引用本文
邱尤丽, 辛美玲, 李鱼. 基于药效团模型设计的PAEs分子拉曼特征振动光谱衍生增强研究[J]. 光谱学与光谱分析, 2018,38(2): 441-447.
QIU You-li, XIN Mei-ling, LI Yu. Derivatization Enhanced Raman Characteristic Vibration Spectrum of PAEs Based on Pharmacophore Model[J]. Spectroscopy and Spectral Analysis, 2018,38(2): 441-447.
Doi:10.3964/j.issn.1000-0593(2018)02-0441-07  
Permissions
Copyright©2018, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于药效团模型设计的PAEs分子拉曼特征振动光谱衍生增强研究
邱尤丽1,2, 辛美玲1,2, 李鱼1,2,*
1. 华北电力大学环境科学与工程学院, 北京 102206
2. 华北电力大学资源环境系统优化教育部重点实验室, 北京 102206
*通讯联系人 e-mail: liyuxx@jlu.edu.cn

作者简介: 邱尤丽, 1991年生, 华北电力大学博士研究生 e-mail: youliq@126.com

收稿日期: 2017-02-15 接受日期: 2017-07-21
基金: 国家“十一五”科技支撑项目(2008BAC43B01), 中央高校基金项目(2017XS058)资助
摘要

对17个PAEs训练集分子、 五个PAEs测试集分子, 应用Discovery Studio软件构建PAEs分子拉曼特征振动光谱的3D QSAR 药效团模型, 并对PAEs分子(以环境优先控制污染物DMP, DBP和DNOP为例)进行9种常见的疏水基团取代反应, 同时利用密度泛函理论B3LYP/6-31G(d)计算气态环境中取代前后PAEs的拉曼特征振动光谱, 筛选PAEs拉曼特征振动光谱显著增强的衍生物。 研究结果表明: 药效团模型(Hypo1)具有最大的相关系数( R2)0.83、 最小的均方根值(RMS)0.182和总消耗值(total cost)71.865, 且Configuration值为12.68(<17), 说明所构建模型具有显著性及较好的预测能力; 获得基于Hypo 1药效团模型设计的PAEs分子衍生物23个: DMP(9), DBP(9)和DNOP(5), 上述衍生物分子正频计算值均大于0, 说明所设计的PAEs分子衍生物结构稳定, 其中DMP-CH2CH3, DBP-Cl, DNOP-C6H5的拉曼特征振动光谱峰强较DMP, DBP和DNOP分别增大了6.25倍、 2.05倍、 1.56倍, 说明PAEs分子衍生化对其拉曼特征振动光谱峰强具有显著增强作用。 此外, 利用密度泛函理论在相同的基组水平下计算了PAEs分子衍生物的取代反应能垒(以DNOP为例), 取代反应的难易程度: —CH2CH2CH3>—C6H5>—NO2>—SH>—Cl, 可作为筛选PAEs分子衍生化拉曼光谱增强反应的依据, 并为建立增强PAEs分子拉曼光谱的检测技术提供理论支撑。

关键词: 邻苯二甲酸酯; 药效团模型; 拉曼特征振动光谱; 衍生增强; 环境检测
中图分类号:O657.3 文献标志码:A
Derivatization Enhanced Raman Characteristic Vibration Spectrum of PAEs Based on Pharmacophore Model
QIU You-li1,2, XIN Mei-ling1,2, LI Yu1,2,*
1. Resources and Environmental Science and Engineering, North China Electric Power University, Beijing 102206, China
2. MOE Key Laboratory of Resources Environmental Systems Optimization, North China Electric Power University, Beijing 102206, China
Abstract

