John Libbey Eurotext

Environnement, Risques & Santé

Évaluation toxicologique des nanomatériaux d’oxydes métalliques : quelle place actuelle pour la modélisation « structure-activité » ? Volume 15, numéro 6, Novembre-Décembre 2016

Les nanomatériaux sont définis par l’Organisation internationale de normalisation (ISO) comme « des matériaux possédant une dimension externe ou une structure interne ou de surface à l’échelle nanométrique » (de 1 à 100 nm) [1]. Ils sont de plus en plus présents et utilisés dans de nombreux domaines de la recherche et de l’industrie (pharmaceutique, cosmétique, alimentaire, chimique, électronique, domaine de la production énergétique, etc.). Le grand intérêt porté à ces nanomatériaux est notamment dû au fait que leur petite taille leur confère de nouvelles caractéristiques par rapport à leurs molécules homologues de plus grande taille : optique, magnétique, électronique, électrique, catalytique, biologiques, etc. ; et ceci par l’acquisition de propriétés physico-chimiques spécifiques comme l’aire de surface augmentée et la réactivité augmentée [2-4].

Il existe une multitude de nanomatériaux manufacturés et de nouveaux sont fabriqués tous les jours. Leurs applications commerciales croissent rapidement [5], plus de mille produits manufacturés identifiés comme contenant des nanomatériaux seraient déjà disponibles sur le marché mondial [6], précisément 1 814 selon un inventaire de mars 2015 [7]. En France, les quantités produites et importées déclarées en 2014 représentent globalement 400 000 tonnes de substances à l’état nanoparticulaire [8].

Cependant, les propriétés spécifiques de ces nanomatériaux, différentes de celles de leurs homologues de plus grande taille, pourraient être également liées à une potentielle toxicité [9]. Leur utilisation pourrait alors présenter un danger pour l’utilisateur (professionnels et population générale) et l’environnement. Ces matériaux de taille nanométrique sont complexes. Les données structurales et toxicologiques sont encore insuffisantes pour une évaluation précise du danger et l’évaluation de tous les nanomatériaux au cas par cas serait très coûteuse et fastidieuse [10]. De nouvelles approches sont ainsi envisagées depuis quelques années, comme la modélisation structure-activité (ou structure-toxicité). Cette approche est bien connue et utilisée dans la conception de médicaments. Ces modèles ont comme avantages de fournir des informations sur les dangers des produits chimiques, tout en réduisant les délais, les coûts et les essais sur animaux [11], et pourraient donc faciliter l’évaluation toxicologique des nanomatériaux.

L’extension de la modélisation « structure-activité » ((Q)SAR) aux particules nanométriques n’en est encore qu’à ses débuts [3]. Mais ces approches utilisées pour prédire l’effet biologique (ou toxique) des nanomatériaux montreraient des premiers résultats encourageants [5].

Nous présentons dans ce rapport, à partir des articles publiés, un état de l’art des méthodes (Q)SAR appliquées aux nanomatériaux. Dans un souci de simplification, seuls les nanomatériaux d’oxydes métalliques seront traités car la plupart de ces études concernent ce type de nanomatériaux du fait de leur large utilisation commerciale, de leur grand volume de production [12] et de l’existence d’un plus grand nombre de données à leur sujet.

Méthode

Elle consiste en une recherche et une synthèse de la littérature sur les modèles « structure-activité » ou « structure-toxicité » appliqués aux nanomatériaux d’oxydes métalliques (titane et zinc) et au dioxyde de silice nanométrique, ainsi que sur les paramètres nécessaires à leur construction.

Résultats

Les modèles « structure-activité » ou « structure-toxicité »

Le principe de la relation structure-activité (SAR) est que l’activité des molécules est liée à leur structure. Donc les molécules similaires auraient des activités similaires [11]. De cette manière, une relation structure-activité est une approche conçue pour trouver les relations entre la structure chimique (ou les propriétés dépendants de la structure) et l’activité biologique (ou la toxicité) du composé étudié. Les SAR qualitatives et quantitatives sont plus communément appelées (Q)SAR. Dans le cadre des nanomatériaux, elles seront dénommées nano(Q)SAR.

