Development of mechanistic models and machine learning approaches for supporting risk assessment of human exposure to chemicals and materials

Abstract

The ever-increasing variety of products and services available to humans is accompanied by a corresponding rise in the number of chemicals and materials released into the environment. Through various transport and biotransformation processes, these substances and their derivatives eventually interact with human biological systems. Depending on their toxicological mechanisms and the extent of accumulation, they may exert significant effects on human health. Risk assessment aims to evaluate the potential health risks associated with chemical exposure under defined scenarios. Traditionally, this process has relied on animal studies to establish safe exposure levels for humans. However, the vast number of new compounds entering the market each year makes comprehensive animal testing infeasible. In addition, growing ethical, scientific, and practical concerns regarding the use of animals in hazard and risk assessment have emphasized the urgent need to develop alternative approaches. Consequently, in silico methodologies have become essential tools for addressing the existing toxicity data gap and supporting next generation risk assessment. In response to the growing need for reliable and ethical alternatives to animal testing, this PhD thesis aims to develop in silico methodologies and modelling frameworks that support the risk assessment of chemicals and materials. These models are intended not only to predict the biological activity of new and untested structures but also to offer deeper mechanistic insights into the processes governing biokinetics and toxicity, with a strong focus on the development, calibration and evaluation of physiologically based kinetic (PBK) models, i.e., physiology-informed models that simulate the movement of substances through the body to estimate internal exposures over time. The research focuses on two major groups of compounds: nanomaterials (NMs) and per- and polyfluoroalkyl substances (PFAS). For both groups, conventional experimental testing is slow and resource-intensive relative to the vast array of structures with diverse physicochemical and biological characteristics. Therefore, in silico tools can play a crucial role in accelerating hazard identification, guiding experimental prioritisation, and bridging knowledge gaps in toxicity and exposure assessment. A fundamental component of mechanistic modelling, ranging from simple compartmental models to PBK models, is parameter estimation. A common challenge in model calibration is overparameterisation, particularly when limited in vivo data are available for estimating a large number of parameters. To address this issue, the first part of this thesis introduces two novel computational methodologies to enhance parameter estimation. The first presents a genetic algorithm-based parameter grouping approach that reduces model dimensionality and improves parameter identifiability during fitting. Its applicability is demonstrated through two case studies investigating the biodistribution of titanium dioxide (TiO2) nanoparticles and perfluorooctanoic acid (PFOA) in rats. The second methodology employs physics-informed neural networks (PINNs) to infer interindividual variability in model parameters using aggregated concentration data. This framework enables the translation of population-level mean and variability information into parameter distributions, which can subsequently be incorporated into probabilistic risk assessment workflows. In the second part of this work, three modelling