СИСТЕМА ПРОГНОЗА ТОКСИЧНОСТИ И ОПАСНОСТИ ХИМИЧЕСКИХ ВЕЩЕСТВ, ОСНОВАННАЯ НА СОВМЕСТНОМ ИСПОЛЬЗОВАНИИ ЛОГИЧЕСКИХ И ЧИСЛЕННЫХ МЕТОДОВ Текст научной статьи по специальности «Химические науки»

© Н. В. ХЛРЧЕВНИКОВА, 2005 УДК 614.72:615.9

Н. В. Харчевникова

СИСТЕМА ПРОГНОЗА ТОКСИЧНОСТИ И ОПАСНОСТИ ХИМИЧЕСКИХ ВЕЩЕСТВ, ОСНОВАННАЯ НА СОВМЕСТНОМ ИСПОЛЬЗОВАНИИ ЛОГИЧЕСКИХ И ЧИСЛЕННЫХ МЕТОДОВ

ГУ НИИ экологии человека и гигиены окружающей среды им. А. Н. Сысина РАМН, Москва

По данным Национальной токсикологической программы США (NTP), в настоящее время зарегистрировано около 100 ООО химических веществ, используемых в производстве, и ежегодно в этот список добавляется около 1000 соединений. Влияние на человеческий организм известно лишь для 15% из них, хотя человек может быть подвержен их воздействию во время производства, использования продуктов и утилизации отходов, и все они так или иначе становятся частью окружающей среды — воздуха, воды и почвы. Токсичность и опасность химических веществ, риск их воздействия на человека должны быть оценены. Однако из-за недостатка времени и средств все вещества, поступающие в окружающую среду, не могут быть изучены по полной программе, включающей длительные опыты на животных. Кроме того, проведение экспериментов на животных противоречит принципам их защиты. В настоящее время во всем мире идет поиск альтернативных методов изучения токсичности, позволяющих по возможности исключить эти эксперименты. Прогноз на основе количественных соотношений структура—активность является одним из ведущих альтернативных методов. В ходе развития этого направления исследователи прошли путь от поиска связи между токсичностью и простыми параметрами — физи-ко-химическими константами — к использованию универсальных характеристик структуры и прогнозу в рамках метода Ханча и методов распознавания образов. Различные стадии механизма токсического действия были систематизированы в работе [4] при изложении патогенетической модели интоксикации.

Однако до недавнего времени методические подходы в этой области были ограничены из-за недостатка знаний о механизме взаимодействия веществ с организмом на молекулярном уровне. Не осознавалось, что в ходе биотрансформации образуются короткоживущие соединения и конечные метаболиты, более опасные, чем исходные вещества, что часто определяет токсический эффект (биоактивация). Механизмы биоактивации и ее роль в токсическом действии химических веществ описаны в нашем обзоре [5]. На основании анализа экспериментальных данных и теоретических моделей реакций биоактивации нами была предложена методика выбора электронных параметров для зависимостей структура— биотрансформация—токсичность [6]. Эта методика была использована при получении соотношений структуры— биотрансформации—токсичности в различных структурных рядах [6, 7, 10].

Однако из-за сложности процессов, определяющих канцерогенез, мутагенез и хроническую токсичность, прогноз с использованием параметров, характеризующих только биоактивацию, не всегда дает удовлетворительные результаты.

В последнее десятилетие XX века были разработаны экспертные системы для прогноза различных токсических эффектов. Интеллектуальные экспертные системы относятся к области искусственного интеллекта, включающей интеллектуальный анализ данных. Можно выделить два вида интеллектуальных экспертных систем: системы, основанные на экспертном знании, воспроизводящие рассуждения человека (эксперта), такие как Oncologic и DEREK, и системы, основанные на машинном обучении (PROGOL, Multicase, ТОРКАТ, PASS, логико-комбинаторный метод). Из двух направлений машинного обучения — численного (sub-symbolic) обучения (нейронные сети, байессовские сети, нечеткие логики, гене-

тические алгоритмы) и символического (symbolic) обучения (логические теории и программы, деревья решений, решающие правила) — именно последнее отвечает требованию предоставления интерпретируемых результатов и потому представляет особый интерес в плане ускорения научных исследований [8].

