神经网络法应用于酚类化合物对青海弧菌毒性的预测

堵锡华，王超

徐州工程学院 化学化工学院，徐州 221111



神经网络法应用于酚类化合物对青海弧菌毒性的预测

堵锡华，王超

徐州工程学院 化学化工学院，徐州 221111

青海弧菌对有毒酚类化合物具有强烈的敏感性，为建立酚类衍生物对青海弧菌毒性的定量结构-活性相关性(QSAR)模型，分析了16种酚类衍生物的分子结构与对青海弧菌毒性之间的相关关系，计算了酚类衍生物的分子连接性指数和分子形状指数，并优化筛选了分子连接性指数的1阶路径指数(1χ)和分子形状指数的2阶特征指数(K2)及1阶和2阶指数乘积值(K4)，用这3种指数与对青海弧菌的毒性进行多元回归分析，多元回归方程的决定系数R2=0.971。为进一步提高预测精度，将这3种分子结构参数作为神经网络的输入变量，毒性值作为输出变量，采用3:2:1的网络结构，通过反向传播(BP)神经网络法获得满意的QSAR预测模型，总的相关系数r为0.996，计算得到的毒性预测值与实验值较为吻合，平均相对误差仅为1.98%，结果表明该模型具有良好的预测酚类衍生物毒性的能力，可以看出神经网络方法对酚类化合物发光菌毒性预测比多元线性回归方法的统计学意义更加明显。

酚类衍生物；青海弧菌；分子连接性指数；分子形状指数；定性结构-活性相关性

Received 5 February 2016 accepted 27 June 2016

酚类化合物主要来源于化工精细化学品生产过程中的三废排放，它具有中等强度的毒性，会对人身造成一定的伤害，故部分酚类化合物早已被美国和欧盟列入优先监测控制污染物的黑名单[1]，我国也将多种酚类化合物确定为优先控制重点有机污染物[2]。正因为酚类化合物对生物体具有毒性，有“三致”作用，故引起世界各国科学家对该类化合物的高度重视，众多科研工作者对酚类化合物的毒性或活性也进行了卓有成效的研究，取得了较多的成果。但由于酚类化合物种类繁多，其毒性无法一一通过实验进行测定，利用定量结构-活性相关性(QSAR)研究方法对其进行毒性预测不失为一种有效的方法，该方法在生物化学、药物化学、环境化学等方面已得到广泛应用[3-5]，利用该法可以预测有机化合物的物化性质、毒性及其环境效应等方面的一些重要参数[6-7]，很多科研工作者为此进行了有益的尝试[8-10]，取得了令人瞩目的成果。

青海弧菌是朱文杰教授[11]分离得到的一种新型淡水发光细菌，将该发光细菌应用于毒性检测具有更为快速、简便和高效的优点[12]，故被广泛用于生物毒性测试研究[13-14]，该法能更好地对淡水污染物进行毒性评价[15]。虽然目前对酚类化合物进行毒性研究的成果较多，但利用人工神经网络(ANN)方法对此研究的较为少见，为此本文在前面工作[16-17]基础上，应用神经网络研究方法，利用文献[18]的方法测定的16个酚类化合物对青海弧细菌Q67的毒性pEC50(相对发光率为50%时，对应化合物摩尔浓度(mol·L-1)的负对数)，建立了分子结构与毒性值之间的关系模型，取得了明显优于文献[18]的研究结果，本法对研究酚类污染物毒性效应及环境风险评价有重要意义。

1 研究方法(Research methods)

1.1 酚类化合物毒性数据

16种酚类化合物见表1，其对青海弧菌的毒性数据(pEC50)来源于文献[18]。

1.2 分子连接性指数与分子形状指数的建立

应用Chem3D 9.0软件绘制出16个酚类化合物的分子结构图，然后使用MATLAB自编程序[19]计算分子连接性指数和分子形状属性指数[20]，用MINITAB软件进行最佳变量子集回归分析，对2类指数进行优化筛选，结果见表2，从表2可以看出，只有选取分子连接性指数中的1χ和分子形状指数的K2和K4(因样本只有16个分子，故变量不能超过3个)，1χ表示分子连接性指数中的1阶路径指数，K2表示2阶形状特征指数，K4表示1阶和2阶形状特征指数的乘积值，将这3个分子结构描述符作为变量与酚类化合物的毒性数据进行回归分析时，结构参数与毒性之间的相关性能达到最佳，而且得到的FIT值最大，说明此模型越稳定，预测能力也越强。

1.3 多元回归模型的建构

将文献[18]中列出的16种酚类化合物对青海弧菌的毒性值pEC50与优化筛选的3种结构参数1χ、K2和K4进行多元回归相关分析，得到三元回归方程为：

pEC50=1.3011χ-2.452 K2+3.359 K4+1.790

(1)

该方程的决定系数R2为0.971，利用式(1)预测其对青海弧菌毒性值，所得预测值(1)也列于表1，它与实验值之间的平均相对误差(1)为4.10%，基本符合要求，但对2,6-二氯苯酚和3-氯苯酚2个分子的预测误差均超过10%，说明酚类化合物结构参数与毒性之间并不完全是线性关系。

