بزرگنمايي:

سیاست و بازاریابی - ایسنا / یک مطالعه مروری تازه با بررسی دو دهه پژوهش در حوزه نانوسم‌شناسی نشان می‌دهد روش‌های ارزیابی ایمنی نانومواد از آزمون‌های ساده سمیت سلولی به مدل‌های پیچیده زیستی و در سال‌های اخیر به الگوریتم‌های هوش مصنوعی و یادگیری ماشین رسیده‌اند تا خطر سمیت مواد جدید را پیش از تولید پیش‌بینی کنند.
گسترش سریع فناوری نانو، پرسشی قدیمی اما مهم را دوباره به مرکز توجه آورده است: نانومواد جدید تا چه اندازه برای انسان و محیط‌زیست ایمن هستند؟ یک مطالعه مروری تازه با بررسی دو دهه پژوهش در حوزه نانوسم‌شناسی نشان می‌دهد روش‌های ارزیابی ایمنی نانومواد از آزمون‌های ساده سمیت سلولی به مدل‌های پیچیده زیستی و در سال‌های اخیر به الگوریتم‌های هوش مصنوعی و یادگیری ماشین رسیده‌اند. این فناوری‌ها می‌توانند با تحلیل هم‌زمان ویژگی‌های فیزیکی و شیمیایی نانومواد و داده‌های زیستی، خطر سمیت مواد جدید را پیش‌بینی کنند و زمینه را برای طراحی نانومواد ایمن‌تر، پیش از تولید و استفاده گسترده، فراهم کنند.
به نقل از ستاد نانو، بر اساس داده‌های استنادشده در یک مطالعه مروری جدید، در سال ۲۰۲۶ بیش از ۱۱ هزار و ۱۰۰ محصول مبتنی بر فناوری نانو در سراسر جهان عرضه شده است. افزایش این کاربردها، یک ضرورت مهم را نیز پررنگ‌تر کرده است: چگونه می‌توان مطمئن شد موادی که در ابعاد نانو طراحی می‌شوند، خطری برای سلامت انسان و محیط‌زیست ایجاد نمی‌کنند؟
پاسخ به این پرسش، برخلاف تصور اولیه، فقط با اندازه‌گیری مقدار ماده مصرف‌شده به دست نمی‌آید. نانومواد در مقیاسی فعالیت می‌کنند که ویژگی‌های فیزیکی و شیمیایی آن‌ها می‌تواند با شکل توده‌ای همان ماده کاملاً متفاوت باشد. افزایش نسبت سطح به حجم، ویژگی‌های سطحی متفاوت و در برخی موارد اثرهای کوانتومی، باعث می‌شود نانومواد رفتارهای ویژه‌ای در تماس با سلول‌ها، بافت‌ها و محیط‌زیست داشته باشند.
اکنون یک مطالعه مروری که در مجله ACS Omega منتشر شده، مسیر تحول دانش نانوسم‌شناسی را طی حدود دو دهه بررسی کرده است. پژوهشگران در این مطالعه، ادبیات علمی و اسناد مقرراتی منتشرشده از سال ۲۰۰۴ تا ۲۰۲۵ را بررسی کردند. در مجموع، ۲۲۰ مقاله و سند مورد ارزیابی قرار گرفت و ۱۶۱ مورد برای تحلیل نهایی انتخاب شد. هدف پژوهشگران، ترسیم مسیر تحول روش‌هایی بود که برای بررسی خطرات نانومواد استفاده شده‌اند؛ از نخستین آزمایش‌های سمیت گرفته تا مدل‌های پیش‌بینی‌کننده مبتنی بر هوش مصنوعی.
نانوسم‌شناسی به‌طور رسمی از حدود سال ۲۰۰۴ به‌عنوان حوزه‌ای مستقل‌تر در مطالعات ایمنی نانومواد شکل گرفت. این حوزه در ادامه پژوهش‌های پیشین درباره ذرات فوق‌ریز معلق در هوا توسعه یافت. با افزایش تماس انسان و محیط‌زیست با نانومواد از مسیرهایی مانند استنشاق، بلع و تماس پوستی، مشخص شد روش‌های سنتی سم‌شناسی به‌تنهایی نمی‌توانند رفتار پیچیده این مواد را به‌طور کامل توضیح دهند.
در مطالعات اولیه، پژوهشگران عمدتاً از آزمون‌های متداول سمیت سلولی برای بررسی زنده‌مانی سلول‌ها استفاده می‌کردند. بررسی میزان ورود نانومواد به سلول‌ها نیز یکی از روش‌های اصلی بود و اغلب آزمایش‌ها در محیط‌های دوبعدی انجام می‌شدند. استفاده از نشانگرهای فلورسنت برای اندازه‌گیری استرس اکسیداتیو و گونه‌های فعال اکسیژن نیز به‌تدریج گسترش یافت.
