CLASSIFICAZIONE DI PESTICIDI ORGANICI NON-IONICI per CLASSIFICAZIONE DI PESTICIDI ORGANICI NON-IONICI per la DISTRIBUZIONE AMBIENTALE MEDIANTE DESCRITTORI la DISTRIBUZIONE AMBIENTALE MEDIANTE DESCRITTORI

STRUTTURALI TEORICISTRUTTURALI TEORICIPaola Gramatica1, Antonio Di Guardo2 ed Ester Papa1

1Unità di ricerca QSAR e di Chimica Ambientale,2Gruppo Ricerche Ambientali, Dipartimento di Biologia Strutturale e Funzionale,Università degli Studi dell’Insubria , Via J.H. Dunant 3, 21100 Varese

e.mail: paola.gramatica@uninsubria.it; web: http://fisio.dipbsf.uninsubria.it/qsar/

DATIDATI

In questo lavoro è stato utilizzato in una prima fase un gruppo

eterogeneo di 54 pesticidi organici non-ionici, rappresentativo dei

pesticidi più diffusi e di diverse classi chimiche (acetanilidi, carbammati,

dinitroaniline, organoclorurati, organofosfati, feniluree e triazine), per i

quali sono stati ricavati dalla letteratura i dati sperimentali di cinque

proprietà chimico-fisiche di interesse ambientale (LogKoc [1], LogKow,

LogH, LogVP, LogSol). Nella seconda fase del lavoro si è esteso lo studio

ad un più consistente numero di pesticidi organici (135), analizzandone la

distribuzione ambientale secondo le 5 proprietà chimico fisiche mediante

l’analisi delle componenti principali.

DESCRITTORI MOLECOLARIDESCRITTORI MOLECOLARILa struttura molecolare dei composti studiati viene descritta calcolando per ciascun composto un

numero elevato di descrittori molecolari (oltre 1400) utilizzando il software DRAGON [2] di

Todeschini et al. I descrittori con valori costanti e una coppia di variabili correlate ( correlazione =

1)

vengono esclusi dalla matrice dei descrittori. La tipologia delle variabili considerate per la

descrizione delle caratteristiche chimiche dei composti è:

OD: Descrittori Costituzionali (conteggio degli atomi)

1D: Descrittori empirici, frammenti, proprietà e gruppi funzionali

2D: Descrittori di autocorrelazione, topologici, walk count, BCUT e indici Galvez

3D: Descrittori geometrici, di carica, di aromaticità, profili molecolari di Randic, WHIM, GETAWAY,

RDF e 3D-MoRSE

ANALISI ESPLORATIVA, RANKING E CLASSIFICAZIONE ANALISI ESPLORATIVA, RANKING E CLASSIFICAZIONE

L’analisi esplorativa delle proprietà chimico fisiche dei 54 pesticidi è stata effettuata con

2 diverse tecniche di analisi multivariata: l’analisi dei Clusters e l’Analisi delle

Componenti Principali (PCA). Queste tecniche consentono di raggruppare i composti

studiati in 4 classi a priori (assorbiti, solubili, volatili, intermedi) in funzione della loro

diversa distribuzione nei comparti ambientali definita dalle proprietà chimico fisiche di tali

molecole.

PCA SULLE PROPRIETA' CHIMICO FISICHE DI 54 PESTICIDI

Cum. E.V. = 94.6% (PC1 = 70.1%)

PC 1

PC

2

1

2

3

4

56

7

89

10

11

12

13

14

15

16

17

18

1920

2122

23

24

25

26

27

28

29

3031

32

33

34

3536

37 38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

-3

-2

-1

0

1

2

3

4

-5 -3 -1 1 3 5

1 = Soluble comp.2 = Medium comp.3 = Volatile comp.4 = Sorbed comp.

CLA 1

CLA 3

CLA 2CLA 4

1: Soluble comp. 2: Medium comp. 3: Volatile comp. 4: Sorbed comp.

