Ames試驗與QSAR模型結(jié)合對芳香胺致癌活性的預(yù)測作用

袁金濤 浦躍樸 尹立紅

(東南大學(xué)教育部環(huán)境醫(yī)學(xué)工程重點實驗室,南京210009)

(東南大學(xué)公共衛(wèi)生學(xué)院, 南京 210009)

芳香胺可以經(jīng)過呼吸道、胃腸道和皮膚途徑進入人體,在機體內(nèi)經(jīng)過一系列活化后可與人體細胞的DNA結(jié)合,從而導(dǎo)致人生病甚至致癌.流行病學(xué)研究表明,間苯二胺、二氨基二苯甲烷等芳香胺可誘發(fā)泌尿系統(tǒng)的癌癥.除了突變性和致癌性之外,芳香胺還會影響腸道菌群的平衡及其他多種病癥.暴露于人類的芳香胺可來源于食品接觸材料、橡膠制品中的抗氧化劑、染料或由黑色尼龍餐具等[1-2],這些源頭廣泛存在于人類的生產(chǎn)生活中.因此,研究芳香胺致癌性具有重要意義.

關(guān)于芳香胺的結(jié)構(gòu)和致癌活性的構(gòu)效關(guān)系(quantitative structure-activity relationship, QSAR)研究已有報道.Yuta等[2]對157個芳香胺是否致癌建立了模式識別模型.Benigni等[3]用結(jié)構(gòu)警報(structure alerts, SAs)方法分別研究了芳香胺在大鼠和小鼠中的致癌性.朱永平等[4]對芳香胺的致癌活性進行了Fisher判別研究.戴乾圜等[5]應(yīng)用雙區(qū)理論對63個芳香胺的致癌活性進行了闡釋.這些研究應(yīng)用不同的理論或建模方法取得了一定的成果,但筆者尚未發(fā)現(xiàn)用多種描述符建立線性判別模型的報道.因此,采用多種描述符建立線性判別模型具有一定的意義.

芳香胺除了具有強的致癌性外,還具有致突變性[6].目前,檢測致突變性的Ames試驗方法已被大量應(yīng)用和報道,并且已有數(shù)量庫收集Ames試驗結(jié)果,如ISSCAN數(shù)據(jù)庫[7],但將Ames試驗和QSAR相結(jié)合的研究尚未見報道.本文以芳香胺為研究對象,采用將Ames結(jié)果作為自變量加入QSAR模型和先根據(jù)Ames結(jié)果分類后再用QSAR模型預(yù)測2種方法,對113個芳香胺的致癌性進行了研究,并將這2種方法的結(jié)果與只采用多種描述符建立的線性判別模型結(jié)果進行比較,探討Ames試驗是否對提高模型預(yù)測能力具有重要意義.

1 材料與方法

1.1 化合物及致癌性數(shù)據(jù)集

從ISSCAN數(shù)據(jù)庫[7]中篩選出具有致癌和包含Ames數(shù)據(jù)的113個芳香胺(見表1).其中,不致癌的芳香胺共計22個,致癌的芳香胺共計91個.Ames結(jié)果呈陰性的有30個,Ames結(jié)果呈陽性的有83個.

表1 113個芳香胺化合物及其致癌、Ames和QSAR數(shù)據(jù)

續(xù)表1

續(xù)表1

1.2 分子結(jié)構(gòu)描述符

所有的分子結(jié)構(gòu)采用HyperChem軟件畫出,再用AMPAC程序中的PM3半經(jīng)驗方法進行優(yōu)化.在Hartree-Fock水平上,采用Polar-Ribiere算法進行優(yōu)化,直至均方根梯度達到0.001.將優(yōu)化后的分子結(jié)構(gòu)輸入CODESSA軟件,計算其組成、拓撲、幾何、靜電以及量化等5類描述符,以定量表征分子形狀、對稱性、原子間的連接、分子電荷分布及量子化學(xué)結(jié)構(gòu)特征,總共計算得到609個描述符.logP值由ALOGPS 2.1軟件獲得[8].

1.3 數(shù)據(jù)集劃分

SPXY(sample set partition based on jointx-ydistances)方法是對KS方法的一種擴展,計算樣本之間的歐氏距離時,將因素X和因素Y都考慮在內(nèi).此處,采用SPXY方法劃分數(shù)據(jù)集.