In this paper, 3D QSAR pharmacophore models of PAEs Raman characteristic vibration spectrum were established by Discovery Studio software for 17 phthalic acid esters were used as training set and 5phthalic acid esters used as test set. The substitution reaction of PAEs (take environmental priority controlled pollutants DMP, DBP and DNOP for example) used the optimal pharmacophore model built by Hypo 1 and 9 kinds of common hydrophobic groups. At the same time, the Raman characteristic vibration spectrum of PAEs and derivatives in gaseous environment were calculated by using density functional theory at B3LYP/6-31g(d) level, which was to screen derivative reaction of PAEs Raman characteristic vibration spectrum enhanced significantly. The results showed that the pharmacophore model (Hypo 1) was significant and had good predictive abilities with the greatest correlation coefficient ( R2) of 0.83, the smallest value of root mean square (RMS) of 0.182 and the total cost of 71.865, the configuration value of 12.68 (<17). There were 23PAEs derivatives based on Hypo 1, including 9 DMP derivatives, 9 DBP derivatives, 5 DNOP derivatives, and the positive frequencies of derivative molecules were greater than 0, which illustrate the structure of PAEs derivatives were stable. The Raman characteristic vibration spectrum intensity of DMP-CH2CH3, DBP-Cl, DNOP-C6H5 increased comparing with DMP, DBP, DNOP by 6.25 times, 2.05 times and 1.56 times respectively, which indicated that PAEs derivatization had significantly enhanced effect on Raman characteristic vibration spectrum intensity. In addition, the substitution reaction energy barriers of PAEs derivatives were calculated by using density functional theory at B3LYP/6-31g(d) level, (take DNOP for example), and the substitution reaction order of the substituent —C6H5, —CH2CH2CH3, —SH, —Cl, —NO2 and DNOP molecule was —CH2CH2CH3>—C6H5>—NO2>—SH>—Cl, which can be uesd as the basis of screening PAEs molecular derivatization enhanced Raman spectrum reaction and provide theoretical support for the enhanced Raman spectrum detection technology.

Keyword: Phthalic acid ester; Pharmacophore model; Raman characteristic vibration spectrum; Derivatization Enhancement; Environmental monitoring

引 言

邻苯二甲酸酯(phthalate acid esters, PAEs), 又称酞酸酯, 是指邻苯二甲酸(phthalate acid)的酯化衍生物, 具有高脂溶性和低水溶性, 是塑胶工业中最为常见的塑化剂[1, 2]。 目前PAEs的使用非常广泛, 不仅是塑料制品的添加剂, 还是农药、 化妆品、 黏合剂等的生产原料[3]。 在塑料应用极大地促进工农业生产发展的同时, PAEs已大量进入大气降尘物、 土壤、 水体中, 成为广泛存在的一类持久性有机污染物[4], 如鸡西蔬菜地土壤中DBP含量远高于农田土壤的控制限值0.08 mg· kg-1 [5], 上海地区部分水源中DBP浓度大于水环境质量标准限量值3 μ g· L-1 [6]。 PAEs还是一种典型的环境雌激素, 能够干扰人体内分泌系统, 对人类健康具有致畸形、 致癌、 致突变等危害[7]。 邻苯二甲酸二甲酯(dimethyl phthalate, DMP)、 邻苯二甲酸二丁酯(dibutyl phthalate, DBP)和邻苯二甲酸二正辛酯(dioctylphthalate, DNOP)三种PAEs已被美国环境保护署及中国列入“ 环境优先污染物” [8]。

目前PAEs的检测方法主要有气相色谱法(gas chromatography, GC)、 高效液相色谱法(high performance liquid chromatography, HPLC)、 色谱质谱联用法、 分光光度法等[9], 但上述方法需要复杂耗时的样品前处理, 操作步骤繁琐, 不适用于快速检测[10]。 拉曼光谱具有灵敏度高、 测定时间短、 操作简便等优点, 可以对不同物质进行定性定量分析和结构分析, 已经应用于检测多环芳烃等物质[11, 12]。 李鱼等[13]研究了苯溶剂对PAEs拉曼峰强的增强效应, 实现了16种PAEs拉曼光谱的辨识, 但仍无法对全部PAEs进行辨识。 吴亚东[14]采用实验方法应用表面增强拉曼效应制备出有助于PAEs检测的增强基底, 但所建方法稳定性和可重复性较差。 此外, 对于环境检测分析中一些含量低的PAEs待测样品, 常规检测方法无法满足检测要求[15], 因此寻找简单快速准确的PAEs分子检测方法来提高PAEs的检测灵敏度具有重要意义。