CLUSTER ANALISI sulle PROPRIETA’ CHIMICO FISICHE

ALBERO DI CLASSIFICAZIONE

CLASSI ASSEGNATE

MW

BAL

nHD

317.69

2.53

0.50

2 3 1 4

MW : Peso Molecolare

BAL : Indice di connettività di Balaban

nHD : Numero di atomi donatori di legami idrogeno

Con diversi metodi di classificazione come CART (Classification and regression Tree) e l’ Analisi Discriminante regolarizzata

(RDA), si ottengono semplici modelli di classificazione, basati su tre soli descrittori strutturali 1D e 2D, e con buone capacità

predittive ( cioè un basso errore in predizione, validato con leave-one-out, del 17-19% rispetto ad un errore del 63% in assenza di

modello).

METHOD N. OBJ. NOMODEL E.R.% E.R.% cv E.R.% MOLEC. DESCRIPTORSCART 54 62.96 11.11 22.22 MW – BAL - nHDKNN (K=1) 54 62.96 / 16.67 MW – BAL - nHDLDA 54 62.96 16.67 24.07 MW – BAL - nHDRDA (=0.25 =0) 54 62.96 14.81 16.67 MW – BAL - nHD

PRESTAZIONI DEI MODELLI DI CLASSIFICAZIONE

Il primo scopo di questo lavoro è quello di proporre un semplice modello di classificazione che permetta di predire la

distribuzione ambientale di pesticidi anche diversi da quelli in esame o addirittura non ancora sintetizzati, utilizzando

descrittori molecolari teorici e metodi chemiometrici di classificazione predittivi.

VIn calculated

VIn

exp

erim

enta

l

1

2

3 4

5

6

7

8

9

10

11

12

13

14 15

16

17

18

19

20

21

22

23

24

25

26

2728

29

30

31

32

33

34

35

36

37

38

39

40

41

42

4344

45

46

4748

49

50

51

52 53

54

5556

57

5859

60

61

62

6364

65

66

67

68

69

70

71

7273

74

7576

77

7879

80

818283

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

99

Y respon

101

102

103104

105

106107

108

109

110

111

112

113

114

115

116117

118119

120

121

122

123

124125

126

127

128

129

130

131

132

133

134

135

-4

-2

0

2

4

-4 -2 0 2 4 LIn calculated

LIn

ex

pe

rim

en

tal

1

2

3

4 5

6

7

8

910

11

12

1314

15

16

17

18

19

20

21

22

23

24

2526

27

28

29

30

31

3233

34

35

36

37

38

39

40

41 42

43 44

4546

4748

4950

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70 71

72

73

7475

76

77

78

79

80

81

82

83

8485

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100

101

102

103

104105106

107

108

109110

111112

113114

115

116

117

118

119

120

121

122

123124

125

126127

128129

130

131

132

133134

135

-4

-2

0

2

4

6

-4 -2 0 2 4 6

LIN

VIN

1

2

34

5

6

7

8

9

10

11

12

13

1415

16

17

18

19

20

21

22

23

24

25

26

2728

29

30

31

32

33

34

35

36

37

3839

40

41

42

4344

45

46

4748

49

50

51

52 53

54

5556

57

5859

60

6162

6364

6566

67

68

69

70

71

7273

74

7576

77

7879

80

8182 83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100

101

102

103104

105

106107

108

109

110

111

112

113

114

115

116117

118119

120

121

122

123

124 125

126

127

128

129

130

131

132

133

134

135135

-5

-4

-3

-2

-1

0

1

2

3

4

5

-5 -4 -3 -2 -1 0 1 2 3 4 5

log VP

log Sw

log H

log Kow

log Koc

1

2

3

4

La combinazione lineare mediante PCA delle proprietà chimico fisiche in esame permette di effettuare un ranking delle molecole.

L’analisi dei loadings evidenzia che la tendenza alla ripartizione tra acqua e materia organica del suolo o del biota appare chiaramente

misurabile dalla prma componente principale (PC1score), mentre la tendenza a volatilizzare dalla seconda componente (PC2 score). I

due scores vengono quindi considerati come indice della tendenza a percolare in acque di falda (leaching) o viceversa ad essere

assorbiti dal terreno (o biota), nel caso di PC1 denominata LIN, e indice di tendenza alla volatilizzazione nel caso di PC2, denominata

VIN. Il modellamento dei due indici in un approccio QSPR (Quantitative Structure-Property Relationship) [3] si ottiene effettuando una

Regressione Lineare Multipla ai minimi quadrati ordinari (MLR-OLS), utilizzando un ampio set di descrittori molecolari teorici, ed un

efficace metodo di selezione delle variabili veramente predittive, l’Algoritmo Genetico (GA).

