DruGet

Dia: 15 de agosto de 2026

  • Nanotoxicologia computacional: segurança de nanomateriais

    Nanotoxicologia computacional: segurança de nanomateriais

    A nanotecnologia já transformou diferentes setores, desde cosméticos e eletrônicos até sistemas avançados de liberação de fármacos. No entanto, à medida que novos nanomateriais são desenvolvidos, surge uma questão essencial: como avaliar seus possíveis impactos sobre a saúde humana e o meio ambiente?

    Nesse cenário, a nanotoxicologia computacional oferece novas possibilidades. Essa área combina toxicologia, modelagem computacional, nanoinformática e inteligência artificial (IA) para investigar como as propriedades dos nanomateriais podem influenciar seus efeitos biológicos.

    Além disso, métodos in silico permitem analisar grandes volumes de dados e priorizar materiais para avaliação experimental. Dessa forma, pesquisadores podem identificar potenciais riscos mais cedo e direcionar melhor os estudos de segurança.

    Revisões recentes destacam justamente o crescimento dessas abordagens para apoiar a avaliação de nanomateriais e complementar métodos experimentais tradicionais [1–3].

    O que é nanotoxicologia computacional?

    A nanotoxicologia computacional utiliza modelos matemáticos e computacionais para estudar possíveis relações entre as características de um nanomaterial, sua exposição e seus efeitos biológicos.

    Para isso, os modelos podem considerar informações como tamanho, forma, composição química, carga superficial, solubilidade, estado de agregação e outras propriedades relevantes.

    Em seguida, essas informações são relacionadas a desfechos biológicos observados experimentalmente. Assim, pesquisadores conseguem desenvolver modelos capazes de estimar o comportamento de novos materiais.

    Entretanto, nanomateriais apresentam desafios específicos. Seu comportamento não depende apenas da composição química. Tamanho, superfície, revestimento, agregação e transformações no ambiente biológico também podem modificar sua atividade.

    Por isso, a avaliação de segurança exige abordagens capazes de integrar diferentes tipos de informação [1–3].

    Por que avaliar a toxicidade dos nanomateriais?

    As propriedades que tornam os nanomateriais interessantes para aplicações tecnológicas também podem alterar sua interação com sistemas biológicos.

    Por exemplo, partículas em escala nanométrica apresentam elevada relação entre área superficial e volume. Além disso, dependendo de suas características, algumas nanopartículas podem interagir com membranas celulares, proteínas e outras estruturas biológicas de maneira diferente de materiais convencionais.

    Portanto, não é adequado avaliar sua segurança considerando apenas a composição química.

    Distribuição e interação com barreiras biológicas

    Dependendo do tamanho, da composição, da superfície e da via de exposição, alguns nanomateriais podem alcançar diferentes tecidos e compartimentos biológicos.

    Nesse contexto, compreender sua absorção, distribuição e eliminação torna-se essencial para caracterizar a exposição.

    Além disso, a formação de uma corona de proteínas ao redor das nanopartículas pode modificar seu comportamento no organismo. Consequentemente, a identidade biológica de uma nanopartícula pode ser diferente daquela observada antes do contato com fluidos biológicos.

    Estresse oxidativo

    Outro mecanismo frequentemente investigado na nanotoxicologia é o estresse oxidativo.

    Alguns nanomateriais podem favorecer a formação de espécies reativas de oxigênio (ROS). Quando esse processo supera a capacidade antioxidante das células, podem ocorrer alterações em lipídios, proteínas e material genético.

    Como resultado, pesquisadores investigam o estresse oxidativo como um dos mecanismos associados a diferentes desfechos toxicológicos relacionados à exposição a nanomateriais [2,3,5].

    Inflamação e toxicidade pulmonar

    A via inalatória também recebe atenção especial.

    Certos nanomateriais inaláveis podem alcançar regiões profundas do sistema respiratório. Dependendo de suas propriedades e do nível de exposição, eles podem desencadear respostas inflamatórias.

    Além disso, estudos com determinados nanomateriais, incluindo alguns nanotubos de carbono, investigam possíveis associações com inflamação persistente e alterações fibróticas.

    Entretanto, esses efeitos não podem ser generalizados para todos os nanomateriais. A toxicidade depende das propriedades específicas do material, da dose, da duração e da via de exposição [2,4,5].

    Como a nanotoxicologia computacional ajuda a prever riscos?

