Background:Humans are exposed to thousands of man-made chemicals in the environment. Some chemicals mimic natural endocrine hormones and, thus, have the potential to be endocrine disruptors. Most of these chemicals have never been tested for their ability to interact with the estrogen receptor (ER). Risk assessors need tools to prioritize chemicals for evaluation in costly in vivo tests, for instance, within the U.S. EPA Endocrine Disruptor Screening Program.Objectives:We describe a large-scale modeling project called CERAPP (Collaborative Estrogen Receptor Activity Prediction Project) and demonstrate the efficacy of using predictive computational models trained on high-throughput screening data to evaluate thousands of chemicals for ER-related activity and prioritize them for further testing.Methods:CERAPP combined multiple models developed in collaboration with 17 groups in the United States and Europe to predict ER activity of a common set of 32,464 chemical structures. Quantitative structure–activity relationship models and docking approaches were employed, mostly using a common training set of 1,677 chemical structures provided by the U.S. EPA, to build a total of 40 categorical and 8 continuous models for binding, agonist, and antagonist ER activity. All predictions were evaluated on a set of 7,522 chemicals curated from the literature. To overcome the limitations of single models, a consensus was built by weighting models on scores based on their evaluated accuracies.Results:Individual model scores ranged from 0.69 to 0.85, showing high prediction reliabilities. Out of the 32,464 chemicals, the consensus model predicted 4,001 chemicals (12.3%) as high priority actives and 6,742 potential actives (20.8%) to be considered for further testing.Conclusion:This project demonstrated the possibility to screen large libraries of chemicals using a consensus of different in silico approaches. This concept will be applied in future projects related to other end points.Citation:Mansouri K, Abdelaziz A, Rybacka A, Roncaglioni A, Tropsha A, Varnek A, Zakharov A, Worth A, Richard AM, Grulke CM, Trisciuzzi D, Fourches D, Horvath D, Benfenati E, Muratov E, Wedebye EB, Grisoni F, Mangiatordi GF, Incisivo GM, Hong H, Ng HW, Tetko IV, Balabin I, Kancherla J, Shen J, Burton J, Nicklaus M, Cassotti M, Nikolov NG, Nicolotti O, Andersson PL, Zang Q, Politi R, Beger RD, Todeschini R, Huang R, Farag S, Rosenberg SA, Slavov S, Hu X, Judson RS. 2016. CERAPP: Collaborative Estrogen Receptor Activity Prediction Project. Environ Health Perspect 124:1023–1033; http://dx.doi.org/10.1289/ehp.1510267

Background: Endocrine disrupting chemicals (EDCs) are xenobiotics that mimic the interaction of natural hormones and alter synthesis, transport, or metabolic pathways. The prospect of EDCs causing adverse health effects in humans and wildlife has led to the development of scientific and regulatory approaches for evaluating bioactivity. This need is being addressed using high-throughput screening (HTS) in vitro approaches and computational modeling. Objectives: In support of the Endocrine Disruptor Screening Program, the U.S. Environmental Protection Agency (EPA) led two worldwide consortiums to virtually screen chemicals for their potential estrogenic and androgenic activities. Here, we describe the Collaborative Modeling Project for Androgen Receptor Activity (CoMPARA) efforts, which follows the steps of the Collaborative Estrogen Receptor Activity Prediction Project (CERAPP). Methods: The CoMPARA list of screened chemicals built on CERAPP’s list of 32,464 chemicals to include additional chemicals of interest, as well as simulated ToxCast™ metabolites, totaling 55,450 chemical structures. Computational toxicology scientists from 25 international groups contributed 91 predictive models for binding, agonist, and antagonist activity predictions. Models were underpinned by a common training set of 1,746 chemicals compiled from a combined data set of 11 ToxCast™/Tox21 HTS in vitro assays. Results: The resulting models were evaluated using curated literature data extracted from different sources. To overcome the limitations of single-model approaches, CoMPARA predictions were combined into consensus models that provided averaged predictive accuracy of approximately 80% for the evaluation set. Discussion: The strengths and limitations of the consensus predictions were discussed with example chemicals; then, the models were implemented into the free and open-source OPERA application to enable screening of new chemicals with a defined applicability domain and accuracy assessment. This implementation was used to screen the entire EPA DSSTox database of ∼875,000 chemicals, and their predicted AR activities have been made available on the EPA CompTox Chemicals dashboard and National Toxicology Program’s Integrated Chemical Environment. https://doi.org/10.1289/EHP5580