DETERMINAZIONE degli INDICI di RIPARTIZIONE AMBIENTALE DETERMINAZIONE degli INDICI di RIPARTIZIONE AMBIENTALE LINLIN e e VINVIN

LIN= -3.04--0.96nX-2.28nNO2+3.42Ms-1.74ICR--0.45nS

R2=87.0% Q2=85.8% Q2LMO=85.7%

In entrambi i modelli i descrittori selezionati sono relativi a parametri strutturali (nS, nX), alla

presenza di gruppi funzionali (nNO2), di anelli nella struttura molecolare (nCIC) e alla geometria

del composto (ASP, asphericity). In paricolar modo nel modello LIN la polarizzabilità della

molecola rappresentata dal descrittore Ms sembra essere un parametro determinante nel

definire la tendenza della molecola all’assorbimento o al leaching nel terreno, come pure la

dimensione molecolare rappresentata invece dai contatori. Nel modello VIN la variabile

predominante è HY, correlata alla presenza di gruppi OH, di conseguenza la possibilità di creare

dei legami idrogeno intermolecolari sembra essere una proprietà correlata alla volatilizzazione

potenziale delle molecole.VIN= 2.35-1.58HY-0.230v-0.28nBM-0.40nCIC

-1.42ASP+0.971IVDE

R2=77.1% Q2=74.1% Q2LMO=72.6% CONCLUSIONICONCLUSIONI

L’applicazione di questi semplici modelli QSPR consente di prevedere dalla sola struttura molecolare , quindi prima ancora della sintesi, la tendenza dei L’applicazione di questi semplici modelli QSPR consente di prevedere dalla sola struttura molecolare , quindi prima ancora della sintesi, la tendenza dei

pesticidi (ma anche di altri composti organici) a ripartirsi nei diversi comparti ambientali e costituisce quindi un valido metodo di approccio pesticidi (ma anche di altri composti organici) a ripartirsi nei diversi comparti ambientali e costituisce quindi un valido metodo di approccio

modellistico alla stima del rischio. modellistico alla stima del rischio. Il lavoro è stato realizzato con i fondi della Comunità Europea (progetto BEAM-EVK1-CT-1999-00012).

RIFERIMENTI BIBLIOGRAFICI:[1] Gramatica, P., Corradi, M. and Consonni, V., 2000. Modeling and prediction of soil sorption coefficients of non-ionic organic pesticides by molecular descriptors. Chemosphere, 41, 763-777. [2] Todeschini, R. and Consonni, V., 2000. DRAGON – Milano Chemometrics and QSAR Research Group. Free download available at: http://www.disat.unimib.it/chm.[3] Gramatica, P. e Di Guardo, A., 2002. Screening of pesticides for environmental partitioning tendency, Chemosphere 47,947-956.

INTRODUZIONEINTRODUZIONE

I pesticidi giocano un ruolo molto importante nel mantenere la produttività agricola, ma possono anche essere la causa di inquinamento di aria, acqua

e suolo con possibili effetti nocivi sulla salute di uomini ed animali. Di notevole importanza è la possibilità di conoscere la loro distribuzione

ambientale, cioè la capacità di assorbirsi nel suolo, di percolare nella falda acquifera, di volatilizzare in atmosfera. Il destino dei pesticidi nei diversi

comparti è influenzato dalle proprietà chimico-fisiche degli stessi composti, in particolare la solubilità in acqua (Sw), la tendenza alla volatizzazione

(tensione di vapore Vp e costante di Henry H) ed I vari coefficienti di ripartizione tra l’acqua e la materia organica (del suolo, Koc [1], o del biota, Kow).

Queste proprietà sono state modellate e predette con un approccio matematico di tipo QSPR (Quantitative Structure-Property Relationships).