堵錫華，王超

徐州工程學院 化學化工學院，徐州 221111

?

神經(jīng)網(wǎng)絡法應用于酚類化合物對青?；【拘缘念A測

堵錫華，王超

徐州工程學院 化學化工學院，徐州 221111

青海弧菌對有毒酚類化合物具有強烈的敏感性，為建立酚類衍生物對青海弧菌毒性的定量結(jié)構(gòu)-活性相關(guān)性(QSAR)模型，分析了16種酚類衍生物的分子結(jié)構(gòu)與對青?；【拘灾g的相關(guān)關(guān)系，計算了酚類衍生物的分子連接性指數(shù)和分子形狀指數(shù)，并優(yōu)化篩選了分子連接性指數(shù)的1階路徑指數(shù)(1χ)和分子形狀指數(shù)的2階特征指數(shù)(K2)及1階和2階指數(shù)乘積值(K4)，用這3種指數(shù)與對青?；【亩拘赃M行多元回歸分析，多元回歸方程的決定系數(shù)R2=0.971。為進一步提高預測精度，將這3種分子結(jié)構(gòu)參數(shù)作為神經(jīng)網(wǎng)絡的輸入變量，毒性值作為輸出變量，采用3:2:1的網(wǎng)絡結(jié)構(gòu)，通過反向傳播(BP)神經(jīng)網(wǎng)絡法獲得滿意的QSAR預測模型，總的相關(guān)系數(shù)r為0.996，計算得到的毒性預測值與實驗值較為吻合，平均相對誤差僅為1.98%，結(jié)果表明該模型具有良好的預測酚類衍生物毒性的能力，可以看出神經(jīng)網(wǎng)絡方法對酚類化合物發(fā)光菌毒性預測比多元線性回歸方法的統(tǒng)計學意義更加明顯。

酚類衍生物；青海弧菌；分子連接性指數(shù)；分子形狀指數(shù)；定性結(jié)構(gòu)-活性相關(guān)性

Received 5 February 2016 accepted 27 June 2016

酚類化合物主要來源于化工精細化學品生產(chǎn)過程中的三廢排放，它具有中等強度的毒性，會對人身造成一定的傷害，故部分酚類化合物早已被美國和歐盟列入優(yōu)先監(jiān)測控制污染物的黑名單[1]，我國也將多種酚類化合物確定為優(yōu)先控制重點有機污染物[2]。正因為酚類化合物對生物體具有毒性，有“三致”作用，故引起世界各國科學家對該類化合物的高度重視，眾多科研工作者對酚類化合物的毒性或活性也進行了卓有成效的研究，取得了較多的成果。但由于酚類化合物種類繁多，其毒性無法一一通過實驗進行測定，利用定量結(jié)構(gòu)-活性相關(guān)性(QSAR)研究方法對其進行毒性預測不失為一種有效的方法，該方法在生物化學、藥物化學、環(huán)境化學等方面已得到廣泛應用[3-5]，利用該法可以預測有機化合物的物化性質(zhì)、毒性及其環(huán)境效應等方面的一些重要參數(shù)[6-7]，很多科研工作者為此進行了有益的嘗試[8-10]，取得了令人矚目的成果。

青?；【侵煳慕芙淌赱11]分離得到的一種新型淡水發(fā)光細菌，將該發(fā)光細菌應用于毒性檢測具有更為快速、簡便和高效的優(yōu)點[12]，故被廣泛用于生物毒性測試研究[13-14]，該法能更好地對淡水污染物進行毒性評價[15]。雖然目前對酚類化合物進行毒性研究的成果較多，但利用人工神經(jīng)網(wǎng)絡(ANN)方法對此研究的較為少見，為此本文在前面工作[16-17]基礎上，應用神經(jīng)網(wǎng)絡研究方法，利用文獻[18]的方法測定的16個酚類化合物對青海弧細菌Q67的毒性pEC50(相對發(fā)光率為50%時，對應化合物摩爾濃度(mol·L-1)的負對數(shù))，建立了分子結(jié)構(gòu)與毒性值之間的關(guān)系模型，取得了明顯優(yōu)于文獻[18]的研究結(jié)果，本法對研究酚類污染物毒性效應及環(huán)境風險評價有重要意義。

