CN105005641B - 基于综合毒性作用模式分类构建的qsar模型预测有机化合物对大型蚤急性毒性的方法 - Google Patents

基于综合毒性作用模式分类构建的qsar模型预测有机化合物对大型蚤急性毒性的方法 Download PDF

Info

Publication number
CN105005641B
CN105005641B CN201510347479.0A CN201510347479A CN105005641B CN 105005641 B CN105005641 B CN 105005641B CN 201510347479 A CN201510347479 A CN 201510347479A CN 105005641 B CN105005641 B CN 105005641B
Authority
CN
China
Prior art keywords
compound
model
class
ext
toxicity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510347479.0A
Other languages
English (en)
Other versions
CN105005641A (zh
Inventor
乔显亮
刘羽晨
李雪花
陈景文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201510347479.0A priority Critical patent/CN105005641B/zh
Publication of CN105005641A publication Critical patent/CN105005641A/zh
Application granted granted Critical
Publication of CN105005641B publication Critical patent/CN105005641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)

Abstract

本发明公开了一种基于综合毒性作用模式分类构建的有机化合物对大型蚤急性毒性QSAR模型。首先发展了一个综合的毒性作用模式分类方法，采用该方法基于结构特征对化合物进行分类。将化合物根据该方法进行分类后，在获得化合物分子结构描述符的基础上，通过多元线性回归方法，构建了EC50模型，可快捷、高效地预测有机化合物对大型蚤急性效应浓度的EC50值；并依照经济合作与发展组织关于QSAR模型构建和验证导则，对模型拟合优度、稳健性和预测能力进行了表征；模型应用域明确；预测模型简明、易于程序化，能为有机化学品的急性毒性评价提供重要数据支持。

