部分抗生素对小鼠毒性的QSTR研究

吴　洁, 莫凌云, 覃礼堂, 曾鸿鹄, 梁延鹏, 覃如琼, 朱义年

(桂林理工大学 a.广西矿冶与环境科学实验中心;b.环境科学与工程学院, 广西 桂林　541004)



部分抗生素对小鼠毒性的QSTR研究

吴洁, 莫凌云, 覃礼堂, 曾鸿鹄, 梁延鹏, 覃如琼, 朱义年

(桂林理工大学 a.广西矿冶与环境科学实验中心;b.环境科学与工程学院, 广西 桂林541004)

摘要：以分子电性距离矢量MEDV-13描述子对57种抗生素类化合物的分子结构进行表征,应用基于预测的变量选择与模型化方法(VSMP)选择最佳描述子,运用多元线性回归方法建立57种抗生素化合物对小鼠的静脉注射半数致死剂量 (pLD50) 与5个MEDV-13描述子之间定量结构毒性关系模型。采用留一法(LOO)交叉验证、留多法(LMO)交叉验证、 y-随机化验证和自举法等内部验证方法，以及模型外部验证和Golbraikh-Tropsha方法对所建立的模型进行了统计检验和评价, 获得外部验证统计量、 和，均为0.87, CCC为0.94, 为0.83。 结果表明，所建立的模型具有高的预测能力和稳定性,结构碎片>是影响57种抗生素化合物对小鼠毒性的最主要因素。

关键词：抗生素;小鼠毒性; QSTR; VSMP; MEDV

0引言

近年来, 抗生素和药品广泛用于人类和兽用药品及动物饲养添加剂, 其对环境的影响受到越来越多的关注[1]。研究表明, 污水处理系统不能有效去除水中的残留抗生素, 据统计，30%～70%抗生素通过尿液和排泄物进入环境[2], 各种各样的抗生素已在地表水和饮用水中被检测出[3]。此外, 残留的抗生素通过食物链对植物、 动物产生毒害, 从而影响人类健康[4]。国内外大部分环境污染物的毒理效应研究都还处在个体水平, 是利用急性毒性试验的生物检测指标来判断污染物的毒性效应[5-8]。由于抗生素类化合物种类繁多, 仅仅通过实验方法测试抗生素类化合物的毒性, 成本昂贵、 费时费力, 因此, 对抗生素的毒性进行预测在环境科学研究中具有重要的现实意义。

目前借助于多领域技术的毒性预测方法已有了相应的发展, 其中定量构效关系经常被用来研究生物活性和不同类型化合物的分子描述子之间的相关性[9-10]。Bertoša等[11]基于主成分分析(PCR)的QSAR方法, 研究了喹诺酮类抗生素对MiaPaCa-2、 MCF-7细胞的抗肿瘤活性特性;Veselinovió等[12]采用蒙特卡洛法研究了87种青霉素与人血蛋白结合浓度之间的定量-构效关系, 得出影响血蛋白结合的分子结构碎片;Nziko等[13]利用QSAR模型研究了18种阳离子蒽醌类似物抗菌剂理化性质与活性之间的关系, 为快速高效地开发出抗菌性更强的蒽醌类似物提供依据;Li等[14]研究了21种喹诺酮类抗生素对发光细菌Q67的急性毒性, 利用QSAR模型探讨急性毒性机制, 结果表明，抗生素与发光细菌之间发生电子转移, 对喹诺酮类抗生素进行氯化处理后毒性水平会增强, 因此应注意对含有喹诺酮类废水处理。除了建立定量结构-毒性相关(QSTR)模型, 近年来已有报道研究了模型内部验证和外部验证方法, 评价模型的稳定性和预测能力, 同时探讨了模型验证训练集和检验集的选择方法对验证结果的影响[15]。

本文利用分子电性距离矢量(MEDV-13)表征57种抗生素的分子结构, 利用基于预测的变量选择与模型化方法[16](VSMP)选择最佳变量, 建立57种抗生素的pLD50与分子结构之间的定量构效关系模型, 并进行模型验证, 从理论化学描述子上剖析研究影响抗生素的pLD50的主要因素, 为研究抗生素的环境行为提供理论依据。