Среди методов интеллектуального анализа данных мы обратили внимание на логико-комбинаторный ДСМ-метод автоматического порождения гипотез. Метод основан на логике Джона Стюарта Милля и не требует наличия больших обучающих выборок. Прогноз с использованием разработанной в отделе теоретических и прикладных проблем информатики ВИНИТИ интеллектуальной логико-комбинаторной ДСМ-системы [9] оказался наилучшим из всех, сделанных в рамках организованного Национальным институтом США по охране окружающей среды в 2000—2001 гг. открытого проекта по прогнозу канцерогенности в опытах на млекопитающих Predictive Toxicology Challenge [15]. ДСМ-метод позволяет прогнозировать проявления определенных заданных свойств в объектах, а также объяснять этот прогноз.

В стандартной интеллектуальной ДСМ-системе так же, как и в большинстве других экспертных систем, не учитывается возможность биоактивации. Поэтому ДСМ-система далеко не всегда может дать правильный ответ на вопрос, будет ли обладать анализируемое соединение заданными биологическими свойствами.

В связи с этим нами разрабатывается комбинированная версия интеллектуальной ДСМ-системы, в которой логико-комбинаторный анализ сходства и различия структур соединений дополнен модулем генерации метаболитов и анализом числовых параметров, характеризующих, в частности, процессы биотрансформации.

В основу системы положен оригинальный алгоритм, позволяющий анализировать "сходство" числовых параметров (в частности тех, которые характеризуют процессы биоактивации и могут быть рассчитаны методами квантовой химии) в новой комбинированной версии ДСМ-системы [12, 13], в которой гипотезой о причинах наличия свойства является как структурный фрагмент, так и интервалы значений числовых параметров. Для формализации числовой величины как ДСМ-объекта задается операция сходства для числовых величин [8].

Согласно алгоритму системы, в случае когда для структурного ряда, к которому принадлежит данное неизученное вещество, и для данного вида эффекта уже проводился ДСМ-прогноз, соединение добавляется в качестве тестового примера. Если прогноз проводился с использованием числовых параметров, проводится их расчет по программам, интегрированным в систему. Предусмотрен прогноз с использованием стандартного ДСМ-метода. В случае если соединение относится к неизученному ряду, подбирается обучающая выборка из баз данных и осуществляется стандартный компьютерный ДСМ-эксперимент с анализом сходства структур соединений. Система была апробирована при прогнозе класса опасности по острой и хронической токсичности, мутагенности, канцерогенное™ соединений различных структурных рядов (полициклические ароматические углеводороды, галогензамещенные алифатические соединения, алифатические спирты, замещенные бензолы, ароматические амины) [1, 2, 8, 11 — 13]. Качество генерированных гипотез и согласованность выборки (отсутствие случайных примеров) определялось по так называемому критерию достаточного основания, т. е. все соеди-

Таблица 1

Экспериментальные оценки канцерогенной активности соединений (значения свойств), значения числового параметра ДЕ (в единицах (5) и результаты компьютерных экспериментов

Эксперимент Результат компьютерных экспериментов

Соединение ДЕ без учета числового параметра с учетом числового параметра

свойства свойства свойства

1 2 3 4 1 2 3 4 1 2 3 4

Бснзо(е)пирен +/-

Дибенз(а, с)антрацен +/-Бензо^)хризен + +/-

0,826 0,833 0,838

+ + +

+ +

нения обучающей выборки должны быть правильно отнесены к определенному классу активности с помощью генерированных гипотез. Точность прогноза определялась отношением количества правильно предсказанных положительных (или отрицательных) примеров к сумме правильно и неправильно предсказанных положительных (или отрицательных) примеров в выборке (в процентах). При работе ДСМ-системы этот критерий превышал 80%. Основным недостатком ДСМ-метода является недостаточная полнота, т. е. не все соединения тестовой выборки могут быть объяснены с помощью генерированных гипотез. Использование комбинированной версии системы позволяет улучшить как точность, так и полноту.