Description

基于综合毒性作用模式分类构建的QSAR模型预测有机化合物 对大型蚤急性毒性的方法
技术领域
本发明涵盖一种综合毒性作用模式分类方法，以及基于这种分类方法建立定量构效关系模型(QSAR)预测有机化合物对大型蚤急性毒性的方法，属于生态风险评价测试策略领域。
背景技术
欧盟发布的REACH法规(Registration,Evaluation,Authorization andRestriction of Chemicals)要求进入欧盟市场的所有化学品需要进行预防性管理，并计划对进入欧盟市场每年超过1吨的化学品进行毒性评估。然而，这项任务面临着巨大的挑战，一方面目前的化学品信息非常缺失，例如根据欧盟商品化的化学品清单，既有化学品和新化学品总数已达132,119种，但仅有2198种化学品具有实验测试的急性毒性数据。另一方面，传统的测试方法耗费大量的人力物力，时间滞后，而且违反动物保护的“3R”原则。因此，欧盟和美国都提倡采用一些预测技术来弥补化学品管理中的数据缺失。QSAR能够通过计算化学品的特征参数对现有和尚未投入使用的化学品的毒理学效应进行预测和评价，有助于化学品的管理和风险评价。经济合作与发展组织(OECD)于2007年提出了QSAR模型发展和使用准则，符合该准则的QSAR模型可以应用于化学品风险评价、筛选和优先控制等管理。
化合物的毒性取决于两个过程:一是污染物透过生物膜并到达作用靶点的过程，二是污染物在作用靶点与生物大分子之间的相互作用过程。因此，认识毒性作用模式(Modeof Action,MOA)是建立毒理学效应QSAR模型的基础和前提。目前研究者提出了几种毒性作用模式，文献“Chemosphere.1992,25(4):471-491”总结了化合物的毒性作用模式及其结构特征，将毒性作用模式分为四类，并依据化合物的结构提出了较详细的分类规则。“Quantitative Structure-Activity Relationships.2001,19(6):581-598”将化合物分为基线毒性和过量毒性，并结合了化合物结构和一些理化性质提出了分类规则。“ChemicalResearch in Toxicology.2005,18(3):536-555”基于大型蚤急性毒性数据，采用结构预警对化合物进行分类，以区分基线毒性和过量毒性化合物，进而筛选优先测试的化合物。“Environmental Toxicology and Chemistry.1997,16(5):948-967”使用大量的毒性数据，从剂量-反应关系、联合毒性反应、鱼类急性毒性综合症(FATS)等方面研究鱼的毒性作用模式，并将毒性作用模式分为八类。“Aquatic toxicology.2015,161:102-107”基于MOA提出了一个涵盖6大类，31小类的分类规则。目前提出的几种MOA分类方法各有优势和不足，因此本研究将几种MOA分类方法的优势结合，从构建QSAR模型出发，发展了一个综合的毒性作用模式分类方法，最终将化合物分为三类，分别为麻醉剂化合物，反应活性化合物，特殊反应活性化合物。
具有相似结构的化合物一般具有相同的毒性作用机制，因此有研究者将结构相似的同类化合物作为训练集构建模型，如文献“Journal of hazardous materials.2013,258:50-60”使用Dragon描述符建立三唑类化合物对大型蚤急性毒性QSAR模型，模型决定系数为0.77。文献“Chemosphere.2009,75(11):1531-1538”构建了有机磷酸酯类化合物对大型蚤急性毒性QSAR模型，模型使用了亲水性以及电子描述符，模型决定系数为0.82。这类模型主要包含一些毒性较大，受到广泛关注的化合物，通常预测准确，简单透明，其不足是覆盖的化合物种类太少，应用域都比较小。有研究者将多种类别化合物一起建模，如文献“Journal of hazardous materials.2010,177(1):344-351”选取了297个化合物的大型蚤急性毒性数据，使用了12个2D、3D描述符，决定系数R2仅为0.738。