药效团模型在药物研发及有机污染物调控领域已得到广泛应用[16]。 姜龙等[17]利用药效团模型构建多溴联苯醚的持久性有机物特性调控方案, 选取代表性同系物进行改性设计获得修饰后物质, 证实药效团模型在分子结构改造/修饰方面有一定的研究空间。 利用分子的结构信息, 药效团模型可以用于分子设计, 设计合成更多的衍生物进行相关研究[18], PAEs分子的衍生化可借鉴其模型设计功能。 本文旨在应用Discovery Studio软件构建PAEs拉曼特征振动光谱的3D QSAR 药效团模型, 并通过疏水基团对PAEs分子进行取代, 同时筛选PAEs分子拉曼特征振动光谱显著增强的衍生反应, 为进一步实现PAEs分子衍生化反应及建立增强拉曼光谱的检测技术提供理论支撑。

1 研究方法
1.1 理论计算

理论计算是在Gaussian 09软件中, 用密度泛函理论(DFT) B3LYP/6-31G(d)优化气态环境中PAEs分子及其衍生物的结构, 在最优结构下计算其拉曼特征振动光谱, 再在相同基组水平上计算取代反应的过渡态(TS)及反应能垒(Δ E)等。

1.2 药效团模型构建方法

在Discovery Studio 2.5 软件(DS, www.accelrys.com)中构建模型, 本文选用的药效团特征包括: 氢键受体(HB-Acceptor)、 氢键供体(HB-Donor)、 疏水基团(Hydrophobic)、 疏水性环(Hydrophobic-Aliphatic)和芳香环(Ring-Aromatic)。 产生所有分子构象的参数设置如下[19]: 能量截断缺省值(energy threshold)为20 kcal· mol-1, 构象产生方式(conformation method)选择最优模式(best), 最大构象数目(maximum conformations)为255, 药效团特征数量为0~5, 每种同系物生成相似性构象的能量阈值为10。

可以表达所建药效团模型化学特征、 复杂性及误差的费用函数(cost function)是用来评价模型的指标之一[20], 每个模型都具有一个总消耗值(total cost)。 根据Occam razon原理[21], 最优药效团模型的Total cost值应最小, 并接近Fixed cost值; Configuration cost是由模型内空间关系的复杂水平来决定的, 一个显著模型的Configuration cost应该小于17[22]; 相关系数R2值越大说明模型的预测能力越准确[23]; 此外, 均方根(root mean square, RMS)、 误差值(error)、 拟合值(fit value)均可作为药效团模型评价指标。

2 结果与讨论
2.1 药效团模型的构建及选择

PAEs分子Hypo Gen模型的构建是利用Discovery Studio2.5 内置的Protocal“ 3D QSAR Pharmacophore Generation” 完成的, 其中17个PAEs训练集分子用于模型的构建, 其2D 结构如图1所示, 其余5个PAEs测试集分子用于模型的验证, 其2D结构如图2所示。

图1 17个PAEs训练集分子的2D结构Fig.1 2D structures of 17 PAEs molecules for the training set

图2 5个PAEs测试集分子的2D结构Fig.2 2D structures of 5 PAEs molecules for the test set

表1 Hypo Gen构建的9个药效团模型及统计数据 Table 1 Nine pharmacophore models and their statistical data by Hypo Gen

由表1可知, 9个模型中Hypo 1 拥有最佳的评价得分: RMS值(0.182)和Total cost值(71.865)最小, Total cost值离Fixed cost值(71.58)最近, 相关系数R2(0.83)最接近1[24], 且Hypo 1药效团模型的Configuration值为12.68(< 17)。 图3展示了Hypo1的三维空间关系。 从表2 Hypo 1与17个PAEs训练集分子的数据中可以看出, Error值均小于2[25], 在误差允许范围内, 对于包含17个PAEs分子的训练集来说, 此结果证实了Hypo 1的可靠性。 17个PAEs训练集分子的拉曼特征振动光谱峰强值与Hypo 1模型模拟的拉曼特征振动光谱峰强值线性关系良好, R2=0.82, 说明Hypo 1可以较好地表达PAEs分子的药效团特征。

