پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 41 |
| تعداد شماره‌ها | 1,112 |
| تعداد مقالات | 9,521 |
| تعداد مشاهده مقاله | 17,163,593 |
| تعداد دریافت فایل اصل مقاله | 12,018,709 |
پیش‌بینی سمیت برخی آفتکشها علیه پنج گونه مختلف پرندگان با استفاده از الگوی ارتباط کمی ساختار- سمیت | ||
| فصلنامه علمی زیست شناسی جانوری تجربی | ||
| دوره 12، شماره 4 - شماره پیاپی 48، اردیبهشت 1403، صفحه 77-91 اصل مقاله (1.9 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30473/eab.2024.71175.1946 | ||
| نویسندگان | ||
| شهین احمدی1؛ ُشهرام لطفی* 2؛ لیلا شماخی2؛ علی عظیمی3 | ||
| 1گروه شیمی (محض-دارویی)، دانشکده شیمی دارویی، علوم پزشکی تهران، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 2گروه شیمی، دانشگاه پیام نور، تهران، ایران | ||
| 3گروه شیمی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
| چکیده | ||
| افزایش تقاضای کشاورزی به استفاده از آفتکشها، موجودات غیرهدف مانند گونه‌های پرندگان را تهدید کرده و در سیستم اکولوژی اختلال ایجاد کرده است. بنابراین، با توجه به روش‌های کاربرد و ماهیت آفتکشها، آزمایش سمیت پرندگان و حفاظت گونه‌های مختلف پرندگان در معرض خطر از منظر ایمنی اکوسیستم یک نیاز ضروری است. در این مطالعه، مدل‌سازی رابطه کمی ساختار- سمیت برای تخمین سمیت 244 نوع آفت‌کش بر روی پنج گونه پرنده شامل بلدرچین سفید، اردک، قرقاول، گنجشک خانگی و بلدرچین ژاپنی برای اولین بار انجام شده است. تمام دادهها به‌صورت تصادفی به چهار سری شامل سری آموزش فعال، آموزش غیرفعال، کالیبراسیون و دسته آزمون تقسیم شدند. توصیف‌گرهای بهینه هیبریدی، حاصل از ترکیب توصیف‌گرهای شبه-اسملی (quasi-SMILES) و گراف مولکولی بدون هیدروژن (HSG) براساس یک تابع هدف جدید برای تولید مدل‌های QSTR استفاده شد. چهار تابع هدف (TF0، TF1، TF2 و TF3) برای توسعه مدل‌های QSTR به کار گرفته شد و پتانسیل پیش‌بینی این مدل‌ها با استفاده از سری آزمون مورد ارزیابی قرار گرفت. از میان مدل‌های به‌دست‌آمده، مدل‌های QSTR طراحی شده با استفاده از تابع هدف TF3 با محدوده 8131/0-7218/0R2 = و 7878/0-7031/0Q2 = از لحاظ آماری، مدل‌ها بودند. بهترین مدل از نظر آماری، مدل شماره شش، با مقادیر R2 برای دسته آموزش فعال، آموزش غیرفعال، کالیبراسیون و اعتبارسنجی به‌ترتیب برابر 836/0، 852/0، 806/0 و 813/0 می‌باشد. مقادیر میانگین خطای مطلق (MAE) برای دسته آموزش فعال، آموزش غیرفعال، کالیبراسیون و اعتبارسنجی به‌ترتیب برابر 371/0، 342/0، 409/0 و 362/0 بیانگر دقت مدل ایجادشده به‌منظور پیش‌بینی سمیت آفتکشها بر علیه پنج گونه مختلف پرندگان می‌باشد. از نتایج حاصل از این مدل‌سازی، توصیف‌گرهای با اهمیت برای افزایش و کاهش متوسط غلظت مؤثر سمیت (pLD50) شناسایی شدند. با استفاده از مدل‌های QSTR به‌دست‌آمده از این مطالعه، پیش‌بینی سمیت (pLD50) آفت‌کش‌های جدید حتی قبل از سنتز آن‌ها تنها با داشتن نماد SMILES از آفتکشها امکان‌پذیر می‌شود که می‌تواند به کاهش زمان، منابع، هزینه‌ها و نیاز به حیوانات آزمایشگاهی کمک کند. | ||
| کلیدواژه‌ها | ||
| LD50؛ QSTR؛ آفت کش؛ توصیفگر بهینه؛ سمیت خوراکی پرندگان | ||
| عنوان مقاله [English] | ||
| Predicting the toxicity of some pesticides against five different species of birds using quantitative structure-toxicity relationships model | ||
| نویسندگان [English] | ||
| Shahin Ahmadi1؛ Shahram Lotfi2؛ leila shamakhi2؛ Ali Azimi3 | ||
| 1Faculty of Pharmaceutical Chemistry, Tehran Medical Sciences, Islamic Azad University, Tehran, Iran | ||
| 2Department of Chemistry, Payame Noor University (PNU), Tehran, Iran | ||
| 3Department of Chemistry, Science and Research Branch, Islamic Azad University, Tehran, Iran | ||
| چکیده [English] | ||