applications that address key challenges in NM research and risk assessment are presented. First, a simple compartmental model is developed to integrate information from multiple sources and identify kinetic bottlenecks in nanoparticle-mediated drug delivery to target tissues. Second, a PBK model for inhalation exposure in rats is constructed and extrapolated to humans using allometric scaling. The PBK model is coupled with an exposure module predicting the spatiotemporal concentration of TiO2 particles in occupational environments, allowing the translation of source-level exposure into a lung-deposited dose. Finally, a toxicodynamic component is introduced through a dose–response QSAR model predicting cytotoxicity across a diverse set of NMs. This study incorporates in vitro dosimetry modelling to identify the most relevant dose metrics driving NM toxicity. The third part of this thesis focuses on developing models to predict and elucidate the biokinetics and toxicity of PFAS. The first application involves the development of a multi-route, permeability-limited PBK model to explain biodistribution patterns of PFOA in male and female rats. Constructed using a middle-out approach, the model is extensively validated against independent biodistribution datasets. Sensitivity analysis is employed to identify the most influential parameters governing PFOA biodistribution. In the second application, a QSAR model is developed to predict PPAR-α activation across PFAS congeners. A dose–response in vitro dataset is analysed using benchmark dose (BMD) modelling to derive a biologically relevant dose metric. A linear model combined with genetic algorithm–based feature selection identified key physicochemical descriptors driving receptor activation. The model reveals structural features associated with higher potency and also enables the screening of an extended PFAS library, identifying compounds within the applicability domain that may act as strong PPAR-α inducers.

Στη σύγχρονη εποχή ζούμε μέσα σε έναν κόσμο κορεσμένο από χημικές ουσίες, περικυκλωμένοι από μια τεράστια ποικιλία βιομηχανικών και καταναλωτικών προϊόντων. Η βιομηχανική παραγωγή βασίζεται σε ολοένα και περισσότερες χημικές ενώσεις, που χρησιμοποιούνται σε διαφορετικά στάδια της παραγωγικής διαδικασίας για τη δημιουργία, τη σταθεροποίηση ή την τροποποίηση προϊόντων. Ένα ποσοστό αυτών των ουσιών μπορεί να διαφύγει από τις μονάδες παραγωγής προς το περιβάλλον, ενεργοποιώντας πολύπλοκες διεργασίες μεταφοράς και μετασχηματισμού στα διάφορα περιβαλλοντικά διαμερίσματα πριν τελικά έρθουν σε επαφή με τον άνθρωπο. Η ανθρώπινη έκθεση μπορεί να συμβεί μέσω διαφορετικών οδών, όπως η εισπνοή μολυσμένου αέρα ή σκόνης, η κατάποση επιμολυσμένου νερού ή τροφής και η δερματική απορρόφηση. Η έκθεση μέσω τροφής μπορεί να περιλαμβάνει και έμμεσους μηχανισμούς, όπως η απορρόφηση μέσω φυτών ή η βιοσυσσώρευση κατά μήκος της τροφικής αλυσίδας. Πέρα από τις εκπομπές κατά τη βιομηχανική παραγωγή, άμεση πηγή έκθεσης αποτελεί και η επαφή με προϊόντα καθημερινής χρήσης και τη συσκευασία τους, καθώς πολλά προϊόντα εκπέμπουν μικρές ποσότητες χημικών καθ’ όλη τη διάρκεια του κύκλου ζωής τους, από την παραγωγή και χρήση έως τη διάθεση και κατανάλωση. Κατά συνέπεια, κάθε προϊόν μπορεί να θεωρηθεί δυνητική πηγή χημικών εκπομπών στο περιβάλλον. Όταν οι χημικές ουσίες εισέρχονται στον ανθρώπινο οργανισμό, η απορρόφηση, κατανομή, μεταβολισμός και αποβολή τους ρυθμίζονται από τις φυσικοχημικές τους ιδιότητες και τις αλληλεπιδράσεις τους με βασικές βιολογικές διεργασίες που καθορίζουν το κινητικό τους προφίλ, όπως για παράδειγμα διάφορα ηπατικά ένζυμα μεταβολισμού. Έτσι, η εξωτερική δόση