., Benfenati, E. Binary classification models for endocrine disrupter effects mediated through the estrogen receptor. SAR QSAR Environmental Research. 19, 697-733 (2008).
- Sosnovcová, J., Rucki, M., Bendová, H. Estrogen receptor binding affinity of food contact material components estimated by QSAR. Central European Journal of Public Health. 24, 241-244 (2016).
- Walker, J. D., Dearden, J. C., Schultz, T. W., Jaworska, J., Comber, M. H. I. QSARs for New Practitioners. QSARs for Pollution Prevention, Toxicity Screening, Risk Assessment, and Web Applications. Walker, J. D. , SETAC Press. Pensacola, FL, USA. (2003).
- Sánchez-Bayo, F. From simple toxicological models to prediction of toxic effects in time). Ecotoxicology. 18, 343-354 (2009).
- Sjöström, M., Lindgren, Å, Uppgård, L. L. Joint Multivariate Quantitative Structure-Property and Structure-Activity Relationships for a Series of Technical Nonionic Surfactants. Quantitative Structure-Activity Relationships in Environmental Sciences-VII. Chen, F., Schüürmann, G. , SETAC Press. Pensacola, FL, USA. (1997).
- Ding, F., Guo, J., Song, W., Hu, W., Li, Z. Comparative quantitative structure-activity relationship (QSAR) study on acute toxicity of triazole fungicides to zebrafish. Chemistry Ecology. 27, 359-368 (2011).
- Galati, G., O'Brien, P. J. Potential toxicity of flavonoids and other dietary phenolics: significance for their chemopreventive and anticancer properties. Free Radical Biology in Medicine. 37, 287-303 (2004).
- Russom, C. L., Bradbury, S. P., Broderius, S. J. Predicting modes of action from chemical structure: acute toxicity in the fathead minnow (Pimephales promelas). Environmental Toxicology and Chemistry. 16, 948-967 (1997).
- Taysse, L., Troutaud, D., Khan, N. A., Deschaux, P. Structure-activity relationship of phenolic compounds (phenol, pyrocatechol and hydroquinone) on natural lymphocytotoxicity of carp (Cyprinus carpio). Toxicology. 98, 207-214 (1995).
- Nishihara, T., et al. Estrogenic activities of 517 chemicals by yeast two-hybrid assay. Journal of Health Science. 46, 282-298 (2000).
- Bolton, J. L., Trush, M. A., Penning, T. M., Dryhurst, G., Monks, T. J.
- Panche, A. N., Diwan, A. D., Chandra, S. R.
- Li, J., Gramatica, P. QSAR classification of estrogen receptor binders and pre-screening of potential pleiotropic EDCs. SAR QSAR Environmental Research. 21, 657-669 (2010).
- Bohl, M. Molecular Structure and Biological Activity of Steroids. , CRC Press. Boca Raton, FL, USA. (2017).
- Kaminuma, T., Takai-Igarashi, T., Nakano, T., Nakata, K. Modeling of signaling pathways for endocrine disruptors. BioSystems. 55, 23-31 (2000).
- Lillicrap, A., et al. Alternative approaches to vertebrate ecotoxicity tests in the 21st century: a review of developments over the last 2 decades and current status. Environmental Toxicology and Chemistry. 35, 2637-2646 (2016).
- Kim, J. W., et al. Acute toxicity of pharmaceutical and personal care products on freshwater crustacean (Thamnocephalus platyurus) and fish (Oryzias latipes). Journal of Toxicological Sciences. 34, 227-232 (2009).
