一种芳烃毒性预测的非化学方法与流程

1.本发明涉及芳烃毒理化学性质的预测，特别是一种芳烃毒性预测的非化学方法。


背景技术：

2.目前，已知的有机物种类约700多万种，并仍在以每年数千种的速度上升，这些有机物已经并正在通过各种途径进入环境，已发现的就有10万种之多。从环境学的角度来看，需要考虑这些有机化合物的生物毒性和可降解性这两大特性，对于那些已进入环境中的有机物，其生物毒性更显重要，而对于那些将投入生产和使用的有机物，其生物毒性和可降解性也很重要。芳烃对水生梨形四膜虫毒性（log (igc
50-1
) (mmol/l)，50%生长抑制浓度(igc
50
)的负对数）的实验数据可以作为其毒性指标。通过实验方法对每种有机物进行毒性评价是一个耗钱费时的过程，目前而言，完全依赖实验方法获取有机物的毒性评价数据是不现实的。此外，毒性的实验测定只适用那些已经合成出来的化合物，对还没有合成的化合物无能为力。因此，迫切需要开发一种预测化合物毒性的方法，以便在实验测定前就能对其毒性进行评估。本专利舍弃了化学测试方法，首先从计算化学的角度出发，用tsar v3.3软件计算出芳烃化合物的分子量(mw)、卤素原子个数 (n
hal
)和氢键给体数(n
hdon
)等分子微观数据，这些芳烃的毒性数据和分子微观数据构成了我们非化学方法测试的基础数据，然后对这些基础数据进行映射组合得到其中间数据，基于中间数据利用支持向量机算法建立芳烃毒性的定量预测模型，最后利用建立的芳烃毒性定量预测模型，预测出新收集的多环芳烃的毒性。


技术实现要素：

3.本发明的目的是为了克服现有技术存在的缺陷，提供一种芳烃毒性预测的非化学方法。其过程利用计算机技术实现，避免化学实验，节约了时间和成本。
4.本发明的目的可以通过如下的技术方案实现：一种芳烃毒性预测的非化学方法，包括如下步骤：1）从文献中查找到多个芳烃化合物及其对应的毒性数据，利用tsar v3.3软件计算出芳烃化合物的分子微观数据，这些芳烃的毒性数据和分子微观数据构成了我们非化学方法测试的基础数据；2）对这些基础数据进行映射组合得到其中间数据；3）基于中间数据，利用支持向量机算法建立芳烃毒性的定量预测模型；4）收集多个新的芳烃化合物，计算出其基础数据，并将这些基础数据代入映射转化方程得到这些新的芳烃化合物的中间数据，再将中间数据代入建立好的芳烃毒性预测模型，预测其毒性。
5.本发明与现有技术比，具有以下优点：1.本发明整个过程都可以通过计算机实现，节约时间，避免了实验，大大降低了成本。
6.2.苯发明整个操作过程简单，通过简单的培训，一人便可完成。
7.3.本发明整个过程不涉及实验及化学品，不产生环境污染，符合绿色环保理念。
附图说明
8.图1为芳烃毒性的支持向量机预测模型的建模结果图。
9.图2为芳烃毒性的支持向量机预测模型的留一法内部交叉验证结果图。
具体实施方式
10.以下结合具体的实施例子对本发明进行详细的说明，包括如下步骤：（1）从文献中查找到253个芳烃化合物及其对应的毒性数据，利用tsar v3.3软件计算出芳烃化合物的3个分子微观数据，这3个分子微观数据分别是：分子量(mw)、卤素原子个数 (n
hal
)和氢键给体数(n
hdon
)。毒性数据是芳烃对水生梨形四膜虫毒性（log (igc
50-1
) (mmol/l)，50%生长抑制浓度(igc
50
)的负对数）数据。这些芳烃的毒性数据和分子微观数据构成了我们非化学方法测试的基础数据，253*3的数学矩阵数据；部分基础示例数据如表1所示。
11.表1.部分基础数据分子log(igc
50-1
)mwn
halnhdon
2-prop-2-enylphenol0.334134.19012-bromophenol0.33173.01114-bromo-2-(hydroxymethyl)phenol0.343203.04122-amino-4-tert-butylphenol0.366165.26024-methylbenzene-1,2-diol0.37124.1502salicylhydroxamicacid0.379153.15033-fluorophenol0.381112.11112-chloro-5-methylphenol0.393142.59116-methyl-2-nitropyridin-3-ol0.39154.1401benzene-1,2,4-triol0.44126.12035-amino-2-methoxyphenol0.45139.17022,3-dinitrophenol0.463184.12012,6-difluorophenol0.471130.121（2）对这3个分子微观数据进行映射转化，得到253*3中间数据。映射转化方程如下：y1= +2.304e-2[mw]+0.445[n
hal
]+0.122[n
hdon
]-4.474y2=+1.415e-2[mw]-0.507[n
hal
]+0.945[n
hdon
]-2.800y3=+1.449e-2[mw]-0.581[n
hal
]-0.859[n
hdon
]-1.424部分中间数据如表2所示。
[0012]
表2. 部分中间数据y1y2y
3-0.67851.2704-0.9085
0.06061.7241-0.4438-0.89020.2703-0.1062-1.21340.0719-0.3094-0.2864-0.1392-0.5874-0.10950.74950.3846-0.89020.2703-0.10620.03801.7103-0.45800.21560.94910.5890-0.45390.6281-1.62810.53881.14760.7922-0.2864-0.1392-0.5874-0.10950.74950.3846（3）基于映射转化后的方程，利用支持向量机算法建立芳烃毒性定量预测模型。支持向量机算法选用径向基核函数，惩罚因子选取120，不敏感函数选择0.02。
[0013]
（4）收集5个新的芳烃化合物，利用tsar v3.3软件计算出3个分子微观数据，并将这3个分子微观数据代入映照转化方程得到5个样本的中间数据，再将中间数据代入芳烃毒性预测的支持向量机模型，预测出这5个新的芳烃化合物的毒性。
[0014]
实施例1：基于253个芳烃的3个分子微观数据，建立的芳烃化合物毒性的支持向量机预测模型，其建模结果如图1所示。
[0015]
图1 建模结果利用支持向量机算法对253个芳烃化合物数据进行回归建模，建立芳烃毒性的定量预测模型，模型预测值与文献真实值的相关系数为0.94。
[0016]
实施例2：基于253个芳烃的3个分子微观数据，建立的芳烃化合物毒性的支持向量机预测模型，该模型留一法内部交叉验证结果如图2所示。
[0017]
图2 留一法内部交叉验证结果利用支持向量机算法对253个芳烃化合物数据进行回归建模，建立芳烃毒性的定量预测模型，该模型的留一法内部交叉验证结果，模型预报值与文献真实值的相关系数为0.82。
[0018]
实施例3：收集新的5个芳烃化合物，其3个量分子微观数据，映射转化中间数据，及其毒性预测数据如表3所示。
[0019]
表3 预报结果
分子mwn
halnhdon
y1y2y3log(igc
50-1
)4-methyl-3-nitrophenol153.1501-0.83660.3016-0.04370.62082,4-dichloro-1-nitrobenzene192200.8363-1.08290.15081.11201-bromo-2-nitrobenzene202.01100.6132-0.46650.88751.13874-chloro-3-methylphenol142.5911-0.6258-0.3224-0.78840.6423phenyl-(2,3,4-trihydroxyphenyl)methanone230.23031.08563.3350-0.55261.3398