吳　潔, 莫凌云, 覃禮堂, 曾鴻鵠, 梁延鵬, 覃如瓊, 朱義年

(桂林理工大學(xué) a.廣西礦冶與環(huán)境科學(xué)實(shí)驗(yàn)中心;b.環(huán)境科學(xué)與工程學(xué)院, 廣西 桂林　541004)

?

部分抗生素對小鼠毒性的QSTR研究

吳潔, 莫凌云, 覃禮堂, 曾鴻鵠, 梁延鵬, 覃如瓊, 朱義年

(桂林理工大學(xué) a.廣西礦冶與環(huán)境科學(xué)實(shí)驗(yàn)中心;b.環(huán)境科學(xué)與工程學(xué)院, 廣西 桂林541004)

摘要：以分子電性距離矢量MEDV-13描述子對57種抗生素類化合物的分子結(jié)構(gòu)進(jìn)行表征,應(yīng)用基于預(yù)測的變量選擇與模型化方法(VSMP)選擇最佳描述子,運(yùn)用多元線性回歸方法建立57種抗生素化合物對小鼠的靜脈注射半數(shù)致死劑量 (pLD50) 與5個MEDV-13描述子之間定量結(jié)構(gòu)毒性關(guān)系模型。采用留一法(LOO)交叉驗(yàn)證、留多法(LMO)交叉驗(yàn)證、 y-隨機(jī)化驗(yàn)證和自舉法等內(nèi)部驗(yàn)證方法，以及模型外部驗(yàn)證和Golbraikh-Tropsha方法對所建立的模型進(jìn)行了統(tǒng)計(jì)檢驗(yàn)和評價, 獲得外部驗(yàn)證統(tǒng)計(jì)量、 和，均為0.87, CCC為0.94, 為0.83。 結(jié)果表明，所建立的模型具有高的預(yù)測能力和穩(wěn)定性,結(jié)構(gòu)碎片>是影響57種抗生素化合物對小鼠毒性的最主要因素。

關(guān)鍵詞：抗生素;小鼠毒性; QSTR; VSMP; MEDV

0引言

近年來, 抗生素和藥品廣泛用于人類和獸用藥品及動物飼養(yǎng)添加劑, 其對環(huán)境的影響受到越來越多的關(guān)注[1]。研究表明, 污水處理系統(tǒng)不能有效去除水中的殘留抗生素, 據(jù)統(tǒng)計(jì)，30%～70%抗生素通過尿液和排泄物進(jìn)入環(huán)境[2], 各種各樣的抗生素已在地表水和飲用水中被檢測出[3]。此外, 殘留的抗生素通過食物鏈對植物、 動物產(chǎn)生毒害, 從而影響人類健康[4]。國內(nèi)外大部分環(huán)境污染物的毒理效應(yīng)研究都還處在個體水平, 是利用急性毒性試驗(yàn)的生物檢測指標(biāo)來判斷污染物的毒性效應(yīng)[5-8]。由于抗生素類化合物種類繁多, 僅僅通過實(shí)驗(yàn)方法測試抗生素類化合物的毒性, 成本昂貴、 費(fèi)時費(fèi)力, 因此, 對抗生素的毒性進(jìn)行預(yù)測在環(huán)境科學(xué)研究中具有重要的現(xiàn)實(shí)意義。

目前借助于多領(lǐng)域技術(shù)的毒性預(yù)測方法已有了相應(yīng)的發(fā)展, 其中定量構(gòu)效關(guān)系經(jīng)常被用來研究生物活性和不同類型化合物的分子描述子之間的相關(guān)性[9-10]。Berto?a等[11]基于主成分分析(PCR)的QSAR方法, 研究了喹諾酮類抗生素對MiaPaCa-2、 MCF-7細(xì)胞的抗腫瘤活性特性;Veselinovió等[12]采用蒙特卡洛法研究了87種青霉素與人血蛋白結(jié)合濃度之間的定量-構(gòu)效關(guān)系, 得出影響血蛋白結(jié)合的分子結(jié)構(gòu)碎片;Nziko等[13]利用QSAR模型研究了18種陽離子蒽醌類似物抗菌劑理化性質(zhì)與活性之間的關(guān)系, 為快速高效地開發(fā)出抗菌性更強(qiáng)的蒽醌類似物提供依據(jù);Li等[14]研究了21種喹諾酮類抗生素對發(fā)光細(xì)菌Q67的急性毒性, 利用QSAR模型探討急性毒性機(jī)制, 結(jié)果表明，抗生素與發(fā)光細(xì)菌之間發(fā)生電子轉(zhuǎn)移, 對喹諾酮類抗生素進(jìn)行氯化處理后毒性水平會增強(qiáng), 因此應(yīng)注意對含有喹諾酮類廢水處理。除了建立定量結(jié)構(gòu)-毒性相關(guān)(QSTR)模型, 近年來已有報道研究了模型內(nèi)部驗(yàn)證和外部驗(yàn)證方法, 評價模型的穩(wěn)定性和預(yù)測能力, 同時探討了模型驗(yàn)證訓(xùn)練集和檢驗(yàn)集的選擇方法對驗(yàn)證結(jié)果的影響[15]。