μεταφράζεται σε διαφορετικά επίπεδα εσωτερικών συγκεντρώσεων στα όργανα, ανάλογα με τα μοριακά και βιοχημικά χαρακτηριστικά κάθε ουσίας. Για παράδειγμα, οι λιπόφιλες ενώσεις τείνουν να συσσωρεύονται στους λιπώδεις ιστούς, ενώ οι υδρόφιλες έχουν περιορισμένη διαπερατότητα στις μεμβράνες και παραμένουν κυρίως σε υδατικά διαμερίσματα. Στο όργανο-στόχο, οι ουσίες μπορούν να αλληλεπιδράσουν με ενδογενή βιομόρια, όπως οι πρωτεΐνες, διαταράσσοντας μοριακά δίκτυα και ενεργοποιώντας αλυσιδωτές διεργασίες που ενδέχεται να οδηγήσουν σε ανεπιθύμητες επιπτώσεις στην υγεία. Η ένταση του παρατηρούμενου αποτελέσματος αυξάνεται γενικά με τη δόση, ακολουθώντας μια χαρακτηριστική καμπύλη δόσης–απόκρισης. Ωστόσο, η σχέση αυτή δεν είναι ίδια για όλους τους ανθρώπους, καθώς επηρεάζεται από ενδογενείς βιολογικούς παράγοντες, όπως η γενετική προδιάθεση, η φυσιολογία και οι περιβαλλοντικές επιδράσεις που καθορίζουν την ατομική ευαισθησία. Παραδοσιακά, η εκτίμηση του κινδύνου έκθεσης σε χημικές ουσίες βασιζόταν σε πειραματισμό με ζώα για την αξιολόγηση των πιθανών επιπτώσεων στον άνθρωπο. Σε αυτήν την προσέγγιση, τα πειραματικά δεδομένα δόσης–απόκρισης χρησιμοποιούνται για τον καθορισμό του σημείου έναρξης επίδρασης (Point of Departure, PoD), δηλαδή της δόσης που σηματοδοτεί την έναρξη μιας βιολογικά σημαντικής απόκρισης. Η τιμή αυτή στη συνέχεια προσαρμόζεται για τον άνθρωπο μέσω της εφαρμογής παραγόντων αβεβαιότητας, οι οποίοι λαμβάνουν υπόψη διαφορές μεταξύ ειδών (interspecies), διατομική μεταβλητότητα (intraspecies) κτλ. Η λεγόμενη “εκτίμηση κινδύνου νέας γενιάς” (next generation risk assessment) στοχεύει στη μείωση της χρήσης ζώων εισάγοντας νέες προσεγγίσεις (new approach methodologies, NAMs), που περιλαμβάνουν πειράματα in vitro και in silico υπολογιστικά εργαλεία . Οι μέθοδοι αυτές επιτρέπουν ταχύτερο και οικονομικότερο έλεγχο μεγάλου αριθμού ουσιών. Τα in vitro συστήματα αξιολογούν μοριακές, βιοχημικές ή κυτταρικές αποκρίσεις που σχετίζονται με ανεπιθύμητα αποτελέσματα, προσφέροντας μηχανιστικές πληροφορίες που οργανώνονται σε οδούς ανεπιθύμητων αποτελεσμάτων (adverse outcome pathways, AOPs). Κάθε AOP περιγράφει μια αλληλουχία αιτιακά συνδεδεμένων βιολογικών γεγονότων, ξεκινώντας από ένα μοριακό γεγονός έναρξης (molecular initiating event, MIE) (π.χ. αναστολή της δράσης ενός ενζύμου), συνεχίζοντας με ενδιάμεσα γεγονότα-κλειδιά (key event, KE) (π.χ. εναπόθεση κολλαγόνου) και καταλήγοντας σε ένα ανεπιθύμητο αποτέλεσμα (adverse outcome, AO) (π.χ. πνευμονική ίνωση). Παράλληλα, τα in silico εργαλεία επιτρέπουν την ανάλυση των αποτελεσμάτων αυτών, την αναγνώριση υποκείμενων προτύπων και την πρόβλεψη τοξικολογικών επιδράσεων για ενώσεις που δεν έχουν ακόμα δοκιμαστεί. Για την ακριβή εκτίμηση των κινδύνων που συνδέονται με την έκθεση σε χημικές ουσίες, είναι απαραίτητο να λαμβάνονται υπόψη όλα τα ενδιάμεσα στάδια από την εξωτερική έκθεση και τη μετατροπή της σε εσωτερική δόση, έως την τελική βιολογική απόκριση. Μαζί, οι διεργασίες αυτές συγκροτούν τον πυρήνα της εκτίμησης κινδύνου, η οποία βασίζεται στη συνδυαστική χρήση δύο συμπληρωματικών συνιστωσών: της μοντελοποίησης της έκθεσης και της μοντελοποίησης της επίδρασης. Η ανάπτυξη και εφαρμογή υπολογιστικών εργαλείων in silico έχει προωθήσει σημαντικά το πεδίο, επιτρέποντας ποσοτικές προβλέψεις και βαθύτερη μηχανιστική κατανόηση των τοξικολογικών φαινομένων. Τα εργαλεία αυτά περιλαμβάνουν τόσο μεθόδους που βασίζονται σε δεδομένα όσο και μηχανιστικά μοντέλα μαθηματικών εξισώσεων που βασίζονται στη φυσιολογία και προσομοιώνουν τις βιολογικές διεργασίες. Η εκτίμηση κινδύνου χημικών ουσιών βασίζεται σε μια ολοκληρωμένη σειρά υπολογιστικών εργαλείων που καλύπτουν ολόκληρη τη διαδρομή από την