Biotechnologia.pl
łączymy wszystkie strony biobiznesu
Zastosowanie metod chemii komputerowej do monitorowania transportu i rozprzestrzeniania się związków z grupy PFAS w środowisku wodnym
Zastosowanie metod chemii komputerowej do monitorowania transportu i rozprzestrzeniania się

Substancje perfluoroalkilowe oraz polifluoroalkilowe (PFAS, z ang. per- and polyfluoroalkyl substances) są powszechnie wykorzystywane w wielu produktach konsumenckich i przemysłowych, takich jak środki zmniejszające palność, kleje, lakiery, powłoki i materiały do pakowania żywności. Związki chemiczne należące do tej grupy posiadają charakter amfifilowy, co oznacza że wykazują zarówno właściwości hydrofobowe, jak i hydrofilowe.

 

 

Charakter ten wynika z ich budowy, tj. hydrofobowego szkieletu węglowego (całkowicie lub częściowo nasyconego atomami fluoru) oraz hydrofilowej grupy funkcyjnej. [1] Silne wiązanie kowalencyjne C-F obecne w PFAS powoduje, że są one bardzo stabilne w wysokich temperaturach i odporne na degradację chemiczną. Przedostają się do środowiska wodnego głównie w sposób bezpośredni (np. w odpadach produkowanych przez zakłady przemysłowe), ale także pośredni (podczas stosowania produktów codziennego użytku, takich jak kosmetyki lub odzież). Szeroki zakres zastosowań PFAS wpływa na wzrost ich stężenia w środowisku wodnym i jednocześnie zwiększa prawdopodobieństwo wystąpienia skutków szkodliwych dla organizmów żywych. Wykazano, że PFAS obecne są w wodzie pitnej, jednakże bardziej niepokojące są doniesienia o występowaniu ich w ludzkiej wątrobie, krwi, surowicy czy mleku matki. Substancje te wnikają do organizmu człowieka drogą pokarmową, oddechową oraz przez skórę, wywołując niepożądane skutki, m.in. immunologiczne, rakotwórcze i zaburzenia reprodukcji.

Ze względu na udokumentowane właściwości PFAS (trwałość, mobilność oraz trudność do usunięcia ze środowiska wodnego) w ostatnich latach produkcja i stosowanie kilku grup tych związków zostały ograniczone na mocy rozporządzeń REACH (z ang. Registration, Evaluation, Authorisation and Restriction of Chemicals, po pol. Rejestracja, ocena, autoryzacja i ograniczenie chemikaliów). [2] Kwas perfluorooktanosulfonowy (PFOS), kwas perfluorooktanowy (PFOA) oraz ich pochodne zostały włączone do Międzynarodowej Konwencji Sztokholmskiej jako chemikalia, których produkcję i transport należy ograniczyć. [3] Kraje europejskie (głównie Norwegia, Niemcy, Holandia, Dania i Szwecja) stale proponują ograniczenie stosowania kolejnych PFAS.

Na przestrzeni lat 80. XX w., od początków produkcji PFAS, do tej grupy zaliczono ponad 10 tys. związków. Ze względu na dużą liczność stosunkowo niewiele z nich zostało przebadanych, dlatego Europejska Agencja Chemikaliów (ECHA) zaleciła holistyczne podejście grupowe w ocenie regulacyjnej i zarządzaniu ryzykiem w przypadku związków PFAS. Ponadto związki te są przedmiotem zainteresowania europejskiej inicjatywy Green Deal oraz planu działania „Zero pollution vision for 2050”, [4] który polega na redukcji zanieczyszczeń powietrza, wody i gleby do poziomu, kiedy nie będą szkodliwe dla zdrowia i naturalnych ekosystemów, tworząc w ten sposób środowisko wolne od toksyn. W ramach europejskiego programu Horyzont 2020 powstały trzy projekty – PROMISCES (101036449), SCENARIOS (101036756), ZeroPM (101037509) – zajmujące się tym tematem i proponujące nowe strategie ochrony środowiska i zdrowia ludzkiego przed toksycznym działaniem PFAS.

Alternatywą dla kosztownych i czasochłonnych analiz eksperymentalnych jest przeniesienie badań z tradycyjnego laboratorium do przestrzeni wirtualnej. Metody obliczeniowe (z łac. in silico) mogą być szeroko stosowane w celu uzupełnienia metod doświadczalnych. Pozwalają na określenie potencjału toksycznego bądź właściwości fizykochemicznych dużego zbioru związków na podstawie jedynie niewielkiego zbioru dostępnych danych eksperymentalnych. Według rozporządzenia REACH metody oceny toksyczności i bezpieczeństwa in silico mogą znaleźć zastosowanie jako alternatywa dla badań na zwierzętach. Głównym założeniem metod in silico jest istnienie zależności pomiędzy strukturą chemiczną badanej substancji a jej właściwościami (w tym aktywnością biologiczną).

