-
环境内分泌干扰物（EDCs）[1]是20世纪90年代以来引起广泛关注的一类新型化学物质．分为天然和人工合成两类，除铅、汞、砷等金属类外，其余均为有机化学物．按其用途可分为工业原材料、洗涤用品、化妆品、农药、塑料包装和儿童玩具等，因工业生产和使用被不断释放到空气、水体、土壤等环境介质中，可经呼吸空气、饮水、食物摄入及皮肤接触等途径进入人体，影响生物体内激素的合成、释放和代谢，甚至可与激素竞争结合相应受体，或者影响激素受体上下游的调控基因，干扰激素正常的调节功能，造成内分泌系统的紊乱，从而引发各种疾病，对人类健康产生潜在的危害和不利影响[2]．
已有大量研究报道EDCs可产生类雌激素效应[3]，如邻苯二甲酸脂类、多氯联苯类、双酚类等化合物．这些EDCs在环境浓度下发挥着与天然雌激素类似的生物学活性，从而影响女性的生殖健康[4]．已知的不利健康危害包括：月经周期变化、子宫内膜异位症、子宫肌瘤、多囊卵巢综合征、不孕不育、乳腺癌、子宫内膜癌及卵巢癌．此外，近年来的流行病学调查 报告进一步证实女性雌激素敏感癌症发病率与环境中EDCs的浓度存在密切相关性．
EDCs诱导产生的类雌激素效应主要通过经典的核雌激素受体ERα与ERβ介导[5]．随着结构生物学研究的深入，有报道证实存在膜雌激素受体（GPER），属于7-跨膜G蛋白偶联受体（GPCR）家族[6]的一员，作为雌激素信号的靶蛋白，参与了雌激素在生殖、神经、内分泌、免疫和心血管系统中的介导作用，对于包括癌症在内的一系列疾病，GPER正成为一种新的治疗靶点和预后指标[7-9]．G蛋白偶联雌激素受体（GPER）最初被称为GPR30[10]，其结构未被结晶实验确认，激动和拮抗的分子机制及其结构特征的研究仍处在初步阶段．不同于经典的核雌激素受体亚型，GPER被认为是介导快速细胞信号的媒介[11]，参与介导了雌激素快速非基因组效应[12]．内源性化合物,如雌激素可与细胞膜上的GPER结合，激活快速细胞效应反应[13]，包括环磷酸腺苷的产生、细胞内钙离子的动员、多种激酶的激活，如细胞外信号调节激酶、肌醇磷脂3激酶、离子通道以及内皮型一氧化氮合酶等途径．影响下游效应分子在相应的靶组织中发挥其生物学效应[14]，从而导致细胞的增值与分化．类似地，环境污染物也可模拟内源性物质结合GPER[15]．如BPA可在低浓度下激活GPER，产生较强的雌激素效应[16]．
因此，构建快速筛查环境污染物是否结合GPER的分类预测模型，可为理论评估化合物健康风险与毒性效用提供重要的依据．虽然针对环境污染物的毒性预测，已有报道显示机器学习算法可表现出良好的分类预测性能 [17-20]，但是结合GPER的小分子却未有可用的分子数据库和已知的预测模型，这限制了构建针对GPER分类预测模型的发展．为了解决这一问题，本研究系统地总结了已报道的有机小分子结合GPER的数据，并进一步评测了随机森林（random forest，RF）、支持向量机（support vector machine，SVM）、神经网络（neural network，ANN）、K-最近邻（K-nearest neighbour，KNN）、朴素贝叶斯（naive bayes，NB）、逻辑回归（logistic，LG）等6种典型机器学习算法的分类预测性能，其中基于RF算法构建的分类模型展示出了优秀的分类预测表现．
-
从文献中查询了130种对GPER检测结合能力的化合物[6, 11, 16, 21-38]，分别包括7种双酚类化合物、30种多溴联苯类化合物、18种类固醇类化合物、15种植物激素、30种吲哚及其衍生物、10种农药杀虫剂以及20种GPER选择性配体化合物．其中具有结合能力的化合物有91种；不具有结合能力的化合物有39种．将所有化合物以4∶1的比例随机分成训练集和测试集，其中训练集具有结合能力的有73种，不具有结合能力的有31种；测试集具有结合能力的有18种，不具有结合能力的有8种．利用训练集构建分类预测模型，通过测试集定性评估模型的预测能力．
-
利用软件ChemDraw程序包绘制测试化合物相应的2D分子结构，随后通过Chem 3D程序包转化为相应的3D分子结构，并对其进行能量最小化优化处理．基于优化后的SDF格式的分子结构文件，通过 PaDEL软件计算得到1538个1D和2D分子描述符．根据以下两个原则进行初步的描述符筛选：（1）剔除常数和至少有一个缺失值的描述符；（2）剔除描述符之间相关系数大于0.9的描述符，最终得到369个分子描述符特征．随后利用RF算法和递归特征删减法的描述符重要性评价，将重要性前五位的描述符保留，作为构建机器学习分类预测模型的特征值．
-
为了系统地比较不同机器学习算法的表现，筛选最优算法构建GPER配体分类预测模型，我们选择了6种机器学习算法进行模型的构建[17]，分别为：（1）RF算法，是一种集成分类器，它将大量的决策树拟合到一个数据集中，然后将所有树的预测组合起来；（2）SVM算法，通过核函数将输入向量映射到高维特征空间，优化特征空间内的线性划分，构造出具有最大边距的超平面来分离不同类别的数据；（3）ANN算法，采用最常见的前馈反向传播算法，其主要思想是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近；（4）KNN算法，考虑到数据中的所有情况，并根据局部邻域来获得分类预测．局部领域的大小由参数k决定，即k个最近邻数据点，而类别则由K-最近邻邻居的多数票决定；（5）NB算法，是基于现有的特征并假设特征独立，判断分类类别的概率，进行分类；（6）LG算法，主要研究二分类的响应变量与相应特征值之间的相互关系，并建立相应的预测模型．
所有的数据处理和模型建立都是基于统计编程环境R（版本4.0.2）实现．分别使用randomForest和caret程序包执行特征选择．使用randomForest、kernlab、nnet、kknn、e1071程序包执行RF、SVM、ANN、KNN、NB和LG算法的分类模型构建．
对于分类模型的评估[17]，将模型输出的预测分类与实际结果相比，利用混淆矩阵产生真阳性（true positive，TP）、真阴性（true negative，TN）、假阳性（false positive，FP）、假阴性（false negative，FN），并计算相应指标敏感性（Sensitivity，Sn）、特异性（Specificity，Sp）、精确度（Accuracy，Q）以及马修斯相关系数（matthews correlation coefficient，MCC），相应计算公式如下：
敏感性S、特异性Sp、精确度Q以及马修斯相关系数MCC的值越高模型评价越好，精确度在0.9以上为预测结果较好．
而受试者工作特征曲线（receiver operator characteristic curve，ROC）则是另外一个评价二分类模型的重要指标．使用pROC程序包生成ROC曲线并计算每个分类模型的训练集和预测集的AUC值．此外，我们也采用10折交叉验证，来评估模型的精度．最终采用AMBIT Discover软件计算训练集和测试集中化合物的欧几里德距离，评价基于分子描述符的预测模型的应用域．
-
采用10折交叉验证来评估模型的可靠性和预测性能，图1显示了整个分类模型构建的流程．
-
联合RF算法的重要性评价和caret程序包的递归特征删减法进行描述符选取，得到如表1所示的5个最重要的描述符作为模型特征值．
其中，自变量GATS4c、GATS4s、AATSC6i和MATS2i为基于 Geary自相关指数、Broto-Moreau自相关指数以及Moran自相关指数的描述符．自相关指数反应原子性质沿拓扑结构的分布，其中GATS4c和 GATS4s描述符反映了化合物的静电性质对于结合的影响．AATSC6i和MATS2i描述符代表了化合物第一电离能的影响，ETA_Eta表示扩展拓扑化学原子指数对于分子结合能力的影响．
-
对于不同机器学习算法，采用caret程序包的格点搜索法进行超参数的优化，提高分类模型的统计学评价标准．
对于RF模型，通过调整参数trees和mtry的值，改变森林“树”的数量，从而达到对模型的优化效果．trees表示森林“树”的数量，mtry表示每次迭代变量抽样的数量．最终选定RF模型的参数为ntree=500、mtry=5，此时模型预测精度最优．
对于SVM模型，采用高斯RBF核函数进行训练．参数gamma决定了数据映射到新的特征空间后的分布；而参数cost表示为惩罚因子，即对误差的容忍度．最终选定SVM模型的参数为gamma=0.35、cost=10．
针对人工神经网络，分别对size、decay和maxit 等3个参数进行优化，其中size代表隐藏层神经元数，decay代表输入权重的修正参数、maxit代表最大迭代次数．最终选择ANN模型的参数为size=17、decay=0.01、maxit=1000．