Для примера покажем, как осуществляется прогноз канцерогенной активности полициклических ароматических углеводородов (ПАУ) с использованием комбинированной ДСМ-системы.

Существует хорошо разработанная модель биоактивации ПАУ, так называемая модель Джерины-Лера [18, 19], согласно которой наличие в структуре так называемой области залива может определять канцерогенность. Наличие Ь-области определяет возможность процессов детоксикации. Основные черты биоактивации всех ПАУ аналогичны. На первом этапе ПАУ подвергаются эпок-сидированию по связи М-области. Затем под действием эпоксидгидролазы образуются дигидродиолы, которые в результате эпоксидирования превращаются в дигидро-диолэпоксиды. Диолэпоксиды способны образовывать аддукты с ДНК, атакуя критические нуклеофильные позиции ДНК по механизму нуклеофильного замещения первого порядка (Б^О с образованием в качестве интер-медиатов триолкарбокатионов. Ключевой стадией, лимитирующей скорость процесса биоактивации, является образование триолкарбокатионов [18, 19]. Отсюда следует, что канцерогенное действие ПАУ будет тем сильнее, чем меньше требуется энергии для образования катиона из диолэпоксида.

Стабильность карбокатионов относительно диол-эпоксидов может быть рассчитана методом Хюккеля. Из всех карбокатионов, которые могут образоваться в результате биотрансформации ПАУ, наиболее легко образуется катион, для которого разность энергии ДЕ диолэпоксида и карбокатиона наименьшая. Канцерогенность ПАУ характеризуют по Бэджеру [14]: (-) означает отсутствие канцерогенной активности, (+) — слабоактивен, (++) — довольно активен, (+++) — очень активен, (++++) — чрезвычайно активен. В ряду ПАУ с ростом устойчивости карбокатиона возрастает канцерогенная активность.

Однако из-за сложности процессов, определяющих канцерогенез, прогноз с использованием параметров, характеризующих только биоактивацию, не всегда дает удовлетворительные результаты. Анализ зависимости канцерогенной активности от энергии образования конечного метаболита свидетельствует, что одной этой численной характеристики недостаточно для надежного прогноза. В частности, плохо прогнозируется канцерогенная активность соединений, структура которых со-

держит несколько Ь-областей, что определяет возможность процессов детоксикации.

В связи с этим был использован комбинированный подход с использованием анализа числовых параметров типа параметра ДЕ, характеризующих ключевую стадию биотрансформации и логико-комбинаторного ~ метода, позволяющего найти сходство структур молекул, обладающих определенным уровнем активности. Алгоритм определения наиболее устойчивого карбокатиона ПАУ был положен в основу одной из программ, включенных в последнюю версию разрабатываемой комбинированной ДСМ-системы. На основе этой модели был разработан программный модуль, генерирующий конечные метаболиты ПАУ и вычисляющий энергетический параметр, характеризующий канцерогенную активность в ряду ПАУ.

Система была протестирована с использованием данных по канцерогенной активности 25 ПАУ [3]. Канцерогенную активность 4 соединений необходимо было предсказать. Для этих соединений экспериментальные данные противоречивы. В соответствии с индексами Бэдже-ра ДСМ-эксперимент проводился по 4 свойствам: 1) соединение (по крайней мере) слабоактивно; 2) соединение (по крайней мере) обладает средней активностью; 3) соединение (по крайней мере) сильноактивно; 4) соединение сверхактивно.

