CN103761431A - 定量结构活性关系预测有机化学品鱼类生物富集因子 - Google Patents

Abstract

本发明的采用定量结构活性关系预测有机化学品的鱼类生物富集因子，属于生态风险评价测试策略领域。从公开的数据库或已发表论文中搜集了780种有机化合物的生物富集因子数据，采用密度泛函理论对有机化合物的分子结构进行优化，基于优化后的分子结构，从780种有机化合物的4885种分子描述符中初步筛选得到3480个描述符；将有机化合物按照4:1的比例分成训练集和验证集，训练集用于构建预测模型，验证集用于建模后的外部验证。模型应用域明确，涵盖新兴污染物，具有良好的拟合效果、稳健性和预测能力，能够有效预测多种类不同有机化合物的生物富集因子，为有机化学品风险评价和管理提供重要数据支持，对生态风险评价具有重要意义。

Description

定量结构活性关系预测有机化学品鱼类生物富集因子

技术领域

本发明涉及一种采用多元线性回归算法建立定量结构活性关系(QSAR)来预测有机化学品生物富集因子的技术，属于生态风险评价测试策略领域。

背景技术

一些有毒害作用的物质可被生物富集，并通过食物链的传递，对人类自身健康构成潜在的威胁。生物富集是化学物质在生物体与环境介质之间的一种平衡分配过程，是指生物通过非吞食的方式，从周围环境中蓄积某种元素或难降解性物质，使其在机体内的浓度超过周围环境中浓度的现象。生物富集因子(BCF)能够有效的评估污染物质潜在的富集能力，它被定义为污染物达到平衡状态时，其在生物体内浓度与环境介质中浓度的比值。了解并确定化学物质在生物体内的富集规律，能够帮助人们较早的对潜在有害污染问题提出质疑，更加合理地制定有害污染物的环境管理标准，因此获取生物富集因子(BCF)数据对化学品风险评价与管理，维护环境安全和人类健康等都具有重要的意义。

实验测定是目前获取化合物生物富集因子(BCF)数据的一个途径，经济合作与发展组织(OECD)在1996年发布了流水式鱼类生物富集测试指南(OECD指南305)。但实验方法周期长(通常28-60天)、费用高(欧盟REACH法规制定化学品基本检测费用约8.5万欧元，其中生物富集性属于基本检测中非常重要的检测指标之一)，违反动物保护原则(一次实验约需实验用鱼100尾)，所以无法满足对现有14多万种商用化学品进行风险评价和数据管理的需求。因此，有必要发展实验替代技术获取BCF数据，如定量结构-活性/性质关系(QSAR)预测化学品生物富集因子。

QSAR研究的理论基础是化合物分子结构及分子间组合方式等结构信息决定了化合物的性质。具有类似分子结构的物质，可能具有类似物质的理化性质、环境行为、生态毒理学效应等。早在二十世纪初，Hammett等人提出的线性自由能关系(LFER)，为QSAR奠定了热力学基础，开启了QSAR的理论基础研究。Hansch在线性自由能关系(LFER)基础上，把QSAR研究范围扩展到生物活性领域。之后Kamlet等人又在线性自由能关系(LFER)基础上拓展出线性溶解能关系模型(LSER)。作为一种可信的技术工具，QSAR方法已成功应用于污染物环境行为参数和毒理学指标的预测。

目前已有研究者应用QSAR方法建立了一些有机化合物生物富集因子的预测模型。由于物质从水相进入脂质相与污染物从水相进入鱼体是两个相似的分配过程，所以最早的生物富集模型往往是通过logK_OW建立的。如文献“J Fish Res.Board Can.,l979,36,1040-1048.”最早提出了基于正辛醇-水分配系数(K_OW)并包含55个化合物的线性预测模型，该模型的多元回归相关系数R²为0.90，但对模型稳健性及预测能力方面没有进行评估。文献“SAR QSAR Environ.Res.,1993,1,29-39.”首次建立了包含154个化合物的logBCF-logK_OW非线性模型。结果表明双线性模型比抛物线模型具有更优的拟合度。文献“Environ.Toxicol.Chem.,1999,18(4),664-672.”则建立了一个涵盖多种化合物的logBCF-logK_OW模型，虽涵盖694个化合物，但模型包含了4个方程式，不便于实际应用。以K_OW为理化参数所建立的BCF模型较为简洁，但K_OW实验数据本身的可获得性限制了该类模型的应用。与此同时，生物富集与正辛醇水分配虽是两个相似过程，但仅通过logK_OW构建模型，不足以充分表征生物富集过程。