Notre recherche bibliographique a permis de retrouver dans la littérature quinze modèles « structure-activité » ou « structure-toxicité » concernant l’évaluation de la toxicité des nanomatériaux d’oxydes métalliques. Dix modèles ont été construits pour la prédiction de la cytotoxicité des nanomatériaux d’oxydes métalliques, quatre pour la prédiction « d’activités biologiques » (telles que le taux en adénosine triphosphate [ATP], le potentiel de membrane etc.) et un pour la génotoxicité de nanomatériaux d’oxydes métalliques non testés ou nouveaux.

L’un des premiers travaux relatifs à la modélisation structure-activité des nanomatériaux d’oxydes métalliques a été celui de Shaw et al. en 2008 [13]. Ils ont réalisé une classification des nanoparticules en groupes d’activités similaires. Leurs données ont été reprises pour construire trois autres modèles en vue de la prédiction de « l’activité biologique » de nanoparticules d’oxydes métalliques [6, 14, 15]. Concernant la prédiction de la cytotoxicité, un premier modèle a été élaboré par Sayes et al. en 2010 [16], dont les données ont ensuite servi à Toropova et al. en 2014 [17]. Puzyn et al. ont également réalisé un modèle pour l’évaluation de la cytotoxicité des nanoparticules d’oxydes métalliques en 2011 [18], avec des données qu’ils ont générées et qui ont été réutilisées par d’autres modélisateurs [3, 17, 19, 20].

Les paramètres

Les nanomatériaux sont classiquement caractérisés d’un point de vue physico-chimique, afin de les identifier le plus précisément possible et de déterminer les paramètres clés influençant leur toxicité. La caractérisation des nanomatériaux est ainsi un préalable indispensable à toute évaluation toxicologique, in vitro, in vivo ou in silico.

Cette caractérisation passe par la mesure expérimentale ou le calcul (informatique, à l’aide de logiciels) de différents paramètres. Ceux-ci vont servir à décrire les nanomatériaux dans leurs différents aspects, et sont ainsi dénommés « descripteurs » lors de leur utilisation dans un modèle « structure-activité ».

Une définition des descripteurs (moléculaires) selon Pathakoti et al. indique qu’il s’agit de « représentations numériques de structures moléculaires ». La plupart des paramètres peuvent être décrits par plusieurs descripteurs différents [3]. Les descripteurs peuvent être calculés à partir de différentes données telles que les données sur la structure d’un ensemble de nanomatériaux, par exemple sur la présence d’oxygène ou de doubles liaisons dans la structure [20]. Ils peuvent être aussi calculés à partir des données sur la taille dans l’eau, dans le PBS (tampon phosphate salin), ou d’autres milieux, donnant la représentation d’une structure moléculaire à partir de systèmes moléculaires très complexes [17].

Les paramètres considérés importants à prendre en compte pour une bonne caractérisation des nanomatériaux ont été proposés par différents organismes et auteurs. Le tableau 1 présente la liste des paramètres physico-chimiques proposés par l’Organisation internationale de normalisation (ISO) [1] et l’Organisation de coopération et de développement économiques (OCDE) [21], indispensables à la réalisation de tests toxicologiques. Il présente également les paramètres importants, selon certains auteurs, à prendre en compte lors de la construction d’un modèle « structure-activité » ou « structure-toxicité » de qualité [5, 12, 22, 23].

Dans le cadre de notre revue, les paramètres étudiés issus des différents modèles analysés sont présentés ci-dessous et illustrés par les tableaux 2 et 3.

