Yes / The current paradigm of toxicity testing is set within a framework of Mode-of-Action (MoA)/Adverse Outcome Pathway (AOP) investigations, where novel methodologies alternative to animal testing play a crucial role, and allow to consider causal links between molecular initiating events (MIEs), further key events and an adverse outcome. In silico (computational) models are developed to support toxicity assessment within the MoA/AOP framework. This paper focuses on the evaluation of potential binding to the Liver X Receptor (LXR), as this has been identified among the MIEs leading to liver steatosis within an AOP framework addressing repeated dose and target-organ toxicity. The objective of this study was the development of a priority setting strategy, by means of in silico approaches and chemometric tools, to allow for the screening and ranking of chemicals according to their toxicity potential. As a case study, the present paper outlines the methodologies and procedures that have been developed in the context of the COSMOS/cosmetics safety assessment project [4], which developed computational methods in view of supporting cosmetics safety assessment, to rank chemicals based on their potential binding to LXR. Chemicals are ranked based on molecular and QSAR modelling outcomes. The contribution in this paper is threefold: the QSAR model for LXR dataset, an application of molecular modeling approaches, which have been developed and optimized for drug discovery, in the context of toxicology, and finally ranking chemicals based on diverse modelling outcomes. The novelty in this paper consists of the employment of linear (logistic regression) and non-linear (Random Forest) models in the context of ranking chemicals. The results show that these methods can be successfully applied for prioritization of compounds of major concern for potential liver toxicity, and that they perform better than the ranking methods reported in the literature to date (such as total ordering or data fusion). / European Community’s Seventh Framework Program (FP7/2007-2013) COSMOS Project under grant agreement n° 266835 and from Cosmetics Europe.

No / The rate at which toxicological data is generated is continually becoming more rapid and the volume of data generated is growing dramatically. This is due in part to advances in software solutions and cheminformatics approaches which increase the availability of open data from chemical, biological and toxicological and high throughput screening resources. However, the amplified pace and capacity of data generation achieved by these novel techniques presents challenges for organising and analysing data output. Big Data in Predictive Toxicology discusses these challenges as well as the opportunities of new techniques encountered in data science. It addresses the nature of toxicological big data, their storage, analysis and interpretation. It also details how these data can be applied in toxicity prediction, modelling and risk assessment.

No description available.

Zur Bestimmung der toxizitätsrelevanten Thiolreaktivität wurde ein Chemoassay mit dem Modellnukleophil 4-Nitrothiophenol (NBT) entwickelt. Es wurden die Reaktionsgeschwindigkeitskonstanten kNBT für insgesamt 145 Verbindungen aus verschiedenen Stoffklassen bestimmt. Ein Modell zur Berücksichtigung der Flüchtigkeit der Elektrophile bei der Berechnung von kNBT wurde entwickelt. Außerdem wurde der Einfluss des pH-Werts auf die Thiolreaktivität unter reaktionsmechanistischen Gesichtspunkten diskutiert. Die NBT-Reaktivität wurde mit der Reaktivität gegenüber anderen toxizitätsrelevanten Nukleophilen verglichen. Zur Einordnung der Thiolreaktivität in den toxikologischen Zusammenhang wurden die Korrelationen zwischen kNBT und ausgewählten toxikologischen Endpunkten betrachtet. Am Beispiel der aquatischen Toxizität im Bioassay mit Tetrahymena pyriformis konnten stoffklassenspezifische Modelle zur Beschreibung der absoluten Toxizität log EC50 und der Toxizitätserhöhung log Te mit guter bis sehr guter Vorhersagekraft abgeleitet werden.