    Tradicionalmente, a avaliação toxicológica depende de uma combinação de estudos experimentais in vitro e in vivo.

    No entanto, o número crescente de novos nanomateriais torna difícil avaliar cada possibilidade apenas por métodos experimentais. Além disso, existe uma demanda crescente por estratégias capazes de reduzir o uso de animais e tornar a avaliação de segurança mais eficiente.

    Nesse contexto, métodos in silico oferecem uma oportunidade importante.

    A nanotoxicologia computacional permite integrar dados físico-químicos e biológicos para identificar padrões associados a determinados efeitos. Consequentemente, esses modelos podem ajudar a priorizar materiais, selecionar experimentos e apoiar estratégias de desenvolvimento mais seguras [1–3].

    Nano-QSAR e Machine Learning

    Uma das principais aplicações envolve os modelos Nano-QSAR, uma adaptação das relações quantitativas entre estrutura e atividade (QSAR) para nanomateriais.

    Esses modelos relacionam propriedades do material a respostas biológicas conhecidas. Para isso, podem utilizar características como tamanho, composição, carga superficial e outros descritores.

    Além disso, algoritmos de Machine Learning conseguem explorar relações complexas entre essas variáveis. Dessa forma, os modelos podem identificar padrões que métodos estatísticos tradicionais nem sempre detectam.

    Estudos recentes apontam o potencial dessas abordagens para classificação, priorização e avaliação de riscos ambientais associados a nanomateriais [1–3].

    Inteligência artificial e dados ômicos

    A integração entre inteligência artificial e dados ômicos representa outra frente promissora.

    Experimentos transcriptômicos, por exemplo, podem medir alterações na expressão de milhares de genes após a exposição a um material. Entretanto, interpretar esse volume de informações representa um desafio significativo.

    Nesse cenário, algoritmos de Machine Learning ajudam a reduzir a complexidade dos dados e identificar assinaturas associadas a respostas biológicas específicas.

    Um estudo publicado em Nanoscale Horizons, por exemplo, demonstrou uma estratégia para condensar informações transcriptômicas em uma variável preditiva relacionada à resposta toxicológica. Essa abordagem pode facilitar a priorização de materiais para investigações mais aprofundadas [4].

    Dinâmica molecular, docking e métodos quânticos

    A modelagem molecular também pode contribuir para compreender as interações entre nanomateriais e sistemas biológicos.

    Simulações de dinâmica molecular permitem investigar interações entre superfícies, membranas, proteínas e outros componentes em escala molecular.

    Por outro lado, métodos de química quântica, como a Teoria do Funcional da Densidade (DFT), podem fornecer informações sobre propriedades eletrônicas e reatividade química.

    Além disso, estratégias de docking podem ser úteis em contextos específicos para investigar interações entre componentes de nanosistemas e alvos moleculares.

    Portanto, essas técnicas não representam uma única solução para a avaliação de nanotoxicidade. Em vez disso, fornecem diferentes níveis de informação que podem ser integrados a dados experimentais e outros modelos computacionais [2,3].

    Modelagem PBPK e o comportamento dos nanomateriais no organismo

    Outra ferramenta importante é a modelagem farmacocinética baseada em fisiologia, conhecida como PBPK (Physiologically Based Pharmacokinetic Modeling).

    Esses modelos representam matematicamente diferentes órgãos e tecidos. Dessa forma, permitem simular como uma substância se distribui pelo organismo ao longo do tempo.

    Para nanomateriais, entretanto, essa modelagem exige adaptações. Processos como captação celular, distribuição tecidual, dissolução e eliminação podem diferir daqueles observados para pequenas moléculas.

    Ainda assim, modelos PBPK podem ajudar a integrar dados experimentais e explorar cenários de exposição. Consequentemente, eles contribuem para uma compreensão mais ampla da biodistribuição de determinados nanomateriais [2,3].

    Nanotoxicologia computacional e Safe-by-Design

    Talvez uma das maiores oportunidades da nanotoxicologia computacional esteja na aplicação do conceito de Safe-by-Design.

    Em uma abordagem tradicional, pesquisadores podem identificar problemas de segurança somente depois de desenvolver e testar um novo material.

    O conceito de Safe-by-Design propõe outra lógica. Nesse caso, a segurança passa a integrar as decisões desde as primeiras etapas do desenvolvimento.

    Por exemplo, modelos computacionais podem comparar diferentes características de superfície, tamanhos, composições ou revestimentos antes da seleção final do material.