  • La taille des particules et/ou la distribution granulométrique : elle a été utilisée dans six modèles : trois concernant la prédiction « d’activité biologique » [6, 13, 14] et trois sur la cytotoxicité [16, 17, 24]. Ce paramètre peut être représenté par différents descripteurs, comme par exemple une gamme de tailles pour Shaw et al.[13], une moyenne des tailles pour Fourches et al.[6]. Selon le modèle de Toropova et al.[17], lorsque la taille de fabrication des nanoparticules passe de 30 à 70 nm, il y a diminution des dommages à la membrane (cellules épithéliales bronchiques immortalisées). De même pour la taille dans l’eau et dans le PBS, lorsque la taille des nanoparticules augmente, il y a une diminution des dommages pour les nanoparticules considérées.
  • L’état d’agrégation et d’agglomération : il a été utilisé dans le modèle de Sayes et al. [16] avec une mesure de la taille des nanoparticules dans le milieu de culture cellulaire (test sur cellules BEAS-2B).
  • La composition chimique des nanoparticules : elle a été utilisée dans deux modèles [14, 15], mais est reconnue comme ayant également une contribution dans la prédiction de l’activité biologique par Shaw et al.[13]. Selon Epa et al.[15], il s’agirait même du principal contributeur à l’effet dans le modèle développé. Ehret et al.[14] considèrent que ce paramètre, appelé aussi composition du noyau (« core »), apporte une amélioration de la précision des prédictions.
  • La composition chimique de surface : celle-ci a été décrite par Ehret et al. et Epa et al.[14, 15] comme une composante importante pour un modèle « structure-activité ». Elle augmenterait significativement la précision des modèles de prédiction. Sa représentation à l’aide de descripteurs moléculaires serait indispensable [14].
  • La charge superficielle : elle est représentée le plus souvent par le potentiel zêta, et a été utilisée dans six modèles : quatre prédisant « l’activité biologique » [6, 13-15] et deux la cytotoxicité [16, 17]. Son importance est reconnue mais selon Ehret et al. [14], s’agissant d’une mesure expérimentale, ce paramètre apporterait de l’imprécision aux modèles. Epa et al.[15] la considèrent comme un faible contributeur à leur modèle.
  • Les relaxivités (R1 et R2) : elles représentent les propriétés magnétiques des substances, ces caractéristiques sont notamment utilisées dans le domaine des agents de contraste. Celles-ci ont été utilisées par Shaw et al. ainsi que par deux autres auteurs qui ont repris leurs données [6, 13, 14].
  • La concentration en nanoparticules : ce paramètre (également descripteur) a été utilisé dans le modèle de Sayes et al. ainsi que dans celui de Toropova et al.[16, 17].

Dans d’autres modèles développés, aucun des paramètres utilisés ne fait partie des caractéristiques physico-chimiques proposées par l’ISO [1] et récapitulées dans le tableau 1. Les descripteurs souvent utilisés par ces auteurs ont été plutôt « calculés ». Certains sont calculés à l’aide du tableau périodique des éléments, et d’autres à l’aide d’outils plus complexes comme des logiciels dédiés au calcul de descripteurs. Ces paramètres « calculés » sont présentés dans le tableau 3.