这类模型包含的数据集较大，一定程度上解决了应用域问题，但由于化合物的毒性MOA差异较大，模型拟合效果不好，有些需要使用较多的描述符。随着一些机器学习类算法的引入，人工智能类模型被应用于QSAR建模。如文献“SAR and QSAR in Environmental Research.2008,19(7-8):735-750”运用概率神经网络算法建立大型蚤急性毒性的QSAR模型，模型的拟合能力较好，决定系数达0.85。基于机器学习的方法构建的模型虽然具有较好的拟合度，但模型算法和形式不够透明，机理解释性较差，会影响到结果的可信度和可接受程度。目前基于MOA分类构建的模型主要针对麻醉类化合物，对具有反应活性的化合物研究较少，主要是由于MOA分类复杂，限制了模型的发展。本发明发展了一种综合的毒性MOA分类方法，可以根据化合物结构进行分类，分类规则明确，覆盖的化合物种类多样。在分类基础建立了3类化合物的大型蚤急性毒性QSAR模型，并对模型的预测能力和应用域进行了表征，所构建的模型可以用于大型蚤急性毒性的预测，以支撑化学品的管理。
发明内容
本发明提供了一项以化合物结构为分类规则的综合毒性作用模式分类方法，基于该综合分类方法构建QSAR模型，可以快捷、高效地预测有机化合物对大型蚤急性毒性信息。该方法可直接根据有机化合物的分子结构预测化合物对大型蚤的48小时半数效应浓度(–logEC50)值，进而了解目标化合物对水生生物的急性毒性，为化合物的生态风险性评价和管理提供必要的基础数据。
本发明的技术方案如下：
一种基于综合毒性作用模式分类构建的QSAR模型预测有机化合物对大型蚤急性毒性的方法，其特征在于，根据综合毒性作用模式分类方法对化合物分类，分类规则如下：
(1)根据化合物的结构判断该化合物是否属于有机磷酸酯类化合物、氨基甲酸酯类化合物、DDT类杀虫剂、氯化脂环族杀虫剂或拟除虫菊酯类农药中的任意一种，若符合，则该化合物属于特殊反应活性化合物class III，若不符合，继续判断；
(2)再进行化合物的结构判断，该化合物是否属于以下各物质的任意一种：
a、苯酚，苯胺或吡啶类化合物且含有四个及以上卤素取代；
b、苯酚或苯胺类化合物且含有一个以上硝基取代；
c、苯酚与芳香环通过偶氮双键连接形成的化合物；
d、含有如下结构之一的化合物：
含此结构且logKow<1、含此结构且分子量<100
道尔顿、-S-S-脂肪胺且logKow<1；
其中：R1＝H,CH3；R2＝H,CH3,C2H5；X＝卤素,Y＝C,O,N；Z＝O,N；L＝离去基团；所述的离去基团为能够固定孤立负电荷的结构；
若符合，则该化合物属于反应活性化合物class II，若不符合，继续判断；(3)继续判断，根据化合物的结构判断该化合物是否属于以下各物质的任意一种：
a、只含C,H,O或卤素，当该物质为酯时，其logKow>2；
b、只含C,H,N，当该物质为吡啶时，其logKow>1；当该物质为脂肪胺时，其MW>100；
c、只含C,H,O,N；
d、含有如下结构之一的化合物：
且其取代基中只含C,H,O,S；
若符合，则该化合物属于麻醉剂化合物class I，若不符合，则该化合物不为上述三类中的任何一类；
搜集到871个大型蚤毒性数据EC50，得到48h-logEC50值，根据上述综合毒性作用模式分类方法，分类得到403个麻醉剂化合物class I，380个反应活性化合物class II，88个特殊反应活性化合物class III；
按照4:1的比例将上述三类化合物的大型蚤毒性数据分别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；对上述三类化合物进行结构优化，基于优化的结构，计算化合物的Dragon描述符，采用逐步多元线性回归方法构建模型；
模型如下：
Class I
-logEC50＝1.783+0.543MLOGP+0.218X3sol-1.603nArCOOH-0.769O-056+0.488GATS1s
