Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Estudio cuantitativo de la relación estructura-actividad de pesticidas empleando el algoritmo de clasificación K-NN Fernando Cárdenas 1 2 * , Piercosimo Tripaldi 1 , David Matamoros 3 y Cristian Rojas 4 1 Laboratorio UDALAB, Facultad de Ciencia y Tecnología, Universidad del Azuay. Av. 24 de Mayo 7-77 y Hernán Malo, Apartado postal 01.01.981. Cuenca-Ecuador 2 Escuela de Ing. Ambiental, Universidad Politécnica Salesiana. Calle Vieja 12-30 y Elia Liut, Cuenca-Ecuador. 3 Facultad de Ciencias Naturales y Matemáticas, Escuela Superior Politécnica del Litoral. Km. 30.5 vía Perimetral, Guayaquil-Ecuador. 4 Instituto de Investigaciones Fisicoquímicas Teóricas y Aplicadas (INIFTA), Universidad Nacional de la Plata. Diagonal 113 y calle 64, C.C. 16, Suc. 4 (1900), La Plata-Argentina. * Correspondencia: lcardenas@ups.edu.ec Resumen En el presente trabajo se empleó el análisis QSAR (Relación Cuantitativa Estructura-Actividad) en moléculas de pesticidas combinado con el método de clasificación K-NN (K-nearest neighbors) para establecer un modelo discreto para la actividad EC50. La base de datos se obtuvo de PPDB (Pesticide Properties Data Base), la cual contenía 192 moléculas organizadas por su estructura química (organoclorados, organofosforados, carbamatos, piretroides) y la toxicidad de Daphnia magna valorada mediante la EC50. Los valores de toxicidad fueron discretizados en tres clases asignados según su toxicidad: clase 1 moléculas de baja toxicidad, clase 2 moléculas de toxicidad intermedia y los de clase 3 moléculas altamente tóxicas. Dragon 6 calculó 1216 descriptores moleculares. Mediante el uso de algoritmos genéticos (GAs) se seleccionaron 8 descriptores que permitieron establecer el modelo de clasificación K-NN, el cual mostró una taza de no error (NER) del 72%. El algoritmo resultó ser más sensible para las moléculas que tienen mayor toxicidad al tener una taza de no error de clase del 75%. Y las clases que resultan menos sensibles son la clase 1 y 2 con una taza de no error de clase del 69% y 66%, respectivamente. Resultando un modelo con capacidad predictiva discreta aceptable. Palabras clave: QSAR, Pesticidas, K-NN, Algoritmos Genéticos, NER. Introducción El uso de pesticidas es muy importante para el mantenimiento de los sistemas agrícolas. En la actualidad; no solo han contribuido al aumento de la producción, sino que además han sido fundamentales en avances de salud pública como la supresión y control de vectores [1]. A pesar de que estas moléculas cuando se aplican, tienen organismos objetivo como su destino final, el 99% de los pesticidas que se utilizan van al aire, agua y suelo es decir, sólo el 1% llega a su destino final. Este hallazgo es inquietante debido a que la población mundial crece, lo que significa que el uso de pesticidas aumentará para satisfacer las necesidades mundiales de alimentos; debido a esto los componentes ambientales se mantendrán bajo una intensa amenaza de estas moléculas [10]. Para determinar la toxicidad de los pesticidas se han realizado y estudiado diversos ensayos en animales, la ventaja fundamental de estas pruebas es su realización en condiciones rigurosas y controladas de laboratorio; esto permite establecer de manera cuantitativa la relación entre la exposición (dosis) y su efecto (respuesta),pruebas que se realizan principalmente en aves, mamíferos e invertebrados, entre ello se tiene el efecto toxicológico sobre Daphnia magna expresada en Concentración Efectiva 50 (EC50) [4]. mailto:lcardenas@ups.edu.ec https://en.wikipedia.org/wiki/K-nearest_neighbors_algorithm Dentro de las desventajas de realizar estas pruebas es la detección de los efectos en dosis bajas a las cuales son sometidos los animales; esto requiere del uso de un número elevado de ejemplares lo que convierte al proceso poco viable económicamente [10]. Además que el costo de las pruebas toxicológicas en animales es prohibitivo, es decir que este costo es asignado al precio final de los productos químicos. En un estudio de la Comisión Europea se estima que las pruebas toxicológicas de alrededor de 30.000 sustancias existentes se traducen en un costo total de 2 billones de euros en el mercado hasta el año 2013 [16]. Asimismo se ha estimado que para realizar estas pruebas es necesario utilizar más de 