  • L’enthalpie de formation d’un cation gazeux ayant le même état d’oxydation que l’oxyde métallique : ce paramètre a été utilisé par Puzyn et al.[18], dont le modèle visait à prédire la cytotoxicité des nanoparticules d’oxydes métalliques avec un descripteur unique. Le résultat de leur travail montre qu’il s’agit d’un « bon descripteur » car les valeurs prédites et les valeurs expérimentales mesurées de –logLC50 (« endpoint » de l’expérience, logarithme négatif de la concentration létale 50) sont très proches. De plus, selon ce modèle, la toxicité des oxydes étudiés décroit dans l’ordre : Me2+ > Me3+ > Me4+ (où Me représente l’atome métallique) [18].
  • L’énergie d’atomisation de l’oxyde métallique a été utilisée comme descripteur du modèle proposé par Liu et al.[24].
  • La période du métal également [24].
  • La présence d’oxygène et de doubles liaisons, descripteurs basés sur la formule chimique développée des nanomatériaux, a été retrouvée dans le modèle de Toropov et al.[20]. Ils sont considérés comme de « bons descripteurs » des nanomatériaux selon les auteurs de ce travail. Le modèle construit serait un modèle robuste pour la prédiction de la cytotoxicité de nanomatériaux d’oxydes métalliques.
  • L’énergie des bandes de conduction (gap band) et l’index ionique se sont révélés intéressants pour Liu et al.[25] en 2013, qui estiment avoir construit avec ces deux descripteurs un modèle « performant » et cohérent avec les mécanismes de toxicité suggérés pour les nanoparticules d’oxydes métalliques (stress oxydant et passage membranaire des cations métalliques).
  • L’électronégativité et la charge du cation métallique de l’oxyde correspondant : tout d’abord l’électronégativité absolue du métal et celle de l’oxyde métallique sont retrouvées dans le modèle de Pathakoti et al.[3] de prédiction de la cytotoxicité de nanoparticules d’oxydes métalliques dans des conditions d’obscurité. L’électronégativité du métal a été également utilisée dans un autre modèle, celui de Kar et al.[19], associée à un autre descripteur qui est la charge du cation métallique de l’oxyde correspondant. Selon ce modèle, la cytotoxicité est inversement proportionnelle à la charge du cation métallique. Les nanomatériaux de ZnO feraient partie des matériaux testés les plus cytotoxiques, et ceux de TiO2, des moins cytotoxiques.
  • La moyenne des énergies LUMO (la plus basse orbitale moléculaire inoccupée) alpha et bêta, et la capacité thermique sont deux descripteurs présents dans le modèle de Pathakoti et al.[3] relatifs à la phototoxicité des nanoparticules d’oxydes métalliques. Ces deux derniers descripteurs auraient un rôle important dans la toxicité en condition lumineuse. Pathakoti et al. ont ainsi mis en évidence grâce à leurs deux modèles de prédiction de la cytotoxicité (l’un en condition d’obscurité et l’un en condition lumineuse) que les descripteurs à utiliser diffèrent selon les conditions d’expérimentation.
  • La composition atomique (notamment en vanadium et en yttrium) et la présence/absence de photo-induction donneraient le modèle le plus robuste construit pour la prédiction de la cytotoxicité parmi les différentes données de Toropova et al.[26]. Ces auteurs ont en effet élaboré un modèle dont les paramètres liés à la toxicité peuvent être des « données éclectiques disponibles » comme la structure moléculaire de la substance considérée, la présence ou l’absence de photo-induction ou une autre circonstance qui conditionnerait le phénomène de cytotoxicité (tableau 3).
  • La densité particulaire, la mesure de taille par diffraction laser et le contenu en nickel se sont révélés importants dans un modèle récent [27] utilisant les trois paramètres.
  • Le contenu en zinc, le contenu en cadmium, ainsi que deux mesures de l’activité des espèces réactives de l’oxygène ont été utilisés par les mêmes auteurs [27] dans un « sous-modèle » (modèle dérivé d’un premier modèle) testant un seul « endpoint », la viabilité cellulaire. Mais dans ce deuxième cas, une large contribution à la toxicité d’autres paramètres plus « classiques » a bien été identifiée : l’aire de surface spécifique, la taille statistique, mais également la réactivité.
  • L’électronégativité de l’oxygène, la répulsion noyau-noyau et l’enthalpie de détachement des cations métalliques sont les trois paramètres utilisés dans le seul modèle de prédiction de la génotoxicité qui a été retrouvé [4, 28]. Un abstract a été publié et présenté au congrès de la Société de génomique et mutagénèse environnementales [29] mais les résultats complets n’ont pas été publiés par la suite. Cependant l’abstract donne un aperçu des recherches effectuées sur le sujet.

Discussion

Paramètres/descripteurs

Les paramètres « classiques » de caractérisation des nanomatériaux, tels que proposés par l’ISO, sont finalement assez peu retrouvés comme descripteurs dans les modèles « structure-activité » existants actuellement.

  • La taille, caractéristique majeure des nanomatériaux, est utilisée comme descripteur dans moins de la moitié des modèles développés. Certains modèles se sont affranchis de ce paramètre, considérant que dans la gamme de tailles étudiées, la taille des particules n’affecte pas la toxicité, utilisant préférentiellement des descripteurs reflétant les propriétés électroniques liées à l’activité [18]. Selon les auteurs de ces modèles, pour les nanoparticules d’oxydes métalliques étudiées, la taille ne serait pas un facteur crucial pour la détermination de la variation de la toxicité (17 nanoparticules de 15 à 90 nm) [18].

D’après Ehret et al. [14], les données expérimentales ne sont pas assez précises donc apportent de l’imprécision au modèle de prédiction. Par exemple, lorsqu’il s’agit de la moyenne de toutes les tailles de particules présentes dans la solution, cela ne peut pas décrire toutes les particules correctement. La distribution de taille serait par contre plus pertinente à utiliser.

Epa et al.[15] ont également exclu la taille des paramètres du modèle considérant que les tailles des nanoparticules utilisées sont similaires (environ 30 nm).

Kar et al.[19] ont utilisé, pour leur modèle final de prédiction de cytotoxicité (qu’ils ont considéré comme robuste), deux descripteurs (électronégativité et charge du cation) qui sont indépendants de la taille des particules. Ils avaient pour objectif de s’affranchir de ce paramètre car selon eux, beaucoup de propriétés physiques des nanoparticules sont dépendantes de lui, apportant de l’imprécision et de la complexité au modèle.