έκθεση έως το βιολογικό αποτέλεσμα. Η μοντελοποίηση εξωτερικής έκθεσης εκτιμά τα επίπεδα χημικών στα διάφορα περιβαλλοντικά διαμερίσματα και στους χώρους εργασίας, λαμβάνοντας υπόψη μηχανισμούς μεταφοράς και μετασχηματισμού. Μοντέλα όπως το near field/far field χρησιμοποιούνται για την πρόβλεψη του επιπέδου εισπνοής χημικών στο χώρο εργασίας, ενώ τα μοντέλα περιβαλλοντικής διασποράς περιγράφουν την κατανομή των ουσιών σε αέρα, νερό και έδαφος, καθώς και τη μεταφορά τους μέσω της τροφικής αλυσίδας. Τα δεδομένα αυτά τροφοδοτούν τα βιοκινητικά μοντέλα, τα οποία περιγράφουν τη συμπεριφορά των ουσιών εντός του οργανισμού. Τα απλά τοξικοκινητικά (toxicokinetics, TK) μοντέλα προσδιορίζουν βασικές παραμέτρους, όπως ο όγκος κατανομής και ο χρόνος ημιζωής, ενώ τα μηχανιστικά μοντέλα που βασίζονται στη φυσιολογία (physiologically-based kinetic, PBK) αναπαριστούν λεπτομερώς τις διεργασίες απορρόφησης, κατανομής, μεταβολισμού και αποβολής στους ιστούς. Tα PBK μοντέλα επιτρέπουν την εξαγωγή ποσοτικών σχέσεων μεταξύ εξωτερικής και εσωτερικής δόσης, στηρίζοντας έτσι τη διαδικασία ποσοτικής αντιστοίχισης in vitro–in vivo (quantitative in vitro–in vivo extrapolation, QIVIVE). Στη συνέχεια, η μοντελοποίηση δόσης–απόκρισης επιτρέπει τον προσδιορισμό του PoD , δηλαδή της δόσης στην οποία παρατηρείται ένα βιολογικά σημαντικό αποτέλεσμα. Η μέθοδος του benchmark dose (BMD) έχει καθιερωθεί ως η πλέον αξιόπιστη προσέγγιση, καθώς χρησιμοποιεί μαθηματική προσαρμογή των δεδομένων δόσης–απόκρισης για την εκτίμηση του PoD και των σχετικών αβεβαιοτήτων. Παράλληλα, τα μοντέλα ποσοτικής σχέσης δομής–δραστικότητας (quantitative structure activity models, QSAR) επιτρέπουν την πρόβλεψη βιολογικής δραστικότητας νέων ή μη δοκιμασμένων ενώσεων βάσει των μοριακών τους χαρακτηριστικών. Χρησιμοποιώντας περιγραφικά μεγέθη (descriptors) που αποτυπώνουν τις φυσικοχημικές ιδιότητες των μορίων, τα QSAR μοντέλα εφαρμόζουν αλγορίθμους μηχανικής μάθησης για να αποκαλύψουν σχέσεις μεταξύ δομής και τοξικότητας. Τα εργαλεία αυτά επιτρέπουν τη γρήγορη προτεραιοποίηση ουσιών, τη μείωση του κόστους πειραματικών δοκιμών και την κατανόηση των μηχανισμών τοξικής δράσης. Συνολικά, η συνδυαστική χρήση μοντέλων έκθεσης, βιοκινητικής, δόσης–απόκρισης και QSAR διαμορφώνει μια ενιαία υπολογιστική προσέγγιση για την ποσοτική και μηχανιστική αξιολόγηση κινδύνου χημικών ουσιών και υλικών.Κύριος στόχος του παρόντος διδακτορικού προγράμματος είναι η ανάπτυξη in silico μεθοδολογιών και μοντέλων που υποστηρίζουν την εκτίμηση κινδύνου χημικών ουσιών και υλικών. Τα μοντέλα αυτά δεν αποσκοπούν μόνο στην πρόβλεψη της βιολογικής δραστικότητας νέων, μη δοκιμασμένων δομών, αλλά και στην παροχή μηχανιστικών πληροφοριών που ενισχύουν την κατανόηση των διεργασιών που διέπουν τη βιοκινητική και την τοξικότητα. Η εργασία εστιάζει σε δύο κατηγορίες ενώσεων: τα νανοϋλικά και τις υπερ- και πολυφθοροαλκυλιωμένες ουσίες (PFAS). Και στις δύο περιπτώσεις, ο πειραματικός έλεγχος είναι ιδιαίτερα χρονοβόρος και δαπανηρός σε σχέση με τον τεράστιο αριθμό διαθέσιμων δομών με διαφορετικές φυσικοχημικές ιδιότητες και βιολογική δραστικότητα. Συνεπώς, τα in silico εργαλεία διαδραματίζουν καθοριστικό ρόλο στην επιτάχυνση της αναγνώρισης επικίνδυνων ουσιών, στην ιεράρχηση των πειραματικών δοκιμών και στη γεφύρωση των κενών γνώσης σχετικά με την τοξικότητα και την έκθεση. Το πρώτο μέρος αυτής της διατριβής επικεντρώνεται στην ανάπτυξη νέων μεθοδολογιών για την εκτίμηση παραμέτρων σε μηχανιστικά μοντέλα που βασίζονται σε διαφορικές εξισώσεις (ordinary differential equations, ODE). Η εκτίμηση παραμέτρων αποτελεί κρίσιμο στάδιο στη μοντελοποίηση βιοκινητικών διεργασιών, καθώς καθορίζει την αξιοπιστία και την