12 millones de vertebrados [10]. Por lo tanto las limitaciones de los ensayos de toxicidad son: restricciones económicas, consideraciones éticas y la presión pública para reducir las pruebas toxicológicas en animales [16]. Debido a las limitaciones de los ensayos de toxicidad se han desarrollado nuevos métodos que permiten reducir el número de animales utilizados en laboratorio, ahorrar tiempo y reducir el costo de los ensayos toxicológicos [15]. Dentro de estos métodos están los modelos matemáticos de predicción, de los cuales el más difundido es el método QSAR (Relación Cuantitativa Estructura Actividad) [11]. QSAR es un tipo de estrategia que es aplicada sobre todo para resolver problemas en química, farmacología, ciencias ambientales y toxicología [15]. QSAR se apoya principalmente en técnicas estadísticas multivariantes y quimiométricas, acopladas con la información química que se encuentra codificada para cada estructura, y se conocen como descriptores moleculares; es decir, buscan un modelo matemático cuantitativo que relacione la estructura molecular y una actividad definida en las moléculas. Esta metodología se fundamenta en que los complejos fenómenos bioquímicas que afectan a la toxicidad pueden ser descritos en términos matemáticos y químicos [16]. El objetivo general de estos estudios es comprender la mecánica de la acción toxicológica de las moléculas en los organismos, para sugerir la síntesis de nuevos compuestos con una actividad biológica definida [11]. Un aspecto clave para el desarrollo de la metodología QSAR son los descriptores moleculares ya que se establece una correlación directa entre ellos y la actividad biológica [5]. Un descriptor molecular es el resultado final de un procedimiento lógico y matemático que transforma la información química codificada dentro de una representación a una representación numérica útil [5]. Por otro lado, la Quimiometría constituye la ciencia que utiliza la matemática, la estadística y la lógica formal para diseñar y seleccionar procedimientos experimentales que permitan obtener información y construir conocimiento mediante el análisis de los datos químicos [13]. Con los avances de la informática se han podido desarrollar técnicas que permiten utilizar toda la información disponible en las bases de datos; minimizando el tiempo y el costo del análisis y maximizando la calidad de la respuesta. Por esta razón, estos análisis dan un mejor entendimiento de la problemática del fenómeno estudiado obteniendo toda la información posible de los datos, usando técnicas como modelos de regresión, modelos de clasificación, algoritmos genéticos, redes neuronales, entre otros [13]. Los métodos de clasificación [13] son técnicas estadísticas multivariantes que tienen como objetivo principal la construcción de modelos sobre la base de un cierto número de variables independientes (descriptores). Es decir, busca relacionar las variables independientes con una respuesta cualitativa (clase asignada), la cual debe ser definida previamente [13]. La definición de las clases se da mediante los siguientes criterios [13]: 1. Las clases son definidas por vía teórica. 2. Las clases son definidas por una variable categórica. 3. Las clases se buscan mediante el método de clúster análisis. 4. Las clases son definidas mediante la categorización de una variable cuantitativa. Para asignar unnuevo objeto al modelo los métodos de clasificación se basan en la mínima distancia que se encuentra entre el objeto y el centroide más cercano del espacio de clase en donde el nuevo objeto será clasificado [13]. Figura 1: Esquema de la representación de las distancias de un objeto a los diferentes centroides de clases Existe una vasta gama de métodos de clasificación los cuales permiten realizar la modelación de los datos; entre estas técnicas tenemos los métodos de clasificación de A B C A A A A A A A A B B B B B B B B B C C C CCCX X Objeto a clasificar Centroide Espacio de Clase difusos (fuzzy classification methods) y los métodos de clasificación de árbol (classification tree methods). Dentro de los métodos difusos se encuentra el método K- NN [13], el cual corresponde a un método de clasificación no paramétrico, que para realizar la clasificación se basa sobre el concepto de analogía. El método se fundamenta en la elección de una distancia y en la