Alleen via AI en machine learning kunnen we grip krijgen op alle chemicaliën om ons heen

De totale hoeveelheid moleculen waaraan we worden blootgesteld wordt in de wetenschap het 'exposoom chemische ruimte' genoemd, en dit staat centraal in Samanipours wetenschappelijke inspanningen. Hij streeft ernaar deze enorme moleculaire ruimte te verkennen en in kaart te brengen. Dit is gedreven door zowel nieuwsgierigheid als noodzaak, aangezien directe en indirecte blootstelling aan talloze, vaak onbekende chemicaliën een aanzienlijke bedreiging vormt voor de menselijke gezondheid. Volgens schattingen is 16% van de wereldwijde vroegtijdige sterfgevallen gelinkt aan vervuiling. Ook het milieu lijdt eronder, wat bijvoorbeeld te zien is aan het verlies van biodiversiteit.

De huidige benadering is inherent passief en op zijn best reactief. We voelen pas de noodzaak om chemicaliën te analyseren nadat we de effecten van blootstelling waarnemen. Deze benadering heeft tot vele problemen geleid, zoals de recente crisis met PFAS-chemicaliën. Bovendien zijn regulerende maatregelen voornamelijk gericht op chemicaliën met een zeer specifieke moleculaire structuur die in grote hoeveelheden worden geproduceerd. Er zijn echter talloze andere chemicaliën waarvan we weinig weten, zowel door de natuur geproduceerd als door de transformatie van door de mens gemaakte chemicaliën. Vooral deze laatste categorie is systematisch over het hoofd gezien.

De conventionele chemische analyse is bevooroordeeld ten opzichte van bekende of voorgestelde structuren, omdat dit essentieel is voor het interpreteren van gegevens verkregen met analytische methoden zoals chromatografie en massaspectrometrie. Dit leidt tot het over het hoofd zien van meer 'onverwachte' chemicaliën. Hoewel de zogeheten non-targeted analysis (NTA) deze bias vermijdt, blijven de resultaten beperkt. In de afgelopen vijf jaar zijn 1600 chemicaliën geïdentificeerd, terwijl elk jaar alleen al op de Amerikaanse markt ongeveer 700 nieuwe chemicaliën worden geïntroduceerd.

Om deze uitdagingen aan te pakken, stelt Samanipour voor om machine learning en kunstmatige intelligentie te gebruiken. Hij pleit voor een datagedreven aanpak langs verschillende lijnen: intensiever dataminen, retrospectieve analyses uitvoeren op reeds beschikbare analytische gegevens en AI gebruiken om de structuur en reikwijdte van de exposoom chemische ruimte te begrijpen.

Bron: UvA.nl