Per- och polyfluoralkylsubstanser (PFAS) används i stor utsträckning i olika produkter som vattenavvisande och fläckbeständiga beläggningar. PFAS kallas "för evigt kemikalier" på grund av deras exceptionella termiska och kemiska stabilitet, och har hittats globalt i miljön, människor och vilda djur.
Långkedjiga perfluoralkylsyror, inklusive perfluoroktansyra (PFOA) och perfluoroktansulfonsyra (PFOS), är persistenta, bioackumulerande och toxiska. Globalt sett regleras PFOA- och PFOS-relaterade ämnen av Stockholmskonventionen om långlivade organiska föroreningar (POP).
En viktig toxikologisk aspekt av PFAS, särskilt PFOA och PFOS, är deras störning av lipidmetabolismen genom interaktion med PPARα, som är avgörande för lipidmetabolism, energibalans och celldifferentiering. PFAS-bindning till PPARα stör signalvägarna, vilket orsakar olika biologiska effekter. De potentiella farorna (t.ex. bioaktivitet, bioackumulering och toxicitet) för tusentals PFAS-typer, inklusive nästa generations alternativa PFAS, är dock begränsade.
I en studie publicerad i Environmental Science &Technology , utvecklade forskare en förklarlig maskininlärningsmetod för att förutsäga bindningsaffiniteten för PFAS-PPARα.
De fick SMILES-data för 6 798 PFAS från U.S. EPA-databasen och använde Molecular Operating Environment (MOE) för att beräkna 206 molekylära deskriptorer och bindningsaffinitet (dvs. S-poäng) till PPARα för varje PFAS. Resultaten visade att 4 089 PFAS uppvisade S-poäng lägre än de för både PFOA (S-poäng =-5,03 kcal/mol) och PFOS (S-poäng =-5,09 kcal/mol).
Genom det systematiska och objektiva urvalet av viktiga molekylära deskriptorer utvecklade teamet en maskininlärningsmodell med bra prediktiv prestanda med endast tre deskriptorer (R2=0,72). Molekylstorleken (b_single) och elektrostatiska egenskaper (BCUT_PEOE_3 och PEOE_VSA_PPOS) är viktiga för PPARα-PFAS-bindning. Alternativa PFAS anses säkrare än sina äldre föregångare.
Forskarna fann dock att alternativ PFAS med många kolatomer och etergrupper uppvisade en högre bindningsaffinitet för PPARα än äldre PFOA och PFOS. Det nya tillvägagångssättet överträffar traditionella QSAR- och maskininlärningsmetoder när det gäller tolkningsbarhet, och ger därigenom djupare insikt i den molekylära mekanismen för PFAS-toxicitet.
I den aktuella studien förutspådde maskininlärningsmodellen framgångsrikt bindningsaffiniteten för PFAS till human PPARα och förutspådde nyckelmolekylära egenskaper i bindningen. Även om denna studie fokuserade på PFAS-PPARα-bindning och var begränsad till ligand-receptorbindning, är teamets tillvägagångssätt också relevant för andra ligand-receptorbindning och andra struktur-egenskapsförhållandestudier.
Framtida forskning kan förbättra noggrannheten av toxicitetsförutsägelser genom att införliva fler funktioner. Sådana studier skulle involvera inte bara de strukturella detaljerna för PFAS utan också information om nedströms signaltransduktionsvägar, vilket potentiellt skulle möjliggöra mer exakta toxicitetsförutsägelser. Det finns dock begränsningar.
Forskarna fokuserade på interaktionen med PPARα, medan PFAS kunde inducera toxicitet genom andra receptorer. Noterbart är att en hög bindningspoäng inte alltid återspeglar toxicitet. Således måste den faktiska toxiciteten verifieras experimentellt. Trots dessa begränsningar tillåter deras metod snabb, kostnadseffektiv PFAS-screening, vilket ger en preliminär förståelse för deras potentiella toxicitet och vägleder ytterligare djupgående experimentella undersökningar.
Mer information: Kazuhiro Maeda et al, Belysande av nyckelegenskaper hos PFAS-bindning till human peroxisomproliferatoraktiverad receptor alfa:en förklarlig maskininlärningsmetod, miljövetenskap och teknik (2023). DOI:10.1021/acs.est.3c06561
Journalinformation: Miljövetenskap och teknik
Tillhandahålls av Ehime University
