Las sustancias perfluoroalquiladas y polifluoroalquiladas (PFAS) se utilizan ampliamente en diversos productos como revestimientos repelentes al agua y resistentes a las manchas. Las PFAS se denominan "sustancias químicas permanentes" debido a su excepcional estabilidad térmica y química, y se han encontrado en todo el mundo en el medio ambiente, los seres humanos y la vida silvestre.

Los ácidos perfluoroalquilo de cadena larga, incluidos el ácido perfluorooctanoico (PFOA) y el ácido perfluorooctanosulfónico (PFOS), son persistentes, bioacumulativos y tóxicos. A nivel mundial, las sustancias relacionadas con el PFOA y el PFOS están reguladas por el Convenio de Estocolmo sobre contaminantes orgánicos persistentes (COP).

Un aspecto toxicológico clave de las PFAS, especialmente del PFOA y el PFOS, es su alteración del metabolismo de los lípidos mediante la interacción con el PPARα, esencial en el metabolismo de los lípidos, el equilibrio energético y la diferenciación celular. La unión de PFAS a PPARα altera las vías de señalización, provocando diversos efectos biológicos. Sin embargo, los peligros potenciales (por ejemplo, bioactividad, bioacumulación y toxicidad) de miles de tipos de PFAS, incluidos los PFAS alternativos de próxima generación, son limitados.

En un estudio publicado en Environmental Science &Technology , los investigadores desarrollaron un enfoque de aprendizaje automático explicable para predecir la afinidad de unión de PFAS-PPARα.

Obtuvieron datos SMILES para 6798 PFAS de la base de datos de la EPA de EE. UU. y utilizaron el entorno operativo molecular (MOE) para calcular 206 descriptores moleculares y la afinidad de unión (es decir, puntuación S) a PPARα para cada PFAS. Los resultados revelaron que 4.089 PFAS exhibieron puntuaciones S inferiores a las de PFOA (puntuación S =-5,03 kcal/mol) y PFOS (puntuación S =-5,09 kcal/mol).

Mediante la selección sistemática y objetiva de importantes descriptores moleculares, el equipo desarrolló un modelo de aprendizaje automático con buen rendimiento predictivo utilizando solo tres descriptores (R2=0,72). El tamaño molecular (b_single) y las propiedades electrostáticas (BCUT_PEOE_3 y PEOE_VSA_PPOS) son importantes para la unión de PPARα-PFAS. Los PFAS alternativos se consideran más seguros que sus predecesores heredados.

Sin embargo, los investigadores descubrieron que los PFAS alternativos con muchos átomos de carbono y grupos éter mostraban una mayor afinidad de unión por PPARα que el PFOA y el PFOS heredados. El novedoso enfoque supera a los tradicionales QSAR y a los enfoques de aprendizaje automático en términos de interpretabilidad, proporcionando así una visión más profunda del mecanismo molecular de la toxicidad de las PFAS.

En el presente estudio, el modelo de aprendizaje automático predijo con éxito la afinidad de unión de las PFAS al PPARα humano y predijo características moleculares clave en la unión. Aunque este estudio se centró en la unión de PFAS-PPARα y se limitó a la unión de ligando-receptor, el enfoque del equipo también es relevante para otros estudios de unión de ligando-receptor y otros estudios de relación estructura-propiedad.

Investigaciones futuras podrían mejorar la precisión de las predicciones de toxicidad incorporando más funciones. Dichos estudios involucrarían no solo los detalles estructurales de las PFAS sino también información sobre las vías de transducción de señales posteriores, lo que potencialmente permitiría predicciones de toxicidad más precisas. Sin embargo, existen limitaciones.

Los investigadores se centraron en la interacción con PPARα, mientras que las PFAS podrían inducir toxicidad a través de otros receptores. En particular, una puntuación de unión alta no siempre refleja toxicidad. Por tanto, la toxicidad real debe verificarse experimentalmente. A pesar de estas limitaciones, su método permite una detección rápida y rentable de PFAS, proporcionando una comprensión preliminar de su toxicidad potencial y guiando investigaciones experimentales más profundas.

Más información: Kazuhiro Maeda et al, Aclaración de las características clave de la unión de PFAS al receptor alfa activado por proliferador de peroxisoma humano:un enfoque explicable de aprendizaje automático, Ciencia y tecnología ambientales (2023). DOI:10.1021/acs.est.3c06561

Información de la revista: Ciencia y tecnología ambientales

Proporcionado por la Universidad de Ehime