1材料和方法

1.1数据来源

本文57种抗生素对小鼠的静脉注射毒性LD50的数据来自TOXNET数据库(http://toxnet.nlm.nih.gov/), 包括氨基糖苷类、 喹诺酮类、β-内酰胺类和四环素类共4类抗生素。57种抗生素对小鼠的静脉注射毒性(pLD50), 实验值详见表1。

表1　57种抗生素的毒性数据和5个描述子参数值Table 1　Physical properties, the value of pLD50 and molecular descriptors of 57 antibiotics

续表1

注: *为检验集化合物。

1.2描述子与变量选择

1.2.1MEDV表征分子结构利用化合物分子的二维拓扑结构, 对每个化合物进行结构编码;根据MEDV-13理论计算各非氢原子的相对电性与各原子对之间的拓扑距离, 进而计算MEDV-13描述子[17-18]。

1.2.2VSMP选择最佳变量利用自主开发的VSMP方法进行MEDV-13描述子选择, 以预处理后的MEDV-13描述子为自变量, pLD50为因变量构建数据集, 设置变量之间的自相关系数阈值为0.70进行最佳变量选择, 以留一法交叉验证相关系数q2最高或均方根误差(RMSV)最小确定最佳变量[16]。

1.3模型建立和验证

以57种抗生素的MEDV描述子为自变量, 小鼠的静脉注射毒性pLD50为因变量, 建立QSTR模型。其中最优模型变量值以q2最高或RMSV最低为标准, 毒性实验值以半数致死浓度的对数即pLD50进行表征, 模型的稳定性和有效性通过内部验证和外部验证方法进行验证,同时引用相关统计量验证模型。

1.4应用范围

建立的QSTR模型是否有效, 除了进行内、 外部验证, 还应分析数据集的应用范围。偏离应用范围的数据即离群值建立模型会导致错误的预测, 离群值数量不同还与训练集选择相关[27]。因此, 模型建立同时进行离群值诊断来检测和剔除离群值, 重新建模。QSTR模型的应用范围采用杠杆值hi来定义[25], 以保证研究符合OECD #3规则[28]:

hi=xi(XTX)1xi，i=1,2， …,n。

(1)

式中：xi是化合物列向量描述子； X是n×k矩阵, 其中n表示训练集化合物个数,k表示化合物描述子数量：XT是X的转置矩阵。控制杠杆值hi定义为(3k)/n。

2结果与讨论

2.1基于整体数据集的QSTR模型

以57种抗生素对小鼠的毒性pLD50为因变量,91个分子结构描述子为自变量,利用VSMP方法选择最佳描述子,设定变量之间的最大相关系数为0.70,建立pLD50和分子结构描述子的QSTR模

型M(表2、 表3)。

可知，模型M不仅具有一定的估计能力(r2=0.881 1和RMSE=0.25),而且具有一定的稳定性(q2=0.822 5和RMSEV=0.30)。 从表1和图1可以看出实验值和模型的预测值具有很好的拟合性，这表明，模型M是可靠的, 其QSTR可以用于预测该类化合物对小鼠的毒性。

表2　QSTR模型内部验证和外部验证结果Table 2　Results of internal and external validations of the QSTR models

表3　VSMP选择最优描述子Table 3　Optimal descriptors selected by VSMP method

注：m为模型参数个数。

图1　 pLD50实验值与预测值相关图(方程2)Fig.1　Observed pLD50 versus calculated pLD50(equation 2) of the antibiotics

2.2QSTR模型建立与验证

使用模型N预测的19种化合物的毒性数据见表1, 其pLD50训练值与检验值关系见图1、图2。

图2　pLD50实验值与预测值相图(方程3)Fig.2　Observed pLD50 versus calculated pLD50(equation 3) of the antibiotics

2.3应用范围

以训练集和检验集的杠杆值(hi)为横坐标, LOO交叉验证标准残差(standard residue)为纵坐标作图, 若样本的LOO标准残差大于2.0或小于-2.0, 杠杆值大于控制杠杆值0.39, 则此样本为离群值。 由图3可知, 各物质都在应用范围内。

3结论

图3　模型应用范围Fig.3　Application domain of QSTR model

参考文献:

[1]张浩, 罗义, 周启星. 四环素类抗生素生态毒性研究进展[J]. 农业环境科学学报, 2008, 27(2): 407-413.