| The increasing use of pesticides following the rising in agricultural, demand has threatened non-target organisms such as avian species and disrupted the ecological system. Therefore, considering the application methods and the nature of chemical pesticides, testing their toxicity level on birds, and protecting various species of endangered birds is an essential requirement from the point of view of ecosystem safety. In this study, quantitative structure-toxicity relationships modeling was done for the first time to estimate the toxicity of 244 types of pesticides on five different species of birds consist of bobwhite quail (C. virginianus), mallard duck (A. platyrhynchos), house sparrow (P. domesticus), ring-necked pheasant (P. colchicus), and Japanese quail (C. japonica). All data were randomly divided into four series including active training, passive training, calibration, and test sets. Hybrid optimal descriptors, resulting from the combination of quasi-SMILES descriptors and hydrogen- suppressed graph (HSG) based on a new target function, were used to generate QSTR models. Four target functions (TF0, TF1, TF2, TF3) were used to develop QSTR models and the predictive potential of these models was evaluated using a validation set. The QSTR models designed using TF3 target function with the range of R2 = 0.7218-0.8131 and Q2 = 0.7031-0.7878 for the validation set were statistically the best models. Statistically, the best model is model number six, with R2 values for active training, passive training, calibration, and validation sets equal to 0.836, 0.852, 0.806, and 0.813, respectively. The mean absolute error (MAE) values for the sets of active training, passive training, calibration and validation are 0.371, 0.342, 0.409 and 0.362, respectively, indicating the accuracy of the model created to predict the toxicity of pesticides against five species of endangered birds. From the results of this modeling, important descriptors were identified for increasing and decreasing the average effective toxicity concentration (pLD50) of pesticides. Using the QSTR models obtained from this study, it becomes possible to predict the toxicity (pLD50) of new pesticides even before their synthesis by only having the SMILES symbol of the pesticides, which can help to reduce time, resources, costs and the need for laboratory animals. | ||
| کلیدواژه‌ها [English] | ||
| Avian oral toxicity, LD50, Optimal descriptor, Pesticide, QSAR | ||
| مراجع | ||
|
Ahmadi, S., & Azimi, N. (2023). Quasi-SMILES-Based QSPR/QSAR Modeling. In QSPR/QSAR Analysis Using SMILES and Quasi-SMILES (pp. 191-210): Springer.
Ahmadi, S., Ghanbari, H., Lotfi, S., & Azimi, N. (2021). Predictive QSAR modeling for the antioxidant activity of natural compounds derivatives based on Monte Carlo method. Molecular diversity, 25, 87-97.
Ahmadi, S., Lotfi, S., & Kumar, P. (2022). Quantitative structure–toxicity relationship models for predication of toxicity of ionic liquids toward leukemia rat cell line IPC-81 based on index of ideality of correlation. Toxicology Mechanisms and Methods, 32(4), 302-312.
Aktar, M. W., Sengupta, D., & Chowdhury, A. (2009). Impact of pesticides use in agriculture: their benefits and hazards. Interdisciplinary toxicology, 2(1), 1.
Basant, N., Gupta, S., & Singh, K. P. (2015). Predicting toxicities of diverse chemical pesticides in multiple avian species using tree-based QSAR approaches for regulatory purposes. Journal of Chemical Information and Modeling, 55(7), 1337-1348.
Benfenati, E., Toropov, A. A., Toropova, A. P., Manganaro, A., & Gonella Diaza, R. (2011). CORAL software: QSAR for anticancer agents. Chemical biology & drug design, 77(6), 471-476.
Cronin, M. T., Jaworska, J. S., Walker, J. D., Comber, M. H., Watts, C. D., & Worth, A. P. (2003). Use of QSARs in international decision-making frameworks to predict health effects of chemical substances. Environmental health perspectives, 111(10), 1391-1401.
Das, N. R., Sharma, T., Mallick, A., Toropova, A. P., Toropov, A. A., & Achary, P. (2023). Computational Approach in Designing and Development of Novel Inhibitors of AKR1C1. In Ambient Intelligence in Health Care (pp. 325-337): Springer.
Ghaedi, A. (2015). Predicting the cytotoxicity of ionic liquids using QSAR model based on SMILES optimal descriptors. Journal of Molecular Liquids, 208, 269-279.
