Τεχνητή νοημοσύνη για τη βελτίωση της αξιολόγησης της τοξικότητας των χημικών ουσιών
Η χημική ρύπανση και η απώλεια βιοποικιλότητας αποτελούν μείζονες παγκόσμιες προκλήσεις στις οποίες ανταποκρίθηκε η ΕΕ με το πλαίσιο για ασφαλή και βιώσιμα εκ σχεδιασμού προϊόντα (SSbD), το οποίο αποσκοπεί στη στήριξη του σχεδιασμού ασφαλέστερων χημικών προϊόντων.
Αυτό βασίζεται σε υφιστάμενα κανονιστικά πλαίσια, όπως το REACH (καταχώριση, αξιολόγηση, αδειοδότηση και περιορισμοί των χημικών προϊόντων) που αποσκοπεί στην προστασία του περιβάλλοντος από τοξικές χημικές ουσίες και η οδηγία-πλαίσιο για τα ύδατα που αποσκοπεί στην αποκατάσταση της ποιότητας του περιβάλλοντος.
Οι αποτελεσματικές πολιτικές για την προστασία του περιβάλλοντος από τις τοξικές χημικές ουσίες απαιτούν δεδομένα σχετικά με τις οικολογικές επιπτώσεις των χημικών ουσιών — αλλά μόνο το 3,5% των χημικών ουσιών που αποτελούν αντικείμενο εμπορίου στην ΕΕ διαθέτουν επαρκή δεδομένα για την εξαγωγή κατανομής ευαισθησίας ανά είδος (SSD). Οι SSD είναι ο συνήθης τρόπος αξιολόγησης της ευαισθησίας διαφόρων ειδών σε έναν χημικό ρύπο και αποτελούν βασικό εργαλείο για την αξιολόγηση των κινδύνων για το περιβάλλον.
Η παρούσα μελέτη προτείνει έναν τρόπο σημαντικής συμβολής σε αυτή την ανάγκη για δεδομένα μέσω μιας τεχνικής τεχνητής νοημοσύνης. Αντί να προβλέψουν τις πιθανές επιπτώσεις κάθε χημικής ουσίας μεμονωμένα, οι ερευνητές χρησιμοποίησαν το πλήρες φάσμα των δεδομένων από όλες τις ενώσεις και τα είδη.
Αυτό επαναπροσδιόρισε το πρόβλημα ως ένα πρόβλημα συμπλήρωσης μήτρας όπου ο στόχος είναι να ληφθεί ένα αόρατο είδος και ένα χημικό ζεύγος και να προβλεφθεί η LC50 (θανατηφόρα συγκέντρωση 50%) – η συγκέντρωση μιας χημικής ουσίας που θα είναι θανατηφόρα στο 50% του πληθυσμού ενός είδους.
Η μοντελοποίηση κατέληξε σε μια πλήρη μήτρα, υποδεικνύοντας την πιθανή επίδραση 1.267 χημικών ουσιών σε 3.295 είδη, που εκτέθηκαν για τέσσερις διαφορετικές χρονικές διάρκειες. Με τον τρόπο αυτό, η προσέγγιση της διττής μάθησης της μελέτης απέφερε περισσότερα από 16 εκατομμύρια προβλεπόμενα LC50, επιτρέποντας στους ερευνητές να παράγουν θερμικούς χάρτες κινδύνου για όλα τα ζεύγη ειδών-χημικών, SSD για μεμονωμένα είδη και για ομάδες ειδών και κατανομές χημικών κινδύνων.
Η μελέτη έδειξε ότι η συνολική αξιολόγηση όλων των ζευγών (χημικών, ειδών) δεδομένων είναι εφικτή και ότι τα προγνωστικά αποτελέσματα ήταν εντυπωσιακά ακριβή.
Μια σειρά από αποτελέσματα παρήχθησαν για να αναπαραστήσουν τις προβλέψεις. Πρώτον, ένας θερμικός χάρτης κινδύνου που χρησιμοποιεί διαφορετικά χρώματα για να απεικονίσει την ευαισθησία μπορεί να επικοινωνήσει τα αποτελέσματα οπτικά σε μη εξειδικευμένους ενδιαφερόμενους.