    Assim, pesquisadores conseguem priorizar alternativas que conciliem desempenho e um perfil de segurança mais favorável.

    Além disso, essa estratégia reduz experimentos desnecessários e permite direcionar os recursos para os materiais mais promissores.

    A inteligência artificial substitui os testes experimentais?

    Ainda não.

    Apesar dos avanços, modelos computacionais dependem diretamente da qualidade dos dados utilizados para seu desenvolvimento e validação. Além disso, a grande diversidade de nanomateriais dificulta a criação de modelos universalmente aplicáveis.

    Por isso, abordagens in silico devem integrar estratégias de avaliação que também incluam métodos experimentais adequados.

    Nesse contexto, a inteligência artificial atua principalmente como uma ferramenta de apoio. Ela ajuda a priorizar materiais, formular hipóteses e identificar riscos potenciais antes de experimentos mais complexos.

    Consequentemente, a combinação entre métodos computacionais e experimentais pode tornar a avaliação de segurança mais rápida, racional e eficiente [1–3].

    O futuro da nanotoxicologia computacional

    O crescimento da nanotecnologia exige novas estratégias para avaliar um número cada vez maior de materiais.

    Nesse cenário, inteligência artificial, Machine Learning, Nano-QSAR, dados ômicos e modelagem molecular oferecem ferramentas importantes para organizar informações e gerar previsões.

    Além disso, o avanço da nanoinformática pode facilitar a criação de bancos de dados mais padronizados. Dados de maior qualidade, por sua vez, permitem desenvolver modelos mais robustos e confiáveis.

    Por fim, a integração entre ciência de dados e toxicologia pode fortalecer estratégias de Safe-by-Design. Assim, a segurança deixa de ser apenas uma avaliação realizada no final do processo e passa a fazer parte da própria concepção do nanomaterial.

    A nanotoxicologia computacional, portanto, não elimina a experimentação. Pelo contrário, ela ajuda a tornar os experimentos mais direcionados, informativos e eficientes.

    Como a DruGet pode contribuir para a avaliação de segurança

    A crescente complexidade dos nanomateriais exige abordagens capazes de integrar diferentes tipos de dados e apoiar decisões ainda nas etapas iniciais do desenvolvimento.

    Nesse sentido, ferramentas de toxicologia computacional podem auxiliar na identificação de alertas, na análise de propriedades e na priorização de candidatos para avaliação experimental.

    Além disso, a combinação entre métodos in silico e conhecimento toxicológico permite estruturar estratégias mais eficientes de avaliação de segurança.

    Na DruGet, utilizamos abordagens computacionais para apoiar equipes de P&D na avaliação preditiva de candidatos e na identificação precoce de potenciais riscos.

    Assim, buscamos contribuir para um desenvolvimento mais racional, eficiente e orientado por evidências.

    Referências

    [1] Li, Y. et al. Computational Nanotoxicology Models for Environmental Risk Assessment of Engineered Nanomaterials. Nanomaterials, 2024.

    [2] Sharma, S. et al. In silico Nanotoxicology: The Computational Biology State of Art for Nanomaterial Safety Assessments. Materials & Design, 2023/2024.

    [3] Khan, T. et al. An Insight into In Silico Strategies Used for Exploration of Medicinal Utility and Toxicology of Nanomaterials. Computational Biology and Chemistry, 2025.

    [4] Muratov, V. et al. TRIumph in Nanotoxicology: Simplifying Transcriptomics into a Single Predictive Variable. Nanoscale Horizons, 2025.

    [5] Comprehensive Insights into Mechanism of Nanotoxicity. PubMed Central, 2024.

  • Computational Nanotoxicology and Nanomaterial Safety

    Computational Nanotoxicology and Nanomaterial Safety

    Nanotechnology has already transformed several industries, from cosmetics and electronics to advanced drug delivery systems. However, as scientists develop new nanomaterials, an important question arises: how can we assess their potential effects on human health and the environment?

    In this context, computational nanotoxicology offers new possibilities. This field combines toxicology, computational modeling, nanoinformatics, and artificial intelligence (AI) to investigate how the properties of nanomaterials may influence their biological effects.

    Moreover, in silico methods can analyze large amounts of data and help researchers prioritize materials for experimental testing. As a result, scientists can identify potential risks earlier and better guide safety studies.

    Recent reviews highlight the growing role of these computational approaches in nanomaterial safety assessment. Importantly, these methods complement rather than replace traditional experimental approaches [1–3].

