Per- en polyfluoralkylstoffen (PFAS) worden veel gebruikt in diverse producten als waterafstotende middelen en vlekbestendige coatings. PFAS worden 'forever chemicaliën' genoemd vanwege hun uitzonderlijke thermische en chemische stabiliteit en zijn wereldwijd aangetroffen in het milieu, de mens en dieren in het wild.

Perfluoralkylzuren met lange keten, waaronder perfluoroctaanzuur (PFOA) en perfluoroctaansulfonzuur (PFOS), zijn persistent, bioaccumulerend en giftig. Wereldwijd worden PFOA- en PFOS-gerelateerde stoffen gereguleerd door het Verdrag van Stockholm inzake persistente organische verontreinigende stoffen (POP's).

Een belangrijk toxicologisch aspect van PFAS, vooral PFOA en PFOS, is hun verstoring van het lipidenmetabolisme door interactie met de PPARα, essentieel voor het lipidenmetabolisme, de energiebalans en celdifferentiatie. De binding van PFAS aan PPARα verstoort signaalroutes en veroorzaakt verschillende biologische effecten. De potentiële gevaren (bijvoorbeeld bioactiviteit, bioaccumulatie en toxiciteit) van duizenden PFAS-typen, inclusief alternatieve PFAS van de volgende generatie, zijn echter beperkt.

In een studie gepubliceerd in Environmental Science &Technology ontwikkelden onderzoekers een verklaarbare machine learning-aanpak om de bindingsaffiniteit van PFAS-PPARα te voorspellen.

Ze verkregen SMILES-gegevens voor 6.798 PFAS uit de Amerikaanse EPA-database en gebruikten Molecular Operating Environment (MOE) om 206 moleculaire descriptoren en bindingsaffiniteit (d.w.z. S-score) voor PPARα voor elke PFAS te berekenen. Uit de resultaten bleek dat 4.089 PFAS een S-score vertoonden die lager was dan die van zowel PFOA (S-score =-5,03 kcal/mol) als PFOS (S-score =-5,09 kcal/mol).

Door de systematische en objectieve selectie van belangrijke moleculaire descriptoren ontwikkelde het team een ​​machine learning-model met goede voorspellende prestaties met behulp van slechts drie descriptoren (R2=0,72). De moleculaire grootte (b_single) en elektrostatische eigenschappen (BCUT_PEOE_3 en PEOE_VSA_PPOS) zijn belangrijk voor PPARα-PFAS-binding. Alternatieve PFAS worden als veiliger beschouwd dan hun oudere voorgangers.

De onderzoekers ontdekten echter dat alternatieve PFAS met veel koolstofatomen en ethergroepen een hogere bindingsaffiniteit voor PPARα vertoonden dan oudere PFOA en PFOS. De nieuwe aanpak presteert beter dan traditionele QSAR- en machine learning-benaderingen in termen van interpreteerbaarheid, waardoor een dieper inzicht wordt geboden in het moleculaire mechanisme van PFAS-toxiciteit.

In de huidige studie voorspelde het machine learning-model met succes de bindingsaffiniteit van PFAS voor menselijke PPARα en voorspelde het de belangrijkste moleculaire kenmerken in de binding. Hoewel deze studie zich concentreerde op PFAS-PPARα-binding en beperkt was tot ligand-receptorbinding, is de aanpak van het team ook relevant voor andere onderzoeken naar ligand-receptorbinding en andere onderzoeken naar de relatie tussen structuur en eigenschappen.

Toekomstig onderzoek zou de nauwkeurigheid van toxiciteitsvoorspellingen kunnen verbeteren door meer kenmerken op te nemen. Dergelijke onderzoeken zouden niet alleen de structurele details van PFAS omvatten, maar ook informatie over stroomafwaartse signaaltransductieroutes, waardoor potentieel nauwkeurigere toxiciteitsvoorspellingen mogelijk worden. Er zijn echter beperkingen.

De onderzoekers concentreerden zich op de interactie met PPARα, terwijl PFAS via andere receptoren toxiciteit zou kunnen veroorzaken. Met name weerspiegelt een hoge bindingsscore niet altijd de toxiciteit. De werkelijke toxiciteit moet dus experimenteel worden geverifieerd. Ondanks deze beperkingen maakt hun methode snelle, kosteneffectieve PFAS-screening mogelijk, waardoor een voorlopig inzicht in hun potentiële toxiciteit wordt verkregen en verdere diepgaande experimentele onderzoeken kunnen worden begeleid.

Meer informatie: Kazuhiro Maeda et al., Opheldering van de belangrijkste kenmerken van PFAS-binding aan menselijke peroxisoomproliferator-geactiveerde receptor-alfa:een verklaarbare machinale leerbenadering, Milieuwetenschappen en -technologie (2023). DOI:10.1021/acs.est.3c06561

Journaalinformatie: Milieuwetenschappen en -technologie

Aangeboden door Ehime Universiteit