1 研究方法(Research methods)

1.1 酚類化合物毒性數(shù)據(jù)

16種酚類化合物見表1，其對青?；【亩拘詳?shù)據(jù)(pEC50)來源于文獻[18]。

1.2 分子連接性指數(shù)與分子形狀指數(shù)的建立

應用Chem3D 9.0軟件繪制出16個酚類化合物的分子結(jié)構(gòu)圖，然后使用MATLAB自編程序[19]計算分子連接性指數(shù)和分子形狀屬性指數(shù)[20]，用MINITAB軟件進行最佳變量子集回歸分析，對2類指數(shù)進行優(yōu)化篩選，結(jié)果見表2，從表2可以看出，只有選取分子連接性指數(shù)中的1χ和分子形狀指數(shù)的K2和K4(因樣本只有16個分子，故變量不能超過3個)，1χ表示分子連接性指數(shù)中的1階路徑指數(shù)，K2表示2階形狀特征指數(shù)，K4表示1階和2階形狀特征指數(shù)的乘積值，將這3個分子結(jié)構(gòu)描述符作為變量與酚類化合物的毒性數(shù)據(jù)進行回歸分析時，結(jié)構(gòu)參數(shù)與毒性之間的相關(guān)性能達到最佳，而且得到的FIT值最大，說明此模型越穩(wěn)定，預測能力也越強。

1.3 多元回歸模型的建構(gòu)

將文獻[18]中列出的16種酚類化合物對青?；【亩拘灾祊EC50與優(yōu)化篩選的3種結(jié)構(gòu)參數(shù)1χ、K2和K4進行多元回歸相關(guān)分析，得到三元回歸方程為：

pEC50=1.3011χ-2.452 K2+3.359 K4+1.790

(1)

該方程的決定系數(shù)R2為0.971，利用式(1)預測其對青?；【拘灾?，所得預測值(1)也列于表1，它與實驗值之間的平均相對誤差(1)為4.10%，基本符合要求，但對2,6-二氯苯酚和3-氯苯酚2個分子的預測誤差均超過10%，說明酚類化合物結(jié)構(gòu)參數(shù)與毒性之間并不完全是線性關(guān)系。

1.4 神經(jīng)網(wǎng)絡模型的建構(gòu)

為了進一步提高預測酚類化合物對青?；【拘缘臏蚀_性，并與多元回歸分析方法進行預測精度比較，用神經(jīng)網(wǎng)絡方法進一步進行研究，以多元回歸分析方法的3種分子結(jié)構(gòu)參數(shù)作為人工神經(jīng)網(wǎng)絡(ANN)方法的輸入層變量，將酚類化合物對青?；【亩拘灾底鳛檩敵鰧幼兞浚[含層H值則按照許祿等[21]的建議規(guī)則經(jīng)計算取2，因此人工神經(jīng)網(wǎng)絡法的網(wǎng)絡結(jié)構(gòu)采用3：2：1，為避免過度擬合，這里將16個酚類化合物樣本數(shù)據(jù)分成3組：訓練集(每5個數(shù)據(jù)作為1組，取其中第1、3、4個數(shù)據(jù)，依次類推)、測試集(每組的第2個數(shù)據(jù))和驗證集(每組的第5個數(shù)據(jù))，由此得到的人工神經(jīng)網(wǎng)絡預測模型總的相關(guān)系數(shù)r=0.9958，訓練集的相關(guān)系數(shù)r=0.9943、測試集的相關(guān)系數(shù)r=0.9998、驗證集的相關(guān)系數(shù)r=0.9999，利用該神經(jīng)網(wǎng)絡模型計算得到的酚類化合物對青?；【拘缘念A測值(2)也列于表1中，該預測值(2)與實驗值吻合度較為理想，兩者的平均相對誤差(2)僅為1.98%，而文獻[18]利用CoMFA方法所得結(jié)果的平均相對誤差為6.18%、利用CoMSIA方法所得結(jié)果的平均相對誤差為7.19%，本法結(jié)果明顯優(yōu)于文獻，所以這里可以看出，神經(jīng)網(wǎng)絡方法比多元回歸方法的預測精度有較大的提高，所建立模型的相關(guān)性明顯優(yōu)于多元回歸分析方法，模型的權(quán)重和偏置見表3。