The inhibitory activity of peptides on angiotensin-converting enzyme (ACE) is a measure of their antihypertensive potential. Quantitative structure–activity relationship (QSAR) models obtained based on the analysis of sequences of amino acids are suggested. The average determination coefficient for the active training sets is 0.36 ± 0.07. The average determination coefficient for validation sets is 0.79 ± 0.02. The paradoxical situation is caused by applying the vector of ideality of correlation, which improves the statistical quality of a model for the calibration and validation sets but is detrimental to the statistical quality of models for the training sets.

Typical in silico models for ecotoxicology focus on a few endpoints, but there is a need to increase the diversity of these models. This study proposes models using the NOEC for the harlequin fly (Chironomus riparius) and EC50 for swollen duckweed (Lemna gibba) for the first time. The data were derived from the EFSA OpenFoodTox database. The models were based on the correlation weights of molecular features used to calculate the 2D descriptor in CORAL software. The Monte Carlo method was used to calculate the correlation weights of the algorithms. The determination coefficients of the best models for the external validation set were 0.74 (NOAEC) and 0.85 (EC50).

Since its establishment in 2002, the European Food Safety Authority (EFSA) has been providing independent scientific advice on risks associated with the food chain. This manuscript provides a description of EFSA’s chemical hazards database OpenFoodTox (OFT), future perspectives and activities. OFT aims at mapping all the hazard identification and characterisation data that have been published in outputs from EFSA throughout the years. To date, OFT contains data for more than 5700 chemical substances in the food/feed chain. In line with the One Substance-One Assessment approach as part of the Chemicals Strategy for Sustainability, EFSA aims to further improve data quality and interoperability of OFT with IUCLID 6 and the EU Common Data Platform on Chemical Safety. To enhance its usability as a supporting tool for risk assessment activities, OFT will be migrated to IUCLID 6. More data will be collected and added to OFT, including endpoints related to in vitro assays, non-critical effects and exposure values. Furthermore, new in silico models (e.g., tools for read-across and grouping) will be developed based on the data already present in OFT for chemicals and endpoints that have been tested, with the aim of estimating the corresponding properties for the untested chemicals and endpoints.

Using the Monte Carlo technique via CORAL-2024 software, models of aromatic substance adsorption on multi-walled nanotubes were constructed. Possible mechanistic interpretations of such models and the corresponding applicability domains were investigated. In constructing the models, criteria of the predictive potential such as the iIndex of Ideality of Correlation (IIC), the Correlation Intensity Index (CII), and the Coefficient of Conformism of a Correlative Prediction (CCCP) were used. It was assumed that the CCCP could serve as a tool for increasing the predictive potential of adsorption models of organic substances on the surface of nanotubes. The developed models provided good predictive potential. The perspectives on the improvement of the nano-QSPR/QSAR were discussed.

3-Monochloropropane-1,2-diol (3-MCPD), 2-monochloropropane-1,2-diol (2-MCPD) and 2,3-epoxy-1-propanol (glycidol), in their free form or esterified to fatty acids, are food contaminants formed during the refinement of oils and fats. We conducted a survey to quantify the levels of these compounds in 130 food items, in order to assess the exposure to them in food and the consequent health risk for consumers. Food samples, including infant formula, were analysed by gas-chromatography mass spectrometry with the indirect method, and we used the latest open access food consumption database for the Italian population for a probabilistic assessment of exposure. We adopted an in silico approach to fill the gap for the toxicity of 2-MCPD. The occurrence values for the three contaminants in food were in most cases lower than or comparable to those reported in previous surveys. Exposure assessment for the most exposed individuals (95

The development of models of the physicochemical and biochemical behavior of nanomaterials is useful for improving the evaluation and management of this material. Quasi-SMILES technology makes it possible to quite successfully cope with this kind of modeling task, accounting for various experimental conditions, where the use of other approaches is difficult or even impossible. Here, we describe the results of using quasi-SMILES to model the toxicity of mixtures of titanium nano oxide with various inorganic substances towards Daphnia magna. The approach is based on the stochastic process of the optimization of correlation weights for different codes used in quasi-SMILES. The optimization process was carried out using special statistical criteria for predictive potential. It is shown that models built using quasi-SMILES have the best predictive potential.