В табл. 1 приведены названия соединений и экспериментальные оценки канцерогенной активности (значения свойств), а также результаты прогноза при работе системы в различных режимах. Знак вопроса означает, что значение свойства не может быть доопределено с использованием генерированных гипотез. Видно, что учет числового параметра позволил уточнить прогноз канцерогенной активности соединений, были доопределены свойства сильной и сверхсильной активности.

Затем был проведен прогноз канцерогенной активности неизученных ПАУ. Обучающая выборка содержала оценку канцерогенной активности 63 соединений (по

Таблица 2

Прогноз канцерогенной активности ПАУ с использованием комбинированной системы прогноза

Название

Прогноз

Дибснзо(а, ghi)пe?илeн

Бснзо(сс1)нафто(1,2,3-1т)перилсн

Дибснзо(ар)хризен

Бензо(а)нафто(2,3-Ь)антрацен

Нафто(1,2-а)пирен

Дибснзо(Ь, g)xpизeн

Дибензо(с1е, ор)нафтацен

Дибснзо(а, Опсрилен

Бснзо(Ь)антантрен

Тетрабензо(а, с, К, ^антрацен

Дибензо(з, р)хризен

Бензо(а)гексацен

Нафто(2,3-а)пентацен

Нафто(2,3-11)пентафен

++ ++ ++ ++ +-+-+-

двум свойствам: соединение, по крайней мере, умеренно активно и соединение сильно активно) [16]. Активность 14 соединений необходимо было предсказать. Вначале система правильно предсказала активность соединений обучающей выборки (критерий достаточного основания). Затем был осуществлен прогноз активности неизученных соединений (табл. 2). Результаты в основном совпали с результатами прогноза с использованием правил, учитывающих биоактивацию [16].

Точно такой же подход может быть применен для прогноза наличия и степени выраженности канцерогенного эффекта замещенных, в частности метилированных и хлорсодержащих, а также гетероциклических ПАУ.

Еще одним примером применения разрабатываемой системы является прогноз канцерогенной активности га-логенированных алканов.

Известно, что многие галогенсодержащие соединения являются непрямыми канцерогенами, т. е. их канцерогенная активность определяется биоактивацией.

Для различных подклассов алифатических ГСС (насыщенные, ненасыщенные, полностью галогенирован-ные) характерны различные механизмы биоактивации.

Так, в результате биохимических и квантово-химиче-ских исследований установлено, что ключевой реакцией процесса биоактивации не полностью замещенных насыщенных алифатических ГСС через окислительное гидроксилирование под действием цитохрома Р-450 является отрыв атома водорода от углерода с образованием радикала:

Таблица 3

Прогноз канцсрогснности галогснированных алканов с помощью комбинированной ДСМ-системы

[О]

"НС1

■СН2С1СНС1+НО СН2С1СНС10Н

СН2С1СН2С1 СН2С1СОН.

Затем происходит быстрая рекомбинация с гидро-ксильным радикалом, в результате образуется неустойчивое соединение, содержащее атом углерода, замещенный как ОН-группой, так и галогеном. Дегидрогалоге-нирование этого соединения приводит к образованию галогензамещенных альдегидов, кетонов, карбоксилхло-ридов, галогенсодержащих кислот. Некоторые из этих метаболитов высокореакционны и могут образовывать аддукты с ДНК и протеинами.

Энтальпии активации образования радикалов могут быть рассчитаны на основе энтальпии реакции по следующему уравнению [20, 21, 24]: ДНакт (ккал/ моль) = 0,22 (ДНя - 28,72) + 2,38 1Р + 2,60, где ДНК -разность энергий радикалов и исходных соединений, 1Р — потенциал ионизации радикала. Расчет электронных характеристик проводится с использованием гамильтониана полуэмпирического метода АМ1, радикалы рассчитывают неограниченным методом Хартри-Фока.