[2]Brown K D, Kulis J, Thomson B, et al. Occurrence of antibiotics in hospital, residential, and dairy effluent, municipal wastewater, and the Rio Grande in New Mexico[J]. Science of the Total Environment, 2006, 366: 772-783.

[3]Benotti M J, Trenholm R A, Vanderford B J, et al. Pharmaceuticals and endocrine disrupting compounds in U.S. drinking water[J]. Journal of Environmental Science and Technology, 2009, 43(3): 597-603.

[4]Wellington E M H, Boxall A B A, Cross P, et al. The role of the natural environment in the emergence of antibiotic resistance in Gram-negative bacteria[J]. The Lancet Infectious Diseases, 2013, 13(2): 155-165.

[5]Bona M D, Zounková R, Merlanti R, et al. Effects of enrofloxacin, ciprofloxacin, and trimethoprim on two generations of Daphnia magna[J]. Ecotoxicology and Environomental Safety, 2015, 113: 152-158.

[6]Magdaleno A, Saenz M E, Juárez A B, et al. Effects of six antibiotics and their binary mixtures on growth ofPseudokirchneriellasubcapitata[J]. Ecotoxicology and Environomental Safety, 2015, 113: 72-78.

[7]Chang B V, Ren Y L. Biodegradation of three tetracyclines in river sediment[J]. Ecological Engineering, 2015, 75: 272-277.

[8]张辉, 李娜, 马梅, 等. 15种取代酚对淡水发光菌Q67的毒性及定量构效分析[J]. 生态毒理学报, 2012,7(4): 373-380.

[9]Bertosa B, Kojic-Prodic B, Ramek M, et al. A new approach to predict the biological activity of molecules based on similarity of their interaction fields and the logPand logDvalues: Application to auxins[J]. Journal of Chemical Information and Computer Sciences, 2003, 43(5): 1532-1541.

[10]Caleta I, Kralj M, Marjanovic M, et al. Novel cyano and amidinobenzothiazole derivatives: Synthesis,antitumor evaluation, X-ray and quantitive structure:Activity relationship(QSAR)analysis[J]. Journal of Medicinal Chemistry, 2009, 52(6): 1744-1756.

[11]Bertoša B, Aleksic M, Karminiski-Zamola G, et al. QSAR analysis of antitumor active amides and quinolones from thiophene series[J]. International Journal of Pharmaceutics, 2010, 394(1): 106-114.

[12]Veselinovic J B, Toropov A A, Toropova A P, et al. Monte carlo method-based QSAR modeling of penicillins binding to human serum proteins[J]. Archiv der Pharmazie, 2015, 348(1): 62-67.

[13]Nziko V P N, Fosso M Y, Chang C W T. Quantitative structure-activity relationship analysis of antibacterial cationic anthraquinone analogs using Hansch and Fujita models[J]. Medicinal Chemistry Research, 2014, 23(12): 5058-5062.

[14]Li M, Wei D B, Du Y G. Acute toxicity evaluation for quinolone antibiotics and their chlorination disinfection processes[J]. Journal of Environmental Sciences,2014, 26(9): 1837-1842.

[15]Puzyn T, Mostrag-Szlichtyng A, Gajewicz A, et al. Investigating the influence of data splitting on the predictive ability of QSAR/QSPR models[J]. Journal of Structural Chemistry, 2011, 22(4): 795-804.

[16]Liu S S, Liu H L, Yin C S, et al. VSMP: A novel variable selection and modeling method based on the prediction[J]. Journal of Chemical Information and Computer Science, 2003, 43(3): 964-969.

[17]Liu S S, Yin C S, Li Z L, et al. QSAR study of steroid benchmark and dipeptides based on MEDV-13[J]. Journal of Chemical Information and Computer Science, 2001, 41(2): 321-329.

[18]Liu S S, Yin C S, Shi Y Y, et al. MEDV-13 for QSAR studies on the COX-2 inhibition by indomethacin amides and esters[J]. Chinese Journal of Chemistry, 2001, 19(8): 751-756.

[19]Kiralj R, Ferreira M M C. Basic validation procedures for regression models in QSAR and QSPR studies: Theory and application[J]. Journal of the Brazilian Chemical Society, 2009, 20(4): 770-787.

[20]Konovalov D A, Llewellyn L E, Heyden Y V, et al. Robust cross-validation of linear regression QSAR models[J]. Journal of Chemical Information and Modeling, 2008, 48(10): 2081-2094.

