Post on 01-May-2015
MODELLAMENTO QSAR E PREDIZIONE MODELLAMENTO QSAR E PREDIZIONE DELLA TOSSICITA’ DI FENOLIDELLA TOSSICITA’ DI FENOLI
INTRODUZIONEINTRODUZIONE
I fenoli sono composti chimici in grado di persistere nei diversi comparti ambientali e di penetrare facilmente negli organismi espletando la loro azione tossica. Ampiamente utilizzati anche come precursori di molti prodotti, fanno parte degli HPV (High Production Volume Chemicals), sostanze prodotte in quantità superiore alle 1000 tonnellate/anno, per le quali, come richiesto dal recente White Paper dell’Unione Europea [1], è necessario conoscere proprietà chimico-fisiche e tossicità entro il 2005. La loro tossicità è stata oggetto di ampi studi su diversi end-point, ma evidentemente non sono disponibili dati sperimentali per tutti i fenoli e per tutti gli organismi. Il lavoro svolto ha lo scopo di produrre modelli che predicono in modo quantitativo, basandosi sulla struttura delle molecole (QSAR-Quantitative Structure-Activity Relationship), la tossicità di questi composti allo scopo diminuire il lavoro sperimentale necessario per l’ottenimento di tali dati.
DATIDATI
In questo lavoro sono stati utilizzati i dati di tossicità misurati in Tetraymena pyriformis, protozoo ciliato, per 98 fenoli, variamente sostituiti, ottenuti dalla letteratura [3]. I valori sono espressi in mM/l e in scala logaritmica come il log dell’inverso della
IGC50(concentrazione che inibisce la
crescita nel 50% della popolazione).
METODI CHEMIOMETRICIMETODI CHEMIOMETRICISono state applicati diversi metodi chemiometrici per selezionare un training set
ottimale per i modelli QSAR. Queste tecniche sono:
Istogramma relativo alla disrtibuzione delle risposteMappa di Kohonen 10x10
Nu
me
ro d
i o
ss
erv
azi
on
i
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
<= -1 (-1;-.5] (-.5;0] (0;.5] (.5;1] (1;1.5] (1.5;2] > 2
Training
Test
MODELLI DI REGRESSIONE - MLRMODELLI DI REGRESSIONE - MLR
La selezione delle variabili più correlate alla risposta e più predittive è stata realizzata con il metodo dei minimi quadrati ordinari (OLS) e con la tecnica dell’Algoritmo Genetico (GA-VSS). I modelli sono stati validati con diversi metodi:
Leave-one-out- viene escluso dal training un oggetto alla volta e predetto
Leave-more-out- viene escluso casualmente il 50% delle molecole del training
Y-scrambling- ottenuta mediante una permutazione casuale delle risposte
Validazione esterna- verificata su un test esterno di validazione
CONCLUSIONICONCLUSIONI
I modelli ottenuti, riassunti in tabella, hanno buone capacità predittive; il coefficiente di ripartizione ottanolo/acqua, ampiamente utilizzato per modellare la tossicità di composti chimici, si dimostra un buon descrittore, ma può essere validamente affiancato da altri descrittori molecolari teorici, calcolabili quindi anche per molecole non ancora sintetizzate, dando luogo a modelli altamente predittivi. Il lavoro è stato realizzato con fondi della Comunità Europea (progetto BEAM). Si ringrazia Federchimica per la borsa di studio a Francesca Battaini (progetto H.E.L.E.N).
