Substâncias per e polifluoroalquil (PFAS) são amplamente utilizadas em vários produtos como repelentes de água e revestimentos resistentes a manchas. Os PFAS são chamados de “produtos químicos eternos” devido à sua excepcional estabilidade térmica e química, e foram encontrados globalmente no meio ambiente, nos seres humanos e na vida selvagem.



Os ácidos perfluoroalquílicos de cadeia longa, incluindo o ácido perfluorooctanóico (PFOA) e o ácido perfluorooctanossulfônico (PFOS), são persistentes, bioacumuláveis ​​e tóxicos. Globalmente, as substâncias relacionadas com o PFOA e o PFOS são regulamentadas pela Convenção de Estocolmo sobre Poluentes Orgânicos Persistentes (POP).

Um aspecto toxicológico chave do PFAS, especialmente do PFOA e do PFOS, é a sua perturbação do metabolismo lipídico através da interação com o PPARα, essencial no metabolismo lipídico, no equilíbrio energético e na diferenciação celular. A ligação do PFAS ao PPARα interrompe as vias de sinalização, causando vários efeitos biológicos. No entanto, os riscos potenciais (por exemplo, bioatividade, bioacumulação e toxicidade) de milhares de tipos de PFAS, incluindo PFAS alternativos de próxima geração, são limitados.

Em um estudo publicado em Ciência e Tecnologia Ambiental , os pesquisadores desenvolveram uma abordagem explicável de aprendizado de máquina para prever a afinidade de ligação do PFAS-PPARα.

Eles obtiveram dados SMILES para 6.798 PFAS do banco de dados da EPA dos EUA e usaram o Ambiente Operacional Molecular (MOE) para calcular 206 descritores moleculares e afinidade de ligação (ou seja, pontuação S) ao PPARα para cada PFAS. Os resultados revelaram que 4.089 PFAS exibiram escores S inferiores aos do PFOA (escore S =-5,03 kcal/mol) e PFOS (escore S =-5,09 kcal/mol).

Através da seleção sistemática e objetiva de descritores moleculares importantes, a equipe desenvolveu um modelo de aprendizado de máquina com bom desempenho preditivo utilizando apenas três descritores (R2=0,72). O tamanho molecular (b_single) e as propriedades eletrostáticas (BCUT_PEOE_3 e PEOE_VSA_PPOS) são importantes para a ligação do PPARα-PFAS. Os PFAS alternativos são considerados mais seguros do que seus antecessores legados.

No entanto, os pesquisadores descobriram que o PFAS alternativo com muitos átomos de carbono e grupos éter exibiu uma afinidade de ligação mais alta para o PPARα do que o PFOA e o PFOS legados. A nova abordagem supera as abordagens tradicionais de QSAR e de aprendizado de máquina em termos de interpretabilidade, fornecendo assim uma visão mais profunda do mecanismo molecular da toxicidade do PFAS.

No presente estudo, o modelo de aprendizado de máquina previu com sucesso a afinidade de ligação do PFAS ao PPARα humano e previu características moleculares chave na ligação. Embora este estudo tenha se concentrado na ligação de PFAS-PPARα e tenha sido limitado à ligação ligante-receptor, a abordagem da equipe também é relevante para outras ligações ligante-receptor e outros estudos de relação estrutura-propriedade.

Pesquisas futuras poderiam melhorar a precisão das previsões de toxicidade, incorporando mais recursos. Tais estudos envolveriam não apenas os detalhes estruturais do PFAS, mas também informações sobre as vias de transdução de sinal a jusante, permitindo assim previsões de toxicidade mais precisas. No entanto, existem limitações.

Os pesquisadores se concentraram na interação com o PPARα, enquanto o PFAS poderia induzir toxicidade através de outros receptores. Notavelmente, uma pontuação de ligação elevada nem sempre reflete toxicidade. Assim, a toxicidade real deve ser verificada experimentalmente. Apesar destas limitações, o seu método permite uma triagem rápida e económica de PFAS, proporcionando uma compreensão preliminar da sua potencial toxicidade e orientando investigações experimentais mais aprofundadas.

Mais informações: Kazuhiro Maeda et al, Elucidando as principais características da ligação de PFAS ao receptor alfa ativado pelo proliferador de peroxissoma humano:uma abordagem explicável de aprendizado de máquina, Ciência e tecnologia ambiental (2023). DOI:10.1021/acs.est.3c06561
Informações do diário: Ciência e Tecnologia Ambiental

Fornecido pela Universidade Ehime