Αυτά αντικατοπτρίζουν επίσης τα ιδιαίτερα χαρακτηριστικά συγκεκριμένων ζευγών χημικών ειδών, αναγνωρίζοντας ότι ορισμένα είδη είναι ιδιαίτερα ευαίσθητα σε ορισμένες χημικές ουσίες (π.χ. σαλιγκάρια σε χαλκό).
Ο μορφότυπος θερμικού χάρτη θα μπορούσε να είναι χρήσιμος για τη σύγκριση της ασφάλειας των πρόσφατα σχεδιασμένων χημικών ουσιών για ασφαλείς και βιώσιμες εκ σχεδιασμού αξιολογήσεις.
Η ίδια η μήτρα παραγωγής μπορεί απλώς να αναζητηθεί με την εισαγωγή της ταυτότητας μιας χημικής ουσίας, η οποία μπορεί στη συνέχεια να παράσχει σύνοψη των πληροφοριών σχετικά με τους κινδύνους, ώστε να συμβάλει στον προσδιορισμό των χημικών ουσιών που προκαλούν τη μικρότερη ανησυχία σε μια αξιολόγηση SSD, στα αρχικά στάδια της καινοτομίας.
Μπορεί επίσης να χρησιμοποιηθεί για την κατάρτιση προστατευτικών προτύπων ποιότητας περιβάλλοντος για μελλοντικές αξιολογήσεις σχετικά με το αν μια χημική ουσία που κυκλοφορεί στην αγορά (π.χ. REACH) ή αναδρομικές αξιολογήσεις της χημικής ρύπανσης μπορούν να χρησιμοποιηθούν για τη βελτίωση της ποιότητας του περιβάλλοντος (π.χ. οδηγία-πλαίσιο για τα ύδατα).
Εκτός από την ενημέρωση της λήψης αποφάσεων σχετικά με τις χημικές ουσίες που θα πρέπει να επιτρέπονται στην αγορά, οι ερευνητές λένε ότι τα αποτελέσματα μπορούν επίσης να χρησιμοποιηθούν για την εξαγωγή παραγόντων οικοτοξικολογικής επίδρασης για τις χημικές ουσίες στο πλαίσιο των αξιολογήσεων του κύκλου ζωής των προϊόντων και του περιβαλλοντικού αποτυπώματος των προϊόντων. Αναφέρουν επίσης διάφορες ευκαιρίες για την περαιτέρω ανάπτυξή του από αυτό το στάδιο της απόδειξης της ιδέας.
Για παράδειγμα, θα μπορούσε να χρησιμοποιηθεί για δεδομένα που συλλέγονται για μεγάλες χρονικές περιόδους και να επεκταθεί ώστε να καταστεί δυνατός ο χαρακτηρισμός των κινδύνων των μη δοκιμασμένων χημικών ουσιών και ειδών. Η προσέγγιση θα μπορούσε επίσης να χρησιμοποιηθεί για περιφερειακές αξιολογήσεις, για παράδειγμα SSD για συγκεκριμένους τύπους υδατικών συστημάτων.
Είναι σημαντικό ότι τα αποτελέσματα αυτής της μελέτης, όπως ο θερμικός χάρτης, μπορούν διαισθητικά να γίνουν κατανοητά από τα ενδιαφερόμενα μέρη όσον αφορά την προστασία της ποιότητας του περιβάλλοντος και τη διαχείριση της χημικής ρύπανσης, γεγονός που θα μπορούσε να τα βοηθήσει στο έργο τους για τη μείωση των επιπτώσεων στη βιοποικιλότητα.
Αριθ. αναφοράς:
Posthuma, L., Price, T., και Viljanen, M. (2025) Environmental Science & Technology, 59, 16250-16260. Improving the Ecotoxicological Hazard Assessment of Chemicals by Pairwise Learning. https://pubs.acs.org/doi/10.1021/acs.est.5c01289 (στα αγγλικά).