从基于深度学习的毒性预测到基于理论模拟的机制分析：以33种典型农药及其转化产物为案例的研究

《Journal of Hazardous Materials》：From deep learning-based toxicity prediction to theoretical simulation-based mechanism analysis: A case study of 33 typical pesticides and their transformation products

　　

赵文进|刘家鹏|郝宁|赵园园

教育部地下水资源与环境重点实验室，吉林大学，长春130021，中国

摘要

长期以来，农药及其转化产物（TPs）一直被认为是农业系统中的典型环境污染物，对鱼类具有受体响应性毒性。农药TPs种类繁多，且尚未被系统收集，其受体响应性毒性也大多尚未明确。本文以33种典型农药及其393种TPs为例进行研究。通过相似性和残留毒性方法，共预识别出26种典型农药和175种TPs具有潜在的受体响应性毒性。构建了一个基于深度聚焦网络（DToxNet）的毒性预测模型（DToxNet），用于预测生殖毒性、发育毒性和内分泌干扰毒性，准确率超过85%。预测结果全面展示了包括丙炔氟草酯、吡虫啉和fenitrothion在内的典型农药及其TPs的三种受体响应性毒性。对于预测结果，通过分子动力学模拟揭示了相互作用模式和强度。研究结果阐明了由蛋白质构象变化、疏水力和氢键作用驱动的毒性机制，以及结合能强度的分类。在全面回顾了受体响应性毒性预识别结果、DToxNet模型预测结果和分子动力学模拟发现后，制定了一个优先控制清单，列出了30种在其母体形式或TPs中具有受体响应性的典型农药。该清单分别包括高毒性、中毒性和低毒性的农药9种、9种和12种。本研究开发的DToxNet模型能够高效识别典型农药及其TPs的受体响应性毒性，这些毒性的识别和整合有助于农业中农药的优先管理。

引言

农药被广泛用于减轻由于农业害虫全球入侵和传播导致的粮食生产损失[58]。作为具有高目标选择性的化学化合物，农药可以与生物大分子（如蛋白酶和离子通道）结合，从而强烈干扰其天然功能[5]；例如，有机磷农药会选择性地与乙酰胆碱酯酶结合，这种酶负责神经递质的失活，导致目标害虫出现过度神经信号传导，最终导致急性死亡[4]。

然而，农药并不能精确地针对农业害虫，农药残留对非目标生物的毒性长期以来一直是一个问题[15]，[29]。此外，农药作为母体化合物，会通过微生物降解、光解、水解等途径发生结构变化，产生TPs[1]，[20]，[21]。农药TPs的毒性通常继承自母体化合物，甚至可能发生增强毒性的“突变”。例如，拟除虫菊酯类农药的TPs（如3-苯氧基苯甲酸（3-PBA）是通过原结构中的酯键水解形成羧基和侧链（如氰基）断裂产生的，但它们仍表现出多巴胺能抑制作用[40]。同样，fenitrothion虽然被广泛认为没有雌激素活性，但在失去硫酯基团后，可以形成如3-甲基-4-(甲基硫)酚这样的TPs，表现出类似雌激素的活性[64]。值得注意的是，一种母体农药可以生成几种甚至数十种TPs，它们的非目标生物毒性难以完全识别和测量[40]。