selección oportuna de los K objetos más cercanos a la molécula en estudio. Luego se enumera cuántos de estos K objetos caen en cada clase y la molécula es atribuida a la clase más numerosa; esta evaluación se extiende a todos los objetos hasta determinar a qué clase corresponde cada uno de ellos [13]. Figura 2: Comparación de un objeto según los K vecinos más cercanos El algoritmo K-NN tiene las siguientes etapas [13]: 1. Escalado de los datos 2. Selección de la distancia a utilizar 3. Elección del número K útil para la clasificación 4. Cálculo de la matriz de las distancias 5. Para cada objeto se consideran K objetos más cercanos 6. El objeto se asigna a la clase más representativa en función de los K vecinos más cercanos. En la práctica es necesario probar diversos valores de K que oscilan entre 2 y 10 hasta obtener el valor óptimo, es decir en donde se comete el menor error de clasificación en los datos del training set. K-NN es un método que tiene gran simplicidad, una amplia aplicabilidad y su rendimiento en la respuesta obtenida es muy satisfactorio [7]. Debido a la dimensionalidad de las bases de datos es necesario realizar una selección previa de las variables más importantes para construir el modelo. Los Algoritmos Genéticos (GAs) [14] son una importante herramienta quimiométrica aplicada en problemas de optimización de datos a gran escala. Los GAs son modelos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización de sistemas complejos. Se basan en el proceso genético evolutivo de los organismos vivos; en donde se simula el proceso de selección natural y supervivencia de los organismos en donde los más aptos sobreviven. De esta manera se obtiene un conjunto óptimo de variables necesarias para la construcción del modelo [14]. GAs consisten en un ciclo interactivo de creación de conjuntos (cromosomas) de variables originales que generan poblaciones viables las cuales son las más óptimas para la construcción del modelo predictor [14]. Estos conjuntos creados buscan el mayor NER (Non- error rate), son retenidos los mejores y sobre esta población se produce el apareamiento y las mutaciones de los cromosomas para generar nuevos conjuntos predictores; se retienen siempre los mejores y se repite el ciclo interactivamente hasta alcanzar la máxima calidad de NER [13]. Con la ayuda de las técnicas señaladas, el objetivo principal se enfocó en determinar un modelo que relacione la estructura molecular y la toxicidad de diversos pesticidas utilizando un modelo de clasificación K-NN, lo que permitirá predecir la clase de actividad que tendría una nueva sustancia antes de ser sintetizada. En términos generales significa ahorrar tiempo, recursos económicos y reducir la presión sobre los animales de laboratorio. Además el modelo es una herramienta de evaluación que permitirá encontrar la toxicidad de un nuevo pesticida mediante su estructura molecular. Metodología Obtención de los Datos Se seleccionaron 192 moléculas de pesticidas en relación a su estructura química. Dentro de los cuales se encuentran los Carbamatos, Piretroides Organoclorados y Organofosforados. Los datos fueron obtenidos de PPDB (Pesticide Properties Data Base) de la Universidad Hertfordshire [17]. De esta base de datos se obtuvieron el gráfico molecular del pesticida y la EC50 de Daphnia magna. Digitalización y Optimización de las Moléculas Para la digitalización de las estructuras moleculares se utilizó el programa HyperChem 6.03, versión de evaluación [9] para la optimización de las estructuras se utilizó el método "Mechanical Mechanics Force Fields" (MM+), con el algoritmo Polak-Ribiere (Conjugate Gradient), con RMS gradient de 0.1 Kcal/(Å mol). Cálculo de los Descriptores Moleculares Utilizando el software Dragon versión 6 [12], se calcularon 4880 descriptores moleculares [14], los que incluyen descriptores de todos los tipos, tales como: Constitutional Descriptors, Topological Descriptors, Geometrical Descriptors, Charge Descriptors, WHIM and GETAWAY Descriptors, 3D-MoRSE, Molecular walk counts, 2D-Autocorrelations, Aromaticity Indices, Randic Molecular Profiles, Radial Distribution functions, Functional Groups, Atom-Centred Fragments, Empirical and Properties. Se eliminaron los descriptores constantes o casi constantes (desviación estándar <0.00001), así también, los que presentan