[21]Rücker C, Rücker G, Meringer M.y-randomization and its variants in QSPR/QSAR[J]. Journal of Chemical Information and Modeling, 2007, 47(6): 2345-2357.

[22]Tropsha A, Gramatica P, Gombar V K. The importance of being earnest: Validation is the absolute essential for successful application and interpretation of QSPR models[J]. QSAR & Combinatorial Science, 2003, 22(1): 69-77.

[23]Golbraikh A, Tropsha A. Beware ofq2![J]. Journal of Molecular Graphics and Modelling, 2002, 20(4): 269-276.

[24]Golbraikh A, Tropsha A. Predictive QSAR modeling based on diversity sampling of experimental datesets for the training and test set selection[J]. Journal of Computer-Aided Molecular Design, 2002, 16(5-6): 357-369.

[25]Chirico N, Gramatica P. Real external predictivity of QSAR models: How to evaluate it? Comparison of different validation criteria and proposal of using the concordance correlation coefficient[J]. Journal of Chemical Information and Modeling, 2011, 51(9): 2320-2335.

[27]Furusjo E, Svenson A, Rahmberg M, et al. The importance of outlier detection and training set selection for reliable environmental QSAR predictions[J]. Chemosphere, 2006, 63(1): 99-108.

[28]Organisation for Economic Co-Operation and Development (OECD). Guidance Document on the Validation of (Quantitative) Structure—Activity Relationship[(Q)SAR]models[M]. Paris:OECD Publishing, 2007.

[29]Topliss J G, Edwards R P. Chance factors in studies of quantitative structure-activity relationships[J]. Journal of Medicinal Chemistry, 1979, 22(10): 1238-1244.

[30]覃礼堂, 刘树深, 肖乾芬,等. QSAR模型内部和外部验证方法综述[J]. 环境化学, 2013, 32(7): 1205-1211.

[31]Eriksson L, Jaworska J, Worth A P, et al. Methods for reliability and uncertainty assessment and for applicability evaluations of classification-and regression-based QSARs[J]. Environmental Health Perspectives, 2003, 111(10): 1361-1375.

文章编号:1674-9057(2016)02-0349-07

doi:10.3969/j.issn.1674-9057.2016.02.027

收稿日期：2014-12-30

基金项目：国家自然科学基金项目(21207024; 21407032); 广西自然科学基金项目(2014GXNSFAA118060;2014GXNSFBA 11823)；广西高等学校高水平创新团队及卓越学者计划项目

作者简介：吴洁(1988—)，女，硕士，研究方向:毒理学，wujie.girl@163.com。

通讯作者：覃礼堂，博士，副研究员,qinsar@163.com。

中图分类号：X132

文献标志码：A

QSTR study of antibiotics on mouse toxicity

WU Jie, MO Ling-yun, QIN Li-tang, ZENG Hong-hu, LIANG Yan-peng, QIN Ru-qiong, ZHU Yi-nian

(a.Guangxi Scientific Experimental Centre for Mining, Metallurgy and Environment;b.College of Environmental Science and Engineering, Guilin University of Technology,Guilin 541004,China)

Abstract:The molecular electronegative distance vector (MEDV-13) was used to characterize the molecular structures of 57 antibiotics compounds. The variable selection and modeling based on prediction (VSMP) was used to select the optimal descriptors. The quantitative structure-toxicity relationships (QSTR) model between the negative logarithm of half lethal dose (pLD50) of the 57 antibiotics on mouse and 5 MEDV-13 descriptors was developed based on the multiple linear regression method. The QSTR model was internal validated by the leave-one-out (LOO) cross-validation, leave-many-out (LMO) cross-validation, y-randomization and bootstrapping methods, and external validated by the Golbraikh-Tropsha methods. The values of , , are all 0.87, CCC(consistency correlation coefficient) is 0.94, and is 0.83. The result shows that the established model has a high predictive ability and stability. The main structural factors influencing the pLD50of the 57 antibiotics are the substructures>C<, >N—,—OH, .

Key words:antibiotics; mouse toxicity; QSTR; VSMP; MEDV

引文格式：吴洁, 莫凌云, 覃礼堂, 等.部分抗生素对小鼠毒性的QSTR研究[J].桂林理工大学学报，2016,36(2):349-355.