    What Is Computational Nanotoxicology?

    Computational nanotoxicology uses mathematical and computational models to study the relationships between nanomaterial properties, exposure, and potential biological effects.

    For this purpose, models can consider factors such as size, shape, chemical composition, surface charge, solubility, aggregation state, and other relevant properties.

    Researchers then connect this information with biological outcomes observed in experiments. In this way, they can develop models that estimate how new materials may behave.

    However, nanomaterials present unique challenges. Their behavior depends on more than chemical composition alone. Size, surface properties, coatings, aggregation, and transformations within biological environments may also alter their activity.

    Therefore, safety assessment requires approaches that can integrate multiple types of information [1–3].

    Why Do We Need to Evaluate Nanomaterial Toxicity?

    The same properties that make nanomaterials attractive for technological applications may also influence how they interact with biological systems.

    For example, nanoscale particles have a high surface-area-to-volume ratio. In addition, depending on their characteristics, some nanoparticles may interact with cell membranes, proteins, and other biological structures differently from conventional materials.

    Therefore, chemical composition alone is not sufficient to determine nanomaterial safety.

    Distribution and Interaction With Biological Barriers

    Depending on their size, composition, surface properties, and route of exposure, some nanomaterials may reach different tissues and biological compartments.

    In this context, understanding their absorption, distribution, and elimination is essential for characterizing exposure.

    Furthermore, the formation of a protein corona around nanoparticles can alter their behavior in the body. Consequently, the biological identity of a nanoparticle may differ from its original state before contact with biological fluids.

    Oxidative Stress

    Oxidative stress is another mechanism frequently investigated in nanotoxicology.

    Some nanomaterials may promote the formation of reactive oxygen species (ROS). When ROS production exceeds the antioxidant capacity of cells, damage to lipids, proteins, and genetic material may occur.

    As a result, researchers investigate oxidative stress as one of the mechanisms associated with several toxicological outcomes following nanomaterial exposure [2,3,5].

    Inflammation and Pulmonary Toxicity

    The inhalation route also requires special attention.

    Certain inhalable nanomaterials may reach deep regions of the respiratory system. Depending on their properties and the level of exposure, they may trigger inflammatory responses.

    In addition, studies involving specific nanomaterials, including some carbon nanotubes, have investigated possible associations with persistent inflammation and fibrotic changes.

    However, these effects cannot be generalized to all nanomaterials. Toxicity depends on the specific properties of the material, as well as the dose, duration, and route of exposure [2,4,5].

    How Does Computational Nanotoxicology Help Predict Risks?

    Traditionally, toxicological assessment relies on a combination of in vitro and in vivo experimental studies.

    However, the growing number of new nanomaterials makes it difficult to evaluate every possibility using experimental methods alone. At the same time, there is increasing demand for strategies that reduce animal use and make safety assessment more efficient.

    In this context, in silico methods provide an important opportunity.

    Computational nanotoxicology integrates physicochemical and biological data to identify patterns associated with specific effects. Consequently, these models can help prioritize materials, select relevant experiments, and support safer development strategies [1–3].

    Nano-QSAR and Machine Learning

    One of the main applications of computational nanotoxicology involves Nano-QSAR models. These models adapt Quantitative Structure–Activity Relationship (QSAR) approaches to nanomaterials.

    Nano-QSAR models connect material properties with known biological responses. For example, they may consider size, composition, surface charge, and other relevant descriptors.

    In addition, machine learning algorithms can explore complex relationships among these variables. As a result, they may identify patterns that conventional statistical methods do not easily detect.

    Recent studies highlight the potential of these approaches for classification, prioritization, and environmental risk assessment of nanomaterials [1–3].

    Artificial Intelligence and Omics Data

    The integration of artificial intelligence with omics data represents another promising area.

    Transcriptomic experiments, for example, can measure changes in the expression of thousands of genes after exposure to a material. However, interpreting such a large amount of information is challenging.

    In this context, machine learning algorithms can reduce data complexity and identify signatures associated with specific biological responses.

    For example, a study published in Nanoscale Horizons demonstrated a strategy for condensing transcriptomic information into a predictive variable related to toxicological response. Therefore, this approach may help researchers prioritize materials for further investigation [4].

    Molecular Dynamics, Docking, and Quantum Methods

    Molecular modeling can also help researchers understand interactions between nanomaterials and biological systems.