Jednymi z metod, opierającymi się na podobieństwie związków, zalecanymi przez REACH do wspomagania procesu rejestracji substancji, są modele ilościowej zależności struktura-aktywność/właściwość (modele QSAR/QSPR, z ang. quantitative structure-activity relationship/quantitative structure property relationship). Modele QSAR/QSPR wiążą strukturę związku wyrażoną w sposób numeryczny (X) ze zmiennymi odpowiedzi (y – modelowana wielkość) [Rys. 1]. Struktura chemiczna (zmienna X) jest reprezentowana liczbowo poprzez deskryptory molekularne, takie jak masa molowa, liczba atomów, liczba wiązań, liczba pierścieni aromatycznych czy hydrofobowość. Wybór odpowiedniej metody modelowania zależy zarówno od charakteru modelowanej wielkości, jak i rodzaju zależności (liniowa/nieliniowa) pomiędzy deskryptorami a przewidywaną wartością. Jeśli modelowana zmienna jest ilościowa, wówczas do jej oszacowania można wykorzystać techniki regresji liniowej i nieliniowej. Gdy dane mają charakter jakościowy, wybór odpowiedniego podejścia ogranicza się jedynie do metod klasyfikacyjnych. Wiarygodność modeli potwierdzana jest przez odpowiednie parametry statystyczne. Prawidłowo opracowany model QSAR/QSPR powinien charakteryzować się dobrym dopasowaniem do zbioru treningowego, elastycznością, zdolnością predykcyjną, a także wspierać zrozumienie mechanizmów związanych z aktywnością biologiczną substancji.

Rys. 1. Schemat przedstawiający przebieg modelowania QSPR 

Metody in silico stanowią atrakcyjną i szybszą alternatywę w porównaniu z czasochłonnymi metodami badań laboratoryjnych. Są one również wykorzystywane do wspierania badań eksperymentalnych poprzez ustalenie priorytetów wykonywania badań na zwierzętach w przypadku niedostatecznej ilości danych doświadczalnych dla celów regulacyjnych. Na podstawie istniejących dokumentacji rejestracyjnych ECHA wykazała, że metody alternatywne do badań na zwierzętach są z powodzeniem stosowane. Aneks XI do rozporządzenia REACH dopuszcza stosowanie modeli QSAR/QSPR jako standardowego sposobu prowadzenia badań. [2] Modele QSPR mogą pomóc również w wyznaczaniu brakujących danych fizykochemicznych lub współczynników podziału, które następnie stanowią dane wejściowe do modelowania transportu i rozprzestrzeniania się związków w środowisku.

Modele wielokomponentowe (z ang. multimedia mass-balancemodels – MM) to ilościowe i jakościowe matematyczne opisy środowiska określające zachowanie substancji w środowisku. MM jako danych wejściowych wymagają parametrów fizykochemicznych, m.in. współczynników podziału (np. współczynnika podziału n-oktanol/woda) czy rozpuszczalności w wodzie lub prężności pary, a opierają się na bilansie mas. Przy założonym stanie termodynamicznym rozwiązanie równania umożliwia obliczenie stężenia badanego związku w konkretnych jego komponentach (np. wodzie, powietrzu, glebie).

Modele wielokomponentowe umożliwiają symulacje rozprzestrzeniania się oraz transportu związków chemicznych w środowisku, co pozwala globalnie ocenić stopień narażenia na substancje chemiczne. Manipulacja parametrami, takimi jak ilość emitowanej substancji, wybór nośnika, do którego nastąpi emisja związków chemicznych czy modyfikacja warunków atmosferycznych, pozwala dokładnie analizować losy środowiskowe badanych związków chemicznych. W konsekwencji osiągalne jest określenie maksymalnego stopnia emisji substancji niestanowiącej ryzyka dla otoczenia oraz wskazanie obszarów środowiska, które są szczególnie narażone na zanieczyszczenie. Ponadto, obliczając stężenie substancji chemicznych za pomocą modeli MM i wykorzystując funkcję czasu, możliwa jest prognoza skutków środowiskowych w przypadku nowych związków. W oparciu o modele MM możliwe jest oszacowanie przemieszczania się badanej substancji chemicznej w otoczeniu za pomocą wielkości opisującej odległość charakterystyczną dla danej substancji (z ang. characteristic travel distance – CTD). Wykorzystanie modeli wielokomponentowych pozwala ocenić wpływ poszczególnych komponentów środowiska na transport i deponowanie substancji chemicznych tak, aby nie stanowiły zagrożenia dla ludzi i środowiska. Również ze względu na ich skłonność do utrzymywania się i rozprzestrzeniania ułatwia grupowanie toksyn środowiskowych. Schematyczne przedstawienie modeli wielokomponentowych znajduje się na rys. 2.