表1 酚類化合物對青?；【拘缘念A測結(jié)果

表2 pEC50與1χ、K1、K2、K4的最佳變量子集回歸結(jié)果

表3 BP-ANN模型的權(quán)重和偏置

表4 Jackknifed決定系數(shù)的檢驗

2 結(jié)果與討論(Results and discussion)

2.1 模型穩(wěn)健性與預測能力的檢驗

2.2 模型分析

通過計算分子的連接性指數(shù)和形狀指數(shù)，利用這2類指數(shù)的其中3種指數(shù)與16種苯酚類化合物對青海弧菌的毒性值進行相關(guān)性分析，建立了相關(guān)性良好的預測苯酚類化合物對青?；【拘缘腝SAR模型，利用模型得到的毒性預測值與實驗值較為吻合，兩者的平均相對誤差僅為1.98%。對取代苯酚的分子結(jié)構(gòu)與其生物毒性進行分析發(fā)現(xiàn)，苯酚的鄰位和間位包括對位，引入基團的體積越小，則毒性越大；體積越大，其毒性反而越小。此外間位和對位引入基團的正電性越強，毒性越大[18]，從與神經(jīng)網(wǎng)絡模型的預測結(jié)果可以看出，預測毒性相對誤差最大的只有間硝基苯酚分子，相對誤差為5.16%，這可能與該分子中的硝基處于間位位置，此位置的基團越大，毒性值反而相對偏小，與硝基處于對位的對硝基苯酚相比，可能硝基又受苯環(huán)上羥基的影響，毒性值明顯小于對硝基苯酚，故導致預測誤差偏大；通過考察文獻和預測的毒性數(shù)據(jù)可以看出，總的來說，當酚的苯環(huán)上連接基團的體積越大、或連接的基團越多，酚類化合物的毒性越大，特別是吸電子基團的存在，會使苯環(huán)上的負電荷減小，化合物的毒性會增大；而分子連接性指數(shù)和分子形狀指數(shù)則能很好的反映酚類化合物分子的空間結(jié)構(gòu)特性，故指數(shù)與毒性之間能顯示很好的關(guān)聯(lián)性。

綜上可知：

(2)神經(jīng)網(wǎng)絡在構(gòu)建酚類化合物的毒性預測模型中，具有較強的糾錯能力，可對多元回歸模型進行有效地校正，使標準誤差明顯降低，能夠證明1χ、K2、K4與毒性之間具有良好的非線性關(guān)系，而不是線性關(guān)系。

故本研究建構(gòu)的QSAR模型對酚類化合物的毒性研究具有指導作用。

[1] 莫凌云, 劉海玲, 劉樹深, 等. 5種取代酚化合物對淡水發(fā)光菌的聯(lián)合毒性[J]. 生態(tài)毒理學報, 2006, 1(3): 259-264

Mo L Y, Liu H L, Liu S S, et al. Joint toxicity of 5 substituted phenols to freshwater photobacteria [J]. Asian Journal of Ecotoxicology, 2006, 1(3): 259-264 (in Chinese)

[2] 周文明, 傅德黔, 孫宗光. 中國水中優(yōu)先控制污染物黑名單的確定[J]. 環(huán)境科學研究, 1991, 4(6): 9-12

Zhou W M, Fu D Q, Sun Z G. Determination of black list of China's priority pollutants in water [J]. Research of Enviromental Sciences, 1991, 4(6): 9-12 (in Chinese)

[3] Su L, Zhang X, Yuan X, et al. Evaluation of joint toxicity of nitroaromatic compounds and copper to photobacterium phosphoreum and QSAR analysis [J]. Journal of Hazardous Materials, 2012, 241: 450-455

[4] Gu C, Ju X, Jiang X, et al. Improved 3D-QSAR analyzes for the predictive toxicology of polybrominated diphenyl ethers with CoMFA/CoMSIA and DFT [J]. Ecotoxicology and Environmental Safety, 2010, 73(6): 1470-1479

[5] Kar S, Roy K. QSAR modeling of toxicity of diverse organic chemicals to Daphnia magna using 2D and 3D descriptors [J]. Journal of Hazardous Materials, 2010, 177(1-3): 344-351