При сопоставлении энергий активации реакций отрыва водорода от различных атомов углерода молекул га-логенированных аг.канов можно определить путь метаболизма и предсказать образование определенных метаболитов. Если канцерогенность определяется активацией на пути окислительного дегалогенирования, должно существовать значение границы энергии активации, при превышении которого реакция не идет. Если наименьшее из возможных значений ДНакт для галогенированно-го алкана выше предельного значения, соединение не подвергается метаболизму по пути окислительного дегалогенирования и не должно обладать канцерогенной активностью, если справедливо предположение о том, что канцерогенность определяется именно этой реакцией биоактивации. Кроме того, если канцерогенная активность связана с образованием устойчивых метаболитов, она зависит от их реакционной способности.

Канцерогенность галогенированных алканов для мышей характеризовалась величинами 1§(М/ТО50). ТО50 — доза вещества (мг/кг/сут), вызывающая при повторном введении в хроническом эксперименте образование злокачественных опухолей у 50% животных в течение стандартного времени жизни (для данного вида животных),

Название

Оценка канцерогенное™ (прогноз)

+-

++ +-

2,3-Дихлорбутан 1,1,5,5-Тетрахлорпентан Дибромметан 1,2-Дихлор-2-метилбутан 1,1,1,5-Тетрахлорпснтан 1 -Хлороктан 2-Бромбутан 2-Хлордодекан

М — молекулярная масса. Использовались значения гармонического среднего ТО30, определенные по результатам различных хронических экспериментов и приведенные в базе данных СРОВ [17]. В зависимости от значения этого показателя (положительное значение логарифма, отрицательное значение и отсутствие активности) соединение относили к одному из классов (высококанцерогенные, умеренно канцерогенные и не обладающие канцерогенной активностью в экспериментах на мышах). Обучающая выборка состояла из 26 соединений. Тестовая выборка содержала 11 соединений. В нее были включены галогенированные алканы, уровень канцерогенно-сти которых был предсказан ранее с участием экспертов [23]. Эти соединения в числе 252 соединений различных структурных рядов были обнаружены в питьевой воде после хлорирования.

Для соединений обучающей и тестовой выборки ряда галогенированных алканов были определены минимальные значения ДНакт и определены метаболиты, соответствующие этим положениям метаболизма. Для этих метаболитов рассчитан параметр, характеризующий реакционную способность в реакциях с биомолекулами — энергия свободной молекулярной орбитали, разрыхляющей по связи С = О (Есмо). Использовано также минимальное для каждого соединения значение ДНакт. Оба параметра наряду со структурой соединения представляют собой мульти-ДСМ-объект в новой комбинированной версии ДСМ-системы [13]. В результате эксперимента удалось доопределить степень канцерогенности 8 соединений (см. табл. 3). Результаты в большинстве случаев не противоречат оценке, данной экспертами (отнесение к определенной группе по канцерогенности) [16].

В заключение отметим, что теоретически и экспериментально обоснованные количественные соотношения структуры—биотрансформации—активности позволяют подтвердить наличие определенного механизма токсического действия и выделить вещества, для которых данный механизм нехарактерен, дать количественную оценку выраженности эффекта, отделить активные соединения от неактивных, прогнозировать механизм биологической активности неизученных веществ.

Объединение логико-комбинаторных методов с методами вычислительной химии дает возможность учесть многообразие и сложность процессов, происходящих в организме, в частности, возможность как процессов активации, так и детоксикации в ходе биотрансформации.

Литература

1. Блинова В. Г., Добрынин Д. А., Жолдакова 3. И., Хар-чевникова Н. В. // Научно-техническая информация. Серия 2. - 2001. - № 10. - С. 13-19.

2. Блинова В. Г., Добрынин Д. А., Жолдакова 3. И., Хар-чевникова Н. В. // Научно-техническая информация. Серия 2. - 2003. - № 4. - С. 1-4.

3. Дьячков П. Н. // ВИНИТИ. Итоги науки и техники. Сер.: Токсикология. — М., 1990. — Т. 16.