Toutefois, pour certains auteurs tels que Burello et Worth, l’effet de la taille doit être pris en compte car les changements de bandes d’énergies, de cristallinité et de réactivité de surface, apparaissant à l’échelle nanométrique, peuvent drastiquement modifier le profil toxicologique des nanoparticules d’oxydes métalliques [30].

  • L’état d’agrégation et d’agglomérationpourrait affecter des paramètres physico-chimiques importants, comme la taille des particules, entraînant des changements dans l’effet biologique ou la toxicité. Ce paramètre doit donc être évalué pour éviter une estimation incorrecte du potentiel toxique des nanoparticules manufacturées [12]. C’est un paramètre mesuré expérimentalement, qui pourrait apporter de l’imprécision au modèle prédictif de toxicité [14]. Et il n’y a pas de consensus sur la manière de caractériser l’agrégation et l’agglomération des nanomatériaux à l’heure actuelle, compliquant son utilisation.
  • La composition chimique des nanoparticules. Elle est utilisée dans deux modèles [14, 15], pour sa contribution importante dans la robustesse des prédictions de l’activité biologique [13-15]. Toutefois, selon Ehret et al. [14], il serait plus pertinent d’utiliser des descripteurs moléculaires théoriques pour représenter ce paramètre (comme par exemple la symétrie moléculaire).
  • La composition chimique de surface a été utilisée dans les deux mêmes modèles que ci-dessus [14, 15]. Sa faible représentation peut paraître surprenante au vu de son importance dans les effets biologiques des nanomatériaux. En effet, ce paramètre joue un rôle important dans les interactions de surface et le comportement d’agrégation/agglomération des nanoparticules dans un milieu. Selon ces auteurs, elle apporterait de la précision dans les modèles de prédiction et contribuerait donc à leur robustesse [14, 15]. Si les surfaces de nanomatériaux manufacturés sont intentionnellement fonctionnalisées, chaque espèce chimique et groupe fonctionnel de surface doit être identifié. L’influence du recouvrement de surface sur la toxicité du nanoargent notamment a été largement étudiée [12].
  • La charge superficielle est l’un des paramètres les plus utilisés. La présence de la charge électrostatique sur les nanomatériaux peut influencer la formation d’agrégats/agglomérats. De plus, sa valeur peut déterminer la vitesse à laquelle certains systèmes biologiques peuvent accumuler des nanomatériaux et donc la probabilité qu’une éventuelle toxicité se manifeste [1].

La charge de surface peut être évaluée par la détermination du potentiel zêta. Ce dernier est une propriété physico-chimique impliquée dans la modulation de l’effet cytotoxique des nanoparticules [5]. Une étude a montré que les nanoparticules de dioxyde de silice fortement chargées négativement ont un niveau de cytotoxicité plus élevé que celles faiblement chargées négativement.

Mais les connaissances actuelles des relations entre la charge de surface et la toxicité sont très limitées, principalement à cause des techniques de mesures mal adaptées et à la dépendance de la mesure à certaines conditions (comme le pH). La valeur obtenue peut varier selon les techniques utilisées. De multiples tests doivent être effectués pour obtenir la meilleure précision possible et les résultats doivent être rapportés avec le détail des conditions de mesures (pH et concentrations des échantillons) [12].

Tout ceci explique pourquoi ce descripteur apporte de l’imprécision au modèle et par là pourrait diminuer la robustesse d’un modèle dans lequel il est utilisé. Il est pertinent à intégrer dans un modèle mais doit être utilisé avec précaution.

  • La forme des nanoparticules, l’aire de surface, la solubilité/dispersibilité et la structure cristalline n’ont pas été prises en compte dans les modèles présentés, pourtant des études ont montré que ces paramètres peuvent influencer la toxicité de ces matériaux [1, 5, 6, 27].

Ceci pourrait avoir plusieurs raisons, telles que les difficultés de mesure de ces paramètres (et donc d’avoir des descripteurs valides), le manque de précision que ces mesures peuvent apporter et la recherche d’un allègement des systèmes de modélisation.

Tout ceci a amené les chercheurs à travailler avec des descripteurs « moins classiques », c’est-à-dire moins axés sur les paramètres physico-chimiques classiquement connus pour les nanomatériaux.

