Le sostanze per- e polifluoroalchiliche (PFAS) sono ampiamente utilizzate in diversi prodotti come idrorepellenti e rivestimenti antimacchia. I PFAS sono chiamati "sostanze chimiche eterne" per la loro eccezionale stabilità termica e chimica e sono stati riscontrati in tutto il mondo nell'ambiente, negli esseri umani e nella fauna selvatica.
Gli acidi perfluoroalchilici a catena lunga, inclusi l'acido perfluoroottanoico (PFOA) e l'acido perfluoroottansolfonico (PFOS), sono persistenti, bioaccumulabili e tossici. A livello globale, le sostanze correlate al PFOA e al PFOS sono regolate dalla Convenzione di Stoccolma sugli inquinanti organici persistenti (POP).
Un aspetto tossicologico chiave dei PFAS, in particolare PFOA e PFOS, è la loro interruzione del metabolismo lipidico attraverso l’interazione con il PPARα, essenziale nel metabolismo lipidico, nel bilancio energetico e nella differenziazione cellulare. Il legame del PFAS al PPARα interrompe le vie di segnalazione, causando vari effetti biologici. Tuttavia, i rischi potenziali (ad esempio bioattività, bioaccumulo e tossicità) di migliaia di tipi di PFAS, compresi i PFAS alternativi di prossima generazione, sono limitati.
In uno studio pubblicato su Environmental Science &Technology , i ricercatori hanno sviluppato un approccio di apprendimento automatico spiegabile per prevedere l'affinità di legame di PFAS-PPARα.
Hanno ottenuto dati SMILES per 6.798 PFAS dal database EPA statunitense e hanno utilizzato l'ambiente operativo molecolare (MOE) per calcolare 206 descrittori molecolari e l'affinità di legame (cioè punteggio S) con PPARα per ciascun PFAS. I risultati hanno rivelato che 4.089 PFAS presentavano punteggi S inferiori a quelli sia del PFOA (punteggio S =-5,03 kcal/mol) che del PFOS (punteggio S =-5,09 kcal/mol).
Attraverso la selezione sistematica e obiettiva di importanti descrittori molecolari, il team ha sviluppato un modello di apprendimento automatico con buone prestazioni predittive utilizzando solo tre descrittori (R2=0,72). La dimensione molecolare (b_single) e le proprietà elettrostatiche (BCUT_PEOE_3 e PEOE_VSA_PPOS) sono importanti per il legame PPARα-PFAS. I PFAS alternativi sono considerati più sicuri rispetto ai loro predecessori legacy.
Tuttavia, i ricercatori hanno scoperto che i PFAS alternativi con molti atomi di carbonio e gruppi eterei mostravano un’affinità di legame più elevata per PPARα rispetto ai PFOA e PFOS legacy. Il nuovo approccio supera i tradizionali approcci QSAR e di apprendimento automatico in termini di interpretabilità, fornendo così una visione più approfondita del meccanismo molecolare della tossicità dei PFAS.
Nel presente studio, il modello di apprendimento automatico ha previsto con successo l’affinità di legame del PFAS con il PPARα umano e ha previsto le caratteristiche molecolari chiave nel legame. Sebbene questo studio si sia concentrato sul legame PFAS-PPARα e si sia limitato al legame ligando-recettore, l'approccio del team è rilevante anche per altri studi sul legame ligando-recettore e su altri studi sulle relazioni struttura-proprietà.
La ricerca futura potrebbe migliorare l’accuratezza delle previsioni sulla tossicità incorporando più funzionalità. Tali studi riguarderebbero non solo i dettagli strutturali dei PFAS ma anche informazioni sui percorsi di trasduzione del segnale a valle, consentendo così potenzialmente previsioni di tossicità più precise. Tuttavia, esistono delle limitazioni.
I ricercatori si sono concentrati sull’interazione con PPARα, mentre i PFAS potrebbero indurre tossicità attraverso altri recettori. In particolare, un punteggio elevato di legame non sempre riflette la tossicità. Pertanto, la reale tossicità deve essere verificata sperimentalmente. Nonostante queste limitazioni, il loro metodo consente uno screening rapido ed economico dei PFAS, fornendo una comprensione preliminare della loro potenziale tossicità e guidando ulteriori indagini sperimentali approfondite.
Ulteriori informazioni: Kazuhiro Maeda et al, Chiarimento delle caratteristiche chiave del legame dei PFAS al recettore alfa attivato dalla proliferazione del perossisoma umano:un approccio spiegabile di apprendimento automatico, Scienza e tecnologia ambientale (2023). DOI:10.1021/acs.est.3c06561
Informazioni sul giornale: Scienze e tecnologie ambientali
Fornito dall'Università di Ehime