4. Жолдакова 3. И., Гусев Е. Н. // Гиг. и сан. — 1987. — №7. - С. 9-13.

5. Жолдакова 3. И., Харчевникова Н. В. // Вестн. РАМН. - 2002. - № 8. - С. 44.

6. Жолдакова 3. И., Харчевникова Н. В. // Общая токсикология / Под ред. Б. А. Курляндского, В. А. Фи-лова. - М., 2002. — С. 76-88.

7. Жолдакова 3. И., Харчевникова Н. В. // Рос. хим. журн. - 2004. - № 2. - С. 16-24.

8. Максин М. В., Харчевникова Н. В., Блинова В. Г. и др. // Научно-техническая информация. Серия 2. — 2004. - № 1. - С. 14-18.

9. Финн В. К. // ВИНИТИ. Итоги науки и техники. Сер.: Теория вероятностей. Математическая статистика. Теоретическая кибернетика. — М., 1988. — Т. 28. - С. 3-84.

10. Харчевникова И. В., Жолдакова 3. И. // Гиг. и сан. — 2000. - № 1. - С. 25-29.

11. Харчевникова Н. В., Блинова В. Г. // Хим.-фарм. журн. - 2000. - № 4. - С. 44-48.

12. Харчевникова Н. В., Максин М. В., Блинова В. Г. и др. // Научно-техническая информация. Серия 2. —

2003. - № 11. - С. 12-17.

13. Харчевникова Н. В., Блинова В. Г., Максин М. В. и др. // Научно-техническая информация. Серия 2. —

2004. - № 12. - С. 15-19.

14. Badger G. М. The Chemical Basis of Carcinogenic Activity. — Springfild, 1962.

15. Blinova V., Dobrynin D. A., Finn V. K. et al. // Proceedings of PTC Workshop at the 5-th European Conference on Principles and Practice of Knowledge Discovery in Databases. — Freiburg, 2001.

16. Flesher J. W, Horn J., Lehner A. F. // J. Mol. Struct. (Theochem). - 1996. - Vol. 362. - P. 29-49.

17. http-potency.berkeley. edu-pdfs/CPDB.

18. Jerina D. M., Sayer J. M. et al. // Carcinogenesis: Fundamental Mechanisms and Environmental Effects / Ed. B. Pullman. - Boston, 1980. - P. 1-12.

19. Jerina D. M.. Chadha A., Cheh A. M. et al. // Adv. Exp. Med. Biol. - 1991. - Vol. 283. - P. 533-553.

20. Korzekwa K. R., Jones J. P., Gillette J. R. // J. Am. Chem. Soc. - 1990. - Vol. 112. - P. 7042-7070.

21. Loew G. H., Trudell G. // Cancer Biochem. Biophys. — 1984. - Vol. 7, N 1. - P. 33-66.

22. Wang G., Bci N. // Cheniosphere. - 1998. - Vol. 36, N 5. - P. 1475-1483.

23. Woo Y. Т., Lai D., McLain J. L. et al. // Environ. Hlth Perspect. - 2002. - Vol. 110. - Suppl. 1. - P. 75-87.

24. Yin N.. Anders M., Korsekwa K. et al. // Proc. Natl. Acad. Sci. USA. - 1995. - Vol. 92. - P. 11076-11080.

Поступила 22.04.05

Summary. A version of a logical combinatorial intellectual system (DMS system) has been developed to predict the toxicity and hazards of chemical substances. The system is based on the combined description of the substances, which includes both structural and numerical descriptors, particularly those characterizing the reactivity of compounds or their metabolites. The selection of numerical descriptors is based on the classification of processes of the interaction of the substance with the body in accordance with the key stage of the mechanism responsible for its toxic action. The new version of the DSM system takes into account the fact that the toxicity and hazard of chemicals are frequently determined by their bio-activation. Examples of how to apply the system to the prediction of carcinogenicity are given.