研究表明，农药及其TPs通过降雨、地表径流、地下水渗透和农业活动排水等过程，在靠近农业区的小型和中型水体中引起水生生物的毒性[2]，[59]。截至2021年，全球估计有883种农药被用于农业[36]，实际检测到的农药几乎总是伴随着相应数量的TPs[18]，[57]。鉴于这些情况，传统实验在探索大量农药及其TPs的未知毒性方面面临巨大挑战。深度学习模型作为一种替代方法，由于其成本效益高、效率高以及能够同时预测大量新化合物的毒性，已成为评估新兴污染物毒性的最有前景的技术之一（Judson等人，2009年；Ciallella等人，2019年）。《21世纪弗兰克·R·劳滕伯格化学安全法案》鼓励使用包括深度学习在内的替代方法进行新化学品的风险评估，以减少或替代动物实验（Frank等人，2016年）。Lomana通过构建基于机器学习的定性模型，开发了一个集成虚拟筛选框架，用于快速识别新化合物是否可能引起生物体的甲状腺激素紊乱（Lomana等人，2021年）。此外，计算毒理学是一种利用深度学习模型模拟污染物与毒性相互作用的方法。例如，分子动力学模拟可用于模拟配体-蛋白质结合过程，从而识别关键的非键合相互作用力、关键结构特征和毒性靶受体的变化[13]，[43]。

本文的研究目标如下：（1）使用相似性和残留毒性方法对33种典型农药及其TPs进行受体响应性毒性筛选，并基于外源化合物的分子描述符和二元毒性分类标签构建深度学习模型（deep toxicity prediction network，DToxNet），以预测这些典型农药及其TPs的生殖毒性、发育毒性和内分泌干扰毒性；（2）使用DToxNet模型预测筛选过程中识别的典型农药及其TPs是否具有这三种类型的受体响应性毒性，并通过分子动力学模拟定量表征与受体相关的阳性化合物的结合亲和力；（3）从分子动力学模拟中提取动态信息，探讨阳性识别的典型农药及其TPs的毒性机制；（4）整合受体响应性毒性筛选、毒性预测和分子动力学模拟的结果，构建典型农药及其TPs的受体响应性毒性评估因素。由此产生的优先控制农药清单旨在为这些关键农业区域的农药分类和管理提供科学依据。

部分摘录

典型农药

在之前的一项研究中，对中国主要粮食生产区（如吉林省）常用的农药进行了总结调查。共收集了33种典型农药，包括有机磷、拟除虫菊酯、氨基甲酸酯、新烟碱类、有机氯和吡啶唑酮（J. [33]）。这33种农药的分子结构从美国国立卫生研究院的PubChem分子库下载（//pubchem.ncbi.nlm.nih.gov

典型农药TPs降解途径分析

通过将Pesticide Properties Database（PPDB）中的农药降解模块与HSDB中的环境归趋和暴露模块相结合，评估了33种典型农药的微生物降解、光解和水解情况。这33种农药的微生物降解、光解和水解数据主要来自PPDB（表S7）。然而，丙炔氟草酯、三唑磷、异丙磷、毒死蜱、十氯菊酯和异丙卡巴的降解数据

结论

本文获得了通过水体中的微生物降解、光解和水解途径产生的33种典型农药及其TPs，并构建了DToxNet模型，用于预测这些农药及其TPs在斑马鱼中的生殖毒性、发育毒性和内分泌干扰毒性。进一步验证了DToxNet的预测结果，并量化了农药及其TPs与毒性靶标的实际结合能力

环境影响

本研究开发了DToxNet模型，用于预测33种农药和393种转化产物（TPs）的受体响应性毒性，重点关注生殖毒性、发育毒性和内分泌干扰毒性。该模型的准确率超过85%，识别出30种具有显著毒性的农药和TPs。分子动力学模拟进一步阐明了相互作用机制。这种综合方法有助于优先控制农药，从而实现更安全的

未引用参考文献

[34]

CRediT作者贡献声明

赵文进：资源获取、概念构思。赵园园：撰写——审稿与编辑、监督、方法论、概念构思。郝宁：验证、软件。刘家鹏：撰写——初稿、软件、方法论、正式分析、数据管理、概念构思。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢

本研究得到了吉林省教育部门的支持[项目编号：JJKH20241306KJ]。

补充材料

农药转化产物的来源（文本S1）；模型训练样本的背景信息（文本S2）；模型训练信息（文本S3）；杠杆值方法的描述（文本S4）；所有机器学习模型的不确定性分析（文本S6）；模型超参数搜索结果（文本S7）；分子动力学