1.4 啟發(fā)式方法

啟發(fā)式回歸方法是CODESSA軟件中的一種描述符篩選方法[9].該方法對數(shù)據(jù)集大小沒有限制要求,且計算較快,主要步驟如下:

① 預(yù)篩選.將數(shù)據(jù)不全和對所有結(jié)構(gòu)數(shù)值都相同的描述符去掉,再將余下的描述符進行相關(guān)分析,將F檢驗值小于1.0、相關(guān)系數(shù)小于設(shè)定值、t檢驗值小于設(shè)定值、描述符間相關(guān)系數(shù)大于設(shè)定值的結(jié)果都刪除.

② 將剩下的描述符按相關(guān)系數(shù)由大到小的順序排列.從相關(guān)系數(shù)最大的描述符開始,每個描述符與余下的描述符兩兩組合,與研究性質(zhì)關(guān)聯(lián),得到F檢驗值最大的兩參數(shù)相關(guān)模型(即工作樣本).

③ 將剩余的相關(guān)程度較小的描述符依次加入工作樣本中.若加入后F檢驗值增加,說明擴展后的描述符是有效的,可用于進一步計算.

④ 若所得模型中最大描述符的個數(shù)小于設(shè)定個數(shù),則返回第③步;否則,計算結(jié)束,保存模型,從而篩選出相關(guān)系數(shù)和F檢驗值最大的模型.

1.5 模型建立與評價

模型均采用線性判別分析(LDA)方法建立,其基本原理是在n維樣本空間中通過如下計算將任意2個類別區(qū)分開:

Y=a1X1+a2X2+a3X3+…+amXm

(1)

式中,Y為判別值;X1,X2,…,Xm為與研究性質(zhì)有關(guān)的變量;a1,a2,…,am為各變量的系數(shù).判別模型質(zhì)量可通過wilk的λ統(tǒng)計量、F檢驗值、p水平、馬氏距離D2、訓(xùn)練集化合物數(shù)目N以及留一法交叉驗證正確率ALOO等進行評價.建模和質(zhì)量評價在SPSS軟件中采用默認參數(shù)進行.

2 結(jié)果與討論

2.1 含Ames的模型構(gòu)建

本文所采用的化合物數(shù)據(jù)來自ISSCAN數(shù)據(jù)庫,113個化合物被SPXY方法劃分為訓(xùn)練集和測試集,其中,訓(xùn)練集包含85個化合物,測試集包含28個化合物.所有描述符應(yīng)用啟發(fā)式方法進行初篩選,將初篩后的描述符輸入SPSS軟件,采用正向篩選方法選出適合的描述符,建立判別模型,由此得到包含3個描述符的模型QSAR 1(見表2).模型QSAR 1中,N=85,λ=0.805,D2=1.717,F(3,81)=6.531,p<10-3,ALOO=71.8%.模型QSAR 1對訓(xùn)練集和測試集的預(yù)測能力見表3.

表2 模型QSAR1中的描述符及其系數(shù)

表3 模型QSAR1和模型QSAR2的預(yù)測結(jié)果比較

為了研究Ames結(jié)果是否能提高模型的預(yù)測能力,將Ames試驗結(jié)果加入模型中,得到含5個描述符的模型QSAR 2(見表4).模型QSAR 2中,N=85,λ=0.766,D2=2.170,F(5,79)=4.830,p<10-3,ALOO=76.5%.模型QSAR 2對訓(xùn)練集和測試集的預(yù)測能力見表3.由表可知,與模型QSAR 1相比,基于模型QSAR 2得到的訓(xùn)練集中不致癌芳香胺和致癌芳香胺的預(yù)測正確率分別增加7.1%和2.8%,但準確率變化不大.同時,λ,ALOO,D2等模型評價指標(biāo)也略有增加.

表4 模型QSAR2中的描述符及其系數(shù)

2.2 不含Ames的模型構(gòu)建

采用Ames結(jié)果將化合物分成Ames陰性和Ames陽性2類,再對其分別建立致癌性預(yù)測模型.建模前,將30個Ames陰性化合物用SPXY方法分成訓(xùn)練集(21個)和測試集(9個),將83個Ames陽性化合物用SPXY方法分成訓(xùn)練集(58個)和測試集(25個).Ames陰性化合物預(yù)測模型QSAR 3.1和Ames陽性化合物預(yù)測模型QSAR 3.2分別見表5和表6.模型QSAR 3.1中,N=21,λ=0.504,D2=4.367,F(2,18)=12.342,p<10-2,ALOO=81.0%.模型QSAR 3.2中,N=58,λ=0.764,D2=2.509,F(3,54)=14.672,p<10-2,ALOO=75.9%.2個模型的預(yù)測結(jié)果見表7.