© КОЛЛЕКТИВ АВТОРОВ, 2005 УДК 616-006.04-02:615.91

Л. В. Хрипач, В. С. Журков, 10. А. Ревазова, Ю. А. Рахманин ПРОБЛЕМЫ ОЦЕНКИ КАНЦЕРОГЕННОЙ ОПАСНОСТИ ДИОКСИНОВ

ГУ НИИ экологии человека и гигиены окружающей среды им. А. Н. Сысина РАМН, Москва

Полихлорированные дибензопарадиоксины (ПХДД) относятся к высокогидрофобным химическим соединениям с коэффициентами распределения в системе "ок-танол—вода" 10б—10s, что и обусловливает их принадлежность к стойким загрязнителям окружающей среды. Наиболее токсичным из аналогов (и одновременно самым токсичным из синтезированных к настоящему времени химических соединений) является 2,3,7,8-тетра-хлордибензопарадиоксин (2,3,7,8-ТХДД); ЛД50 при перо-ральном введении составляет 0,6—2,1 мкг/кг для морских свинок, 22—45 мкг/кг для крыс и 114—180 мкг/кг для мышей. По механизму молекулярного действия диоксины напоминают стероидные гормоны: в обоих случаях обнаружены специальные цитозольные рецепторы (белки), после соединения с которыми вещество переносится в ядро и связывается там с определенными последовательностями нуклеотидов в промоторной части некоторых генов; результатом является пакетная индукция соответствующей группы ферментов. Рецептор, с которым связываются диоксины — AhR (aryl hydrocarbone receptor) — с меньшим сродством способен связывать также и другие полициклические углеводороды; это достаточно консервативный белок, имеющийся у всех позвоночных [25].

Комплекс ферментов, индуцируемых диоксинами, в настоящий момент включает: три изоформы цитохрома Р-450 (CYP1A1, CYP1A2 и CYP1B1), две изоформы ферментов 2-й фазы метаболизма ксенобиотиков — глутати-OH-S-траисферазы (GSTA1) и УДФ-глюкуронилтрансфе-разы (UGT1A6), альдегиддегидрогеназу (ALDH3A1), НАД(Ф)Н:хиноноксидоредуктазу (NQ01), простаглан-дин(Н)синтетазу и два фермента катаболизма пуринов — ксантиндегидрогеназу и ксантиноксидазу [26, 35); инду-

цируются также некоторые регуляторные белки, гены которых не имеют диоксинчувствительных последовательностей нуклеотидов в промоторной области — С-САМ4 и САР2 [36]. Этот список, по-видимому, далеко не полон, поскольку детально объяснить с его помощью механизмы возникновения конечных биологических эффектов (иммунодепрессии, гормонального дисбаланса, нарушений клеточной дифференцировки, канцерогенеза) невозможно. В последние годы начал разрабатываться новый вариант объяснения механизма токсического действия диоксинов, в котором центр тяжести перенесен с процесса пакетной индукции ферментов на нарушение при этом соотношения в клетке свободного/связанного АЬ-рецептора. Исходным пунктом для такого поворота послужили обнаружение факта связывания свободным АЬ-рецептором некоторых других регуляторных белков, в частности белка теплового шока 11эр90 [38], а также накапливающиеся свидетельства об изменении содержания и активности АЬ11 в отсутствие экзогенных лигандов — на разных стадиях дифференцировки клеток, при изменении циркадных ритмов, при добавлении к культурам факторов роста, индукторов протеинкиназ и других активаторов [16, 30, 37]. Индукция цитохрома Р-450 при этом становится маркером, отражающим скорость процесса связывания лиганда до расхождения веток.

Краеугольным камнем тех сложностей, с которыми исследователи столкнулись при изучении опасности диоксинов, является существование больших количественных различий между лабораторными животными и людьми в скорости элиминации диоксинов, степени индукции ими цитохрома Р-450 и выраженности других биологических эффектов. В частности, время полувыведения 2,3,7,8-ТХДД из организма мышей и крыс состав-