对于K-最近邻，通过对邻居数量k的优化，从而增加模型的精度．最终选择5个邻居数的KNN算法建立模型，精确度较高．
对于NB模型，为避免由于样本数据较少而导致整个数据零概率问题的出现，使用拉普拉斯技术做平滑处理，避免零概率问题．
对于LG模型，我们使用逐步回归的方法进行变量重要性的筛选，得到最优模型．
-
通过对模型参数的优化，最终得到最优模型预测结果，如表2所示．
根据结果，表3列举了模型RF、SVM、ANN和KNN的4组预测结果较好的数据，其中Y表示分子结合GPER、N表示不结合．可以看到，测试集的α-E2、训练集的2'-OH-BDE-003和BPF被四个模型全部预测错误．推测原因为α-E2和BPF在结构上与具有结合效应的分子E2和BPA有相似之处，2'-OH-BDE-003在结构上与不具有结合效应的分子BDE-003有相似之处，由此造成了本研究中的所有分类模型都不能对其进行正确的分类．
依据表4，计算模型评价指标Sn、Sp、Q和MCC值，如下所示．可以看到RF的精确度最高，训练集达到99%，测试集达到88.5%，敏感性和特异性也较高，说明RF的预测效果优秀．SVM、ANN、KNN的精度次之，训练集精确度分别达到97.1%、95.2%、95.2%；测试集精确度分别达到88.5%、84.6%、84.6%，敏感性和特异性也较高．而NB和LG的预测结果较差，训练集精度分别为81.7%和79.8%；测试集精度分别为84.6%和88.5%，由此得到最优模型为RF．同时其它模型的统计学评价指标（Sn、Sp、Q和MCC）也显示为RF为最优的分类预测模型．
此外通过受试者工作特征（ROC）曲线以及AUC曲下面积对模型评价进行进一步说明．AUC曲下面积越接近1模型性能越高．由图2可知，RF训练集和测试集的AUC值均在0.9以上，说明模型性能最优；SVM、ANN、KNN次之，训练集AUC值分别达到0.961、0.987、0.938，测试集AUC分别达到0.882、0.889、0.854，模型性能较好；NB和LG的训练集AUC值分别为0.795和0.765，测试集AUC均为0.799，说明模型预测性能较差．
最后，通过10折交叉验证来计算模型的精度，其中RF、SVM、ANN、KNN精度分别为81%、81%、81%、80%，而NB和LG的精度较低，分别为75%和72%，说明RF和SVM模型的精度较高，这和前面模型性能评估得出的结论是一致的．
-
本文使用基于欧几里得距离的标准来探索化合物是否适用于所建模型，利用训练集计算可知化合物中最大的欧几里得距离为0.88（截断值），而计算得到的测试集中所有化合物的欧几里得距离均小于0.88，表明测试集化合物均适用于预测模型．这也为测试活性未知的化合物是否适用于所建模型提供了评价标准．
-
目前对于外源性化合物对膜雌激素受体GPER的干扰效应研究方兴未艾，仍有大量潜在的化合物有待验证．因此，在我们的研究中，搜集了130种已知的化合物结合GPER的情况，评价了RF、SVM、ANN、KNN、NB、LG的6种机器学习算法构建的分类预测模型的表现．通过特征选择、模型优化以及模型评价，结果显示RF为最优模型，为评价环境污染物是否通过结合GPER而产生内分泌干扰效应提供了快速筛查的预测模型与理论支撑．
基于膜雌激素受体（GPER）结合化合物能力的分类预测模型
Classification prediction model based on GPER binding ability of membrane estrogen receptor
-
摘要: 近年来，计算毒理学的方法被广泛应用于潜在的环境内分泌干扰物（EDCs）的筛选．膜雌激素受体（GPER），作为一种可以快速响应内源性配体雌激素的关键靶蛋白，调控其介导的多项生理学功能．但是针对GPER的化合物毒性预测模型仍未见报道．因此，本研究收集了130个化合物对GPER的结合活性数据，主要包括双酚类、多溴联苯类以及农药杀虫剂类环境污染物．利用随机森林（RF）、支持向量机（SVM）、人工神经网络（ANN）、K最近邻（KNN）、朴素贝叶斯（NB）以及逻辑回归（LG）等6种机器学习算法构建二分类模型．结果显示，所有被测试算法的测试集准确率均达到85%以上，其中SVM、RF、ANN、KNN等4种算法的训练集准确率高于93%，10折交叉验证准确率高于80%，说明得到的模型具有优秀的分类预测性能．因此，本研究基于机器学习算法构建的分类模型，可以用来快速、准确地预测环境污染物是否通过结合GPER产生内分泌干扰效应．为评估环境污染物的潜在健康风险提供了理论依据．Abstract: In recent years, computational toxicology has been widely applied to the screening of potential environmental endocrine disruptors(EDCs)．Membrane estrogen receptor(GPER), as a key target protein that can rapidly respond to endogenous ligand estrogen, regulates its mediated multiple physiological functions. However, the prediction model of compound toxicity for GPER has not been reported. Therefore, the binding activity data of 130 compounds against GPER were collected in this study, mainly including bisphenols, polybrominated biphenyls and environmental pollutants like pesticides and insecticides．Six machine learning algorithms, including random forest (RF), support vector machine(SVM), artificial neural network(ANN), K-nearest neighbor(KNN), Naive Bayes(NB)and logistic regression(LG), were used to construct the dichotomous model．The results showed that the test set accuracy of all the algorithms tested reached more than 85%, among which the training set accuracy of SVM、RF、ANN and KNN algorithm was 93% higher than that of the four algorithms, and the 10-fold cross validation accuracy was 80% higher than that of the four algorithms, indicating that the model obtained had excellent classification prediction performance. Therefore, the classification model built based on machine learning algorithm in this study can be used to quickly and accurately predict whether environmental pollutants will produce endocrine disrupting effects by combining with GPER．It provides a theoretical basis for evaluating the potential health risks of environmental pollutants．
-
全氟化合物(Perfluorinated compounds, PFCs)是氢原子全部被氟原子取代的碳氢化合物，具有热稳定性、疏水疏油的优良特性，被广泛应用于工业和消费品等生产生活领域。PFCs所含有的氟原子电负性高、原子半径小，较高的碳氟键能使其具有高度稳定性，在自然环境中不易被生物降解，在各种环境介质中均有所残留[1]。作为PFCs前体的最终降解物质，PFOS在自然环境中检出率最高，其主要通过工业废水和市政废水释放到天然水体中，威胁水生生物的健康安全[2]，通过食物链的传递可富集到人体内，对肝脏、内分泌、免疫性能等方面产生毒性危害[3]。因此，其污染控制技术成为研究热点。