随着QSAR技术的不断更新与发展，模型描述符获取和建模方法等都得到进一步发展。如文献“Chemosphere,2000,41,1675-1688.”采用分子连接性指数及极性校正因子，建立了239种BCF的QSAR模型。但有研究表明模型中包含的分子连接性指数描述符之间可能存在较强的共线性。文献“SAR QSAR Environ.Res.,2010,7-8,(21),671-680.”选择疏水性描述符，氢键，分子拓扑性指数等共7个描述符，以624个化合物，通过人工神经网络(ANN)方法建立QSAR模型，该模型没有明确的表达式，不便于机理解释。文献“SAR QSAR Environ.Res.,2010,21,(7-8),711-729.”通过最佳多元线性回归(best multi-linear regression)方法，以473个化合物构建模型，并以161个化合物进行外部验证，但验证结果不理想。

在已有研究中，有些模型是针对某种特定种类化合物构建的。如文献“Bioorgan.Med.Chem.,2003,11,5045-5050.”基于分子图论提出PI状态指数，建立了一个包含16种多氯联苯的生物富集因子QSAR模型。同logK_OW所建模型相比，虽然PI指数建立的QSAR模型优于logK_OW建立的模型，但模型相关系数不高(r=0.753)。文献“Mol.Divers.,2010,14:67–80.”根据非氢原子类型、原子属性、非氢原子相对电性及相对键长等进行计算，提出分子电性距离矢量(MEDV)描述符，采用该描述符建立了非极性有机物的QSAR模型。但该种方法在描述符计算方面不够简便。文献“Chemosphere,2012,89,433-444.”通过21个多溴联苯醚(PBDEs)分子建立多元线性回归模型，模型仅包含2个描述符较为简洁。文献“Ecotox.Environ.Safe.,2012,75,213-222.”以58个多氯联苯(PCBs)，通过5种描述符，以偏最小二乘(PLS)建立QSAR模型，进行了内部外部验证，模型拟合能力较好。但这些局域模型所涵盖化合物均为特定种类，模型适用的化合物也较单一，在化学品风险评价与管理的应用中具有一定局限性。

综上所述，目前QSAR模型主要包含两大类，局域模型和通用模型。局域模型的拟合效果和预测能力相对较高，但由于其是针对特定种类的化合物构建的，所以无法满足对大量不同种类化学品数据的获取需求。通用模型虽然符合化学品管理快速获取不同种类化合物的需求，但目前尚缺少涵盖的化合物种类多，模型简洁、预测规则透明、易于机理解释、具有良好的拟合度、稳健性、预测能力，而且进行了应用域表征的BCF-QSAR模型。所以，很有必要按照OECD提出的QSAR模型构建和使用准则：(1)具有明确定义的环境指标，(2)具有明确的算法，(3)定义了模型的应用域，(4)模型具有适当的拟合度，稳定性和预测能力，(5)最好能够进行机理解释，建立一个涵盖多种化合物的BCF-QSAR模型，使其能够在化学品风险评价与管理的实际应用中发挥作用。

发明内容

本发明目的是发展一种快速预测有机化学品生物富集因子的方法。该方法可以直接根据化合物分子结构预测生物富集因子，能够弥补实验方法的不足，进而为化学品风险评价和管理提供必要的基础数据。

本发明的定量结构活性关系预测有机化学品鱼类生物富集因子，本发明共搜集了780种有机化合物的生物富集因子数据，所收集数据均来自公开的数据库或已发表论文中，有机化合物包括多氯联苯、多溴联苯、全氟烷基酸、二恶英类、内分泌干扰物、农药。鱼体种类包括鲤鱼、虹鳟鱼、青鳉鱼、黑头呆鱼、斑马鱼。是目前涵盖化合物数量及种类最多的生物富集因子QSAR模型。

