Predicción de mutagénesis en muestras de material particulado por optimización de modelos QSARs sensibles a concentración.

MARINO, D.J.; MASSOLO, L., CASTRO, E.A.; RONCO, A.E

Lima, Peru

Congreso; IX Congreso SETAC Latinoamérica. Society of Environmental Toxicology; 2009

SETAC

El objetivo del trabajo fue construir un modelo predictivo de mutagénesis, derivado de un banco de datos existente en el CIMA, formado por concentraciones de los 16 Hidrocarburos Policíclicos Aromáticos (HAPs) prioritarios de la USEPA, asociados al Material Particulado y sus respectivas respuestas mutagénicas. Para ello se correlacionaron distintas propiedades fisicoquímicas de los HAPs con descriptores electrónicos y topológicos. A partir de ello se construyeron variables independientes complejas que contienen a los descriptores moleculares de mayor peso predictivo y a la concentración de los distintos HAPs.  Las respuestas biológicas, mutagénica y no mutagénica, fueron codificadas en sistema binario (1,0) respectivamente. La aplicación de Redes Neuronales Artificiales y Análisis de Componentes Principales mostró que las variables de mayor peso en la clasificación de los datos biológicos fueron aquellas que contenían en su construcción los compuestos clasificados como mutagénicos por le USEPA. Se exploraron distintas correlaciones entre los conjuntos binarios, como variable dependiente, y las variables sensibles a la concentración. Los parámetros estadísticos del mejor modelo obtenido fueron: r=0,9940; S=0,06 y F=57, para n=21. El modelo logrado fue aplicado a muestras de la región para su validación y posteriormente se utilizó para clasificar muestras de material particulado sobre las cuales no se habían podido determinar sus características mutagénicas por problemas en el ensayo de Ames. El modelo logrado resulta ser muy simple y confiable y aporta una herramienta robusta para una clasificación rápida de muestras de material particulado, según sus características mutagénicas, por la sola cuantificación de algunos HAPs contenidos en ellas.