目前，有关 PFOS 去除的研究主要集中在物理吸附和化学催化降解方面[4-5]。其中物理吸附成本低、可操作性强，易于推广。有研究表明，PFOS 在颗粒状活性炭上的吸附能力大于560 mg·g−1[6]；通过硝酸盐、碳酸盐、氯离子改性的砾石对PFOS的去除率高达99.7%[7]。人工湿地因低能耗、低成本，广泛应用于污水处理，通过湿地系统中植物吸收富集、填料吸附截留和微生物降解作用，不仅可以去除氮磷等营养盐物质，还可以去除金属离子、新兴污染物[8-9]。CHEN等[10]研究表明，人工湿地对水体中PFOA和PFOS的去除率分别为77%~82%和90%~95%。
铝污泥是给水处理过程中的副产品，在给水厂中大量产生，其含有大量的铝和聚合物，可以吸附污染物[11]，将铝污泥与沸石、钢渣等材料混合烧制成颗粒状填料，可改善填料的理化性质，提升污染物的吸附性能[12]。将改性后的铝污泥填料应用于人工湿地中，其含有的铝、铁等元素可强化湿地的吸附、沉淀作用，而且有利于系统内部微生物的生长附着和植物根系的穿透[13]。
目前，铝污泥人工湿地对含氟水体的净化效果研究较少。本文基于前期的研究成果[13-14]，以普通人工湿地为对照，将铝污泥填料置于人工湿地装置内，构建铝污泥人工湿地，通过动态实验探究了其对复合污染水体中C、N、P和PFOS的去除效果，以期为人工湿地在生态修复工程中的应用提供参考。
1. 材料与方法
1.1 人工湿地装置构建
采用PVC塑料制作长100 cm、宽为50 cm、高为50 cm的长方体，构建人工湿地装置，距离顶部和底部3 cm处分别设计进水口和出水口。距离装置顶部0~5 cm处铺设细砂石(粒径0~5 mm)，5~20 cm处铺设沸石(粒径6~12 mm)，20~40 cm处铺设砾石(粒径6~12 mm)和铝污泥(粒径20~30 mm)(体积比为3∶1)，40~60 cm处铺设陶粒(粒径6~12 mm)，构成铝污泥人工湿地；与此结构完全相同，但在20~40 cm层不加铝污泥颗粒，作为普通人工湿地。根据前期研究[14]，挺水植物芦苇对PFCs具有较强耐受能力，所以选取预培养期生长状态良好的芦苇，种植于填料顶部，每个装置种植4株。实验共构建4个铝污泥人工湿地装置和1个普通人工湿地装置。
从给水厂获取铝污泥，主要成分为 Al2O3，质量比为39.45%~46.32%，在铝污泥中加入加致孔剂，脱水后与沸石混合，加入黏结剂，放入造粒机造粒，粒径为20~30 mm，将颗粒烘干(105~120 ℃)、焙烧(500~600 ℃)，形成铝污泥填料。铝污泥填料体积密度为1.11g·cm−1，孔隙率为39%~44%，比表面积为23.5~37.9 m2·g−1。
1.2 实验设计与运行
采用人工配制模拟废水，分别用葡萄糖、腐殖酸钠、氯化铵、硝酸钾、磷酸二氢钾模拟耗氧有机污染物、NH3-N、TN和TP，正常运行阶段，耗氧有机污染物(以COD计)的质量浓度为(58.54±4.72) mg·L−1，NH3-N质量浓度为(7.25±0.74) mg·L−1，TN质量浓度为(18.42±0.37) mg·L−1，TP质量浓度为(1.44±0.63) mg·L−1；设置4个PFOS质量浓度梯度，向水体中投加PFOS标液，调节初始质量浓度分别为0、1、250、5 000 µg·L−1。
采用自然富集培养、连续流的方式挂膜，在模拟废水中投加葡萄糖补充碳源，加速生物膜的培养。系统启动阶段每3 d取1次出水水样进行检测，21 d后各污染物削减率趋于稳定，视为挂膜成功。挂膜成功后，进入正常运行阶段，运行40 d，人工湿地采用周期间歇进水方式，水力停留时间设置为48 h，实验期间每2 d收集1次水样。每个进水条件收集3组实验水样，测试时每个样品进行2次测定。实验期间，观察植物生长情况，实验结束后，采取植物样品，洗净后存储，以测定植物根、茎、叶中污染物的含量。
1.3 检测与分析方法
湿地系统pH、DO、ORP等物理指标采用HQ40d便携式多参数水质分析仪测定；水体中COD、NH3-N、TN、TP等污染物质量浓度参照据《水和废水监测分析方法 (第四版)》进行测定；水体中PFOS质量浓度参照WANG等[15]的方法，按照固相萃取、洗脱、氮吹步骤进行处理测定。植物样品采集后，用去离子水洗净，在105 ℃下杀青20 min，70 ℃下烘干72 h，称取干重，粉碎后过筛保存。植物中N元素含量采用靛酚蓝比色法测定，P元素含量采用钼锑抗比色法测定。采用excel 2003和SPSS18分析处理数据，采用origin 2019绘制图表。
2. 结果与分析
2.1 不同PFOS质量浓度对C/N/P去除的影响
在不同PFOS质量浓度下，铝污泥人工湿地中各污染物的质量浓度变化如图1所示。系统运行前期，出水中各污染物质量浓度波动较大且偏高。这是因为实验开始时，植物根系仍处于生长阶段，尚未发育成熟的根系上附着的微生物较少，并且基质表面的微生物膜较薄，一定程序上影响污染物的吸收效果。COD值变化如图1(a)所示。由图1(a)可以看出，前24 d，COD值波动较大，后期出水浓度趋于稳定。由表1可以看出，当PFOS质量浓度为1 µg·L−1时，出水COD值与对照组几乎没有差异，去除率约为(62.11±2.48)%；当PFOS由250 µg·L−1增加至5 000 µg·L−1时，出水COD值显著增大，去除率由(52.47±2.21)%降至(43.62±2.18)%。
图 1 不同PFOS质量浓度下C、N、P的质量浓度变化Figure 1. Changes of C, N and P concentrations at different PFOS concentrations由图1(b)和图1(c)可以看出，NH3-N与TN质量浓度整体上呈现相同的变化趋势。当PFOS质量浓度为1 µg·L−1时，NH3-N、TN出水质量浓度与对照组无显著差异，分别为2.29 mg·L−1和5.08 mg·L−1；PFOS质量浓度增加至250 µg·L−1时，NH3-N和TN的出水质量浓度分别稳定在2.93 mg·L−1和6.30 mg·L−1，去除率分别为(59.58±2.56)%和(65.79±1.87)%；PFOS增加至5 000 µg·L−1时，与对照组相比，NH3-N和TN的去除率分别下降(15.91±2.29)%和(16.12±1.82)%。
与COD、NH3-N和TN相比，湿地出水TP波动幅度较小，且18 d后出水质量浓度基本稳定。由图1(d)可见，PFOS质量浓度为250 µg·L−1时，TP出水质量浓度为0.45 mg·L−1，仍满足一级A标准，但是当质量浓度增大至5 000 µg·L−1时，TP出水质量浓度为0.55 mg·L−1，超出一级A标准范围，与对照组相比，TP去除率降幅约为(10.18±1.22)%。
表 1 不同PFOS质量浓度下C、N、P的去除率Table 1. Removal rates of C, N and P at different mass concentrations of PFOSPFOS质量浓度/(µg·L−1) COD/% 氨氮/% TN/% TP/% 0 62.11±2.48 67.43±2.33 73.57±2.78 72.35±0.95 1 60.15±1.92 68.64±1.85 72.41±2.04 71.33±1.22 250 52.47±2.21 59.58±2.56 65.79±1.87 68.68±1.47 5 000 43.62±2.18 51.52±2.01 57.45±1.77 62.17±1.49 | Show Table
DownLoad:
CSV
2.2 2种人工湿地对C、N、P去除效果的对比
当PFOS达到250 µg·L−1时，铝污泥人工湿地对营养盐的去除受到抑制，所以选取此质量浓度进行普通人工湿地与铝污泥人工湿地的对比实验，同时设计对照组即无PFOS的进水条件进行实验探究。图中P0、P1分别代表普通人工湿地在进水无PFOS和有PFOS的实验工况，L0、L1分别代表铝污泥人工湿地在进水无PFOS和有PFOS的实验工况。