  • Les descripteurs moins classiques, tels que l’enthalpie de formation d’un cation gazeux, l’énergie des bandes de conduction, la période du métal, etc., ont été utilisés chacun seulement dans un ou deux modèles différents. Ils sont regroupés sous le terme de « descripteurs théoriques » [31]. Ils ont été déterminés selon des méthodes statistiques de différents chercheurs, n’utilisant pas les mêmes outils. Certains utilisent des méthodes de calculs basées sur la mécanique quantique ou moléculaire [32], et d’autres des méthodes plus simples comme le calcul de descripteurs à partir d’informations issues du tableau périodique des éléments [19].

Leur objectif reste néanmoins le même, trouver la plus petite combinaison possible de descripteurs décrivant le plus précisément les nanomatériaux d’intérêt et donnant la meilleure relation statistique, pour obtenir une prédiction de la toxicité des nanoparticules d’oxydes métalliques la plus fiable, la plus proche de la réalité [32].

L’utilisation de descripteurs des nanomatériaux relevant plus de la chimie quantique permettrait donc d’obtenir une meilleure précision selon les modélisateurs ainsi qu’un allègement du système (souvent très lourd avec les paramètres physico-chimiques qui génèrent de très nombreuses données).

Selon l’un des auteurs, la réduction à deux descripteurs serait plus adaptée et plus simple à utiliser, car elle facilite l’interprétation et permet de conclure sur la toxicité ou non d’un nanomatériau inconnu [3]. Ainsi, Pathakoti et al.[3] ont développé un modèle robuste de prédiction de la toxicité à l’obscurité à l’aide de deux descripteurs, l’électronégativité absolue de l’atome de métal et celle de l’oxyde de métal. La fonction à deux descripteurs utilisée dans leur modèle est, selon eux, un bon compromis entre un petit écart-type et un petit nombre de descripteurs. L’électronégativité est ici considérée comme l’une des propriétés clés pour la modélisation « structure-activité » des nanoparticules d’oxydes métalliques [3].

L’utilisation d’un petit nombre de descripteurs est conseillée par de nombreux autres spécialistes en modélisation. Les modélisateurs tendent à réduire le nombre de descripteurs à ceux les plus représentatifs des nanomatériaux d’intérêt afin de diminuer la quantité des données d’entrée dans les modèles statistiques. En effet, une grande quantité de données entraîne un temps long d’analyse et une complexité d’interprétation, et leur réduction permet de diminuer les incertitudes liées aux paramètres (mesurés expérimentalement ou calculés).

Pour cette raison, le développement de descripteurs spécifiques des nanomatériaux capables de décrire les propriétés distinctes des nanoparticules est l’une des principales demandes de recherche dans le domaine de la nanotoxicologie in silico[12]. La génération de descripteurs « nano-spécifiques » résoudrait en partie le problème de l’adaptation de l’approche (Q)SAR aux nanomatériaux [31].

On observe pour l’instant une très grande hétérogénéité dans la sélection des meilleurs descripteurs pour la construction d’un modèle prédictif robuste, notamment à cause des choix arbitraires de chacun des modélisateurs, tournés vers l’utilisation de leur propre méthode statistique. De plus, la complexité structurale et le comportement dynamique des nanomatériaux compliquent le calcul des descripteurs.

Tous ces éléments peuvent avoir des conséquences sur la modélisation [30]. Les « systèmes nano » sont trop grands à étudier pour la majorité des méthodes de chimie informatique. Il apparaît donc nécessaire de simplifier la structure des nanomatériaux dans le but de réduire le temps de traitement informatique des données pour l’évaluation des nanostructures.

Selon Tantra et al.[31], en l’absence de représentation logique des nanomatériaux, la recherche de modèles nano-(Q)SAR devrait reposer sur les descripteurs expérimentaux. Les descripteurs optimaux – considérés comme une étape de transition entre des descripteurs expérimentaux et des « nanodescripteurs » [26] – calculés dans le modèle de Toropova et al.[17] – pourraient, selon les auteurs, être utilisés tels quels comme outils pour un modèle (Q)SAR appliqué aux nanomatériaux, dès lors qu’une base de données suffisamment grande sur les substances est disponible.