ερμηνευσιμότητα των αποτελεσμάτων. Στα PBK μοντέλα, τα οποία χρησιμοποιούνται ευρέως στη φαρμακοκινητική και την τοξικοκινητική για την πρόβλεψη της εσωτερικής κατανομής ουσιών μετά από έκθεση, η πολυπλοκότητα της δομής τους απαιτεί την εκτίμηση μεγάλου αριθμού παραμέτρων. Η έλλειψη επαρκών πειραματικών δεδομένων μπορεί να οδηγήσει σε υπερπαραμετροποίηση και σε μη ρεαλιστικές εκτιμήσεις, γεγονός που καθιστά αναγκαία την ανάπτυξη υπολογιστικών εργαλείων που υποστηρίζουν τη διαδικασία προσαρμογής και βελτιώνουν την ταυτοποίηση των παραμέτρων. Για την αντιμετώπιση των προκλήσεων αυτών, αναπτύχθηκε μια νέα μεθοδολογία ομαδοποίησης παραμέτρων, η οποία μειώνει τη διαστατικότητα του προβλήματος μέσω της ταυτόχρονης εκτίμησης ομάδων παραμέτρων μεταξύ διαμερισμάτων. Η διαδικασία ομαδοποίησης πραγματοποιείται αυτόματα με τη χρήση γενετικών αλγορίθμων και βασίζεται σε έναν νέο δείκτη προσαρμογής. Η πρακτική εφαρμογή της μεθοδολογίας παρουσιάστηκε σε δύο μελέτες περίπτωσης: η πρώτη περιλαμβάνει την ανάπτυξη ενός νέου PBK μοντέλου για τη μελέτη της βιοκατανομής νανοσωματιδίων διοξειδίου του τιτανίου (TiO2) σε αρουραίους μετά από ενδοφλέβια χορήγηση, ενώ η δεύτερη επικεντρώνεται στη βελτίωση ενός υπάρχοντος PBK μοντέλου για το υπερφθοροοκτανοϊκό οξυ (perfluoro octanoic acid, PFOA), με ενσωμάτωση επιπλέον ιστών για πληρέστερη περιγραφή της βιοκατανομής του. Και στα δύο παραδείγματα, τα μοντέλα επικυρώθηκαν έναντι ανεξάρτητων in vivo δεδομένων, ενώ η προτεινόμενη μεθοδολογία απέδωσε βελτιωμένα αποτελέσματα με μικρότερο αριθμό παραμέτρων σε σύγκριση με τις συμβατικές προσεγγίσεις εκτίμησης παραμέτρων. Πέρα από την ταυτοποίηση και συνεκτίμηση παραμέτρων, αναπτύχθηκε επίσης μία πρωτότυπη μεθοδολογία για την ενσωμάτωση της διατομικής μεταβλητότητας στην εκτίμηση των παραμέτρων μέσω νευρωνικών δικτύων καθοδηγούμενων από τη φυσική (Physics-Informed Neural Networks, PINNs). Η φαρμακοκινητική βιβλιογραφία είναι πλούσια σε συγκεντρωτικά δεδομένα, όπως μέσες τιμές και διακυμάνσεις συγκεντρώσεων, τα οποία περιέχουν πολύτιμη πληροφορία, ωστόσο τα διαθέσιμα εργαλεία για την εξαγωγή αυτής της πληροφορίας παραμένουν περιορισμένα. Στο πλαίσιο αυτό, αναπτύχθηκε ένας νέος αλγόριθμος που επιτρέπει τη στατιστική μοντελοποίηση εντός του πλαισίου των PINNs και την ανάκτηση κατανομών φαρμακοκινητικών παραμέτρων σε επίπεδο πληθυσμού, χρησιμοποιώντας δημοσιευμένα συγκεντρωτικά δεδομένα. Σε αντίθεση με τα κλασικά PINNs, τα οποία στοχεύουν κυρίως στην εκτίμηση σημειακών τιμών, η προτεινόμενη μεθοδολογία ενσωματώνει παραμετρικές κατανομές στη διαδικασία της βελτιστοποίησης. Για το σκοπό αυτό γίνεται χρήση νευρωνικών δικτύων για την πρόβλεψη της μέσης τιμής και της διακύμανσης της συγκέντρωσης συναρτήσει του χρόνου, οι οποίες στη συνέχεια τροφοδοτούνται σε μια διαδικασία δειγματοληψίας εντός του residual network. Το τελευταίο εφαρμόζει το υποκείμενο σύστημα διαφορικών εξισώσεων για τον υπολογισμό της αντικειμενικής συνάρτησης. Η μεθοδολογία λαμβάνει υπόψη τόσο τη διατομική μεταβλητότητα, μέσω της κατανομής των παραμέτρων, όσο και τον πειραματικό θόρυβο, μέσω ενός στοχαστικού μοντέλου σφάλματος. Η ικανότητα της μεθοδολογίας να ανακτά κατανομές παραμέτρων σε επίπεδο πληθυσμού επιβεβαιώθηκε μέσω μιας μελέτης περίπτωσης βασισμένης σε προσομοιωμένα δεδομένα από ένα απλό φαρμακοκινητικό μοντέλο ενός διαμερίσματος μετά από ενδοφλέβια χορήγηση. Το μοντέλο πέτυχε υψηλή ακρίβεια στην εκτίμηση τόσο της κατανομής των παραμέτρων όσο και του υπολοίπου σφάλματος, ενώ η ανάλυση υπερπαραμέτρων ανέδειξε κρίσιμους παράγοντες για τη βελτιστοποίηση και τη σταθερότητα της μεθόδου. Το δεύτερο μέρος της διατριβής επικεντρώνεται στη μελέτη της βιοκατανομής και της τοξικότητας των