实验周期内，各湿地出水情况如图2所示。各污染物总体呈现先快速下降后趋于稳定的趋势，PFOS存在的情况下，两湿地出水COD、NH3-N、TN质量浓度运行24 d后趋于稳定，TP质量浓度在第18 天达到稳定，污染物波动时间比无PFOS稍长，并且出水质量浓度均高于对照组。由表2可见，铝污泥人工湿地L1对COD、NH3-N、TN和TP的去除率分别为(52.47±2.21)%、(59.58±2.56)%、(65.79±1.87)%和(68.68±1.47)%，与对照组L0相比，对TP去除的降幅最小，仅为(3.67±1.21)%，对COD去除降幅最大，约为(9.64±2.35)%，对氨氮和TN的去除降幅在8%左右。普通人工湿地P1对COD、NH3-N、TN和TP的去除率分别为(42.57±1.87)%、(52.35±1.51)%、(57.02±3.02)%和(59.25±1.84)%，与对照组相比，去除率分别下降了(10.71±2.00)%、(11.9±1.88)%、(10.46±2.45)%和(6.73±1.71)%，降幅均大于铝污泥人工湿地。
图 2 不同人工湿地水体中C、N、P的质量浓度变化Figure 2. Changes of C, N and P concentrations in different constructed wetlands表 2 不同人工湿地对C、N、P的去除率Table 2. Removal rates of C, N and P by different constructed wetlands% 工况 COD 氨氮 TN TP P0 53.28±2.14 64.25±2.25 67.48±1.88 65.98±1.58 P1 42.57±1.87 52.35±1.51 57.02±3.02 59.25±1.84 L0 62.11±2.48 67.43±2.33 73.57±2.78 72.35±0.95 L1 52.47±2.21 59.58±2.56 65.79±1.87 68.68±1.47 | Show TableDownLoad:
CSV
为了解各湿地系统污染物去除的差异性，对系统各介质中氮磷的含量进行测量计算，当湿地pH>8时，系统易发生氨挥发现象[16]，本实验中进出水pH在7.2~7.8内波动，因此氨挥发可忽略不计，氮磷主要通过植物吸收、填料吸附和微生物作用去除。测定植物中N、P含量后，用投加总量减去水体中剩余量，再减去植物中含量，即可得通过填料吸附和微生物作用去除的部分。由图3所示，总体而言，植物体内N含量占比较小，P含量占比较大。无PFOS时，普通人工湿地水体中含(31.17±1.25) g N、(2.64±0.18) g P，植物含(13.48±0.27) g N， (2.32±0.10) g P，被填料吸附和微生物降解的N为(43.78±1.84) g，P为(1.95±0.07) g；进水中加入PFOS后，水体中N、P含量分别增加(4.30±1.34) g、(0.44±0.15) g，植物中N含量增加(4.49±0.54) g、P含量减少(0.07±0.01) g。铝污泥人工湿地中，除植物中P含量在加入PFOS后有所增加外，其余含量变化趋势与普通人工湿地相似。根据含量占比，分析计算出各介质对N、P的去除贡献率如表3所示。
图 3 不同人工湿地C、N、P的含量分布情况Figure 3. Weight distribution of C, N and P in different constructed wetlands表 3 各介质对N、P的去除贡献率Table 3. Contribution rate of each part to N and P removal% 污染物种类 植物 微生物降解+填料吸附 N P N P 普通人工湿地 C、N、P 23.54 54.33 76.46 45.67 C、N、P、PFOS 33.93 58.75 66.07 41.25 铝污泥人工湿地 C、N、P 20.88 36.79 79.12 63.21 C、N、P、PFOS 25.57 39.64 74.43 60.36 | Show TableDownLoad:
CSV
2.3 人工湿地对PFOS的去除效果
在初始质量浓度为250 µg·L−1时，铝污泥人工湿地对PFOS的去除率为(73.24±2.56)%，比普通人工湿地高(11.99±1.91)%。初始质量浓度为1 µg·L−1时，铝污泥人工湿地对PFOS去除效果最好，去除率高达(84.33±1.25)%，随着质量浓度增加至500 µg·L−1、5 000 µg·L−1，PFOS的去除率分别下降至(11.09±1.91)%和(18.99±1.77)%。
现有研究表明，PFOS具有高度稳定性，难以被微生物降解[17]，在人工湿地系统中，PFOS通过植物吸收和填料吸附作用得以去除。通过测定水体、植物中PFOS的含量，得出PFOS在湿地系统中的分布如图4所示。2个湿地系统中PFOS在植物中的含量占比均小于填料。初始质量浓度为1 µg·L−1时，铝污泥人工湿地植物中PFOS总质量(1.72±0.10) µg，占比为(35.81±1.44)%，分别比质量浓度为250 µg·L−1和5 000 µg·L−1时高出(19.67±1.08)%和(22.94±0.99)%，填料中总质量(2.27±0.11) µg，占比为(47.32±1.53)%，分别比质量浓度为250 µg·L−1和5000 µg·L−1时低(8.91±1.40)%和(4.79±1.28)%。
图 4 不同人工湿地PFOS的质量分布情况Figure 4. Weight distribution of PFOS in different constructed wetlands3. 讨论
3.1 PFOS对C、N、P去除的影响
人工湿地对富营养化水体具有较好的净化效果，但在一定质量浓度PFOS的胁迫下，C、N、P的净化能力均受到抑制作用。由表1可见，在较低质量浓度的PFOS下，C、N、P的去除几乎不受影响，但当PFOS质量浓度达到5 000 µg·L−1时，与无PFOS相比，铝污泥人工湿地对COD、氨氮、TN、TP的去除率分别降低了(18.49±2.13)%、(15.91±2.29)%、(16.12±1.82)%和(10.18±1.22)%。随着初始PFOS质量浓度的增大，湿地对营养盐去除效果的降幅逐渐增大。这主要归因于以下2点：一方面，全氟化合物具有一定毒性，高质量浓度的PFOS会破坏湿地系统中微生物活性和群落结构，BAO等[18]研究表明，水体中PFOS含量与细菌丰度和多样性呈负相关性，当全氟化合物质量浓度达到200 µg·L−1时，硝化作用就会受到明显的抑制[19]；另一方面，PFOS是一种顽固性表面活性剂，当大量的表面活性剂吸附在填料表面时，会阻碍微生物群落与水体中污染物的接触[20]。从各污染物降幅可以看出，NH3-N和COD的降幅较大，TP的降幅最小，这是因为磷的去除对微生物的依赖较小，主要通过铝污泥的离子交换、絮凝沉淀作用。
3.2 氮磷在人工湿地系统中的分布
当进水中不含PFOS时，普通人工湿地中植物对N的去除贡献率为23.54%，与LI等[21]的研究结果相似。而KEIZER-VLEK等[22]的研究表明，植物对TN的去除贡献率高达74%。这可能是因为本研究中TN进水质量浓度(18 mg·L−1)远高于KEIZER-VLEK的研究结果(4 mg·L−1)。一般而言，进水中营养盐的浓度越低，植物对去除的贡献率越高。植物对P的去除贡献率超过50%，可见植物吸收是湿地中磷去除的主要途径，这与KYAMBADD等[23]研究结果一致。铝污泥人工湿地中填料吸附和微生物的作用对氮磷的贡献均大于普通人工湿地。这是因为铝污泥可以通过络合、静电、离子交换等作用强化对磷的固定[24-25]，此外，铝污泥湿地系统pH较大，水体中增多的OH−易与NH4+进行中和反应。
在PFOS的胁迫作用下，湿地系统各介质中N、P分布发生了变化。与无PFOS相比，进水中含有250 µg·L−1 PFOS时，水体中N、P占比增大，相应的，湿地对营养盐的去除率下降；植物对氮磷的去除贡献均有所上升，表明PFOS对湿地系统中微生物的影响较大，而植物可以富集全氟化合物[26]，从而减少PFOS的胁迫作用。人工湿地中植物对氮磷去除贡献率分别增加10.40%和4.17%，铝污泥人工湿地仅为4.69%和2.86%。这表明铝污泥人工湿地系统中填料吸附和微生物作用更具有稳定性，与磷去除率降幅小于氮相一致。
3.3 人工湿地对PFOS的去除效果
湿地在去除营养盐的同时，对PFOS也具有一定的去除效果。在进水PFOS为250 µg·L−1的条件下，铝污泥人工湿地对PFOS的去除率为(73.24±2.56)%，去除效果优于普通人工湿地，此时湿地系统pH为7.36，小于铝污泥的等电点[27]，铝污泥表面正电荷易于与水体中呈阴离子形态的PFOS相结合。