本文利用分子電性距離矢量(MEDV-13)表征57種抗生素的分子結(jié)構(gòu), 利用基于預(yù)測的變量選擇與模型化方法[16](VSMP)選擇最佳變量, 建立57種抗生素的pLD50與分子結(jié)構(gòu)之間的定量構(gòu)效關(guān)系模型, 并進(jìn)行模型驗(yàn)證, 從理論化學(xué)描述子上剖析研究影響抗生素的pLD50的主要因素, 為研究抗生素的環(huán)境行為提供理論依據(jù)。

1材料和方法

1.1數(shù)據(jù)來源

本文57種抗生素對小鼠的靜脈注射毒性LD50的數(shù)據(jù)來自TOXNET數(shù)據(jù)庫(http://toxnet.nlm.nih.gov/), 包括氨基糖苷類、 喹諾酮類、β-內(nèi)酰胺類和四環(huán)素類共4類抗生素。57種抗生素對小鼠的靜脈注射毒性(pLD50), 實(shí)驗(yàn)值詳見表1。

表1　57種抗生素的毒性數(shù)據(jù)和5個描述子參數(shù)值Table 1　Physical properties, the value of pLD50 and molecular descriptors of 57 antibiotics

續(xù)表1

注: *為檢驗(yàn)集化合物。

1.2描述子與變量選擇

1.2.1MEDV表征分子結(jié)構(gòu)利用化合物分子的二維拓?fù)浣Y(jié)構(gòu), 對每個化合物進(jìn)行結(jié)構(gòu)編碼;根據(jù)MEDV-13理論計(jì)算各非氫原子的相對電性與各原子對之間的拓?fù)渚嚯x, 進(jìn)而計(jì)算MEDV-13描述子[17-18]。

1.2.2VSMP選擇最佳變量利用自主開發(fā)的VSMP方法進(jìn)行MEDV-13描述子選擇, 以預(yù)處理后的MEDV-13描述子為自變量, pLD50為因變量構(gòu)建數(shù)據(jù)集, 設(shè)置變量之間的自相關(guān)系數(shù)閾值為0.70進(jìn)行最佳變量選擇, 以留一法交叉驗(yàn)證相關(guān)系數(shù)q2最高或均方根誤差(RMSV)最小確定最佳變量[16]。

1.3模型建立和驗(yàn)證

以57種抗生素的MEDV描述子為自變量, 小鼠的靜脈注射毒性pLD50為因變量, 建立QSTR模型。其中最優(yōu)模型變量值以q2最高或RMSV最低為標(biāo)準(zhǔn), 毒性實(shí)驗(yàn)值以半數(shù)致死濃度的對數(shù)即pLD50進(jìn)行表征, 模型的穩(wěn)定性和有效性通過內(nèi)部驗(yàn)證和外部驗(yàn)證方法進(jìn)行驗(yàn)證,同時引用相關(guān)統(tǒng)計(jì)量驗(yàn)證模型。

1.4應(yīng)用范圍

建立的QSTR模型是否有效, 除了進(jìn)行內(nèi)、 外部驗(yàn)證, 還應(yīng)分析數(shù)據(jù)集的應(yīng)用范圍。偏離應(yīng)用范圍的數(shù)據(jù)即離群值建立模型會導(dǎo)致錯誤的預(yù)測, 離群值數(shù)量不同還與訓(xùn)練集選擇相關(guān)[27]。因此, 模型建立同時進(jìn)行離群值診斷來檢測和剔除離群值, 重新建模。QSTR模型的應(yīng)用范圍采用杠桿值hi來定義[25], 以保證研究符合OECD #3規(guī)則[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矩陣, 其中n表示訓(xùn)練集化合物個數(shù),k表示化合物描述子數(shù)量：XT是X的轉(zhuǎn)置矩陣。控制杠桿值hi定義為(3k)/n。