首先采用密度泛函理论优化780种有机化合物的分子结构，基于优化后的分子结构，从780种有机化合物的4885种分子描述符，初步筛选得到3480个描述符，其中初步筛选即去掉常数和近似常数的描述符，去掉至少有一个缺失值的描述符。

然后将780种有机化合物按照4:1的比例分成训练集和验证集。训练集用于构建预测模型，验证集用于建模后的外部验证。采用逐步回归方法构建多元线性回归模型。

依据模型的表征参数、描述符个数与变量膨胀因子，同时参考回归结果最终选取模型如下：

logBCF=2.137+0.061×MLOGP2+0.034×F02[C-Cl]-0.312×nROH-1.282×P-117+0.323×Mor25m-0.052×N%+0.080×X4v-0.289×O–058-1.137×LLS_01-1.387×H4v+0.071×SM12_AEA(dm)-0.269×O-057

其中，logBCF为生物富集因子的对数值，MLOGP2代表logK_OW的平方，F02[C-Cl]代表原子对C和Cl拓扑距离为2时出现的频率，nROH代表羟基的个数，P-117代表分子中“X3-P=X”结构的数量，Mor25m代表加权质量计算出的散射函数值，N%代表N原子的百分比，X4v是四价连接性指数，O-058代表分子中“=O”结构的数量，LLS_01是一个类药指数，H4v代表氢加权范德华体积滞后4的自相关函数值，SM12_AEA(dm)代表加权偶极矩的12谱距增广边缘邻接矩阵值，O-057代表酚、醇分子中“OH”的数量。

所得模型训练集化合物个数为n=624，每个描述符的变量膨胀因子(VIF)均小于5，自变量与因变量组成的矩阵M_YX以及自变量矩阵M_X的K相关指数K_XY和K_XX满足K_XX(0.358)<K_XY(0.397)，都表明模型不存在多重相关性；模型的拟合能力由经自由度调整的(R²adj)和均方根误差(RMSE)表征，R²adj=0.809，RMSE=0.612，表明该模型具有良好的拟合能力;模型稳健性由内部验证的交叉验证系数(Q² _LOO)和Bootstrapping方法所得Q² _BOOT评价,Q² _LOO=0.871，Q² _BOOT=0.797，R²和Q²之差远小于0.3，可认为该模型不存在过拟合现象，具有良好的稳健性；在模型的外部验证过程中，验证集数据个数n_ext=156，外部预测相关系数R² _ext=0.738,Q² _ext=0.732，RMSE_ext=0.736，表明该模型具有良好的外部预测能力,能有效预测化合物的生物富集因子。

模型应用域表征采用欧几里德距离方法，某一化合物特征向量(描述符参数)的欧几里德距离是其到描述符空间中心点的特征向量的距离，中心点特征向量的第k个参数(描述符)X_k为训练集所有化合物第k个描述符的平均值，即：

$X_k=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_{\mathrm{jk}}---\left(1\right)$

其中X_jk为化合物j的第k个描述符值，n为训练集化合物总数。则某一化合物i在M维空间(M为所采用分子结构描述符个数)的特征向量的欧几里德距离d_i可表示为：

$d_i=\sqrt{{\mathrm{\&Sigma;}}_{k=1}^M{(X_{\mathrm{ik}}-X_k)}^2}---\left(2\right)$

式中X_ik为化合物i的第k个描述符值。由公式(2)计算得到训练集化合物特征向量到中心点特征向量的欧几里德距离范围为0.192～1.438，因此特征向量欧几里德距离不大于1.438的化合物适用于本模型。