图3 Hypo1的三维空间关系Fig.3 3D spatial relationship of Hypo1

2.2 药效团模型的验证

本文采用测试集验证这一方法对模型进行验证。 测试集验证结果如表3所示, 除了训练集中的17个PAEs分子外, Hypo 1能够预测出其他5个PAEs分子的拉曼特征振动光谱峰强, 且Fit Value值较高, Error值小于2, 说明Hypo 1具有很好的拉曼特征振动光谱峰强预测能力。

表2 Hypo 1与17个PAEs训练集分子匹配结果 Table 2 Statistical data of 17 PAEs training set molecules based on Hypo 1
表3 Hypo 1模型下5个PAEs测试集 分子的实验值与预测值 Table 3 Experimental and estimated Raman intensity values of 5 test set molecules based on Hypo 1
2.3 PAEs衍生化反应取代位置确定

不同PAEs分子的结构和拉曼光谱具有差异性, 本文利用Hypo 1药效团模型与PAEs分子的叠合分析来确定可以引入取代基团的适当位置, 为PAEs分子的衍生化提供支持。 选取3种代表性的PAEs分子: DMP, DBP和DNOP, 从图4可以直观看出疏水基团及氢键受体的位置, 其中绿色代表氢键受体, 蓝色代表疏水基团。

图4 Hypo 1与DMP, DBP和DNOP的叠合图Fig.4 Hypo1 aligning with the molecules DMP, DBP and DNOP

由图4可知疏水基团在羰基的2号氧原子所连接的支链位置, 表明在此位置引入疏水基团可以影响PAEs分子拉曼特征振动峰强, 在DMP, DBP和DNOP引入取代基团的位置如图5所示, 即对PAEs分子进行衍生化, 为进一步筛选显著增强拉曼峰强的衍生反应提供基础。

图5 DMP, DBP和DNOP的取代位置Fig.5 The substitution positions of DMP, DBP and DNOP

2.4 基于药效团模型的PAEs分子衍生化

选取九种常见的疏水基团为取代基团, 包括乙基(Ethyl, — CH2CH3)、 丙基(Propyl, — CH2CH2CH3)、 苯基(Phenyl, — C6H5)、 硝基(Nitro, — NO2)、 氯基(Chloro, — Cl)、 溴基(Bromine, — Br)、 氟基(Fluoro, — F)、 氢硫基(Mercapto, — SH)、 甲氧基(Methoxy, — OCH3)。 运用药效团模型Hypo 1进行PAEs分子的取代反应, 生成23个PAEs分子衍生物, 其中9个DMP分子衍生物、 9个DBP分子衍生物、 5个DNOP分子衍生物, 由表4可知, 上述衍生物分子正频计算值均大于0, 正频表示能量在某个维度上局部最低, 说明所设计的PAEs分子衍生物结构稳定, 在环境中可以稳定存在[26]。

表4 PAEs分子衍生物正频计算结果 Table 4 The positive frequencies of PAEs molecular derivatives

基于Hypo 1药效团模型PAEs分子衍生物的拉曼特征峰强值见表5。 从表5可以看出, PAEs分子衍生物的Fit Value均较高, 表明PAEs分子衍生物与Hypo 1药效团匹配度较好, 且PAEs分子衍生物拉曼峰强值均呈增强趋势。

表5 PAEs分子衍生物的拉曼特征振动光谱峰强值 Table 5 Raman characteristic vibration spectrum values of PAEs derivatives

DMP, DBP和DNOP分子衍生物的拉曼特征振动光谱峰强值分别增大了0.94~6.25倍、 0.08~2.05倍、 0.05~1.56倍, 其中DMP-CH2CH3, DBP-Cl和DNOP-C6H5的拉曼特征振动光谱峰强较DMP, DBP和DNOP分别增大了6.25倍、 2.05倍、 1.56倍, 检测谱峰灵敏度的提高使得检出限显著降低, 说明Hypo 1模型设计的PAEs分子衍生物对拉曼峰强的增强效果显著。

2.5 PAEs分子衍生化反应能垒计算

基于Hypo 1药效团模型的PAEs分子衍生物, 其拉曼特征振动光谱峰强显著增强, 利于环境检测。 但为进一步实现PAEs分子的衍生化, 仍需对反应的难易程度进行表征。