Les modèles toxicologiques

D’autres facteurs peuvent jouer dans la pertinence et la fiabilité d’un modèle de prédiction de la toxicité (Q)SAR, tels que les modèles toxicologiques (cellulaires, bactériens, animaux, etc.) utilisés et/ou les tests toxicologiques mis en œuvre pour l’obtention des données toxicologiques relatives aux nanoparticules de référence, à intégrer dans un modèle (Q)SAR.

Les profils d’activité pour une vaste majorité des nanoparticules révèlent une grande hétérogénéité de réponses. Cela suggère que les données obtenues à partir d’un seul type de cellule ou de test biologique ne peuvent pas refléter toutes les informations biologiques et donner un profil complet des activités. C’est pour cette raison que Shaw et al. ont utilisé quatre types cellulaires différents (pertinents pour une injection intraveineuse du produit), et quatre essais biologiques différents, pour couvrir un plus large champ de réponses biologiques [13]. Le choix de ces auteurs est en accord avec les principes de toxicologie humaine privilégiant si possible l’utilisation de lignées cellulaires humaines et un milieu de composition chimique similaire au plasma humain pour faciliter l’extrapolation des données à l’homme.

Un autre auteur a montré la robustesse de son modèle à partir uniquement de la prédiction d’un seul type d’activité, par exemple ici l’apoptose [15]. La précision du modèle est meilleure dans ce dernier cas, mettant en jeu des paramètres précis impliqués uniquement dans cette réponse. Dans le cas de la prédiction d’un ensemble d’activités, les paramètres sont multipliés en fonction de leur implication dans les différentes réponses.

D’autre part, certains tests, communément utilisés pour évaluer la toxicité des composés non nanométriques, se sont avérés inapplicables aux substances nanométriques. Par exemple, le test d’Ames, utilisé pour déterminer la génotoxicité d’un composant, n’est pas adapté car la majorité des nanoparticules ne pénètrent pas la membrane bactérienne, ne pouvant donc pas atteindre leur cible et entraîner un effet sur l’ADN [2, 33, 34].

Enfin, les protocoles utilisés pour la réalisation des tests toxicologiques sont importants. Un protocole standardisé de dispersion du nanomatériau dans le milieu biologique doit être mis en place et la stabilité de la suspension dans le milieu doit être surveillée pour s’assurer de l’obtention de résultats toxicologiques fiables et comparables.

Il serait idéal que les données de toxicité soient générées dans un même laboratoire par un même opérateur (expérimentateur) avec un protocole standardisé. Ceci permet de minimiser les erreurs dans la base de données liées au croisement des références entre les différents laboratoires et de favoriser le développement d’un modèle QSAR de qualité. En effet, les modèles QSAR basés sur des données de la littérature ou de différents laboratoires, ont une qualité statistique plus faible à cause des variations inter-laboratoires [3].

Conclusion

Les modèles nano(Q)SAR décrits dans la littérature ont été construits à partir de nanoparticules de référence, leurs auteurs déterminant pour chacun la meilleure combinaison de descripteurs nécessaires à la meilleure prédiction possible de la toxicité de nouvelles nanoparticules. Mais ces modèles n’ont pas tous été testés sur des nanoparticules nouvelles ou non évaluées. Les auteurs suggèrent néanmoins que leur modèle peut être utilisé comme modèle prédictif valide.

De plus, ces modèles ont été développés par des chercheurs non toxicologues, plutôt de profil physicien, chimiste et modélisateur. Ce sont des modèles complexes, nécessitant souvent des compétences poussées en modélisation, et donc difficiles à utiliser par d’autres profils.

Ces modèles nécessitent donc encore de plus amples investigations pour s’assurer de leur fiabilité. La synthèse réalisée révèle surtout un grand manque d’uniformité entre chacun de ces modèles. Il y a un besoin d’une plus grande collaboration entre les différents chercheurs pour développer un modèle fiable et pertinent, utilisable à plus grande échelle. Des initiatives européennes et internationales travaillent actuellement sur ces problématiques (COST MODENA, OCDE WPMN, etc.). L’établissement d’un modèle à la suite d’une harmonisation des pratiques serait une avancée vers l’utilisation de cette approche plus tard dans le cadre d’une évaluation toxicologique des nanomatériaux d’oxydes métalliques.

Remerciements et autres mentions

Financement : aucun ; liens d’intérêts : aucun.