valores faltantes y los que están correlacionados por más del 95% [14], resultando 12 4 3 5 K=5 para estudio un total de 1126 descriptores moleculares disponibles. Normalización de los Datos La base de datos contiene 192 moléculas caracterizadas por 1126 descriptores moleculares lo que determinó el tamaño de la matriz en 216.192 datos. Se normalizó el valor de la toxicidad de Daphnia magna (EC50) debido a la variabilidad de los datos; ya que valores extremos pueden afectar la calidad final del modelo. Para normalizar la EC50 de Daphnia magna se realizó el siguiente cálculo: Asignación de las clases Para el presente trabajo se categorizó la EC50 que es una variable de tipo cuantitativa. Los valores obtenidos de la normalización se dividieron en tres clases, los de la clase 1 que tienen una toxicidad baja (0-33% de los datos), la clase 2 poseen una toxicidad intermedia (34%-66% de los datos) y finalmente la clase 3 con una toxicidad alta (67%-100% de los datos). Tabla 1: Valores establecidos como frontera de clases Selección de variables por Algoritmos Genéticos La construcción del modelo se realizó en el programa MATLAB 7.0. En el software se utilizaron los Toolbox de los Algoritmos Genéticos diseñados por el Milano Chemometrics and QSAR de la Universidad Milano Biccoca (Italia). Estos Toolbox son programados en relación a los parámetros necesarios para obtener el mejor modelo de clasificación. Los parámetros de programación se muestran en la siguiente tabla: Tabla 2: Parámetros de programación para el Algoritmo Genético Luego de la modelización se analizan los parámetros de validación de la clasificación, si el NER% es satisfactorio se presentan los resultados en caso contrario se reformulan los parámetros y se realiza nuevamente la modelización hasta obtener el modelo de clasificación deseado. Para la presente investigación los parámetros presentados en el cuadro son aquellos que nos permitieron obtener el mejor modelo con un NER% satisfactorio. Resultados y Discusión Una vez aplicado el algoritmo genético para la selección de las variables óptimas y la clasificación con el método K-NN se obtuvieron los siguientes resultados. La calidad del modelo encontrado y validado en predicción se indica en la siguiente figura: Figura 3: Relación entre el número de descriptoresconsiderados en la clasificación K-NN y en NER cross-validado El gráfico muestra la calidad en predicción del modelo expresado en NER-cross-validado al 20% de las moléculas (5 grupos de cancelación), este parámetro se incrementa hasta alcanzar su máximo nivel con 8 variables seleccionadas de las 1126. La dimensionalidad de los datos es reducida por la aplicación de los algoritmos genéticos de 1126 descriptores moleculares solo a 8 describen de mejor manera la estructura molecular y la toxicidad. El uso de los algoritmos genéticos tiene su mayor aplicación en la búsqueda de las mejores variables que optimicen los modelos de clasificación y regresión [5]. Los Algoritmos Genéticos seleccionaron 8 descriptores moleculares óptimos los cuales permiten la construcción del modelo y según el código de DRAGON son los siguientes: 1) B05 [C-P] indica la presencia o ausencia de un enlace C - P a una distancia topológica de 5. 2) B02 [C-N] indica la presencia o ausencia de un enlace C - N a una distancia topológica de 2. 3) MATS5i indica que existe una autocorrelación calculada según Moran pesando los potenciales de ionización de los átomos a una distancia de 5 enlaces. 4) E2p es un descriptor de direccionalidad de la molécula perteneciente al grupo WHIM. 5) CATS2D_02_DA es un descriptor básico que indica la existencia de un par donador-aceptador a una distancia de 2 enlaces. Método KNN Escalado Autoscaling Grupos de cross-validación 5 Tipo de cross-validación Ventanas venecianas Número de cromosomas 30 Probabilidad de mutación 0.01 Probabilidad de cruce 0.5 Repeticiones 100 Número de evaluaciones 250 100 200 300 400 500 600 700 800 900 1000 0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75 final stepwise selection number of included variables N E R c v 6) CATS2D_04_LL es un descriptor básico que indica la existencia de un par lipofílico-lipofílico cada 4 enlaces en la molécula. 7) CATS2D_05_LL es un descriptor básico que indica la existencia de un par lipofílico-lipofílico cada 5 enlace en la molécula. 