表5 模型QSAR3.1中的描述符及其系數(shù)

表6 模型QSAR3.2中的描述符及其系數(shù)

由表7可知,對于113個化合物,根據(jù)模型QSAR 3.1和模型QSAR 3.2預(yù)測正確的化合物共計91個,正確率為80.5%.由表3可知,模型QSAR 1和模型QSAR 2預(yù)測正確率分別為77.0%和80.5%.因此,無論是在模型中加入Ames結(jié)果,還是用Ames結(jié)果對化合物進行分類后再分別建模,都可以小幅提高預(yù)測正確率,但提高幅度不明顯,不具有統(tǒng)計學(xué)顯著性差異.

表7 模型QSAR3.1和模型QSAR3.2的預(yù)測結(jié)果對比

2.3 不同方法模型比較

將本文模型與運用其他理論或建模方法得到的模型相比較,結(jié)果見表8.由表可知,本文模型的正確率較文獻[4]中模型的正確率高,但較文獻[2,5]中模型的正確率低,這可能與選擇的描述符類型和建模方法有關(guān).然而,本文模型采用的描述符個數(shù)最少,模型最簡潔,此外,由于采用線性判別分析方法建模,該模型易于理解.

表8 不同方法模型比較結(jié)果

3 結(jié)語

與致癌性試驗比較,Ames試驗具有簡單、快速、成本低等優(yōu)點.因此,將其與QSAR方法結(jié)合用于預(yù)測致癌性具有一定的可行性.本文針對芳香胺數(shù)據(jù)集,基于由CODESSA軟件計算所得的描述符,得到簡潔的QSAR模型,且模型質(zhì)量較好.將Ames試驗結(jié)果與QSAR模型相結(jié)合預(yù)測芳香胺的致癌性,可以在一定程度上提高預(yù)測準確率,但正確率的提高程度不具有統(tǒng)計學(xué)差異.由此認為,采用QSAR預(yù)測化合物的致癌性時,需根據(jù)研究對象綜合考慮選擇適當(dāng)?shù)姆椒ㄟM行研究,才能得到滿意結(jié)果.下一步需要深入研究的是,如何將Ames試驗與QSAR或其他方法結(jié)合以發(fā)揮其在化合物致癌性預(yù)測中的價值.

)

[1] 孫利,陳志鋒,儲曉剛.淺析食品接觸材料中的芳香胺問題[J].食品與機械,2006,22(6):121-126.

Sun Li, Chen Zhifeng, Chu Xiaogang. Analysis of primary aromatic amines in food contact materials[J].Food&Machinery, 2006,22(6): 121-126. (in Chinese)

[2] Yuta K, Jurs P C. Computer-assisted structure-activity studies of chemical carcinogens. aromatic amines [J].JournalofMedicalChemistry, 1981,24(3): 241-251.

[3] Benigni R, Worth A, Netzeva T, et al. Structural motifs modulating the carcinogenic risk of aromatic amines [J].EnvironmentalandMolecularMutagenesis, 2009,50(2): 152-161.

[4] 朱永平,余應(yīng)年,陳星若.芳香胺致癌活性的Fisher判別研究[J].中華預(yù)防醫(yī)學(xué)雜志,1999,33(1):21-25.

Zhu Yongping, Yu Yingnian, Chen Xingruo. Fisher discriminant analysis for carcinogenic potency of aromatic amines [J].ChineseJournalofPreventiveMedicine, 1999,33(1): 21-25. (in Chinese)

[5] 戴乾圜,鄭昔英,王宗一.芳胺結(jié)構(gòu)致癌活性關(guān)系的雙區(qū)理論定量闡釋[J].中國科學(xué):化學(xué),1990,40(7):681-688.

Dai Quanhuan, Zheng Xinying, Wang Zongyi. Di-region theory study the structure-carcinogenicity relationship of aromatic amines[J].ScientiaSinicaChimica, 1990,40(7): 681-688. (in Chinese)

[6] Benigni R. Structure-activity relationship studies of chemical mutagens and carcinogens: mechanistic investigations and prediction approaches [J].ChemicalReviews, 2005,105(5): 1767-1800.

[7] Benigni R, Bossa C, Tcheremenskaia O, et al. The new ISSCAN database on in vivo micronucleus and its role in assessing genotoxicity testing strategies [J].Mutagenesis, 2012，27(1): 87-92.

[8] Kujawski J, Bernard M K, Janusz A, et al. Prediction of logP: ALOGPS application in medicinal chemistry education [J].JournalofChemicalEducation, 2012,89(1): 64-67.

[9] Katritzky A R, Perumal S, Petrukhin R, et al. CODESSA-based theoretical QSPR model for hydantoin HPLC-RT lipophilicities [J].JournalofChemicalInformationandComputerSciences, 2001,41(3): 569-574.