本发明的有益效果是：模型涵盖780种不同种类的有机化合物，如新兴污染物双酚A，优先控制污染物多氯联苯、多溴联苯及环境领域重点关注的有机物二恶英类物质、有机农药。模型应用域广，并进行了应用域表征，可用于预测不同种类化合物的生物富集因子，能为化学品风险评价和管理工作提供基础数据；采用多元线性回归方法，选取12种描述符构建了预测模型，模型简洁、预测规则透明，便于分析理解和实际应用；依照OECD关于QSAR模型构建和使用导则进行建模，所建模型具有良好的拟合效果、稳健性和预测能力。采用此发明的方法可以快速、有效地预测有机化学品生物富集因子。该方法成本低廉、简便快速，能够节省实验测试所需的人力、费用和时间。所建模型为目前所有BCF-QSAR模型中涵盖化合物数量最多的模型，而且模型具有良好的拟合度、稳健性及预测能力，同时模型进行了应用域的表征，完全满足OECD模型构建及使用导则。因此使用本发明专利的生物富集因子预测结果，可以快捷的为有机化学品风险评价和管理提供重要的数据支持，对生态风险评价具有重要的意义。

附图说明

图1为训练集和验证集的实测值与预测值的拟合图。

图2表征模型应用域的欧几里德距离图。

具体实施方式

实施例1

随机给定化合物1,2,3,6,7,8-六氯二苯并-对-二恶英(CAS号57653-85-7)，预测其生物富集因子。首先优化1,2,3,6,7,8-六氯二苯并-对-二恶英的分子结构，然后基于优化的分子结构，计算出12种描述符MLOGP2，FO2[C-Cl]，nROH，P-117，Mor25m，N%，X4v，O-058，LLS_01，H4v，SM12_AEA(dm)，O-057的数值，分别为20.902，12，0，0，1.239，0，2.907，0，0.67，0.24，8.004，0。根据公式(2)计算得到特征向量的欧几里德距离为0.514(<1.438)，在模型应用域范围内，可以运用本模型预测1,2,3,6,7,8-六氯二苯并-对-二恶英的生物富集因子，将描述符值代入所建模型有logBCF的值为3.926，其中实验值为3.927，预测结果良好。

实施例2

随机给定化合物双酚A(CAS号80-05-7)，预测其生物富集因子。首先优化双酚A的分子结构，然后基于优化的分子结构，计算出12种描述符MLOGP2，FO2[C-Cl]，nROH，P-117，Mor25m，N%，X4v，O-058，LLS_01，H4v，SM12_AEA(dm)，O-057的数值，分别为10.928，0，0，0，0.375，0，1.923，0，0.83，0.285，6.164，2。根据公式(2)计算得到特征向量的欧几里德距离为0.645(<1.438)，在模型应用域范围内，可以运用本模型预测双酚A的生物富集因子，将描述符值代入所建模型有logBCF的值为1.639，其中实验值为1.641，预测结果良好。

实施例3

随机给定化合物2,4,6-三氯苯胺(CAS号634-93-5)，预测其生物富集因子。首先优化2,4,6-三氯苯胺的分子结构，然后基于优化的分子结构，计算出12种描述符MLOGP2，FO2[C-Cl]，nROH，P-117，Mor25m，N%，X4v，O-058，LLS_01，H4v，SM12_AEA(dm)，O-057的数值，分别为10.982，6，0，0，0.191，7.1，1.37，0，0.83，0.077，5.225，0。根据公式(2)计算得到特征向量的欧几里德距离为0.267(<1.438)，在模型应用域范围内，可以运用本模型预测2,4,6-三氯苯胺的生物富集因子，将描述符值代入所建模型有logBCF的值为2.133，其中实验值为2.001，预测结果良好。

实施例4

随机给定化合物2,3,3',4,4',5-六氯联苯(CAS号38380-08-4)，预测其生物富集因子，首先优化2,3,3',4,4',5-六氯联苯的分子结构，然后基于优化的分子结构，计算出12种描述符MLOGP2，FO2[C-Cl]，nROH，P-117，Mor25m，N%，X4v，O-058，LLS_01，H4v，SM12_AEA(dm)，O-057的数值，分别为41.857，12，0，0，0.485，0，2.656，0，0.67，0.08，7.763，0。根据公式(2)计算得到特征向量的欧几里德距离为0.695(<1.438)，在模型应用域范围内，可以运用本模型预测2,3,3',4,4',5-六氯联苯的生物富集因子，将描述符值代入所建模型有logBCF的值为5.146，其中实验值为5.390，预测结果良好。