8) F09 (O-F) indica la frecuencia de un enlace O - F a una distancia topológica de 9. La matriz de confusión permitió determinar el NER% en relación a los objetos que están mal clasificados. La matriz se presenta a continuación: Tabla 3: Matriz de confusión del método K-NN obtenido En la clase 1 (baja actividad) el método presenta un No Error Rate del 69%. En la clase 2 (media actividad) el método presenta un Error Rate del 66%. En la clase 3 (actividad alta) el método presenta un Error Rate del 75%. Los resultados muestran que el algoritmo es más sensible para aquellas moléculas que tienen una toxicidad elevada (mayor actividad biológica), correspondientes a las moléculas que se encuentran en la clase 3. En tanto que el algoritmo resulta menos sensible a las moléculas de clase 2 y 1, con toxicidad media y baja respectivamente. En la figura 4 se observa que las variables 6 y 7 son las que separan y diferencian las tres clases de toxicidad. Figura 4: Perfil de los centroides de las clases asignadas En la clase 3, aquellas moléculas que tienen mayor actividad, las variables 6 (CATS2D_04_LL) y 7 (CATS2D_05_LL) son las que tienen valores intermedios, lo cual nos indica la presencia de una actividad lipofílica media. En la clase 2, las de mediana actividad, sus variables tienen valores altos de lipofílidad, mientras que en la clase 1 presentan valores bajos. Esto indica que para mostrar una mayor toxicidad la molécula debe presentar una lipofílidad intermedia. Esta actividad lipofílica indica que los pesticidas son afines a las moléculas grasas. A nivel celular los pesticidas afectan a todos los sistemas de membranas que están presentes en la célula, debido a que la molécula estructural de las membranas son los fosfolípidos [14]. El modelo encontrado y validado presenta una buena capacidad predictiva (NERcv=0,72) a pesar de tener estructuras químicas de diverso origen. En un estudio similar [14] se estableció un modelo con un menor NER=0.71 y con un número mucho menor de moléculas (25). Por lo tanto el modelo encontrado en predicción posee una mejor capacidad predictiva, respecto a los resultados publicados por Ferreira. Los métodos de clasificación son apropiados para modelar varias respuestas en los métodos QSAR, como por ejemplo: compuestos activos/no activos o compuestos de toxicidad baja, mediana y alta como es el caso de nuestro estudio [8]. K-NN al ser un método de clasificación permite agrupar los diferentes tipos de pesticidas, ya que los modelos continuos solo describen de manera parcial la relación entre la estructura molecular de los pesticidas y su respectiva toxicidad [1]. Los modelos continuos son más utilizados y estudiados debido a que su predicción devuelve un valor de toxicidad (modelo cuantitativo), en tanto que los modelos discretos muestran el valor de una clase de toxicidad (modelo cualitativo) [1]. La estructura molecular de los pesticidas relacionados con su toxicidad en términos generales se muestra en la siguiente figura. Figura 5: Relación entre la estructura molecular y la toxicidad de los pesticidas según su clase Al existir mayor cantidad de estructuras cíclicas y heterocíclicas aumenta la toxicidad de un compuesto [16]. En este estudio los pesticidas clasificados en la clase 1 tienen la característica de ser moléculas de cadena lineal, mientras que las moléculas de la clase 2 tienen una estructura cíclica aromática (benceno) como su Clase Asignada Clase 1’ Clase 2’ Clase 3’ Clase 1 44 13 5 Clase Verdadera Clase 2 9 42 12 Clase 3 3 13 49 0 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 centroide clase 1 centroide clase 2 centroide clase 3 característica principal y los compuestos de la clase 3 al igual que la clase 2 son estructuras cíclicas (benceno) y heterocíclicas en donde se encuentran más de dos anillos aromáticos o estructuras heterocíclicas que diferencian a la molécula. Las técnicas QSAR y Quimiométricas combinadas son un gran instrumento que permiten determinar la relación entre la estructura molecular y la toxicidad de la molécula [5]. Conclusiones 1. Los Algoritmo Genéticos son muy útiles cuando se busca reducir la dimensionalidad de los datos, reteniendo únicamente descriptores que aportan información a los modelos de clasificación, en este caso particularmente para describir la toxicidad de las moléculas de pesticidas. 