Forscher der Chinesischen Akademie für Umweltwissenschaften und der Beijing Normal University haben ein neues Framework entwickelt, das die Bewertung chemischer Risiken ohne Tierversuche ermöglicht. Die Studie, veröffentlicht in Environmental Science and Ecotechnology, adressiert die wachsende Anzahl von Chemikalien in globalen Lieferketten, von denen nur ein kleiner Teil toxikologisch getestet wurde. Traditionelle Tierversuche stoßen an Grenzen durch hohe Kosten, lange Dauer und ethische Bedenken. Das Framework integriert computergestütztes Screening, Multi-Omics-Toxikologie und KI-basierte In-vitro-Modelle, um Gefahren zu identifizieren und sicherere Grenzwerte festzulegen.
Die Zahl der produzierten Chemikalien hat sich auf Hunderte Millionen erhöht, doch regulatorische Systeme wie REACH in der EU oder TSCA in den USA fordern umfassende Tests, die oft auf Tierversuche zurückgreifen. Diese Methoden sind ineffizient für moderne Schadstoffe mit komplexen Wirkungen, wie nicht-monotonen Dosis-Reaktionen oder Multi-Organ-Interaktionen. Regulatorische Initiativen, darunter die EU-Strategie für Nachhaltigkeit in der Chemie und die US-EPA-Pläne für New Approach Methodologies, drängen auf Alternativen. Das neue Framework bietet einen einheitlichen Ansatz, der mechanistische Erkenntnisse mit quantitativen Expositionsvorhersagen verbindet, um Risiken schneller und humaner zu bewerten.
Das Framework gliedert sich in drei Module. Das erste Modul adressiert Datenlücken durch Hochdurchsatz-Screening. Es verknüpft Chemikalieninventare aus Datenbanken mit quantitativen Struktur-Wirkungs-Beziehungen, Read-Across-Methoden und Bioaktivitäts-Clustering. So werden ungetestete Substanzen priorisiert und Kandidaten für weitere Analysen nominiert. Dies ermöglicht eine effiziente Identifikation potenziell gefährlicher Chemikalien in großen Mengen, was herkömmliche Tests überfordert.
Das zweite Modul nutzt Künstliche Intelligenz für toxikologische Analysen. Es integriert Daten aus Genomik, Transkriptomik, Proteomik und Adverse Outcome Pathways. Maschinelle Lernmodelle erkennen komplexe Muster, toxische Strukturelemente, Biomarker und mechanistische Wege. Modelle wie ToxACoL prognostizieren Toxizität über Arten und Bedingungen hinweg, auch bei begrenzten Datensätzen. Dies verbessert die Vorhersage unkonventioneller Effekte und reduziert Unsicherheiten in der Risikobewertung.
Das dritte Modul verknüpft Laborergebnisse mit realen Expositionen. Es berücksichtigt Absorption, Distribution, Metabolismus und Exkretion, physiologisch basierte toxikokinetische Modelle und Validierung durch Organ-on-Chip-Systeme. In-vitro-Reaktionen werden in In-vivo-äquivalente Dosen umgerechnet und mit Umweltkonzentrationen verglichen, um ökologische und humane Risiken zu quantifizieren. Dies ermöglicht eine präzise Festlegung von Grenzwerten und unterstützt regulatorische Entscheidungen.
Das Framework wandelt reaktive Tests in proaktives Management um. Es könnte Regulierungsbehörden helfen, risikoreiche Stoffe früh zu erkennen, Industrie bei der Entwicklung sicherer Alternativen unterstützen und Schadstoffe vor breiter Verbreitung identifizieren. Im Kontext von One Health integriert es Schutz für Mensch, Ökosysteme und Biodiversität, stärkt Klimaresilienz und reduziert durch Schadstoffe verursachte Umweltschäden. Herausforderungen umfassen Datenharmonisierung, Modelltransparenz und Ausbildung interdisziplinärer Experten.
Die Studie markiert einen Wendepunkt in der Toxikologie. Mit Investitionen in standardisierte, validierte Daten könnte es Tierversuche überflüssig machen und zu nachhaltigeren Chemikalienpolitiken beitragen. Die Autoren fordern globale Kooperationen, um das Framework umzusetzen und die Chemikaliensicherheit zu verbessern.
Teilen mit:
Entdecke mehr von Pugnalom
Melde dich für ein Abonnement an, um die neuesten Beiträge per E-Mail zu erhalten.