اما با پیشرفت این حوزه، دانشمندان دریافتند که یک لایه سلولی دوبعدی الزاماً نمی‌تواند پیچیدگی بافت‌های واقعی بدن انسان را بازسازی کند. به همین دلیل، مدل‌های سه‌بعدی مانند اسفروئیدها و ارگانوئیدها وارد مطالعات نانوسم‌شناسی شدند. این مدل‌ها محیط زیستی نزدیک‌تری به بافت‌های واقعی ایجاد می‌کنند و در عین حال می‌توانند وابستگی به برخی آزمایش‌های حیوانی را کاهش دهند.
با وجود این پیشرفت‌ها، آزمایش‌های درون تنی یا in vivo همچنان اهمیت خود را حفظ کرده‌اند. دلیل آن است که برخی ویژگی‌ها، مانند نحوه توزیع نانوماده در اندام‌های مختلف، ماندگاری آن در بدن، سمیت سیستمیک و تغییرات ناشی از تعامل ماده با کل ارگانیسم، با استفاده از مدل‌های سلولی به‌تنهایی قابل ارزیابی نیستند.
در مراحل جدیدتر، پژوهشگران بررسی نانومواد را به مسیرهای موسوم به جذب، توزیع، متابولیسم و دفع یا ADME گسترش داده‌اند. یکی از پدیده‌های مهم در این زمینه، تشکیل «تاج پروتئینی» یا Protein Corona است.
هنگامی که یک نانوماده وارد مایعات زیستی می‌شود، پروتئین‌های موجود در محیط می‌توانند به سرعت روی سطح آن جذب شوند. این لایه پروتئینی عملاً هویت سطحی نانوماده را تغییر می‌دهد و در نتیجه می‌تواند نحوه تعامل آن با سلول‌ها و بافت‌ها را نیز دگرگون کند.
مطالعات بررسی‌شده در این مرور نشان داده‌اند که اندازه ذرات یکی از عوامل مهم و نسبتاً قابل‌اعتماد در پیش‌بینی سمیت است، اما تنها عامل تعیین‌کننده نیست. ترکیب شیمیایی، ویژگی‌های سطح، نوع پوشش، شرایط تماس و حتی محیط زیستی که نانوماده در آن قرار می‌گیرد، می‌توانند نتیجه نهایی را تغییر دهند.
برای نمونه، برخی نانوذرات نقره و طلا در محدوده ۱۰ تا ۲۰ نانومتر در مقایسه با ذرات بزرگ‌تر در محدوده حدود ۵۰ تا ۱۰۰ نانومتر یا بیشتر، ماندگاری بیشتری در بافت‌ها نشان داده‌اند و تغییرات متفاوتی در توزیع زیستی و سمیت ژنتیکی ایجاد کرده‌اند.
تأثیر تاج پروتئینی نیز همیشه یکسان نیست. در یک نمونه، پوشش پروتئینی سرم توانست تولید گونه‌های فعال اکسیژن را در نانولوله‌های دی‌اکسید تیتانیوم تقریباً ۸۰ درصد کاهش دهد و در نتیجه تا حد زیادی از سمیت نوری آن‌ها در معرض تابش فرابنفش جلوگیری کند. اما در مورد برخی نانوذرات نقره پایدارشده با سیترات، جذب پروتئین‌ها باعث شد سمیت اختصاصی ماده تقریباً دو برابر شود.
این یافته‌ها نشان می‌دهند نمی‌توان درباره ایمنی یک نانوماده تنها بر اساس ترکیب شیمیایی یا اندازه اولیه آن قضاوت کرد. ماده‌ای که در محیط آزمایشگاهی رفتار نسبتاً بی‌خطری دارد، ممکن است پس از ورود به بدن و تشکیل تاج پروتئینی، ویژگی‌های متفاوتی پیدا کند.
نگرانی‌ها به بدن انسان نیز محدود نمی‌شوند. نانوساختارها پس از ورود به محیط‌های طبیعی ممکن است تحت فرایندهایی مانند هوازدگی و انحلال قرار گیرند و به شکل‌های جدیدی در محیط منتشر شوند. پژوهش‌ها نشان داده‌اند که نانوذرات پلی‌استایرن ۵۰ نانومتری که با دوز ۱۰ میلی‌گرم به ازای هر کیلوگرم در موش‌ها تجویز شده‌اند، در کبد، طحال و روده تجمع بیشتری پیدا کرده و با تغییراتی در عملکرد کبد، کلیه و قلب همراه بوده‌اند.
در مطالعه‌ای دیگر، نانوذرات پلی‌استایرن ۲۴ نانومتری توانسته‌اند در یک زنجیره غذایی آبی از جلبک‌ها به زئوپلانکتون‌ها و سپس به ماهی منتقل شوند و در ماهی‌ها با تغییر در متابولیسم چربی ارتباط داشته باشند. با وجود چنین شواهدی، هنوز در سطح جهان مجموعه‌ای کاملاً هماهنگ و الزام‌آور از حدود قانونی مواجهه با نانومواد وجود ندارد.