νανοϋλικών, μέσω της ανάπτυξης και ενσωμάτωσης υπολογιστικών μοντέλων που υποστηρίζουν την εκτίμηση κινδύνου τόσο σε χώρους εργασίας όσο και σε εφαρμογές στοχευμένης χορήγησης φαρμάκων. Η χρήση νανοσωματιδίων για στοχευμένη χορήγηση φαρμάκων in vivo παρουσιάζει σημαντικές δυνατότητες βελτίωσης της θεραπευτικής αποτελεσματικότητας, περιορίζοντας παράλληλα τις συστηματικές παρενέργειες. Ωστόσο, η πολυπλοκότητα του βιολογικού περιβάλλοντος, συμπεριλαμβανομένων των βιολογικών φραγμών που πρέπει να υπερνικηθούν για την αποτελεσματική μεταφορά των σωματιδίων, καθιστά απαραίτητη την ανάπτυξη προγνωστικών μοντέλων που μπορούν να περιγράψουν και να βελτιστοποιήσουν τη διαδικασία μεταφοράς. Στο πλαίσιο αυτό, αναπτύχθηκε ένα απλό διαμερισματικό μοντέλο πέντε διαμερισμάτων, που περιλαμβάνει το σημείο χορήγησης, τους ιστούς που δεν αποτελούν στόχο, την περιοχή γύρω από το κύτταρο-στόχο, το εσωτερικό κυττάρου-στόχου και την ποσότητα που έχει αποβληθεί, το οποίο περιγράφει τις διεργασίες μεταφοράς, αποδόμησης και αποβολής των νανοσωματιδίων. Η μεθοδολογία υποστηρίζει τον ποσοτικό υπολογισμό της αποδοτικότητας της χορήγησης και την αναγνώριση κρίσιμων παραγόντων μέσω ανάλυσης ευαισθησίας. Ως μελέτη περίπτωσης, αναπτύχθηκε μοντέλο για νανοσωματίδια χρυσού που χορηγούνται ενδοφλεβίως και έχουν ως θεραπευτικό στόχο τον πνεύμονα. Το μοντέλο αναπαρήγαγε επιτυχώς τα πρότυπα βιοκατανομής που παρατηρήθηκαν πειραματικά και ανέδειξε τις παραμέτρους που καθορίζουν την αποτελεσματικότητα της χορήγησης. Παράλληλα, αναπτύχθηκαν ολοκληρωμένες in silico προσεγγίσεις που συνδυάζουν μοντέλα έκθεσης και τοξικότητας για την εκτίμηση κινδύνου νανοϋλικών σε χώρους εργασίας. Στο πλαίσιο αυτό, αναπτύχθηκε ένα πολυεπίπεδο υπολογιστικό σχήμα που περιλαμβάνει: (1) ένα multi-box αερολυματικό μοντέλο για την πρόβλεψη των συγκεντρώσεων νανοσωματιδίων στον εσωτερικό αέρα, (2) ένα μοντέλο έκθεσης στους πνεύμονες που υπολογίζει τη μάζα των σωματιδίων που εναποτίθεται στις διάφορες περιοχές του αναπνευστικού συστήματος, και (3) ένα PBK μοντέλο που προσομοιώνει τη μακροχρόνια κατανομή των νανοσωματιδίων στους ιστούς μετά την εισπνοή, λαμβάνοντας υπόψη μηχανισμούς κάθαρσης, όπως η απομάκρυνση μέσω του βλενογόνου και η φαγοκυττάρωση από μακροφάγα. Η εφαρμογή της μεθοδολογίας σε διάφορα σενάρια έκθεσης επέτρεψε τη διερεύνηση του ρόλου των φυσικοχημικών ιδιοτήτων (όπως το μέγεθος σωματιδίων) στη συσσώρευση και τη συστηματική κατανομή των νανοϋλικών. Η τελευταία ενότητα του κεφαλαίου εισάγει μια επιπλέον ολοκληρωμένη προσέγγιση, που συνδυάζει ένα μοντέλο εναπόθεσης σωματιδίων στους πνεύμονες με ένα μοντέλο QSAR για την πρόβλεψη της κυτταροτοξικότητας διαφόρων νανοϋλικών. Το μοντέλο QSAR αναπτύχθηκε με βάση δεδομένα δόσης–απόκρισης από πειράματα σε δύο κυτταρικές σειρές, ενώ χρησιμοποιήθηκε ένα in vitro μοντέλο δοσιμετρίας για την εύρεση της πιο σημαντικής και βιολογικά σχετικής μετρικής για την περιγραφή της δόσης. Η μοντελοποίηση αυτή λαμβάνει υπόψη τη διαφορά καθίζησης μεταξύ νανοσωματιδίων με διαφορετική πυκνότητα ή βαθμό συσσωμάτωσης. Η βέλτιση μετρική για την περιγραφή της δόσης χρησιμοποιήθηκε για την ανάπτυξη του μοντέλου QSAR, το οποίο συνδυάστηκε με το μοντέλο εναπόθεσης στον πνεύμονα, ώστε η εξωτερική έκθεση να μεταφράζεται σε εσωτερική δόση και στη συνέχεια σε κυτταρική τοξικότητα. Η ολοκληρωμένη αυτή προσέγγιση παρέχει ένα ενιαίο υπολογιστικό πλαίσιο που συνδέει την έκθεση, τη βιοκατανομή και την τοξικότητα των νανοϋλικών, υποστηρίζοντας έτσι την εκτίμηση κινδύνου νέας γενιάς για την έκθεση σε νανοσωματίδια σε εργασιακούς χώρους. Το τρίτο μέρος της διατριβής εστιάζει στη μελέτη της τοξικότητας και της βιοκατανομής των PFAS μέσω της ανάπτυξης