实施例5

随机给定化合物五氯硝基苯(CAS号82-68-8)，预测其生物富集因子，首先优化五氯硝基苯的分子结构，然后基于优化的分子结构，计算出12种描述符MLOGP2，FO2[C-Cl]，nROH，P-117，Mor25m，N%，X4v，O-058，LLS_01，H4v，SM12_AEA(dm)，O-057的数值，分别为18.405，10，0，0，-0.048，7.100，2.020，0，0.830，0.206，7.292，0。根据公式(2)计算得到特征向量的欧几里德距离为0.398(<1.438)，在模型应用域范围内，可以运用本模型预测五氯硝基苯的生物富集因子，将描述符值代入所建模型有logBCF的值为2.665，其中实验值为2.738，预测结果良好。

实施例6

随机给定化合物2,4,6-三溴联苯(CAS号59080-33-0)，预测其生物富集因子，首先优化2,4,6-三溴联苯的分子结构，然后基于优化的分子结构，计算出12种描述符MLOGP2，FO2[C-Cl]，nROH，P-117，Mor25m，N%，X4v，O-058，LLS_01，H4v，SM12_AEA(dm)，O-057的数值，分别为34.143，0，0，0，0.742，0，4.139，0，0.67，0.295，5.225，0。根据公式(2)计算得到特征向量的欧几里德距离为0.446(<1.438)，在模型应用域范围内，可以运用本模型预测2,4,6-三溴联苯的生物富集因子，将描述符值代入所建模型有logBCF的值为3.991，其中实验值为3.873，预测结果良好。

实施例7

随机给定化合物全氟己基磺酸(CAS号355-46-4)，预测其生物富集因子，首先优化全氟己基磺酸的分子结构，然后基于优化的分子结构，计算出12种描述符MLOGP2，FO2[C-Cl]，nROH，P-117，Mor25m，N%，X4v，O-058，LLS_01，H4v，SM12_AEA(dm)，O-057的数值，分别为8.139，0，1，0，1.144，0，1.369，2，0.5，0.266，13.351，0。根据公式(2)计算得到特征向量的欧几里德距离为0.663(<1.438)，在模型应用域范围内，可以运用本模型预测全氟己基磺酸的生物富集因子，将描述符值代入所建模型有logBCF的值为2.233，其中实验值为2.000，预测结果良好。

Claims (2)

1.一种采用定量结构活性关系预测有机化学品的鱼类生物富集因子，其特征在于，搜集780种有机化合物的生物富集因子数据，采用密度泛函理论对780种有机化合物的分子结构进行优化，基于优化后的分子结构，从780种有机化合物的4885种分子描述符中初步筛选得到3480个描述符；其中初步筛选是去掉常数和近似常数的描述符，去掉至少有一个缺失值的描述符；

然后将上述的780种有机化合物按照4:1的比例分成训练集和验证集，训练集用于构建预测模型，验证集用于建模后的外部验证；采用逐步回归方法构建多元线性回归模型，该模型如下：

logBCF=2.137+0.061×MLOGP2+0.034×F02[C-Cl]-0.312×nROH-1.282×P-117+0.323×Mor25m-0.052×N%+0.080×X4v-0.289×O–058-1.137×LLS_01-1.387×H4v+0.071×SM12_AEA(dm)-0.269×O-057

其中，logBCF代表生物富集因子的对数，MLOGP2代表logK_OW的平方，F02[C-Cl]代表原子对C和Cl拓扑距离为2时出现的频率，nROH代表羟基的个数，P-117代表分子中“X3-P=X”结构的数量，Mor25m代表加权质量计算出的散射函数值，N%代表N原子的百分比，X4v是四价连接性指数，O-058代表分子中“=O”结构的数量，LLS_01是一个类药指数，H4v代表氢加权范德华体积滞后4的自相关函数值，SM12_AEA(dm)代表加权偶极矩的12谱距增广边缘邻接矩阵值，O-057代表酚、醇分子中“OH”的数量。

2.根据权利要求1所述的采用定量结构活性关系预测有机化学品的鱼类生物富集因子，其特征在于，所述的有机化合物包括多氯联苯、多溴联苯、全氟烷基酸、二恶英类、内分泌干扰物、农药。

Images