    Molecular dynamics simulations, for example, can investigate interactions between surfaces, membranes, proteins, and other biological components at the molecular level.

    In contrast, quantum chemistry methods such as Density Functional Theory (DFT) can provide information about electronic properties and chemical reactivity.

    In addition, molecular docking may be useful in specific contexts to investigate interactions between components of nanosystems and molecular targets.

    However, these methods do not provide a single solution for nanotoxicity assessment. Instead, each technique provides a different type of information. Therefore, researchers can combine their results with experimental data and other computational models [2,3].

    PBPK Modeling and Nanomaterial Behavior in the Body

    Another important computational approach is Physiologically Based Pharmacokinetic (PBPK) modeling.

    PBPK models mathematically represent different organs and tissues. Therefore, they can simulate how a substance moves through the body over time.

    For nanomaterials, however, researchers need to adapt these models. Processes such as cellular uptake, tissue distribution, dissolution, and elimination may differ from those observed for small molecules.

    Nevertheless, PBPK models can integrate experimental data and explore different exposure scenarios. Consequently, they contribute to a broader understanding of nanomaterial biodistribution [2,3].

    Computational Nanotoxicology and Safe-by-Design

    One of the most promising applications of computational nanotoxicology is the Safe-by-Design concept.

    In a traditional development process, researchers may discover safety problems only after they have produced and tested a new material.

    Safe-by-Design follows a different strategy. In this approach, researchers consider safety from the earliest stages of development.

    For example, computational models can compare different surface properties, particle sizes, compositions, or coatings before researchers select the final material.

    As a result, development teams can prioritize alternatives that combine technological performance with a more favorable safety profile.

    Furthermore, this strategy can reduce unnecessary experiments and direct resources toward the most promising materials.

    Can Artificial Intelligence Replace Experimental Testing?

    Not yet.

    Despite recent advances, computational models depend heavily on the quality of the data used for their development and validation. Moreover, the enormous diversity of nanomaterials makes it difficult to create models that apply universally.

    Therefore, researchers should integrate in silico methods with appropriate experimental approaches.

    In this context, artificial intelligence primarily acts as a decision-support tool. For example, AI can help prioritize materials, generate hypotheses, and identify potential risks before more complex experiments begin.

    Consequently, combining computational and experimental methods can make safety assessment faster, more rational, and more efficient [1–3].

    The Future of Computational Nanotoxicology

    The rapid growth of nanotechnology requires new strategies to evaluate an increasing number of materials.

    In this context, artificial intelligence, machine learning, Nano-QSAR, omics data, and molecular modeling provide valuable tools for organizing information and generating predictions.

    Furthermore, advances in nanoinformatics may support the development of more standardized databases. Better-quality data, in turn, can lead to more robust and reliable predictive models.

    Finally, integrating data science with toxicology can strengthen Safe-by-Design strategies. In this way, safety becomes part of nanomaterial development from the beginning rather than an assessment performed only at the end of the process.

    Therefore, computational nanotoxicology does not eliminate the need for experimentation. Instead, it helps make experiments more targeted, informative, and efficient.

    How Can DruGet Support Nanomaterial Safety Assessment?

    The growing complexity of nanomaterials requires approaches that can integrate multiple types of data and support decisions during the early stages of development.

    In this context, computational toxicology tools can help identify alerts, analyze relevant properties, and prioritize candidates for experimental evaluation.

    Furthermore, combining in silico methods with toxicological expertise can support more efficient safety assessment strategies.

    At DruGet, we use computational approaches to support R&D teams in predictive candidate assessment and the early identification of potential risks.

    Therefore, our goal is to contribute to a more rational, efficient, and evidence-based development process.

    References

    [1] Li, Y. et al. Computational Nanotoxicology Models for Environmental Risk Assessment of Engineered Nanomaterials. Nanomaterials, 2024.

    [2] Sharma, S. et al. In silico Nanotoxicology: The Computational Biology State of Art for Nanomaterial Safety Assessments. Materials & Design, 2023/2024.

    [3] Khan, T. et al. An Insight into In Silico Strategies Used for Exploration of Medicinal Utility and Toxicology of Nanomaterials. Computational Biology and Chemistry, 2025.

    [4] Muratov, V. et al. TRIumph in Nanotoxicology: Simplifying Transcriptomics into a Single Predictive Variable. Nanoscale Horizons, 2025.

    [5] Comprehensive Insights into Mechanism of Nanotoxicity. PubMed Central, 2024.