PFOS在两种湿地系统中分布有所不同。2种人工湿地中填料吸附占比分别为(56.23±1.27)%和(40.28±2.55)%，均大于植物占比。表明在此系统中，填料吸附发挥主要去除作用。这与QIAO等的研究结果相似[28]。填料吸附PFOS是一个物理过程，其吸附速率高于植物吸收[29]；此外，系统中填料量大于植物量，也会造成填料吸附对去除PFOS贡献率增大。铝污泥人工湿地中填料贡献率比普通人工湿地高14.64%，与铝污泥的絮凝特性、表面所带正电荷有关[30]。
在不同初始PFOS质量浓度下，PFOS在铝污泥人工湿地各介质中分布有所差异。如图4所示，随着初始PFOS质量浓度的增加，铝污泥人工湿地对PFOS的去除能力下降，PFOS在水体中的分布逐渐增大。与低质量浓度相比，PFOS在植物中的占比逐渐减小，并且对PFOS去除的贡献率下降20.45%~22.77%，表明植物虽然可以富集全氟化合物，但需要控制在其积累和耐受能力范围之内。
4. 结论
1)低质量浓度PFOS作用下，铝污泥人工湿地对营养盐的去除效果几乎不受影响，随着PFOS初始质量浓度增加至5 000 µg·L−1，C、N、P的去除率分别下降了(18.49±2.13)%、 (16.12±1.82)%和(10.18±1.22)%。
2)在PFOS胁迫下，普通人工湿地和铝污泥人工湿地中COD、NH3-N、TN和TP的去除效果均有所降低，铝污泥人工湿地对COD、NH3-N、TN和TP的去除降幅分别比普通人工湿地低出(9.90±0.35)%、(7.23±2.04)%、(8.77±2.45)%和(9.43±1.66)%。
3)与普通人工湿地相比，铝污泥人工湿地对PFOS的去除率高出8.46%，其中填料吸附贡献率为(56.23±1.27)%，并且随着PFOS初始质量浓度的增大，植物富集作用逐渐减弱。
-
图 2 分类模型的受试者工作特征（ROC）曲线（虚线为训练集、实线为测试集）
Figure 2. Receiver operating characteristics（ROC）graphs of the classification model
表 1 模型选定的描述符
Table 1. Selected descriptors for models
变量Variables 描述Description GATS4c Geary autocorrelation - lag 4 / weighted by charges GATS4s Geary autocorrelation - lag 4 / weighted by I-state ETA_Eta Composite index Eta AATSC6i Average centered Broto-Moreau autocorrelation - lag 6 / weighted by first ionization potential MATS2i Moran autocorrelation - lag 2 / weighted by first ionization potential
下载: 导出CSV
表 2 模型预测结果
Table 2. Model prediction results
数据集Dataset 化合物数Chemical number（n） 真阳性True positive（TP） 真阴性True negative（TN） 假阴性False negative（FN） 假阳性False positive（FP） 模型 RF 训练集 104 73 30 0 1 测试集 26 17 6 1 2 模型 SVM 训练集 104 72 29 1 2 测试集 26 16 7 2 1 模型ANN 训练集 104 72 27 1 4 测试集 26 15 7 3 1 模型 KNN 训练集 104 71 28 2 3 测试集 26 15 7 3 1 模型 NB 训练集 104 69 16 4 15 测试集 26 16 6 2 2 模型 LG 训练集 104 70 13 3 18 测试集 26 16 7 2 1
下载: 导出CSV
表 3 模型化合物预测情况
Table 3. Prediction of model compounds
序号No. 化合物Compound 参考文献Reference GPER配体分子（是/否） GPER ligand molecule（Y/N） 观测值Observed SVM RF ANN KNN 1 SK0* [25] Y Y Y Y Y 2 SK0P [25] Y Y Y Y Y 3 G-1 [6, 21] Y Y Y Y Y 4 G-15 [6,21] Y Y Y Y Y 5 G-36 [6,21] Y Y Y Y Y 6 Oleuropein [24] Y Y Y Y Y 7 Hydroxytyrosol [24] Y Y Y Y Y 8 MIBE [24] Y Y Y Y Y 9 4-hydroxytamoxifen [24] Y Y Y Y Y 10 GPER-L1 [24] Y Y Y Y Y 11 GPER-L2 [24] Y Y Y Y Y 12 17β-estradiol [22] Y Y Y Y Y 13 E3 [24] N N N Y N 14 Tamoxifen [22] Y Y Y Y Y 15 Fulvestrant [22] Y Y Y Y Y 16 Epi* [27] Y Y Y Y Y 17 Epi-prop [27] Y Y Y Y Y 18 Epi-4-prop [27] Y Y Y Y Y 19 Epi-5-prop [27] Y Y Y Y Y 20 Epi-Ms [27] N N N Y N 21 C4PY [26] Y Y Y Y Y 22 7β-OH-EpiA* [24] Y Y Y Y Y 23 G-DOTA [37] Y Y Y Y Y 24 G-Bz-DOTA [37] N N N N N 25 G-Bz-DTPA [37] N N N N N 26 Atrazine [24] Y Y Y Y Y 27 PBX1 [34] Y Y Y Y Y 28 PBX2 [34] Y Y Y Y Y 29 ZINC65156419(1) [29] Y Y Y Y N 30 ZINC65156419(2) [29] N N N N N 31 ZINC65156419(3) [29] N N N N N 32 ZINC65156419(4) [29] N N N N N 33 ZINC65156419(5) [29] Y Y Y Y Y 34 ZINC65156419(6) [29] N N N N N 35 ZINC65156419(7) [29] N N N N N 36 ZINC65156419(8) [29] N N N N N 37 ZINC65156419(9)* [29] Y Y Y N Y 38 E2-NH3+ [13] Y Y Y Y Y 39 E2-COO- [13] Y Y Y Y Y 40 E2-NMe3+ [13] Y Y Y Y Y 41 E2-NB [13] Y Y Y Y Y 42 o,p'-DDE [6] Y Y Y Y Y 43 E1* [24] N N Y N N 44 α-E2 [24] N Y Y Y Y 45 Genistein [6] Y Y Y Y Y 46 p,p'-DDT [6] Y Y Y Y Y 47 BPA* [6] Y Y Y Y Y 48 quercetin [24] Y Y Y Y Y 49 Resveratrol* [24] Y Y Y Y Y 50 Raloxifene [24] Y Y Y Y Y 51 zearalonone [6] Y Y Y Y Y 52 Nonylphenol [6] Y Y Y Y Y 53 kepone [6] Y Y Y Y Y 54 STX [24] Y Y Y Y Y 55 PPT* [24] Y Y Y Y Y 56 2,2',5'-PCB-4-OH [6] Y Y Y Y Y 57 equol [24] Y Y Y Y Y 58 2-methoxye stradiol [24] Y Y Y Y Y 59 niacin [24] Y Y Y Y Y 60 daidzein [24] Y Y Y Y Y 61 BDE-003 [28] N N N N N 62 BDE-007* [28] N N N N N 63 BDE-028 [28] N N N N N 64 BDE-047 [28] N N N N N 65 BDE-049* [28] N N N N N 66 BDE-085* [28] N N N N N 67 BDE-099* [28] N N N N N 68 BDE-100 [28] N N N N N 69 BDE-154 [28] N N N N N 70 BDE-180 [28] N N N N