Ghiasi, T., Ahmadi, S., Ahmadi, E., Talei Bavil Olyai, M., & Khodadadi, Z. (2021). The index of ideality of correlation: QSAR studies of hepatitis C virus NS3/4A protease inhibitors using SMILES descriptors. SAR and QSAR in Environmental Research, 32(6), 495-520.
Hallmann, C. A., Sorg, M., Jongejans, E., Siepel, H., Hofland, N., Schwan, H., ... Hörren, T. (2017). More than 75 percent decline over 27 years in total flying insect biomass in protected areas. PloS one, 12(10), e0185809.
Hill, E. F., Camardese, M. B., Heinz, G. H., Spann, J. W., & Debevec, A. B. (1984). Acute toxicity of diazinon is similar for eight stocks of bobwhite. Environmental Toxicology and Chemistry: An International Journal, 3(1), 61-66.
Hilton, G. M., Odenkirchen, E., Panger, M., Waleko, G., Lowit, A., & Clippinger, A. J. (2019). Evaluation of the avian acute oral and sub-acute dietary toxicity test for pesticide registration. Regulatory Toxicology and Pharmacology, 105, 30-35.
Humann-Guilleminot, S., de Montaigu, C. T., Sire, J., Grünig, S., Gning, O., Glauser, G., ... Helfenstein, F. (2019). A sublethal dose of the neonicotinoid insecticide acetamiprid reduces sperm density in a songbird. Environmental research, 177, 108589.
Jaworska, J. S., Comber, M., Auer, C., & Van Leeuwen, C. (2003). Summary of a workshop on regulatory acceptance of (Q) SARs for human health and environmental endpoints. Environmental health perspectives, 111(10), 1358-1360.
Jeschke, P., Krämer, W., Schirmer, U., & Witschel, M. (2013). Modern methods in crop protection research: John Wiley & Sons.
Kumar, P., & Kumar, A. (2018). Monte Carlo method based QSAR studies of Mer kinase inhibitors in compliance with OECD principles. Drug Research, 68(04), 189-195.
Lotfi, S., Ahmadi, S., & Kumar, P. (2021). The Monte Carlo approach to model and predict the melting point of imidazolium ionic liquids using hybrid optimal descriptors. RSC advances, 11(54), 33849-33857.
Lotfi, S., Ahmadi, S., & Kumar, P. (2022). Correction: Ecotoxicological prediction of organic chemicals toward Pseudokirchneriella subcapitata by Monte Carlo approach. RSC advances, 12(53), 34567-34567.
Mitra, A., Chatterjee, C., & Mandal, F. B. (2011). Synthetic chemical pesticides and their effects on birds. Res J Environ Toxicol, 5(2), 81-96.
Mukherjee, R. K., Kumar, V., & Roy, K. (2021). Ecotoxicological QSTR and QSTTR modeling for the prediction of acute oral toxicity of pesticides against multiple avian species. Environmental Science & Technology, 56(1), 335-348.
Podder, T., Kumar, A., Bhattacharjee, A., & Ojha, P. K. (2023). Exploring Regression-based QSTR and i-QSTR Modeling for Ecotoxicity Prediction of Diverse Pesticides on Multiple Avian Species. Environmental Science: Advances.
Singh, K. P., Gupta, S., Basant, N., & Mohan, D. (2014). QSTR modeling for qualitative and quantitative toxicity predictions of diverse chemical pesticides in honey bee for regulatory purposes. Chemical Research in Toxicology, 27(9), 1504-1515.
Toropov, A. A., & Toropova, A. P. (2018). Application of the Monte Carlo method for building up models for octanol-water partition coefficient of platinum complexes. Chemical Physics Letters, 701, 137-146.
Toropov, A. A., Toropova, A. P., Achary, P. G. R., Raškova, M., & Raška, I. (2022). The searching for agents for Alzheimer’s disease treatment via the system of self-consistent models. Toxicology Mechanisms and Methods, 32(7), 549-557.
Toropova, A. P., & Toropov, A. A. (2014). CORAL software: prediction of carcinogenicity of drugs by means of the Monte Carlo method. European Journal of Pharmaceutical Sciences, 52, 21-25.
Zhu, H., Tropsha, A., Fourches, D., Varnek, A., Papa, E., Gramatica, P., ... Tetko, I. V. (2008). Combinatorial QSAR modeling of chemical toxicants tested against Tetrahymena pyriformis. Journal of chemical information and modeling, 48(4), 766-784. | ||
|
آمار تعداد مشاهده مقاله: 64 تعداد دریافت فایل اصل مقاله: 45 |
||