其中MLOGP表示Moriguchi辛醇水分配系数，X3sol表示3阶溶剂连接性指数，nArCOOH表示芳香环上羧基的个数，O-056表示化合物中醇结构信息，GATS1s是I-state加权的Geary自相关系数；
所得模型训练集化合物个数为n＝322，每个描述符的变量膨胀因子均小于10，自变量与因变量组成的矩阵MYX以及自变量矩阵MX的K相关指数KXY和KXX满足KXX＝0.230<KXY＝0.358，表明模型不存在多重相关性；模型的拟合能力由R2和均方根误差RMSE表征，R2＝0.819，RMSE＝0.623，表明该模型具有良好的拟合能力；模型的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＝0.812，Q2 BOOT＝0.796，R2和Q2之差远小于0.3，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next＝81，外部决定系数R2 ext为0.752，外部验证系数Q2 ext为0.750，验证集的均方根误差RMSEext为0.657，表明该模型具有良好的外部预测能力；
Class II
-logEC50＝4.709+0.075MLOGP2+0.022D/Dtr03+1.923Ks-1.637GATS1p+0.087F08[C-C]-0.012SAdon
其中MLOGP2表示Moriguchi辛醇-水分配系数的平方，D/Dtr03表示化合物中三元环结构，Ks表示I-state加权的WHIM描述符，GATS1p表示极性加权的Geary自相关系数，F08[C-C]表示表示拓扑距离8中的C-C键的出现频率，SAdon表示供体原子表面积；
所得模型训练集化合物个数为n＝304，每个描述符的变量膨胀因子均小于10，KXX＝0.252<KXY＝0.341，表明模型不存在多重相关性；模型的R2＝0.746，RMSE＝0.717，表明该模型具有良好的拟合能力；模型的Q2 LOO和Q2 BOOT分别为0.729和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next＝76，R2 ext＝0.770，Q2 ext＝0.765，RMSEext＝0.780，表面该模型具有良好的外部预测能力；
Class III
-logEC50＝6.709+0.292RDF115m-1.01GATS5s+1.882GGI5-0.59CATS2D_04_DA+141.812Psi_i_0d
其中RDF115m表示质量加权的径向分布函数，GATS5s表示I-state加权的Geary自相关描述符，GGI5表示5阶拓扑电荷指数，CATS2D_04_DA表示lag 04处的CATS2D供体受体，Psi_i_0d表示固有状态下的伪链接指数；
所得模型训练集化合物个数为n＝71，每个描述符的变量膨胀因子均小于10，KXY和KXX分别为0.185和0.292，ΔK＝KXX-KXY＝0.107>0，表明模型不存在多重相关性；模型的R2为0.703，RMSE为0.369，说明模型具有较好的拟合能力；模型的Q2 LOO为0.637，Q2 BOOT为0.771说明模型的稳健性较好；在模型的外部验证过程中，验证集数据个数next＝17，R2 ext＝0.667，Q2 ext＝0.638，RMSEext＝0.821，表面该模型具有良好的外部预测能力。
所述的化合物包括烷烃类化合物、烯烃类化合物、炔烃类化合物、芳香烃类化合物、醇类化合物、醛类化合物、酮类化合物、醚类化合物、酸类化合物、脂类化合物、卤代类化合物、含氮化合物、含硫化合物、含磷化合物；毒性作用模式包括麻醉作用、氧化磷酸化解偶联作用、呼吸抑制作用、乙酰胆碱酶抑制作用、中枢神经系统控制作用的多种毒性作用模式。
采用Williams图对模型的应用域进行表征。当化合物的Hat(hi)值大于警戒值(h*)时，说明化合物不在模型应用域内。hi和h*由如下公式计算：
hi＝xi T(XTX)-1xi(1)
h*＝3(k+1)/n (2)