N 71 BDE-187 [28] N N N N N 72 BDE-201 [28] N N N N N 73 2'-OH-BDE-003* [28] Y N N N N 74 3'-OH-BDE-007 [28] Y Y Y Y Y 75 3'-OH-BDE-028 [28] Y Y Y Y Y 76 3'-OH-BDE-047* [28] Y Y Y Y Y 77 3'-OH-BDE-154 [28] Y Y Y Y Y 78 4'-OH-BDE-049 [28] Y Y Y Y Y 79 5'-OH-BDE-099* [28] Y Y Y Y Y 80 2'-OH-BDE-007 [28] N N N N N 81 2'-OH-BDE-028* [28] N N N N N 82 3-OH-BDE-100 [28] Y N Y N Y 83 4-OH-BDE-187 [28] Y Y Y Y Y 84 4'-OH-BDE-201 [28] Y Y Y Y Y 85 5-OH-BDE-047 [28] N N N N N 86 5'-OH-BDE-100 [28] N N N N N 87 6-OH-BDE-047 [28] N N N N N 88 6-OH-BDE-085* [28] N N N N N 89 6'-OH-BDE-099 [28] N N N N N 90 6-OH-BDE-180 [28] Y Y Y Y N 91 BPAF [16] Y Y Y Y Y 92 BPB* [16] Y Y Y Y Y 93 BPF* [16] N Y Y Y Y 94 BPS* [16] Y Y Y N N 95 TBBPA [16] N N N N Y 96 TCBPA [16] Y Y Y Y Y 97 Diethylstilbestro [24] N N N N N 98 2-Hydroxy stradiol* [24] Y N Y Y N 99 Aldosterone [24] Y Y Y Y Y 100 Tectoridin [24] Y Y Y Y Y 101 Apigenin* [24] Y Y Y Y Y 102 Methoxychlor [24] Y Y Y Y Y 103 p,p'-DDE* [24] Y Y Y Y Y 104 o,p'-DDT* [24] Y Y Y Y Y 105 DPN [24] Y Y Y Y Y 106 Ethynylestradiol [24] Y Y Y Y Y 107 3MC [32] Y Y Y Y Y 108 AB-1 [31] N N N N N 109 CIMBA-5* [36] Y Y Y Y Y 110 CIMBA-6 [36] Y Y Y Y Y 111 CIMBA-7 [36] Y Y Y Y Y 112 CIMBA-8 [36] Y Y Y Y Y 113 CIMBA-9 [36] N Y N Y N 114 CIMBA-10 [36] Y Y Y Y Y 115 CIMBA-11 [36] Y Y Y Y Y 116 CIMBA-12 [36] Y Y Y Y Y 117 CIMBA-13 [36] Y Y Y Y Y 118 CIMBA-14 [36] N N N N N 119 CIMBA-15 [36] Y Y Y Y Y 120 CIMBA-16 [36] N N N N Y 121 CIMBA-17 [36] Y Y Y Y Y 122 CIMBA-18 [36] Y Y Y Y Y 123 CIMBA-19 [36] N N N N N 124 CIMBA-20 [36] Y Y Y Y Y 125 CIMBA-21 [36] Y Y Y Y Y 126 CIMBA-22 [36] Y Y Y Y Y 127 CIMBA-23 [36] Y Y Y Y Y 128 CIMBA-24 [36] Y Y Y Y Y 129 CIMBA-25 [36] Y Y Y Y Y 130 Carbhydraz [35] Y Y Y Y Y 注：*测试集化合物． Note：*Testing set compounds．
下载: 导出CSV
表 4 模型评价
Table 4. Model performance
数据集Dataset 化合物数Chemical number（n） 敏感性Sensitivity（Sn） 特异性Specificity（Sp） 精确度Accuracy（Q） 马修斯相关系数Matthews correlation coefficient（MCC） 模型 RF 训练集 104 1 0.968 0.99 0.977 测试集 26 0.944 0.75 0.885 0.723 模型 SVM 训练集 104 0.986 0.935 0.971 0.931 测试集 26 0.889 0.875 0.885 0.741 模型ANN 训练集 104 0.986 0.871 0.952 0.884 测试集 26 0.833 0.875 0.846 0.672 模型 KNN 训练集 104 0.972 0.903 0.952 0.884 测试集 26 0.833 0.875 0.846 0.672 模型 NB 训练集 104 0.945 0.516 0.817 0.535 测试集 26 0.889 0.75 0.846 0.639 模型 LG 训练集 104 0.959 0.419 0.798 0.480 测试集 26 0.889 0.875 0.885 0.741
下载: 导出CSV
-
[1] FENICHEL P, CHEVALIER N. Is testicular germ cell cancer estrogen dependent? The role of endocrine disrupting chemicals [J]. Endocrinology, 2019, 160(12): 2981-2989. doi: 10.1210/en.2019-00486 [2] BALABANIC D, RUPNIK M S, KLEMENCIC A K. Negative impact of endocrine-disrupting compounds on human reproductive health [J]. Reproduction Fertility and Development, 2011, 23(3): 403-416. doi: 10.1071/RD09300 [3] BRAUN J M. Early-life exposure to EDCs: Role in childhood obesity and neurodevelopment [J]. Nature Reviews Endocrinology, 2017, 13(3): 161-173. doi: 10.1038/nrendo.2016.186 [4] FOWLER P A, BELLINGHAM M, SINCLAIR K D, et al. Impact of endocrine-disrupting compounds (EDCs) on female reproductive health [J]. Molecular and Cellular Endocrinology, 2012, 355(2): 231-239. doi: 10.1016/j.mce.2011.10.021 [5] HARRIS H A, KATZENELLENBOGEN J A, KATZENELLENBOGEN B S J E. Characterization of the biological roles of the estrogen receptors, ERα and ERβ, in estrogen target tissues in vivo through the use of an ERα-selective ligand [J]. Endocrinology, 2002(11): 4172-4177. [6] THOMAS P, DONG J. Binding and activation of the seven-transmembrane estrogen receptor GPR30 by environmental estrogens: A potential novel mechanism of endocrine disruption [J]. The Journal of Steroid Biochemistry and Molecular Biology, 2006, 102(1): 175-179. [7] PROSSNITZ E R, BARTON M. The G-protein-coupled estrogen receptor GPER in health and disease [J]. Nature Reviews Endocrinology, 2011, 7(12): 715-726. doi: 10.1038/nrendo.2011.122 [8] PROSSNITZ E R, BARTON M. Signaling, physiological functions and clinical relevance of the G protein-coupled estrogen receptor GPER [J]. Prostaglandins Other Lipid Mediat, 2009, 89(3-4): 89-97. doi: 10.1016/j.prostaglandins.2009.05.001 [9] WANG C, LI J, YE S, et al. Oestrogen inhibits VEGF expression and angiogenesis in triple-negative breast cancer by activating GPER-1 [J]. Journal of Cancer, 2018, 9(20): 3802-3811. doi: 10.7150/jca.29233 [10] NIRO S, PEREIRA E, PELISSIER M A, et al. The DHEA metabolite 7β-hydroxy-epiandrosterone exerts anti-estrogenic effects on breast cancer cell lines [J]. Steroids, 2012, 77(5): 542-551. doi: 10.1016/j.steroids.2012.01.019 [11] PROSSNITZ E, BARTON M. Estrogen biology: New insights into GPER function and clinical opportunities [J]. Molecular and Cellular Endocrinology, 2014, 389(1): 71-83. [12] ALBANITO L, MADEO A, LAPPANO R, et al. G protein-coupled receptor 30 (GPR30) mediates gene expression changes and growth response to 17β-estradiol and selective GPR30 ligand G-1 in ovarian cancer cells [J]. Cancer Research, 2007, 67(4): 1859-1866. doi: 10.1158/0008-5472.CAN-06-2909 [13] REVANKAR C M, MITCHELL H D, FIELD A S, et al. Synthetic estrogen derivatives demonstrate the functionality of intracellular GPR30 [J]. Acs Chemical Biology, 2007, 2(8): 536-544. doi: 10.1021/cb700072n [14] TSUGAWA Y, HIRAMOTO M. IMAI T. Estrogen induces estrogen receptor α expression and hepatocyte proliferation in late pregnancy [J]. Biochemical & Biophysical Research Communications, 2019, 511(3): 592-596. [15] PROSSNITZ E R. GPER modulators: Opportunity nox on the heels of a class akt [J]. The Journal of Steroid Biochemistry and Molecular Biology, 2018, 176: 73-81. doi: 10.1016/j.jsbmb.2017.03.005 [16] CAO L Y, REN X M, LI C H, et al. Bisphenol AF and bisphenol B exert higher estrogenic effects than bisphenol A via G protein-coupled estrogen receptor pathway [J]. Environmental Science & Technology, 2017, 51(19): 11423-11430. [17] RUSSO D P, ZORN K M, CLARK A M, et al. Comparing multiple machine learning algorithms and metrics for estrogen receptor binding prediction [J]. Molecular Pharmaceutics, 2018, 15(10): 4361-4370. doi: 10.1021/acs.molpharmaceut.8b00546 [18] GRISONI F, CONSONNI V. BALLABIO D. Machine learning consensus to predict the binding to the androgen receptor within the compara project [J]. Journal of Chemical Information and Modeling, 2019, 59(5): 1839-1848. doi: 10.1021/acs.jcim.8b00794 [19] SHEFFIELD T, JUDSON R. Ensemble QSAR modeling to predict multispecies fish toxicity lethal concentrations and points of departure [J]. Environmental Science & Technology, 2019, 53(21): 12793-12802. [20] WANG Z, CHEN J, HONG H. Applicability domains enhance application of PPARγ agonist classifiers trained by drug-like compounds to environmental chemicals [J]. Chemical Research in Toxicology, 2020, 33(6): 1382-1388. doi: 10.1021/acs.chemrestox.9b00498 [21] ARNATT C K, ZHANG Y. G protein-coupled estrogen receptor (GPER) agonist dual binding mode analyses toward understanding of its activation mechanism: a comparative homology modeling approach [J]. Molecular Informmatics, 2013, 32(7): 647-658. doi: 10.1002/minf.201200136 [22] WANG D, HU L, ZHANG G, et al. G protein-coupled receptor 30 in tumor development [J]. Endocrine, 2010, 38(1): 29-37. doi: 10.1007/s12020-010-9363-z [23] BARTON M, PROSSNITZ E R. Emerging roles of GPER in diabetes and atherosclerosis [J]. Trends in Endocrinology & Metabolism, 2015, 26(4): 185-192. [24] PROSSNITZ E, ARTERBURN J. International