使用机器学习和AlphaFold2在各种水生相关物种中从塑料添加剂中预测雌激素受体激活剂

科学领域:

• 环境化学环境化学
• 计算毒理学计算毒理学
• 分子生物学分子生物学

背景情况:

• 缺乏有效的公共数据库来预测水生生物中的荷尔蒙作用.
• 核受体,特别是雌激素受体 (ERs),在内分泌干扰中起着至关重要的作用.
• 塑料添加剂是新出现的污染物,具有潜在的内分泌干扰作用.

研究的目的:

• 开发和验证用于塑料添加剂中雌激素受体 (ER) 激动剂的高通量查的新策略.
• 用计算方法预测塑料添加剂在多种水生物种中的荷尔蒙影响.
• 在不同物种中识别涉及ERα活性的关键氨基酸残留物.

主要方法:

• 机器学习 (ML) 模型,包括深森林 (DF) 和人工神经网络 (ANN),被训练来选ERα激动剂.
• AlphaFold2被用来构建各种水生物种的ERα蛋白结构.
• 进行了分子对接模拟,以评估化合物与ERα的结合亲和力.

主要成果:

• DF模型实现了高精度 (灵敏度=0.96,特异性>0.99,F1>0.95),识别了42种塑料添加剂作为ERα激动剂.
• AlphaFold2成功地为八种物种生成了ERα结构,揭示了保存和特定物种的关键氨基酸残留物.
• 对接能量分析表明,各物种化合物的结合亲和力不同,雌激素始终表现出强大的结合性.

结论:

• ML和AlphaFold2的联合应用为新兴污染物的高通量生态毒性评估提供了一个强大的工具.
• 这种方法有助于预测各种水生生物中核受体介导的荷尔蒙效应.
• 该研究强调了某些塑料添加剂对水生生态系统的潜在内分泌干扰风险.