Las Relaciones Cuantitativas Estructura-Actividad (QSAR) en el estudio de la toxicidad de pesticidas comerciales sobre embriones del pez cebra (Danio rerio)

SAAVEDRA, L. M.; ROMANELLI, G. P.; DUCHOWICZ, P. R.

Potrero de Los Funes, San Luis

Simposio; XXI Simposio Nacional de Química Orgánica (SINAQO); 2017

La producción y distribución de pesticidas de síntesis vincula una apropiada identificación de los riesgos para la salud y el ambiente. El modelo del pez cebra (Daniorerio), por su particular sensibilidad, surge como especie alternativa en las pruebas in vivo de toxicidad.1 Sin embargo, la necesidad de reducir los ensayos en vertebrados,conduce a los modelos in silico con capacidad de predecir propiedades fisicoquímicas y biológicas de cientos de pesticidas únicamente con el conocimiento de su estructura molecular.Se aplican las relaciones cuantitativas estructura-actividad (QSAR) para predecir la concentración letal media (CL50) de 194 pesticidas tóxicos. Los datos experimentales se extraen de la librería ToxCast fase I, reportada por la Agencia de Protección Ambiental (EPA).1 Las estructuras moleculares se representan bidimensionalmente con el programa Chemsketch. Se calculan 17.549 descriptores independientes de la conformación con los programas de acceso libre PaDEL y EPI Suite.2,3 La relación descriptores-propiedad se establece con el método del reemplazo (RM),4 basado en Regresión Lineal Multivariable (MLR). A partir del método de subconjuntos balanceados(BSM) se divide el conjunto de moléculas en un conjunto de calibración y otro de validación, que permite determinar la capacidad predictiva del modelo. Además, se emplean las técnicas de validación cruzada dejar-uno-afuera (loo) y dejar-más-afuera(lmo), la prueba de aleatorización-Y (rand) y el dominio de aplicabilidad (AD).Se consideran los modelos de d =1-7 descriptores moleculares. Se establece que el modelo QSAR que vincula 7 descriptores tiene apropiada estadística ( R2cal=0.79, RMScal=0.53) y relevante poder predictivo (R2val=0.77, RMSval=0.44). Este trabajo propone una herramienta computacional eficiente para predecir la CL50 de pesticidas comerciales.