union of basic and clinical pharmacology. XCVII. G protein-coupled estrogen receptor and its pharmacologic modulators [J]. Pharmacological Reviews, 2015, 67(3): 505-540. doi: 10.1124/pr.114.009712 [25] KHAN S U, AHEMAD N, CHUAH L H, et al. Sequential ligand and structure-based virtual screening approach for the identification of potential G protein-coupled estrogen receptor-1 (GPER-1) modulators [J]. Rsc Advances, 2019, 9(5): 2525-2538. doi: 10.1039/C8RA09318K [26] LAPPANO R, ROSANO C, PISANO A, et al. A calixpyrrole derivative acts as an antagonist to GPER, a G-protein coupled receptor: mechanisms and models [J]. Disease models & mechanisms, 2015, 8(10): 1237-1246. [27] SARMIENTO V, SANCHEZ T R, ULLOA A M, et al. Synthesis of novel (-) -epicatechin derivatives as potential endothelial GPER agonists: Evaluation of biological effects [J]. Bioorganic & Medicinal Chemistry Letters, 2018, 28(4): 658-663. [28] CAO L Y, REN X M, YANG Y, et al. Hydroxylated polybrominated biphenyl ethers exert estrogenic effects via non-genomic G protein-coupled estrogen receptor mediated pathways [J]. Environmental Health Perspectives, 2018, 126(5): 057005. doi: 10.1289/EHP2387 [29] O’DEA A, SONDERGARD C, SWEENEY P, et al. A series of indole-thiazole derivatives act as GPER agonists and inhibit breast cancer cell growth [J]. Acs Medicinal Chemistry Letters, 2018, 9(9): 901-906. doi: 10.1021/acsmedchemlett.8b00212 [30] ALBANITO L, LAPPANO R, MADEO A, et al. Effects of atrazine on estrogen receptor α and G protein-coupled receptor 30-mediated signaling and proliferation in cancer cells and cancer-associated fibroblasts [J]. Environmental Health Perspectives, 2015, 123(5): 493-499. doi: 10.1289/ehp.1408586 [31] REVANKAR C M, BOLOGA C G, PEPERMANS R A, et al. A selective ligand for estrogen receptor proteins discriminates rapid and genomic signaling [J]. Cell Chemical Biology, 2019, 26(12): 1692-1702. doi: 10.1016/j.chembiol.2019.10.009 [32] CIRILLO F, LAPPANO R, BRUNO L, et al. AHR and GPER mediate the stimulatory effects induced by 3-methylcholanthrene in breast cancer cells and cancer-associated fibroblasts (CAFs) [J]. Journal of Experimental & Clinical Cancer Research, 2019, 38(1): 335-353. [33] ALDO M U, DAVID M L, ERNESTO B R, et al. The effects of (-)-epicatechin on endothelial cells involve the G protein-coupled estrogen receptor (GPER) [J]. Pharmacological Research, 2015, 100: 309-320. doi: 10.1016/j.phrs.2015.08.014 [34] MAGGIOLINI M, SANTOLLA M, AVINO S, et al. Identification of two benzopyrroloxazines acting as selective GPER antagonists in breast cancer cells and cancer-associated fibroblasts [J]. Future medicinal chemistry, 2015, 7(4): 437-448. doi: 10.4155/fmc.15.3 [35] ROSANO C, PONASSI M, SANTOLLA M F, et al. Macromolecular modelling and docking simulations for the discovery of selective GPER ligands [J]. The AAPS Journal, 2016, 18(1): 41-46. doi: 10.1208/s12248-015-9844-3 [36] DELEON C, WANG H, GUNN J, et al. A novel GPER antagonist protects against the formation of estrogen-induced cholesterol gallstones in female mice [J]. Journal of Lipid Research, 2020, 61(5): 767-777. doi: 10.1194/jlr.RA119000592 [37] NAYAK T K, DENNIS M K, RAMESH C, et al. Influence of charge on cell permeability and tumor imaging of GPR30-targeted 111in-labeled nonsteroidal imaging agents [J]. ACS Chemical Biology, 2010, 5(7): 681-690. doi: 10.1021/cb1000636 [38] LUO L J, LIU F, LIN Z K, et al. Genistein regulates the IL-1 beta induced activation of MAPKs in human periodontal ligament cells through G protein-coupled receptor 30 [J]. Archives of Biochemistry and Biophysics, 2012, 522(1): 9-16. doi: 10.1016/j.abb.2012.04.007 -
点击查看大图
计量
- 文章访问数: 4488
- HTML全文浏览数: 4488
- PDF下载数: 108
- 施引文献: 0
