《Computational Toxicology》：Applying high throughput toxicokinetics (HTTK) to per- and polyfluoro alkyl substances (PFAS)
编辑推荐：
本研究针对全氟和多氟烷基物质（PFAS）跨物种毒动力学预测难题，提出结合机器学习模型与体外毒动力学参数的高 throughput 毒动力学（HTTK）新方法。通过整合PFAS的肝细胞清除率（Clint）和血浆未结合比例（fup）等体外数据，并引入ML模型预测的运输蛋白影响，显著提升人鼠清除率比值的预测精度，根均方对数误差从0.7降至0.83。该方法为PFAS在模式生物中的毒性数据外推人类暴露提供了可靠工具。
约翰·F·万鲍格（John F. Wambaugh）| 罗赫利奥·托尔内罗-贝莱兹（Rogelio Tornero-Velez）| 雷切尔·科格比尔（Rachael Cogbill）| 迈克尔·德维托（Michael Devito）| 芭芭拉·A·韦特莫尔（Barbara A. Wetmore）
美国环境保护署（U.S. Environmental Protection Agency）研究与开发办公室计算毒理学与暴露中心（Center for Computational Toxicology and Exposure, Office of Research and Development, U.S. Environmental Protection Agency）
摘要
为了将模型动物物种中产生的毒理学数据与人类数据关联起来，需要跨物种毒代动力学（TK）缩放因子。全氟和多氟烷基物质（PFAS）是一大类具有碳-氟骨架的有机化合物。某些PFAS在人体内的半衰期很长（长达数年），而在实验动物模型中的半衰期相对较短。目前，大约有十几种PFAS的半衰期得到了可靠的估计。传统的异速生长外推方法在跨物种和跨化学物质比较中已被证明不可靠。某些PFAS的转运蛋白表达水平及其亲和力的种间差异被认为会使得跨物种外推变得复杂。高通量毒代动力学（HTTK）方法利用体外毒代动力学测量结果（如肝细胞内在清除率Clint和血浆中未结合的化学物质比例fup），来进行体外-体内（IVIVE）外推和跨物种外推。对于典型的有机化合物，HTTK体外数据结合物种特定的生理参数，可以预测大鼠与人类的清除比率，其均方根对数（RMSLE）误差为0.7。然而，HTTK工具通常不评估转运蛋白，并且常常依赖于辛醇-水化学浓度比值。但由于PFAS同时具有疏水性和疏脂性，因此许多传统的毒代动力学方法并不适用于它们。为了解决PFAS特有的毒代动力学问题，我们结合了机器学习模型预测，以近似活性转运蛋白对PFAS肾清除的影响（可能通过重吸收和分泌）。通过这些及其他改进，HTTK方法对PFAS的跨物种清除比率的预测精度得到了提高，RMSLE为0.83。
引言
全氟和多氟烷基物质（PFAS）是一大类具有碳-氟骨架的有机化合物。PFAS根据骨架长度、功能基团的存在（例如磺酸、羧酸）以及骨架是否完全或部分氟化（即碳上连接的是氟原子而非氢原子或氧原子）而有所不同[1]。美国环境保护署（USEPA）将PFAS定义为任何包含结构单元R–(CF2)–C(F)(R’)R”的化学物质或混合物，其中CF2和CF部分均为饱和碳，但R、R’或R”基团不能是氢原子[2]。由于PFAS在工业和商业上的广泛应用，人们普遍暴露于这些物质中，它们常见于人体组织中[1]。
一些PFAS在人体内的毒代动力学半衰期很长（长达数年），但在实验动物模型中的半衰期相对较短[3]、[4]。传统的异速生长外推方法在跨物种和跨化学物质比较中对PFAS的毒代动力学参数（包括半衰期t1/2）的预测并不可靠[3]、[4]。关键转运蛋白对特定PFAS的亲和力在种间的差异被认为是跨物种外推的主要障碍[4]、[5]、[6]、[7]。此外，PFAS同时具有疏水性和疏脂性，这使得通常依赖辛醇-水化学浓度比值的毒代动力学方法变得复杂[8]、[9]。
目前，大约有十几种PFAS的半衰期得到了可靠的估计[10]。同时，毒理学模型动物物种[3]、[11]、[12]以及新的方法学（NAMs）[14]、[15]、[16]正在为许多其他PFAS生成数据。由于这些化合物的传统毒代动力学数据非常有限，因此需要高通量毒代动力学（HTTK）方法来帮助解释这些新数据[17]。