以DNOP分子为例, 推断的五种取代基(— C6H5, — CH2CH2CH3, — SH, — Cl, — NO2)与DNOP分子发生取代反应的路径见图6, 对五种取代反应的吉布斯自由能变化(Δ G)可由式(1)计算(表6), 以判断取代反应路径发生的可能性。

图6 DNOP取代反应路径Fig.6 The substitution reaction paths of DNOP

ΔG=∑G(产物)-∑G(反应物)(1)

从表6可以看出, 五条DNOP分子取代反应路径的Δ G均小于0, 说明取代反应是能够自发的、 推断的取代反应路径合理, 即基于Hypo 1模型设计的五种DNOP分子衍生物均可自发生成。 取代反应的Δ G值只能说明反应能否发生, 并不能说明反应发生的难易程度, 因此为比较DNOP分子五种取代反应的难易程度, 本文利用密度泛函理论计算了取代反应的过渡态(TS)及反应能垒(Δ E)等, 用内禀坐标验证过渡态[27], 且须只有一个虚频[28], 取代反应能垒

表6 DNOP取代反应路径吉布斯自由能变(Δ G)计算 Table 6 The Gibbs free energy change (Δ G) of DNOP substitution reaction paths

(IRC)计算如式(2), 计算列于表7。

ΔE=E(TS)-∑E(反应物)(2)

从表7可以发现取代基— C6H5, — CH2CH2CH3, — SH, — Cl, — NO2与DNOP分子进行取代反应的难易程度顺序为— CH2CH2CH3> — C6H5> — NO2> — SH> — Cl, 综合考量DNOP分子衍生物的拉曼特征振动光谱峰强增强效果和取代反应的难易程度, 可筛选DNOP-C6H5作为DNOP拉曼峰强衍生增强的指示物。

表7 DNOP分子五种取代反应路径能垒的计算 Table 7 Energy barriers of DNOP substitution reaction paths
3 结 论

利用3D QSAR药效团模型对列入环境优先控制的三种PAEs分子(DMP, DBP, DNOP)设计出23种衍生物, 其中DMP-CH2CH3, DBP-Cl, DNOP-C6H5的拉曼特征振动光谱峰强相较DMP, DBP和DNOP分别增加了6.25倍、 2.05倍、 1.56倍, 所设计的PAEs分子衍生物结构稳定(正频均大于0)、 拉曼特征振动光谱峰强增强效应显著, 可以作为建立环境中PAEs分子检测的理论依据。

The authors have declared that no competing interests exist.

参考文献
[1] LIU Xiu-feng, CHEN Dong-wan, LÜ Jin-chang, et al(刘秀峰, 陈东宛, 吕金昌, 等). Chinese Journal of Health Laboratory Technology(中国卫生检验杂志), 2016, 26(3): 347. [本文引用:1]
[2] Yang J, Li Y, Wang Y, et al. Trends in Analytical Chemistry, 2015, 72: 10. [本文引用:1]
[3] Magdouli S, Daghrir R, Brar S K, et al. Journal of Environmental Management, 2013, 127: 36. [本文引用:1]
[4] QIU Zhi-qun, SHU Wei-qun, CAO Jia(邱志群, 舒为群, 曹佳). Carcinogenesis, Teratogenesis & Mutagenesis(癌变·畸变·突变), 2007, 19(3): 188. [本文引用:1]
[5] YANG Ying-zhou(杨影州). China High-Tech Enterprises(中国高新技术企业), 2010, 30: 39. [本文引用:1]
[6] WU Ming-hong, WANG Fu-lin, YANG Xue-xia, et al(吴明红, 王扶琳, 杨雪霞, 等). Journal of Shanghai University·Natural Science Edition(上海大学学报·自然科学版), 2016, 22(2): 105. [本文引用:1]
[7] Kumar N, Sharan S, Srivastava S, et al. Reproductive Toxicology, 2014, 49: 12. [本文引用:1]
[8] Mahmoud M A, José R U, Raúl O P, et al. Journal of Environmental Management, 2012, 109: 164. [本文引用:1]
[9] DENG Bin(邓彬). Science & Technology Vision(科技视界), 2016, 4: 256. [本文引用:1]
[10] FAN Shi-liang, HE Li-zhi, LU Kou-ping, et al(樊诗亮, 何丽芝, 陆扣萍, 等). Environmental Pollution & Control(环境污染与防治), 2016, 38(6): 81. [本文引用:1]
[11] LIU Yan-de, JIN Tan-tan(刘燕德, 靳昙昙). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2015, 35(9): 2567. [本文引用:1]
[12] ZENG Ya-ling, JIANG Long, CAI Xiao-yu, et al(曾娅玲, 姜龙, 蔡啸宇, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2014, 34(11): 2999. [本文引用:1]
[13] QIU You-li, ZENG Ya-ling, JIANG Long, et al(邱尤丽, 曾娅玲, 姜龙, 等). Chinese Journal of Luminescence(发光学报), 2015, 36(8): 976. [本文引用:1]
[14] WU Ya-dong(吴亚东). Rapid Detection of Phthalic Acid Ester (PAEs) Using Surface-Enhanced Raman Spectroscopy (SERS). Anhui: Anhui University of Chinese Medicine(安徽: 安徽中医药大学), 2015. [本文引用:1]
[15] Luo X, Zhang F, Ji S, et al. Talanta, 2014, 120: 71. [本文引用:1]
[16] Alicia J A, àlex L G, Suzanne G R, et al. Bioorganic & Medicinal Chemistry Letters, 2016, 26(23): 5792. [本文引用:1]
[17] Long J, Yu L. Journal of Hazardous Materials, 2016, 307: 202. [本文引用:1]
[18] LIU Ming-ming(刘明明). Study on the Design, Synthesis and Anti-HCV Activity of Small Molecular Compounds Based on Diketoacid Structure. Shanghai: Fudan University (上海: 复旦大学), 2012. [本文引用:1]
[19] TAN Yong, HAN Xue-jie, LIU Da-sheng, et al(谭勇, 韩学杰, 刘大胜, 等). Chinese Journal of Experimental Traditional Medical Formulae(中国实验方剂学杂志), 2016, 22(5): 199. [本文引用:1]
[20] LIN Ke-jiang, HUANG Zhen-gui, LI Ting, et al(林克江, 黄振桂, 李婷, 等). Chemical Journal of Chinese Universities(高等学校化学学报), 2013, 34(5): 1240. [本文引用:1]
[21] BAO Hong-juan, TANG Ya-lin, XU Xiao-jie, et al(鲍红娟, 唐亚林, 徐筱杰, 等). Chemical Journal of Chinese Universities(高等学校化学学报), 2010, 31(5): 938. [本文引用:1]
[22] Arooj M, Thangapand ian S, John S, et al. International Journal of Molecular Sciences, 2011, 12: 9236. [本文引用:1]
[23] YANG Ye(杨晔). The Research of Constructing Antivirus Related Pharmacophore and Evaluating Method. Beijing: Beijing University of Chinese Medicine(北京中医药大学), 2010. [本文引用:1]
[24] SHAO Xin, YI Qian-ying, YANG Chun-lei, et al(邵鑫, 衣倩颖, 杨春蕾, 等). Journal of China Pharmaceutical University(中国药科大学学报), 2016, 47(1): 38. [本文引用:1]
[25] LIU Jian-hua(刘建华). Study on the Synthesis and Bioactivities of Novel Compounds Containing Amide Bond. Zhejiang: Zhejiang University of Technology(浙江: 浙江工业大学), 2014. [本文引用:1]
[26] ZHANG Yi-liang, ZHANG Gang(张贻亮, 张钢). Chinese Journal of Organic Chemistry(有机化学), 2014, 34(1): 178. [本文引用:1]
[27] HUANG Jin-bao, WU Shu-bin, LEI Ming, et al(黄金保, 武书彬, 雷鸣, 等). Journal of Fuel Chemistry and Technology(燃料化学学报), 2015, 43(11): 1334. [本文引用:1]
[28] Hajipour A R, Ghorbani S, Karimzadeh M, et al. Computational & Theoretical Chemistry, 2016, 1084: 67. [本文引用:1]