DieMenschheit ist vielfältigen chemischenWirkstoffen ausgesetzt – zum Beispiel durch Kosmetika und Pharmazeutika sowie durch viele andere chemische Quellen. Es wird angenommen, dass diese stetige Exposition mit Chemikalien gesundheitliche Beeinträchtigungen bei Menschen hervorruft. Zudem haben Regulierungsbehörden aus Europa und den USA festgestellt, dass es ein Risiko gibt, welches mit der kombinierten Exposition durch mehrere Chemikalien im Zusammenhang steht. Mögliche Kombinationen von Tausenden Wirkstoffen zu testen, ist sehr zeitaufwendig und nicht praktikabel. Das Hauptanliegen dieser Arbeit ist es, die Probleme von Off-target-Effekten chemischer Strukturen zu benennen – mit den Mitteln der Chemieinformatik, der strukturellen Bioinformatik sowie unter Berücksichtigung von computerbasierten, systembiologischen Ansätzen. Diese Dissertation ist in vier Hauptprojekte eingeteilt. ImProjekt I (Kapitel 3)wurde ein neuartiger Ensemble-Ansatz basierend auf der strukturellen Ähnlichkeit von chemischenWirkstoffen und Bestimmungen von toxischen Fragmenten implementiert,um die orale Toxizität bei Nagetieren vorherzusagen. Im Projekt II (Kapitel 4) wurden – auf der Grundlage von Daten des Tox21 Wettbewerbs – unterschiedliche Machine-Learning Modelle entwickelt und verglichen, um die Komponenten vorherzusagen, die in den toxikologischen Stoffwechselwegen mit Zielmolekülen interagieren von target-spezifischenWirkstoffen vorherzusagen. In Projekt III (Kapitel 5) wird ein neuartiger Ansatz beschrieben, welcher das dreigliedrige Konzept aus computerbasierter Systembiologie, Chemieinformatik und der strukturellen-Bioinformatik nutzt, um Medikamente zu bestimmen, welche das metabolische Syndrom hervorrufen. In Projekt IV (Kapitel 6) wurde in silico ein Screening Protokoll entwickelt, welches die strukturelle Ähnlichkeit, die pharmakophorischen Eigenschaften und die Überprüfung von computerbasierten Docking Studien berücksichtigt. / Exposure to various chemicals agents through cosmetics, medications, preserved food, environments and many other sources have resulted in serious health issues in humans. Additionally, regulatory authorities from Europe and United States of America have recognized the risk associated with combined exposure to multiple chemicals. Testing all possible combinations of these thousands of compounds is impractical and time consuming. The main aim of the thesis is to address the problem of off-targets effects of chemical structures by applying and developing cheminformatics, structural bioinformatics and computational systems biology approaches. This dissertation is divided into four main projects representing four different computational methods to aid different level of toxicological investigations. In project I (chapter 3) a novel ensemble approach based on the structural similarity of the chemical compounds and identifications of toxic fragments was implemented to predict rodent oral toxicity. In project II (chapter 4) different machine learning models were developed and compared using Tox 21 challenge 2014 data, to predict the outcomes of the compounds that have the potential to interact with the targets active in toxicological pathways. In project III (chapter 5) a novel approach integrating the trio concept of ’computational system biology, cheminformatics and structural bioinformatics’ to predict drugs induced metabolic syndrome have been described. In project IV (chapter 6) a in silico screening protocol was established taking into the structurally similarity, pharmacophoric features and validation using computational docking studies. This approach led to the identification of novel binding site for acyclovir in the peptide binding groove of the human leukocyte antigen (HLA) specific allele.

Zur Bestimmung der toxizitätsrelevanten Thiolreaktivität wurde ein Chemoassay mit dem Modellnukleophil 4-Nitrothiophenol (NBT) entwickelt. Es wurden die Reaktionsgeschwindigkeitskonstanten kNBT für insgesamt 145 Verbindungen aus verschiedenen Stoffklassen bestimmt. Ein Modell zur Berücksichtigung der Flüchtigkeit der Elektrophile bei der Berechnung von kNBT wurde entwickelt. Außerdem wurde der Einfluss des pH-Werts auf die Thiolreaktivität unter reaktionsmechanistischen Gesichtspunkten diskutiert. Die NBT-Reaktivität wurde mit der Reaktivität gegenüber anderen toxizitätsrelevanten Nukleophilen verglichen. Zur Einordnung der Thiolreaktivität in den toxikologischen Zusammenhang wurden die Korrelationen zwischen kNBT und ausgewählten toxikologischen Endpunkten betrachtet. Am Beispiel der aquatischen Toxizität im Bioassay mit Tetrahymena pyriformis konnten stoffklassenspezifische Modelle zur Beschreibung der absoluten Toxizität log EC50 und der Toxizitätserhöhung log Te mit guter bis sehr guter Vorhersagekraft abgeleitet werden.