HTTK方法通常依赖于体外毒代动力学参数的测量结果（如肝细胞内在清除率Clint和血浆中未结合的化学物质比例fup），来进行体外-体内（IVIVE）外推和跨物种外推[18]。Crizer等人[19]、Kreutz等人[20]、Smeltz等人[21]最近报告了超过100种PFAS的化学特异性体外数据。虽然基于体外的HTTK工具主要是为传统有机化合物开发的，但研究它们在PFAS上的适用性和效果也具有重要意义。
最近，还开发了一种用于PFAS毒代动力学的计算方法。Dawson等人[10]的机器学习（ML）模型将PFAS的半衰期t1/2分为四类：第1类（快速，<12小时）、第2类（中等，<1周）、第3类（缓慢，<2个月）和第4类（非常缓慢，>2个月）。该模型使用15个描述符来预测半衰期类别。这些描述符包括物种特定的生理和化学特性，以及给药途径。其中一些描述符可以作为转运蛋白活性的替代指标。例如，化学物质与内源性配体的相似性可能是转运蛋白亲和力的一个指标[5]、[6]。此外，肾脏肾小管的特定拓扑结构（特别是近端小管直径、肾小球表面积与肾脏重量比以及肾小球表面积与近端小管体积比）也可以作为转运蛋白表达的替代指标。Dawson等人[10]的模型对11种PFAS、四个物种和两个性别的91个测量半衰期值进行了分类，准确率为86.1%。尽管该模型能够有效解释用于训练的数据，但没有使用新的数据进行验证。因此，需要用新的数据对该模型进行评估。
鉴于PFAS的半衰期在物种间和化学物质间的显著差异，在本研究中，我们首先评估了之前使用的异速生长HTTK方法在跨物种缩放方面的有效性。我们研究了具有最新发布的HTTK数据的PFAS化学物质，以及一些非PFAS药物。然后，我们使用该模型开发数据集之外的数据来评估PFAS半衰期的机器学习模型。由于IVIVE无法仅凭半衰期数据完成，因此我们需要能够确定化学物质浓度的其他参数。为此，我们专注于计算清除率——即单位时间内可以从血浆中清除的化学物质体积[22]。我们研究了两种新的PFAS清除率预测方法：1）基于机器学习的单室毒代动力学模型；2）结合体外数据和机器学习半衰期预测的HTTK-PFAS方法。
方法
新的体外毒代动力学参数
大多数HTTK方法需要成功测量两种体外毒代动力学参数——血浆中未结合的化学物质比例fup和肝细胞内在清除率Clint。目前已有67种PFAS的fup和Clint的测量结果[19]、[20]、[21]。这些数据已被纳入R包httk中。图1的A面板显示了不同化学物质的fup和Clint测量结果，B和C面板分别提供了这两个参数的直方图。
讨论
需要针对PFAS的特定HTTK方法，以便将体内动物毒性数据和NAM衍生的生物活性数据与实际的人类暴露情况联系起来。像Css这样的毒代动力学指标对于使用“反向剂量学”方法计算人体给药等效剂量至关重要[35]、[62]、[63]。当清除率被高估时，组织浓度会被低估。在本研究中，我们发现默认的HTTK方法对某些PFAS的系统清除率进行了大幅高估。
CRediT作者贡献声明
约翰·F·万鲍格（John F. Wambaugh）：撰写——审阅与编辑、初稿撰写、可视化、验证、软件开发、项目管理、方法论制定、数据整理、概念构思。
罗赫利奥·托尔内罗-贝莱兹（Rogelio Tornero-Velez）：撰写——审阅与编辑、概念构思。
雷切尔·科格比尔（Rachael Cogbill）：验证。
迈克尔·德维托（Michael Devito）：撰写——审阅与编辑、监督、资源协调、项目管理、概念构思。
芭芭拉·A·韦特莫尔（Barbara A. Wetmore）：撰写——审阅与编辑、资金获取、数据整理。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本文件已按照美国环境保护署的政策进行了审查，并获准发表。本文表达的观点仅代表作者本人，并不一定代表美国环境保护署的观点或政策。我们感谢EPA内部审稿人Peter Egeghy博士和Alison Harrill博士提供的有益意见。
资金来源
美国环境保护署（U.S. EPA）通过其研究与开发办公室（Office of Research and Development）提供了支持。
术语表
- 清除率（Clearance）
- 单位时间内可以从血浆中清除的化学物质体积的毒代动力学指标（单位：L/h）
- Clint
- 肝细胞内在清除率——一种特定于化学物质的体外毒代动力学参数，用于评估HTTK
- fup
- 血浆中未结合的化学物质比例——一种特定于化学物质的体外毒代动力学参数，用于评估蛋白质结合情况，用于评估HTTK
- HTTK
- 高通量毒代动力学（Higher Throughput Toxicokinetics）——结合了特定于化学物质的多种因素