2結(jié)果與討論

2.1基于整體數(shù)據(jù)集的QSTR模型

以57種抗生素對小鼠的毒性pLD50為因變量,91個分子結(jié)構(gòu)描述子為自變量,利用VSMP方法選擇最佳描述子,設(shè)定變量之間的最大相關(guān)系數(shù)為0.70,建立pLD50和分子結(jié)構(gòu)描述子的QSTR模

型M(表2、 表3)。

可知，模型M不僅具有一定的估計(jì)能力(r2=0.881 1和RMSE=0.25),而且具有一定的穩(wěn)定性(q2=0.822 5和RMSEV=0.30)。 從表1和圖1可以看出實(shí)驗(yàn)值和模型的預(yù)測值具有很好的擬合性，這表明，模型M是可靠的, 其QSTR可以用于預(yù)測該類化合物對小鼠的毒性。

表2　QSTR模型內(nèi)部驗(yàn)證和外部驗(yàn)證結(jié)果Table 2　Results of internal and external validations of the QSTR models

表3　VSMP選擇最優(yōu)描述子Table 3　Optimal descriptors selected by VSMP method

注：m為模型參數(shù)個數(shù)。

圖1　 pLD50實(shí)驗(yàn)值與預(yù)測值相關(guān)圖(方程2)Fig.1　Observed pLD50 versus calculated pLD50(equation 2) of the antibiotics

2.2QSTR模型建立與驗(yàn)證

使用模型N預(yù)測的19種化合物的毒性數(shù)據(jù)見表1, 其pLD50訓(xùn)練值與檢驗(yàn)值關(guān)系見圖1、圖2。

圖2　pLD50實(shí)驗(yàn)值與預(yù)測值相圖(方程3)Fig.2　Observed pLD50 versus calculated pLD50(equation 3) of the antibiotics

2.3應(yīng)用范圍

以訓(xùn)練集和檢驗(yàn)集的杠桿值(hi)為橫坐標(biāo), LOO交叉驗(yàn)證標(biāo)準(zhǔn)殘差(standard residue)為縱坐標(biāo)作圖, 若樣本的LOO標(biāo)準(zhǔn)殘差大于2.0或小于-2.0, 杠桿值大于控制杠桿值0.39, 則此樣本為離群值。 由圖3可知, 各物質(zhì)都在應(yīng)用范圍內(nèi)。

3結(jié)論

圖3　模型應(yīng)用范圍Fig.3　Application domain of QSTR model

參考文獻(xiàn):

[1]張浩, 羅義, 周啟星. 四環(huán)素類抗生素生態(tài)毒性研究進(jìn)展[J]. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報, 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]張輝, 李娜, 馬梅, 等. 15種取代酚對淡水發(fā)光菌Q67的毒性及定量構(gòu)效分析[J]. 生態(tài)毒理學(xué)報, 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]Berto?a 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]覃禮堂, 劉樹深, 肖乾芬,等. QSAR模型內(nèi)部和外部驗(yàn)證方法綜述[J]. 環(huán)境化學(xué), 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.

文章編號:1674-9057(2016)02-0349-07

doi:10.3969/j.issn.1674-9057.2016.02.027

收稿日期：2014-12-30

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目(21207024; 21407032); 廣西自然科學(xué)基金項(xiàng)目(2014GXNSFAA118060;2014GXNSFBA 11823)；廣西高等學(xué)校高水平創(chuàng)新團(tuán)隊(duì)及卓越學(xué)者計(jì)劃項(xiàng)目

作者簡介：吳潔(1988—)，女，碩士，研究方向:毒理學(xué)，wujie.girl@163.com。

通訊作者：覃禮堂，博士，副研究員,qinsar@163.com。

中圖分類號：X132

文獻(xiàn)標(biāo)志碼：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：吳潔, 莫凌云, 覃禮堂, 等.部分抗生素對小鼠毒性的QSTR研究[J].桂林理工大學(xué)學(xué)報，2016,36(2):349-355.