其中xi是第i个化合物的描述符矩阵；xi T是xi的转置矩阵；X是所有化合物的描述符矩阵；XT是X的转置矩阵；(XTX)-1是矩阵XTX的逆；k是模型中变量的个数。三类化合物模型的h*分别为0.0559，0.0691和0.2500，因此，对hi小于0.0559，0.0691和0.2500的化合物分别适用于class I，class II和class III三类模型。
本发明的有益效果是采用本发明方法可以通过分子结构特征快速预测有机化合物对大型蚤急性毒性值。该方法不仅简单快捷、成本低廉，而且节省了实验测定所需的人力、物力和财力。本发明涉及的大型蚤急性毒性预测方法的建立和验证严格依据OECD规定的QSAR模型发展和使用导则，因此，使用该发明专利预测的大型蚤急性毒性值，可以为化学品监管提供数据支持，对化学品的生态风险性评价具有重要意义。
本发明提供的方法具有如下特点：
1、本发明综合了鱼和大型蚤等水生生物毒性机制分类的研究，将不同毒性分类方法整合，保留其共性和各自的优势，提出了适用于大型蚤的毒性作用模式分类方法，最终将化合物分为三类，分别为麻醉剂化合物，反应活性化合物，特殊反应活性化合物。涵盖麻醉作用、氧化磷酸化解偶联作用、呼吸抑制作用、乙酰胆碱酶抑制作用、中枢神经系统控制作用等多种毒性作用模式，可用于识别多种类化合物的毒性MOA。
2、根据本发明提出的MOA分类方法，对化合物分类并构建QSAR模型，建立的模型具有良好的拟合度，稳健性和预测能力，建模过程中采用逐步多元线性回归方法，模型简洁，易于解释，符合OECD关于QSAR模型构建和使用的导则，能够为有机化学品生态风险评价提供基础数据。
附图说明
图1为三类化合物预测模型的训练集和验证集-logEC50的实测值与预测值的拟合图。
图2为三类化合物预测模型的Williams图。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
实施例1
给定一个化合物1,2-二氯丙烷(CAS号78-87-5)，预测其对大型蚤急性毒性值。首先根据本发明提出的综合毒性作用模式分类规则进行分类，符合规则3，属于class I。对化合物进行分子结构优化，基于优化的分子结构，使用Draogon6.0软件计算MLOGP，X3sol，nArCOOH，O-056和GATS1s的值分别为2.226，1.531，0，0，0.628。然后根据公式(1)计算的h值为0.0034(<0.0559)，所以该化合物在模型应用域内，可以运用class I模型进行预测。将以上描述符的值代入class I模型公式得到-logEC50值为3.63，其中实验值为3.58，预测结果良好。
实施例2
给定一个化合物乙醛(CAS号75-07-0)，预测其对大型蚤急性毒性值。首先根据分类规则进行分类，符合规则2.2，属于class II。对化合物进行分子结构优化，基于优化的分子结构，使用Draogon 6.0软件计算MLOGP2，D/Dtr03，Ks，GATS1p，F08[C-C]，SAdon的值分别为0.101，0，0.701，1.74，0，0。然后根据公式(1)计算的h值为0.0199(<0.0691)，所以该化合物在模型应用域内，可以运用class II模型进行预测。将以上描述符的值代入class II模型公式得到-logEC50值为3.22，其中实验值为3.17，预测结果良好。
实施例3
给定一个化合物敌百虫(CAS号52-68-6)，预测其对大型蚤急性毒性值。首先根据分类规则进行分类，符合规则1.1，属于class III。对化合物进行分子结构优化，基于优化的分子结构，使用Draogon 6.0软件计算RDF115m，GATS5s，GGI5，CATS2D_04_DA，Psi_i_0d的值分别为0，0.829，0，0，0.003。然后根据公式(1)计算的h值为0.0379(<0.2500)，所以该化合物在模型应用域内，可以运用class III模型进行预测。将以上描述符的值代入classIII模型公式得到-logEC50值为6.30，其中实验值为6.31，预测结果良好。

