پیش‌بینی سمیت برخی آفت‌کش‌ها علیه پنج گونه مختلف پرندگان با استفاده از ‏الگوی ارتباط ‏کمی ساختار- سمیت

نویسندگان

1 گروه شیمی (محض-دارویی)، دانشکده شیمی ‏دارویی، علوم پزشکی تهران، دانشگاه ‏آزاد اسلامی، ‏تهران، ایران

2 گروه شیمی، دانشگاه پیام نور، تهران، ایران

3 گروه شیمی، واحد علوم و تحقیقات، دانشگاه آزاد ‏اسلامی، تهران، ایران

4 گروه شیمی، دانشگاه پیام نور، تهران، ایران

doi
10.30473/eab.2024.71175.1946
چکیده

افزایش تقاضای کشاورزی به استفاده از آفت‌کش‌ها، موجودات غیرهدف مانند گونه‌های پرندگان را تهدید کرده و در سیستم اکولوژی اختلال ایجاد کرده است. بنابراین، با توجه به روش‌های کاربرد و ماهیت آفت­کش‌ها، آزمایش سمیت پرندگان و حفاظت گونه‌های مختلف پرندگان در معرض خطر از منظر ایمنی اکوسیستم یک نیاز ضروری است. در این مطالعه، مدل‌سازی رابطه کمی ساختار- سمیت برای تخمین سمیت 244 نوع آفت‌کش‌ بر روی پنج گونه پرنده شامل بلدرچین سفید، اردک، قرقاول، گنجشک خانگی و بلدرچین ژاپنی برای اولین بار انجام شده است. تمام داده­ها به‌صورت تصادفی به چهار سری شامل سری آموزش فعال، آموزش غیرفعال، کالیبراسیون و دسته آزمون تقسیم شدند. توصیف‌گرهای بهینه هیبریدی، حاصل از ترکیب توصیف‌گرهای شبه-­اسملی (quasi-SMILES) و گراف مولکولی بدون هیدروژن (HSG) براساس یک تابع هدف جدید برای تولید مدل‌های QSTR  استفاده شد. چهار تابع هدف (TF0، TF1، TF2 و TF3) برای توسعه مدل‌های QSTR به کار گرفته شد و پتانسیل پیش‌بینی این مدل‌ها با استفاده از سری آزمون مورد ارزیابی قرار گرفت. از میان مدل‌های به‌دست‌آمده، مدل‌های QSTR طراحی شده با استفاده از تابع هدف TF3 با محدوده 8131/0-7218/0R2 =  و 7878/0-7031/0Q2 =  از لحاظ آماری، مدل‌ها بودند. بهترین مدل از نظر آماری، مدل شماره شش، با مقادیر R2 برای دسته آموزش فعال، آموزش غیرفعال، کالیبراسیون و اعتبارسنجی به‌ترتیب برابر 836/0، 852/0، 806/0 و 813/0 می‌باشد. مقادیر میانگین خطای مطلق (MAE) برای دسته آموزش فعال، آموزش غیرفعال، کالیبراسیون و اعتبارسنجی به‌ترتیب برابر 371/0، 342/0، 409/0 و 362/0 بیانگر دقت مدل ایجادشده به‌منظور پیش‌بینی سمیت آفت‌کش‌ها بر علیه پنج گونه مختلف پرندگان می‌باشد. از نتایج حاصل از این مدل‌سازی، توصیف‌گرهای با اهمیت برای افزایش و کاهش متوسط غلظت مؤثر سمیت (pLD50) شناسایی شدند. با استفاده از مدل‌های QSTR به‌دست‌آمده از این مطالعه، پیش‌بینی سمیت (pLD50) آفت‌کش‌های جدید حتی قبل از سنتز آن‌ها تنها با داشتن نماد SMILES از آفت­کش‌ها امکان‌پذیر می‌شود که می‌تواند به کاهش زمان، منابع، هزینه‌ها و نیاز به حیوانات آزمایشگاهی کمک کند.