در این نقطه است که هوش مصنوعی و یادگیری ماشین می‌توانند نقش تازه‌ای در نانوسم‌شناسی ایفا کنند. پژوهشگران می‌توانند با اتصال ویژگی‌های فیزیکی و شیمیایی نانومواد به داده‌های مربوط به پیامدهای زیستی، مدل‌هایی ایجاد کنند که احتمال سمیت یک ماده جدید را پیش‌بینی کنند.
این رویکرد به‌جای آنکه منتظر بماند یک نانوماده ساخته شود و سپس در مجموعه‌ای طولانی از آزمون‌ها مورد بررسی قرار گیرد، امکان نوعی غربالگری مجازی را فراهم می‌کند. به بیان ساده‌تر، الگوریتم می‌تواند پیش از آنکه یک ماده جدید وارد مراحل گسترده آزمایش شود، بر اساس شباهت آن به مواد شناخته‌شده و ویژگی‌های ساختاری‌اش، تصویری اولیه از میزان خطر احتمالی ارائه دهد.
چنین قابلیتی می‌تواند زمینه‌ساز مفهوم «ایمنی از مرحله طراحی» باشد. در این رویکرد، ایمنی دیگر مرحله‌ای نیست که در پایان فرایند تولید مورد بررسی قرار گیرد، بلکه از همان ابتدای طراحی نانوماده وارد فرایند توسعه می‌شود.
برای مثال، اگر یک مدل هوش مصنوعی پیش‌بینی کند که افزایش یک ویژگی مشخص در اندازه ذرات یا تغییر نوع پوشش سطحی می‌تواند احتمال سمیت را افزایش دهد، دانشمندان می‌توانند همان ویژگی را در مراحل اولیه طراحی تغییر دهند. به این ترتیب، هدف فقط ساخت ماده‌ای با عملکرد بالا نیست، بلکه ماده‌ای طراحی می‌شود که در کنار عملکرد مطلوب، مشخصات ایمنی مناسب‌تری نیز داشته باشد.
البته هوش مصنوعی قرار نیست یک عصای جادویی برای حذف آزمایش‌های ایمنی باشد. مطالعه جدید تأکید می‌کند که مدل‌های پیش‌بینی‌کننده همچنان با محدودیت‌های جدی روبه‌رو هستند. ناهمگونی داده‌ها، کمبود داده‌های استاندارد، اعتبارسنجی مستقل محدود، خطر بیش‌برازش و دشواری تفسیر برخی مدل‌های یادگیری ماشین می‌تواند دقت پیش‌بینی‌ها را کاهش دهد.
به همین دلیل، آینده نانوسم‌شناسی احتمالاً در حذف روش‌های تجربی و جایگزینی کامل آن‌ها با الگوریتم‌ها خلاصه نمی‌شود. مسیر واقع‌بینانه‌تر، ترکیب مدل‌های هوش مصنوعی با آزمایش‌های سلولی دوبعدی و سه‌بعدی، مطالعات درون‌تنی، بررسی مواجهه‌های مزمن و کم‌دوز و داده‌های دقیق مربوط به رفتار نانومواد در بدن و محیط‌زیست است.
پژوهشگران در این مطالعه بر ضرورت ایجاد پروتکل‌های استاندارد برای آزمون ایمنی نانومواد و شکل‌گیری چارچوب‌های مقرراتی هماهنگ در سطح بین‌المللی نیز تأکید کرده‌اند. ایجاد حدود قابل‌اعتماد برای میزان مواجهه، بدون داده‌های استاندارد و قابل‌مقایسه میان آزمایشگاه‌ها و کشورها، دشوار خواهد بود.
در نهایت، مسیر دو دهه گذشته نشان می‌دهد نانوسم‌شناسی از مجموعه‌ای از آزمون‌های ساده برای پاسخ به این پرسش که «آیا این ماده سمی است؟» به حوزه‌ای پیچیده‌تر تبدیل شده است که می‌خواهد بفهمد چرا یک نانوماده سمی می‌شود، چه ویژگی‌هایی این سمیت را تعیین می‌کنند و آیا می‌توان پیش از ساخت ماده، این خطر را پیش‌بینی کرد؟
هوش مصنوعی می‌تواند بخش مهمی از پاسخ به این پرسش باشد. اگر مدل‌های پیش‌بینی‌کننده با داده‌های باکیفیت و استاندارد تغذیه شوند و در کنار آزمایش‌های واقعی مورد استفاده قرار گیرند، طراحی نانومواد آینده می‌تواند از ابتدا بر پایه توازن میان عملکرد، پایداری و ایمنی انجام شود. در چنین شرایطی، توسعه پایدار فناوری نانو دیگر فقط به ساخت مواد کوچک‌تر و کارآمدتر وابسته نخواهد بود؛ بلکه به توانایی ما برای پیش‌بینی و کاهش پیامدهای آن‌ها برای سلامت انسان و محیط‌زیست نیز بستگی خواهد داشت.