1.4 神经网络模型的建构

为了进一步提高预测酚类化合物对青海弧菌毒性的准确性，并与多元回归分析方法进行预测精度比较，用神经网络方法进一步进行研究，以多元回归分析方法的3种分子结构参数作为人工神经网络(ANN)方法的输入层变量，将酚类化合物对青海弧菌的毒性值作为输出层变量，隐含层H值则按照许禄等[21]的建议规则经计算取2，因此人工神经网络法的网络结构采用3：2：1，为避免过度拟合，这里将16个酚类化合物样本数据分成3组：训练集(每5个数据作为1组，取其中第1、3、4个数据，依次类推)、测试集(每组的第2个数据)和验证集(每组的第5个数据)，由此得到的人工神经网络预测模型总的相关系数r=0.9958，训练集的相关系数r=0.9943、测试集的相关系数r=0.9998、验证集的相关系数r=0.9999，利用该神经网络模型计算得到的酚类化合物对青海弧菌毒性的预测值(2)也列于表1中，该预测值(2)与实验值吻合度较为理想，两者的平均相对误差(2)仅为1.98%，而文献[18]利用CoMFA方法所得结果的平均相对误差为6.18%、利用CoMSIA方法所得结果的平均相对误差为7.19%，本法结果明显优于文献，所以这里可以看出，神经网络方法比多元回归方法的预测精度有较大的提高，所建立模型的相关性明显优于多元回归分析方法，模型的权重和偏置见表3。

表1 酚类化合物对青海弧菌毒性的预测结果

表2 pEC50与1χ、K1、K2、K4的最佳变量子集回归结果

表3 BP-ANN模型的权重和偏置

表4 Jackknifed决定系数的检验

2 结果与讨论(Results and discussion)

2.1 模型稳健性与预测能力的检验

2.2 模型分析

通过计算分子的连接性指数和形状指数，利用这2类指数的其中3种指数与16种苯酚类化合物对青海弧菌的毒性值进行相关性分析，建立了相关性良好的预测苯酚类化合物对青海弧菌毒性的QSAR模型，利用模型得到的毒性预测值与实验值较为吻合，两者的平均相对误差仅为1.98%。对取代苯酚的分子结构与其生物毒性进行分析发现，苯酚的邻位和间位包括对位，引入基团的体积越小，则毒性越大；体积越大，其毒性反而越小。此外间位和对位引入基团的正电性越强，毒性越大[18]，从与神经网络模型的预测结果可以看出，预测毒性相对误差最大的只有间硝基苯酚分子，相对误差为5.16%，这可能与该分子中的硝基处于间位位置，此位置的基团越大，毒性值反而相对偏小，与硝基处于对位的对硝基苯酚相比，可能硝基又受苯环上羟基的影响，毒性值明显小于对硝基苯酚，故导致预测误差偏大；通过考察文献和预测的毒性数据可以看出，总的来说，当酚的苯环上连接基团的体积越大、或连接的基团越多，酚类化合物的毒性越大，特别是吸电子基团的存在，会使苯环上的负电荷减小，化合物的毒性会增大；而分子连接性指数和分子形状指数则能很好的反映酚类化合物分子的空间结构特性，故指数与毒性之间能显示很好的关联性。

综上可知：

(2)神经网络在构建酚类化合物的毒性预测模型中，具有较强的纠错能力，可对多元回归模型进行有效地校正，使标准误差明显降低，能够证明1χ、K2、K4与毒性之间具有良好的非线性关系，而不是线性关系。

故本研究建构的QSAR模型对酚类化合物的毒性研究具有指导作用。

[1] 莫凌云, 刘海玲, 刘树深, 等. 5种取代酚化合物对淡水发光菌的联合毒性[J]. 生态毒理学报, 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, 孙宗光. 中国水中优先控制污染物黑名单的确定[J]. 环境科学研究, 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] 堵锡华, 王晓辉, 冯长君. 1-取代-2-氨基苯并咪唑化合物毒性的密度泛函理论研究[J]. 生态毒理学报, 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] 程艳, 陈会明, 于文莲, 等. QSAR技术对高关注化学物质生态环境毒理风险预测[J]. 环境科学研究, 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] 张辉, 李娜, 马梅, 等. 15种取代酚对淡水发光菌Q67的毒性及定量构效分析[J]. 生态毒理学报, 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, 卿东红, 李建凤, 等. 烃基酚类化合物结构与毒性关系研究[J]. 环境化学, 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, 陈晓耘, 等. 发光细菌一新种-青海弧菌[J]. 海洋与湖沼, 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. 一种新型的环境污染检测方法[J]. 化学世界, 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, 周建国, 李娜, 等. 有机磷酸酯对青海弧菌Q67毒性的构效关系[J]. 生态毒理学报, 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] 张瑾, 刘树深, 王成林, 等. 离子液体与废水对青海弧菌Q67的混合毒性研究[J]. 环境科学学报, 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] 李晓, 李娜, 饶凯锋, 等. 苯并噻唑类污染物对青海弧菌Q67毒性效应[J]. 生态毒理学报, 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] 堵锡华. 用新的路径定位指数和神经网络研究多溴联苯醚理化性质[J]. 化工学报, 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, 张学胜, 刘辉. 几种酚衍生物对青海弧菌Q67毒性的3D-QSAR研究[J]. 环境科学学报, 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] 张婷, 梁逸曾, 赵晨曦, 等. 基于分子结构预测气相色谱程序升温保留指数[J]. 分析化学, 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] 许禄, 邵学广. 化学计量学方法[M]. 北京: 科学出版社, 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

国家自然科学基金项目(No.21472071，No.21473081)

堵锡华(1963—)，教授，研究方向为环境污染物构效学研究，E-mail: 12dxh@sina.com

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

10.7524/AJE.1673-5897.20160205003

2016-02-05 录用日期：2016-06-27

1673-5897(2016)4-090-05

X171.5

A

简介：王超(1960-)，男，理学博士，教授，主要研究方向为应用电化学。

堵锡华, 王超. 神经网络法应用于酚类化合物对青海弧菌毒性的预测[J]. 生态毒理学报，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)