Claims (2)

1.一种基于综合毒性作用模式分类构建的QSAR模型预测有机化合物对大型蚤急性毒性的方法，其特征在于，
(1)根据化合物的结构判断该化合物是否属于有机磷酸酯类化合物、氨基甲酸酯类化合物、DDT类杀虫剂、氯化脂环族杀虫剂、拟除虫菊酯类农药中任意一种，若符合则该化合物属于特殊反应活性化合物class III，若不符合继续下一步；
(2)判断化合物结构是否属于以下各物质中的一种：
a、苯酚，苯胺或吡啶类化合物且含有四个及以上卤素取代；
b、苯酚或苯胺类化合物且含有一个以上硝基取代；
c、苯酚与芳香环通过偶氮双键连接形成的化合物；
d、含有如下结构之一的化合物：
-N＝C＝S、-S-C≡N、
H2N-NH2、-N＝N--C≡C-C≡N、-N＝C＝O、
含此结构且logKow<1、含此结构且分子量<100道尔顿、-S-S-、脂肪胺且logKow<1；
其中：R1＝H,CH3；R2＝H,CH3,C2H5；X＝卤素,Y＝C,O,N；Z＝O,N；L＝离去基团；所述的离去基团为能够固定孤立负电荷的结构；
若符合，则该化合物属于反应活性化合物class II，若不符合，继续下一步；
(3)判断化合物结构是否属于以下各物质中的一种：
a、只含C,H,O或卤素，当该物质为酯时，其logKow>2；
b、只含C,H,N，当该物质为吡啶时，其logKow>1；当该物质为脂肪胺时，其MW>100；
c、只含C,H,O,N；
d、含有如下结构之一的化合物：
且其取代基中只含C,H,O,S；
若符合，则该化合物属于麻醉剂化合物class I，若不符合，则该化合物不为上述三类中的任何一类；
搜集到871个大型蚤毒性数据EC50，得到48h-logEC50值，根据上述综合毒性作用模式分类方法，分类得到403个麻醉剂化合物class I，380个反应活性化合物class II，88个特殊反应活性化合物class III；
按照4:1的比例将上述三类化合物的大型蚤毒性数据分别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；对上述三类化合物进行结构优化，基于优化的结构，计算化合物的Dragon描述符，采用逐步多元线性回归方法构建模型；
模型如下：
Class I
-logEC50＝1.783+0.543MLOGP+0.218X3sol-1.603nArCOOH-0.769O-056+0.488GATS1s
其中MLOGP表示Moriguchi辛醇水分配系数，X3sol表示3阶溶剂连接性指数，nArCOOH表示芳香环上羧基的个数，O-056表示化合物中醇结构信息，GATS1s是I-state加权的Geary自相关系数；
所得模型训练集化合物个数为n＝322，每个描述符的变量膨胀因子均小于10，自变量与因变量组成的矩阵MYX以及自变量矩阵MX的K相关指数KXY和KXX满足KXX＝0.230<KXY＝0.358，表明模型不存在多重相关性；模型的拟合能力由R2和均方根误差RMSE表征，R2＝0.819，RMSE＝0.623，表明该模型具有良好的拟合能力；模型的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＝0.812，Q2 BOOT＝0.796，R2和Q2之差远小于0.3，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next＝81，外部决定系数R2 ext为0.752，外部验证系数Q2 ext为0.750，验证集的均方根误差RMSEext为0.657，表明该模型具有良好的外部预测能力；
Class II
-logEC50＝4.709+0.075MLOGP2+0.022D/Dtr03+1.923Ks-1.637GATS1p+0.087F08[C-C]-0.012SAdon
其中MLOGP2表示Moriguchi辛醇-水分配系数的平方，D/Dtr03表示化合物中三元环结构，Ks表示I-state加权的WHIM描述符，GATS1p表示极性加权的Geary自相关系数，F08[C-C]表示表示拓扑距离8中的C-C键的出现频率，SAdon表示供体原子表面积；
所得模型训练集化合物个数为n＝304，每个描述符的变量膨胀因子均小于10，KXX＝0.252<KXY＝0.341，表明模型不存在多重相关性；模型的R2＝0.746，RMSE＝0.717，表明该模型具有良好的拟合能力；模型的Q2 LOO和Q2 BOOT分别为0.729和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next＝76，R2 ext＝0.770，Q2 ext＝0.765，RMSEext＝0.780，表面该模型具有良好的外部预测能力；
Class III
-logEC50＝6.709+0.292RDF115m-1.01GATS5s+1.882GGI5-0.59CATS2D_04_DA+141.812Psi_i_0d
其中RDF115m表示质量加权的径向分布函数，GATS5s表示I-state加权的Geary自相关描述符，GGI5表示5阶拓扑电荷指数，CATS2D_04_DA表示lag 04处的CATS2D供体受体，Psi_i_0d表示固有状态下的伪链接指数；
所得模型训练集化合物个数为n＝71，每个描述符的变量膨胀因子均小于10，KXY和KXX分别为0.185和0.292，ΔK＝KXX-KXY＝0.107>0，表明模型不存在多重相关性；模型的R2为0.703，RMSE为0.369，说明模型具有较好的拟合能力；模型的Q2 LOO为0.637，Q2 BOOT为0.771说明模型的稳健性较好；在模型的外部验证过程中，验证集数据个数next＝17，R2 ext＝0.667，Q2 ext＝0.638，RMSEext＝0.821，表面该模型具有良好的外部预测能力。
2.根据权利要求1所述的一种基于综合毒性作用模式分类构建的QSAR模型预测有机化合物对大型蚤急性毒性的方法，其特征在于，所述的化合物包括烷烃类化合物、烯烃类化合物、炔烃类化合物、芳香烃类化合物、醇类化合物、醛类化合物、酮类化合物、醚类化合物、酸类化合物、脂类化合物、卤代类化合物、含氮化合物、含硫化合物、含磷化合物；毒性作用模式包括麻醉作用、氧化磷酸化解偶联作用、呼吸抑制作用、乙酰胆碱酶抑制作用、中枢神经系统控制作用的多种毒性作用模式。
CN201510347479.0A 2015-06-18 2015-06-18 基于综合毒性作用模式分类构建的qsar模型预测有机化合物对大型蚤急性毒性的方法 Active CN105005641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510347479.0A CN105005641B (zh) 2015-06-18 2015-06-18 基于综合毒性作用模式分类构建的qsar模型预测有机化合物对大型蚤急性毒性的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510347479.0A CN105005641B (zh) 2015-06-18 2015-06-18 基于综合毒性作用模式分类构建的qsar模型预测有机化合物对大型蚤急性毒性的方法