υπολογιστικών εργαλείων που παρέχουν μηχανιστικές πληροφορίες για τη συμπεριφορά τους στον οργανισμό και τους πιθανούς μηχανισμούς τοξικής δράσης. Τα PFAS αποτελούν μια ευρέως χρησιμοποιούμενη ομάδα συνθετικών ενώσεων, γνωστών για την εξαιρετική χημική τους σταθερότητα και την ανθεκτικότητά τους στη βιοαποδόμηση. Εξαιτίας αυτών των χαρακτηριστικών, συσσωρεύονται στο περιβάλλον και στον ανθρώπινο οργανισμό, με την κατανάλωση μολυσμένου νερού και τροφής να αποτελεί την κύρια οδό έκθεσης, ενώ και η εισπνοή συνεισφέρει σημαντικά σε χώρους εργασίας. Στο πλαίσιο αυτό, αναπτύχθηκε ένα PBK μοντέλο για το PFOA, ένα από τα πιο μελετημένα μέλη της οικογένειας PFAS. Το μοντέλο περιλαμβάνει 17 διαμερίσματα και προσομοιώνει την απορρόφηση, κατανομή και αποβολή του PFOA σε αρσενικούς και θηλυκούς αρουραίους μετά από ενδοφλέβια ένεση, χορήγησης δια στοματος και εισπνοής. Το μοντέλο αναπτύχθηκε με προσέγγιση “middle-out”, συνδυάζοντας παραμέτρους που προέρχονται τόσο από in vitro όσο και από in vivo δεδομένα. Η εκτενής επικύρωση του μοντέλου έναντι ανεξάρτητων πειραματικών δεδομένων έδειξε πολύ καλή συμφωνία μεταξύ προβλεπόμενων και μετρούμενων συγκεντρώσεων στο πλάσμα, στους ιστούς και στα απεκκρίματα. Η ανάλυση ευαισθησίας ανέδειξε τη δέσμευση με τις πρωτεΐνες ως την πιο καθοριστική διεργασία σε όλα τα διαμερίσματα, ενώ η παθητική διάχυση διαμέσου της κυτταρικής μεμβράνης από μόνη της δεν αρκεί για να εξηγήσει τις παρατηρούμενες μεταφορές στους ιστούς. Αντίθετα, η διάχυση δια μέσου των κενών του ενδοθηλίου προέκυψε ως κυρίαρχος μηχανισμός μεταφοράς, δημιουργώντας μια υπόθεση για μελλοντική πειραματική διερεύνηση. Το μοντέλο αυτό προσφέρει πολύτιμη γνώση σχετικά με τον ρόλο της δέσμευσης πρωτεϊνών, της παθητικής διάχυσης και της διευκολυνόμενης μεταφοράς από πρωτεΪνες στη βιοκινητική συμπεριφορά του PFOA. Στη συνέχεια, αναπτύχθηκε ένα QSAR με στόχο την πρόβλεψη της ενεργοποίησης του υποδοχέα PPARα από διαφορετικά PFAS. Ο υποδοχέας PPARα αποτελεί βασικό ρυθμιστή της ομοιόστασης των λιπιδίων και της χοληστερόλης, ενώ έχει συσχετιστεί με πολλαπλές τοξικολογικές αποκρίσεις σε πειραματικά μοντέλα. Για τον σκοπό αυτό, αναλύθηκε ένα πειραματικό σύνολο δεδομένων που περιελάμβανε καμπύλες δόσης–απόκρισης για 34 ενώσεις, χρησιμοποιώντας κυτταρικό δοκιμαστήριο ενεργοποίησης. Η ποσοτικοποίηση της δραστικότητας πραγματοποιήθηκε μέσω της μεθοδολογίας BMD, η οποία επιτρέπει τον υπολογισμό της ισχύος κάθε ένωσης σε σχέση με την ενεργοποίηση του πυρηνικού υποδοχέα. Για την αριθμητική αναπαράσταση των μοριακών χαρακτηριστικών χρησιμοποιήθηκαν υπολογιστικοί περιγραφείς και το QSAR μοντέλο εφαρμόστηκε για τη συσχέτιση των δομικών ιδιοτήτων με την in vitro δραστικότητα. Η επιλογή χαρακτηριστικών μέσω γενετικού αλγορίθμου αύξησε την ερμηνευσιμότητα του μοντέλου, αποκαλύπτοντας τους περιγραφείς που καθορίζουν την ενεργοποίηση του PPARα. Μεταξύ των ευρημάτων, η παρουσία σουλφονικής ομάδας φάνηκε να μειώνει την ενεργοποιητική ισχύ, ενώ οι πιο δραστικοί ενεργοποιητές, όπως το HFPO-DA και το ADONA, ανήκαν στην υποκατηγορία των πολυφθοριωμένων αιθερικών καρβοξυλικών οξέων (perfluoroalkyl ether carboxylic acids, PFECAs). Τέλος, η ανάλυση της υποδομής των PFECAs αποκάλυψε μία συγκεκριμένη μοριακή αλληλουχία που φαίνεται να ευθύνεται για την υψηλή δραστικότητά τους, παρέχοντας ένα πολύτιμο εργαλείο για την πρόβλεψη και ιεράρχηση των PFAS με βάση τη δυνητική τους τοξικότητα. Όλα τα μοντέλα που δημιουργήθηκαν στο πλαίσιο της παρούσας διδακτορικής διατριβής υλοποιήθηκαν ως διαδικτυακές εφαρμογες μέσω της πλατφόρμας Jaqpot, η οποία διαθέτει τόσο γραφικό περιβάλλον όσο και RESTful API. Αυτό επιτρέπει τόσο τη διεξαγωγή in silico πειραμάτων μέσω φιλικού γραφικού