Rys. 2. Schemat ukazujący idee modelowania wielokomponentowego wykorzystujące właściwości fizykochemiczne uzyskane modelem QSPR

Obecnie brakuje danych eksperymentalnych dla większości związków należących do grupy PFAS. Jednocześnie bardzo trudno jest przeprowadzić badania eksperymentalne, ponieważ nie opisano sposobów rozprzestrzeniania się i akumulacji w środowisku naturalnym tych substancji. Pomimo zawarcia licznej grupy związków PFAS w konwencjach europejskich oraz obarczenia ich nadzorem, nie zdefiniowano określonej metodyki badawczej, która pozwoliłaby na stałe monitorowanie ich zawartości w środowisku oraz skuteczne ograniczenie ich emisji lub usuniecie ze środowiska naturalnego.

Z pomocą przychodzą metody in silico, które mogą stanowić pomocną alternatywę dla klasycznej chemii eksperymentalnej. Metody chemii komputerowej pozwalają analizować dużą ilość danych jednocześnie, co umożliwia skrócenie całkowitego czasu badań. Dodatkowo metody komputerowe dają możliwość przeprowadzenia badań nawet, jeżeli brakuje danych eksperymentalnych. W oparciu o modele QSAR można dokonać predykcji, dzięki którym możliwe jest poszerzenie bazy danych o brakujące dane eksperymentalne. Ta cecha w przypadku omawianej grupy związków PFAS stanowi bardzo pomocne narzędzie w analizie ryzyka środowiskowego. W wyniku przeprowadzenia analiz komputerowych z dużej liczby związków obecnych w pierwotnej bazie danych (pliku wejściowym – input) przeprowadzana jest selekcja związków chemicznych o najbardziej pożądanych właściwościach, które następnie mogą być przebadane eksperymentalnie. Taka selekcja zapewnia oszczędność czasu oraz ogranicza ilość używanych rozpuszczalników czy składników potrzebnych do analizy. Wiążą się z tym mniejsze koszty przeprowadzanych eksperymentów, brak potrzeby wykonywania doświadczeń na organizmach żywych oraz zmniejszenie zanieczyszczenia środowiska chemikaliami z przeprowadzonych badań. Szczególnie przydatne w ocenie ryzyka środowiskowego są modele wielokomponentowe, które umożliwiają oszacowanie trwałości i/lub zdolności do transportu związków chemicznych, co jest trudne do określenia ze względu na wpływ zbyt wielu czynników. Modele wielokomponentowe rozwiązują ten problem poprzez syntezę wielu informacji dotyczących badanych związków i w konsekwencji – umożliwiają ocenę trwałości i mobilności substancji chemicznych. Szereg zalet ukazuje potencjał metod in silico w dostarczeniu brakujących danych dla związków PFAS.

Autorzy: Szymon Zdybel, Michalina Mudlaff, QSAR Lab

Źródła

[1] Sima, M. W. & Jaffé, P. R. A Critical Review of Modeling Poly- and Perfluoroalkyl Substances (PFAS) in the Soil-Water Environment. Sci Total Environ 757, 143793 (2020).

[2] Europejska Agencja Chemikaliów, The use of alternatives to testing on animals for the REACH Regulation (2021).

[3] Konwencja sztokholmska w sprawie trwałych zanieczyszczeń organicznych (dokument dostępny pod linkiem: https://op.europa.eu/pl/publication-detail/-/publication/c8eefa29-cacf-46db-93c8-d1bc01ac26c2/language-pl), Rząd Norweski, „Elements for an EU-strategy for PFASs” (2019).

[4] Droga do zdrowej planety dla wszystkich. Plan działania UE na rzecz eliminacji zanieczyszczeń wody, powietrza i gleby. Komunikat Komisji do Parlamenu Europejskiego, Rady Europejskiej, Komitetu Ekonomiczno-Społecznego i Komitetu Regionów (dokument dostępny pod linkiem: https://eur-lex.europa.eu/resource.html?uri=cellar:a1c34a56-b314-11eb-8aca-01aa75ed71a1.0014.02/DOC_1&format=PDF).

Rysunki zostały wygenerowane za pomocą programu BioRender [licencja QSAR Lab].

Zdjęcie główne: https://pixabay.com/pl/illustrations/glob-ziemia-woda-fale-upadek-140051/

KOMENTARZE
news

<Grudzień 2023>

pnwtśrczptsbnd
27
28
29
30
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
Newsletter