[6] 堵錫華, 王曉輝, 馮長君. 1-取代-2-氨基苯并咪唑化合物毒性的密度泛函理論研究[J]. 生態(tài)毒理學報, 2014, 9(6): 1204-1209

Du X H, Wang X H, Feng C J. Density functional theory study on the toxicity of 1-replaced-2-amino benzimidazole compounds [J]. Asian Journal of Ecotoxicology, 2014, 9(6): 1204-1209 (in Chinese)

[7] 程艷, 陳會明, 于文蓮, 等. QSAR技術(shù)對高關(guān)注化學物質(zhì)生態(tài)環(huán)境毒理風險預測[J]. 環(huán)境科學研究, 2009, 22(7): 817-822

Chen Y, Chen H M, Yu W L, et al. Eco-environmental toxicity risk prediction for substances of very high concern with QSAR approach [J]. Research of Environmental Sciences, 2009, 22(7): 817-822 (in Chinese)

[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)毒理學報, 2012, 7(4): 373-380

Zhang H, Li N, Ma M, et al. Quantitative structure-activity relationship for toxicity of fifteen substituted phenols to Vibrio qinghaiensis sp. -Q67 [J]. Asian Journal of Ecotoxicology, 2012, 7(4): 373-380 (in Chinese)

[9] Argese E, Bettiol C, Giurin G, et al. Quantitative structure-activity relationships for the toxicity of chlorophenols to mammalian submitochondrial particles [J]. Chemosphere, 1999, 38: 2281-2292

[10] 廖立敏, 卿東紅, 李建鳳, 等. 烴基酚類化合物結(jié)構(gòu)與毒性關(guān)系研究[J]. 環(huán)境化學, 2011, 30(2): 495-499

Liao L M, Qing D H, Li J F, et al. Quantitative structure-toxicity relationship study of alkylphenols [J]. Environmental Chemistry, 2011, 30(2): 495-499 (in Chinese)

[11] 朱文杰, 汪杰, 陳曉耘, 等. 發(fā)光細菌一新種-青?；【鶾J]. 海洋與湖沼, 1994, 25(3): 273-280

Zhu W J, Wang J, Chen X Y, et al. A new species of luminous bacteria Vibrio qinghaiensis SP. Nov. [J]. Oceanologia Et Limnologia Sinaca, 1994, 25(3): 273-280 (in Chinese)

[12] 朱文杰. 一種新型的環(huán)境污染檢測方法[J]. 化學世界, 2009, 4: 247-250

Zhu W J. A new method of the environmental toxicity assay [J]. Chemical World, 2009, 4: 247-250 (in Chinese)

[13] 姜丹, 周建國, 李娜, 等. 有機磷酸酯對青海弧菌Q67毒性的構(gòu)效關(guān)系[J]. 生態(tài)毒理學報, 2014, 9(1): 71-80

Jiang D, Zhou J G, Li N, et al. Quantitative structure-activity relationships between acute toxicity of organophosphates and Vibrio qinghaiensis sp. -Q67 [J]. Asian Journal of Ecotoxicology, 2014, 9(1): 71-80 (in Chinese)

[14] 張瑾, 劉樹深, 王成林, 等. 離子液體與廢水對青?；【鶴67的混合毒性研究[J]. 環(huán)境科學學報, 2013, 33(3): 850-855

Zhang J, Liu S S, Wang C L, et al. Combined toxicity of ionic liquids and industrial wastewater on Vibrio qinghaiensis sp. -Q67 [J]. Acta Scientiae Circumstantiae, 2013, 33(3): 850-855 (in Chinese)

[15] 李曉, 李娜, 饒凱鋒, 等. 苯并噻唑類污染物對青?；【鶴67毒性效應[J]. 生態(tài)毒理學報, 2015, 10(2): 167-172

Li X, Li N, Rao K F, et al. Toxicities of benzothiazole and benzothiazole derivatives (BTs) to Vibrio qinghaiensis sp. -Q67 [J]. Asian Journal of Ecotoxicology, 2015, 10(2): 167-172 (in Chinese)

[16] Du X H, Zhuang W C, Shi X Q, et al. Research on thermodynamic properties of polybrominated diphenylamine by neural network [J]. Chinese Journal of Chemical Physics, 2015, 28(1): 59-64.