RIFERIMENTI BIBLIOGRAFICIRIFERIMENTI BIBLIOGRAFICI[1] White Paper on the strategy for a future Chemicals Policy. www.europa.eu.int/comm/environmental/chemicals/whitepaper.htm
[2] Todeschini, R., Consonni, V. e Pavan, E. 2001. DRAGON – Software for the calculation of molecular descriptors, rel. 1.12 for Windows
[3] Schultz,T.W. et all. Quantitative structure-activity relationships for the Tetrahymena piryformis population growth end-point: a mechanism of action approach. Practical Application of QSAR in Environmental chemistry and toxicology, 241-262 (1990)
Francesca BattainiFrancesca Battaini, Ester Papa e Paola Gramatica, Ester Papa e Paola Gramatica
Unità di ricerca QSAR e di Chimica Ambientale, Dipartimento di Biologia Strutturale e Funzionale, Unità di ricerca QSAR e di Chimica Ambientale, Dipartimento di Biologia Strutturale e Funzionale, Università degli Studi dell’Insubria (Varese)Università degli Studi dell’Insubria (Varese)
Web: http://fisio.dipbsf.uninsubria.it/qsar/ e-mail: Web: http://fisio.dipbsf.uninsubria.it/qsar/ e-mail: paola.gramatica@uninsubria.it
SELEZIONE SELEZIONE DEL DEL TRAINING TRAINING TESTTEST
MODELLI DI REGRESSIONE LINEARE OTTENUTI CON UN MODELLI DI REGRESSIONE LINEARE OTTENUTI CON UN TRAININGTRAINING SETSET DI 55 OGGETTI DI 55 OGGETTI (test set di 43 oggetti)
Log1/IGC50=-1.25+0.5Logkow+0.3C-X
risposta sperimentale
ris
po
sta
ca
lco
lata
-1.5
-0.9
-0.3
0.3
0.9
1.5
2.1
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5
training settest set
Log1/IGC50=-2.33+0.5LogKow+0.37Ui+0.33C-X
risposta sperimentale
ris
po
sta
ca
lco
lata
-1.5
-0.9
-0.3
0.3
0.9
1.5
2.1
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5
training settest set
DESCRITTORI MOLECOLARIDESCRITTORI MOLECOLARI
La struttura molecolare dei composti utilizzati è stata rappresentata usando diversi descrittori molecolari calcolati con il software DRAGON di R.Todeschini [2]. L’ampio set di descrittori comprende:
A questi descrittori è stato aggiunto il coefficiente di ripartizione ottanolo/acqua (Log Kow) che fornisce una misura della lipofilicità delle molecole.
le Mappe di KohonenMappe di Kohonen: : le reti neurali artificiali sono un altro modo di raggruppare gli oggetti simili in cluster usando “self organised topological
feature maps”, con questa analisi l’informazione multidimensionale viene visualizzata in un grafico bidimensionale. La posizione dei composti
nelle celle della mappa mostra il livello di similarità tra le strutture dei fenoli presi in esame. La selezione del training set è stata effettuata
mediante la selezione per ogni cella dell’oggetto più caratteristico cioè quello più vicino al centroide.
l’Analisi delle Componenti PrincipaliAnalisi delle Componenti Principali (PCA) (PCA): questa analisi permette di concentrare l’informazione di un grande
numero di variabili in un numero esiguo di componenti tra loro ortogonali e di identificare gli oggetti che fanno
parte di classi e gli outliers. Le componenti più significative sono state utilizzate nella Cluster Analysis e nelle
Mappe di Kohonen per eliminare l’informazione ridondante.
la Cluster AnalysisCluster Analysis: in questo lavoro è stata usata un’analisi di tipo agglomerativo dove le variabili sono
rappresentate dalle componenti significative dei descrittori molecolari. Per trovare il miglior modo di raggruppare
i composti sono state usate due formule di distanza (Euclidea e di Manhattan) e diversi metodi per determinare la
similarità tra i nuovi cluster (Complete, average, ecc.).
I descrittori più importanti risultano essere il Log Kow che è legato alla lipofilia della molecola e, quindi, alla capacità di quest’ultima di attraversare le membrane biologiche determinando una tossicità di base; Ui che indica il livello di insaturazione e C-X che indica il numero di frammenti contenenti alogeni. Fattori di polarità che risultano quindi essere importanti nel rappresentare la tossicità potenziale dei fenoli.
descrittori 0Ddescrittori 0D – descrittori costituzionali
descrittori 1Ddescrittori 1D – ricavati dalla formula bruta della molecola (descrittori empirici, gruppi funzionali, proprietà e frammenti)
descrittori 2Ddescrittori 2D – determinati dal grafo molecolare (descrittori topologici, di autocorrelazione, BCUTs ed indici di Galvez)
descrittori 3Ddescrittori 3D – derivati dalle coordinate spaziali (descrittori geometrici, di carica, di aromaticità, WHIMs, GETAWAY, RDF e 3D-MoRSE).
N. ogg. N. Var. Descrittori Q2 Q2LMO (50%) Q2ext R2 SDEP SDEC
98 3 C-X Ui Log Kow 87.0 86.5 88.0 0.27 0.26
98 2 C-X Log Kow 84.7 84.5 85.6 0.29 0.28
98 1 Log Kow 76.0 75.9 77.2 0.36 0.35
55 3 C-X Ui Log Kow 86.9 85.0 86.5 88.4 0.28 0.27
55 2 C-X Log Kow 85.2 84.5 83.2 86.8 0.30 0.28
55 1 Log Kow 74.6 73.9 77.7 76.7 0.40 0.38