περιβάλλοντος όσο και την ενσωμάτωσή του σε άλλες υπολογιστικές ροές εργασίας, συμβάλλοντας στην επιτάχυνση της έρευνας γύρω από την ανάλυση ρίσκου που επιφέρει η έκθεση χημικών στην ανθρώπινη υγεία. Παρά το γεγονός ότι τα επιμέρους κεφάλαια της παρούσας διατριβής εξετάζουν διαφορετικές περιπτώσεις μελέτης, συγκλίνουν σε ορισμένα κοινά διδάγματα που αναδεικνύουν τον καθοριστικό ρόλο των in silico εργαλείων στην εκτίμηση κινδύνου χημικών ουσιών και νανοϋλικών. Ένα από τα πιο επίμονα προβλήματα αφορά τη φτωχή διαθεσιμότητα και την ελλιπή πληρότητα των δεδομένων που απαιτούνται για την παραμετροποίηση των μοντέλων. Η πρόκληση αυτή έγινε εμφανής τόσο στα PBK μοντέλα όσο και στα μοντέλα QSAR . Στα PBK μοντέλα, οι παράμετροι χαμηλής ευαισθησίας μπορούν να σταθεροποιηθούν σε τιμές της βιβλιογραφίας ή, ελλείψει δεδομένων, να υιοθετηθούν από συγγενικές ενώσεις χωρίς σημαντική επίδραση στην ακρίβεια. Αντίθετα, στα QSAR μοντέλα, τα περιορισμένα σύνολα δεδομένων επηρεάζουν περισσότερο την αξιοπιστία, περιορίζοντας τη δυνατότητα ανεξάρτητης επικύρωσης. Σε τέτοιες περιπτώσεις, όπως φάνηκε στη μελέτη ενεργοποίησης του PPARα , η επιλογή χαρακτηριστικών και η μηχανιστική ερμηνεία είναι ουσιαστικές. Επιπλέον, τα πραγματικά δεδομένα είναι συχνά θορυβώδη, ανομοιογενή ή ελλιπή, γεγονός που απαιτεί διαδικασίες επιμέλειας δεδομένων, ανάλυση αβεβαιότητας και δοκιμές ευαισθησίας ώστε τα μοντέλα να παραμένουν αξιόπιστα. Η αξιολόγηση και επικύρωση των μοντέλων παραμένει κρίσιμη πτυχή κάθε υπολογιστικής προσέγγισης. Ειδικά στα PBK μοντέλα, όπου η επικύρωση απαιτεί ιδανικά ανθρώπινα δεδομένα, η έλλειψή τους καθιστά απαραίτητη τη χρήση αναλύσεων αβεβαιότητας και ευαισθησίας. Η εμπιστοσύνη στα μοντέλα ενισχύεται όταν είναι μηχανιστικά και βασίζονται σε γνωστές βιολογικές διεργασίες, χωρίς όμως να ενσωματώνουν υπερβολική λεπτομέρεια που αυξάνει άσκοπα το υπολογιστικό κόστος. Τέλος, η ανάπτυξη των δύο νέων μεθοδολογιών εκτίμησης παραμέτρων, της ομαδοποίησης παραμέτρων μέσω γενετικών αλγορίθμων και των στοχαστικών PINNs , προέκυψε ακριβώς ως απάντηση στις προκλήσεις αυτές και προσφέρει γενικεύσιμες λύσεις για μελλοντικές εφαρμογές. Ένα ακόμη βασικό συμπέρασμα της παρούσας εργασίας είναι ότι τα μοντέλα που βασίζονται καθαρά σε δεδομένα, σε σχέση με τα μηχανιστικά μοντέλα, δεν αποτελούν ανταγωνιστικές μεθόδους, αλλά συμπληρωματικά εργαλεία που, όταν συνδυάζονται με πειραματική γνώση, προσφέρουν μια πιο ολοκληρωμένη κατανόηση των τοξικοκινητικών και τοξικοδυναμικών διεργασιών. Τα PBK μοντέλα προσφέρουν τη φυσικοβιολογική βάση, ενώ τα QSAR μοντέλα παρέχουν δεδομενοκεντρικά στοιχεία, και η ενοποίησή τους με in vitro, in vivo και in silico δεδομένα γεφυρώνει κρίσιμα κενά στην αλυσίδα της εκτίμησης κινδύνου. Ο συνδυασμός in vitro PoDs με PBK μοντέλα αυξάνει τη φυσιολογική σημασία των αποτελεσμάτων, καθώς μεταφράζει την τοξικότητα σε επίπεδο οργάνου-στόχου. Χαρακτηριστικό παράδειγμα αποτέλεσε η μελέτη εισπνοής νανοϋλικών, όπου η κατάταξη των ενώσεων ως προς την κυτταροτοξικότητα άλλαξε σημαντικά όταν λήφθηκε υπόψη η πνευμονική δοσιμετρία, δείχνοντας ότι μια ένωση με υψηλή in vitro τοξικότητα μπορεί να έχει περιορισμένη επίδραση αν η εναπόθεσή της στους πνεύμονες είναι μικρή. Συνολικά, η διατριβή αυτή κατέδειξε πώς οι μεθοδολογίες εκτίμησης παραμέτρων μπορούν να βελτιώσουν τα μηχανιστικά μοντέλα, πώς η ενσωμάτωση τεχνητής νοημοσύνης ενισχύει την κατανόηση της τοξικότητας και της βιοκατανομής, και πώς τα αναπτυγμένα εργαλεία, τα οποία έγιναν διαθέσιμα ως διαδικτυακές εφαρμογές, μπορούν να αποτελέσουν τη βάση για τις επόμενες γενιές υπολογιστικών ροών που θα υποστηρίζουν τη λήψη αποφάσεων στη ρυθμιστική τοξικολογία και την προστασία της ανθρώπινης υγείας.