Publications (2)

Publication Number Publication Date
CN105005641A CN105005641A (zh) 2015-10-28
CN105005641B true CN105005641B (zh) 2018-01-16

Family

ID=54378317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510347479.0A Active CN105005641B (zh) 2015-06-18 2015-06-18 基于综合毒性作用模式分类构建的qsar模型预测有机化合物对大型蚤急性毒性的方法

Country Status (1)

Country Link
CN (1) CN105005641B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107478817A (zh) * 2017-08-03 2017-12-15 河海大学 一种自动化检测药物对大型溞急性毒性的系统及方法
CN110702889A (zh) * 2019-09-23 2020-01-17 常州大学 邻苯二甲酸酯对水蚤毒性效应的预测方法、设备及介质
CN114360661B (zh) * 2022-01-06 2022-11-22 中国人民解放军国防科技大学 基于群体智能优化模型的分子结构预测方法及相关设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5169852A (en) * 1989-06-08 1992-12-08 Neurex Corporation Method of suppressing appetite by administration of tetrahydro-beta-carboline derivatives
CN1875368A (zh) * 2003-10-31 2006-12-06 切夫里昂奥罗尼特有限责任公司 把大量模型建立用于化学组分的产品开发处理过程的方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5169852A (en) * 1989-06-08 1992-12-08 Neurex Corporation Method of suppressing appetite by administration of tetrahydro-beta-carboline derivatives
CN1875368A (zh) * 2003-10-31 2006-12-06 切夫里昂奥罗尼特有限责任公司 把大量模型建立用于化学组分的产品开发处理过程的方法和系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Classifying environmental pollutants. I. Structure-activity relationships for prediction of aquatic toxicity;HENK J.M. VERHAAR 等;《Chemosphere》;19920131;第25卷(第4期);471-491 *
Predicting modes of toxic action from chemical structure;CHRISTINE L.RUSSOM 等;《Environmental Toxicology & Chemistry》;20130731;第32卷(第7期);1441-1442 *
Structural alerts--a new classification model to discriminate excess toxicity from narcotic effect levels of organic compounds in the acute daphnid assay;Peter C.von der Ohe 等;《Chemical Research in Toxicology》;20050531;第18卷(第3期);536-555 *
水生生物急性毒性QSAR模型研究进展;刘羽晨 等;《生态毒理学报》;20150228;第10卷(第2期);26-35 *
环境化学中有机化合物毒性的QSAR研究方法;于瑞莲 等;《环境科学与技术》;20030131;第26卷(第1期);57-59 *

Also Published As

Publication number Publication date
CN105005641A (zh) 2015-10-28

Similar Documents

Publication Publication Date Title
Spear et al. Use of resistance surfaces for landscape genetic studies: considerations for parameterization and analysis
DeLuca et al. Influence of land use on the integrity of marsh bird communities of Chesapeake Bay, USA
O'Connell et al. Bird guilds as indicators of ecological condition in the central Appalachians
CN105005641B (zh) 基于综合毒性作用模式分类构建的qsar模型预测有机化合物对大型蚤急性毒性的方法
Berlow et al. Interaction strengths in food webs: issues and opportunities
Teixeira et al. Linking biodiversity to ecosystem services supply: Patterns across aquatic ecosystems
Olden et al. Rediscovering the species in community‐wide predictive modeling
CN108460134A (zh) 基于多源域集成迁移学习的文本主题分类模型及分类方法
Bastin et al. Range assessment and monitoring in arid lands: the use of classification and ordination in range survey
CN106776884A (zh) 一种基于多标签组合多分类器的恐怖行为预测方法
Boon et al. The application of SERCON (System for Evaluating Rivers for Conservation) to a selection of rivers in Britain
Pinto-Cruz et al. Plant communities as a tool in temporary ponds conservation in SW Portugal
CN111260262A (zh) 一种自然保护地保护成效评估方法和系统及其应用
CN108519347A (zh) 一种基于二进制蜻蜓算法的红外光谱波长选择方法
Arias‐Real et al. Diversity mediates the responses of invertebrate density to duration and frequency of rivers' annual drying regime
CN104573863A (zh) 预测水相中有机化合物与羟基自由基反应速率常数的方法
Akçakaya Conservation and management for multiple species: integrating field research and modeling into management decisions
Gauffre et al. Agricultural intensification alters marbled newt genetic diversity and gene flow through density and dispersal reduction
Allen Ecological type classification for California: the Forest Service approach
Siontorou et al. Error identification/propagation/remediation in biomonitoring surveys—A knowledge-based approach towards standardization via fault tree analysis
CN101894216B (zh) 从snp数据中发现与复杂疾病相关snp组的方法
CN107516016A (zh) 一种通过构建定量构效关系模型预测疏水性化合物的硅油‑空气分配系数的方法
Gao et al. Determining the weights of influencing factors of construction lands with a neural network algorithm: a case study based on Ya’an City
Urban A modeling framework for restoration ecology
CN108647263A (zh) 一种基于网页切分爬取的网络地址置信度评估方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant