초록 ▼

미 FDA 및 EPA에서 구축한 독성 및 물리화학적 성질 관련 DB인 CFSAN DB, Human liver adverse effect DB, GRDC DB, PhysProp을 구조검색이 가능한 sd파일 형태로 전환할 수 있도록 분자구조 및 각 DB에 포함된 정보를 입력하였고, 구축된 DB는 검색요구사항에 합당한 DB틀에 맞도록 설계하고 구조 검색 엔진 및 drawing 가능한 프로그램과 연결하였다. CFSAN DB는 식품첨가제규제 정보를, Human liver adverse effect DB는 승인 후 물질에 대한 간 독성 실험

미 FDA 및 EPA에서 구축한 독성 및 물리화학적 성질 관련 DB인 CFSAN DB, Human liver adverse effect DB, GRDC DB, PhysProp을 구조검색이 가능한 sd파일 형태로 전환할 수 있도록 분자구조 및 각 DB에 포함된 정보를 입력하였고, 구축된 DB는 검색요구사항에 합당한 DB틀에 맞도록 설계하고 구조 검색 엔진 및 drawing 가능한 프로그램과 연결하였다. CFSAN DB는 식품첨가제규제 정보를, Human liver adverse effect DB는 승인 후 물질에 대한 간 독성 실험 결과 보고 빈도 정보를, GRDC DB는 유전독성, 생식독성, 발생독성, 발암성 실험들의 결과 자료 유무 정보를, PhysProp DB는 물리화학적 물성의 실험값 정보를 포함한 DB이다.
QSAR방법을 이용한 방법론에 대한 연구는 유전독성실험인 chromosomal aberration과 micronuclei assay에 대하여 적용하였다. Chemical class 및 MCS(Maximum common subgraph)방법을 통해서 독성의 핵심구조들을 분석하였고, 구조 유사성을 이용한 분석방법을 통해서는 독성적으로 유사한 화합물을 분류하고 이를 통해 독성을 예측하는 연구를 수행하였다. 최종적으로 2차원 표현자와 유전자알고리즘 그리고 kNN, LDA를 이용한 QSAR방법으로 두 독성실험에 대한 정량적인 모델을 구현하였다.

Abstract ▼

We have generated chemical structure and their input from CFSAN DB, Human liver adverse effect DB, GRDC DB, PhysProp text-based database. And transferred their data to standard SD file following to connect chemical drawer program and structure search engine using ChemFinder for building structure se

We have generated chemical structure and their input from CFSAN DB, Human liver adverse effect DB, GRDC DB, PhysProp text-based database. And transferred their data to standard SD file following to connect chemical drawer program and structure search engine using ChemFinder for building structure searchable database. 4 kinds of database : CFSAN(US Food Additives Status List in FDA), Human liver adverse effect DB in FDA, GRDC DB(Genetic Toxicity, Reproductive and Development Toxicity, and Carcinogenicity Database in FDA), PhysProp DB(Physicochemical property DB in EPA).
We have applied QSAR methodology for predicting in vitro chromosomal aberration and in vivo micronuclei assay. Firstly investigated toxic chemicals to find toxicophore pattern using chemical class and MCS(Maximum common subgraph) analysis, classified chemicals using toxic value of similar ones chemicals. Finally, we tried to build predictive model using 2D descriptors, genetic functional approximation, Linear discriminant analysis and k-nearest neighbor method.

목차 Contents

• 표지...1
• 용역연구사업 연구결과보고서...2
• 제 출 문...3
• 목 차...4
• Ⅰ. 연구개발결과 요약문...5
• (한글) 유해물질의 위해성평가를 위한 QSARs 연구...5
• (영문) Application of QSAR for risk assessment of toxic substance...6
• Ⅱ. 총괄연구개발과제 연구결과...7
• 제1장 총괄연구개발과제의 최종 연구개발 목표...7
• 1.1 총괄연구개발과제의 목표...7
• 1.2 총괄연구개발과제의 목표달성도...9
• 1.3 국내.외 기술개발현황...9
• 제2장 총괄연구개발과제의 최종 연구개발 내용 및 방법...11
• 2.1 미 FDA 및 EPA에서 구축한 독성 및 물리화학적 성질관련 DB 전환...11
• 2.2 QSAR의 방법론 연구제시...14
• 제3장 총괄연구개발과제의 최종 연구개발 결과...20
• 3.1 미 FDA 및 EPA DB 구축...20
• 3.2 QSAR의 방법론 연구제시...29
• 제4장 총괄연구개발과제의 연구결과 고찰 및 결론...41
• 4.1 미 FDA 및 EPA DB 구축...41
• 4.2 QSAR의 방법론 연구제시...41
• 제5장 총괄연구개발과제의 연구성과...43
• 5.1 활용성과...43
• 5.2 활용계획...44
• 제6장 기타 중요변경사항...45
• 제7장 첨부서류...46