[17] 堵錫華. 用新的路徑定位指數(shù)和神經(jīng)網(wǎng)絡研究多溴聯(lián)苯醚理化性質(zhì)[J]. 化工學報, 2014, 65(4): 1169-1178

Du X H. Physicochemical property of polybrominated diphenyl ethers by new path location index and neural network [J]. CIESC Journal, 2014, 65(4): 1169-1178 (in Chinese)

[18] 王甫洋, 張學勝, 劉輝. 幾種酚衍生物對青?；【鶴67毒性的3D-QSAR研究[J]. 環(huán)境科學學報, 2012, 32(11): 2884-2890

Wang F Y, Zhang X S, Liu H. 3D-QSAR study on the toxicities of phenol derivatives to Vibrio-qinghaiensis sp. -Q67 [J]. Acta Scientiae Circumstantiae, 2012, 32(11): 2884-2890 (in Chinese)

[19] 張婷, 梁逸曾, 趙晨曦, 等. 基于分子結(jié)構(gòu)預測氣相色譜程序升溫保留指數(shù)[J]. 分析化學, 2006, 34(11): 1607-1610

Zhang T, Liang Y Z, Zhao C X, et al. Prediction of temperature-programmed retention indices from molecule structures [J].Chinese Journal of Analytical Chemistry, 2006, 34(11): 1607-1610 (in Chinese)

[20] Kier L B, Hall L H. Molecular Connectivity in Chemistry and Drug Research [M]. New York: Academic Press, 1976: 82

[21] 許祿, 邵學廣. 化學計量學方法[M]. 北京: 科學出版社, 2004: 441

Xu L, Shao X G. Methods of Chemometrics [M]. Beijing: Science Press, 2004: 441 (in Chinese)

Prediction of the Toxicity of Phenol Derivatives to Vibrio-qinghaiensis by Neural Network Method

Du Xihua, Wang Chao*

School of Chemistry and Chemical Engineering, Xuzhou Institute of Technology, Xuzhou 221111, China

Vibrio-qinghaiensis is very sensitive to toxic phenol derivatives. In order to establish quantitative structure-activity model (QSAR) of phenol derivatives to Vibrio-qinghaiensis, the relationship between molecular structure of 16 kinds of phenol derivatives and the toxicity to Vibrio-qinghaiensis was analyzed. Moreover, the molecular connectivity indices and spatial shape indices of phenol derivatives were calculated. The molecular connectivity index,1χ, and spatial shape indices, K2and K4, were screened. Then, multi-linear method was applied in analyzing the three indices and the toxicity to Vibrio-qinghaiensis. The determination coefficient R2was 0.971. In order to improve accuracy, the three indices were used as input variables of neural network and the toxicity was used as output variable, the 3:2:1 network structure was adopted and back propagation (BP) neural network method was used to establish a satisfying QSAR model. The total correlation coefficient r was 0.996. The predicted values were very close to experimental values, and the relative mean error was 1.98%, which showed that the model had good predictive ability of the toxicity of phenol derivatives. Futhermore, neural network method had more obvious statistical significance than multi-linear method.

phenol derivatives; Vibrio-qinghaiensis; molecular connectivity index; molecular shape index; quantitative structure - activity model

國家自然科學基金項目(No.21472071，No.21473081)

堵錫華(1963—)，教授，研究方向為環(huán)境污染物構(gòu)效學研究，E-mail: 12dxh@sina.com

*通訊作者(Corresponding author)， E-mail: wangc@jsnu.edu.cn

10.7524/AJE.1673-5897.20160205003

2016-02-05 錄用日期：2016-06-27

1673-5897(2016)4-090-05

X171.5

A

簡介：王超(1960-)，男，理學博士，教授，主要研究方向為應用電化學。

堵錫華, 王超. 神經(jīng)網(wǎng)絡法應用于酚類化合物對青?；【拘缘念A測[J]. 生態(tài)毒理學報，2016, 11(4): 90-94

Du X H, Wang C. Prediction of the toxicity of phenol derivatives to Vibrio-qinghaiensis by neural network method [J]. Asian Journal of Ecotoxicology, 2016, 11(4): 90-94 (in Chinese)