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.