2. El NER= 0,72 encontrado con el método de clasificación K-NN presenta una capacidad predictiva aceptable, tomando en consideración que el modelo fue construido con moléculas de diverso origen químico. 3. El modelo encontrado resulta mucho más sensible para los objetos que están clasificados en la clase 3 al presentar un NER del 75%. 4. El análisis de los centroides de las clases muestra que los descriptores moleculares que separan y definen a las clases son los descriptores CATS2D_04_LL y CATS2D_05_LL. 5. Los centroides de las clases indican que las moléculas más activas son aquellas que presentan una lipofílidad intermedia, indicando que la actividad lipofílica de los pesticidas afecta principalmente a los sistemas de membranas celulares. 6. Los modelos discretos describen de mejor manera la estructura y la respectiva toxicidad de las moléculas cuyo origen químico es variado, y en donde los modelos continuos como los de regresión fracasarían en el intento de modelar la relación cuantitativa estructura-propiedad. 7. Las técnicas QSAR y Quimiométricas combinadas son un gran instrumento de análisis, que permiten realizar investigaciones enfocadas a las ciencias ambientales y sobre todo relacionadas con la contaminación antropogénica, puestoque permite reducir los ensayos in-vitro y las consecuencias que de ellos se derivan; así también como optimizar tiempo y costos. Bibliografía [1] Benfenati, E., Quantitative Structure-Activity Relationships (QSAR) for Pesticide Regulatory Purposes, Laboratory of Environmental Chemistry and Toxicology, Istituto di Richerche Farmacologiche “Mario Negri”, Elsevier, 2007. pp. 19-144. [2] Calva, L., Plaguicidas Organoclorados y sus efectos. Laboratorio de Ecosistemas Costeros, Departamento de Hidrología, UNAM, 2008. pp. 30-70. [3] Cardamone, L., Chemistry, Toxicology and QSAR, Politécnico de Milano, Istituto di Ricerche Farmacologiche “Mario Negri”. Chem. Inf. Model. 2010, 45, pp. 1565-1554. [4] Castillo, G., Ensayos toxicológicos y métodos de evaluación de calidad de aguas. Estandarización, intercalibración, resultados y aplicaciones, Instituto Mexicano de Tecnología del Agua, Centro Internacional de Investigaciones para el Desarrollo, 2005, pp. 100-150. [5] Consonni, V., “Molecular descriptors and chemometrics: a powerful combined tool for pharmaceutical, toxicological and environmental problems”, Milano Chemometrics and QSAR Research Group, Departament of Environmental Sciences, University of Milano-Bicocca, 2009, pp. 89-93. [5] Ferreira, L., Multivariate QSAR., J. Braz. Chem. Soc., Vol. 13, No. 6, 2005. pp. 742-753. [6] Frank, I., Todeschini R., The Data Analysis Handbook. Elsevier Science. 2006. pp. 334-350. [7] Gemperline, P., Practical guide to Chemometrics, Second Edition, Taylor & Francis, 2007, pp. 50-100. [8] Gramatica, P., Uni Applicazione delle metodologie QSAR a probleatiche ambientali di inquinanti organici. QSAR and Environmental Chemistry Research. Università degli Studi di Bologna - Dottorato in Chimica. 2009. pp. 10-30. [9] Hyperchem 6.0 (Hypercube). Disponible online: http://www.hyper.com/ [10] Mazzatorta, P., “QSAR Model for Predicting Pesticide Aquatic Toxicity”, Istituto di Ricerche Farmacologiche “Mario Negri”. Chem. Inf. Model. 2010, 45, pp. 1554-1564. [11] Repetto, A., Métodos Alternativos a la experimentación animal en la Evaluación de la Seguridad, Instituto Nacional de Toxicología y Ciencias Forenses, Jornadas de Toxicología Ambiental, 2004, pp. 26-64. [12] Talete srl, DRAGON (Software for Molecular Descriptor Calculation) Version 6.0 - 2013 - http://www.talete.mi.it/ [13] Todeschini, R., Introducción a la Quimiométrica, Edises, Universidad Milano Bicocca, 2003, pp. 80-220. [14] Todeschini, R.; Consoni, V. Handbook of Molecular Descriptors Wiley VCH: 2000. [15] Toropov, A., “QSAR models for Daphnia toxicity of pesticides based on combinations of topological parameters of molecular structures”, Bioorganic & Medicinal Chemistry 14, Science-Direct 2010, pp. 2559– 2588. [16] Zvinavashe, H., “Quantitative structure-activity relationship modeling of the toxicity of organothiophosphate pesticides to Daphnia magna and Cyprinus carpio”, Chemosphere. Elsevier. Chemosphere 55, 2009, pp. 1831–1838. [17] PPDB (Pesticide Properties Data Base) http://sitem.herts.ac.uk/aeru/footprint/es/index/.htm
Compartir