برترین کاربران هفتگی این مقاله

از ۱۳۹۷/۰۹/۱۷ تا ۱۳۹۷/۰۹/۲۳

هیچ کاربری در این بازه زمانی وجود ندارد

آمار مقاله
  • بازدید کل ۸۸
  • بازدید این ماه ۲۳
  • بازدید امروز ۰
آمار آزمون مقاله
  • کل شرکت کنندگان ۵
  • قبول شدگان ۴
  • شرکت کنندگان یکتا ۵
  • میانگین درصد شرکت کنندگان ۸۰
واژه نامه فناوری نانو

نانو

nano

پيشوندي به معناي يک بيليونم يا (000،000،000،1/1). در متون فناوري‌نانو، معمولا براي مشخص کردن يک واحد اندازه‌گيري برابر با 10 به توان منفي 9 متر استفاده مي‌شود.

سطح مقاله

تخصصی

نویسندگان
کلمات کلیدی
امتیاز کاربران

مدل‌های درون‌تراشه‌ای و رابطه کمّی ساختار- فعالیت (QSAR) در ارزیابی‌های سمیّت‌شناختی نانوذرات

در این مقاله به برخی از نتایج حاصل از مطالعات مبتنی بر مدل‌سازی درون‌تراشه‌ای (In Silico) اشاره خواهد ‌شد که شیمی‌دان‌ها و فیزیک‌دان‌ها هم‌اکنون از آن‌ها برای تهیه مدل از رفتار نانومواد در سیستم‌های زیستی استفاده می‌کنند. این رویکرد‌‌ها، کاربرد گسترده‌ای داشته و توان قابل ‌ملاحظه‌ای برای پیشبرد مطالعات تجربی و همچنین طراحی نانومواد در حیطه پزشکی و غیره از خود نشان می‌دهند. یکی از مهم‌ترین مدل‌سازی‌ها مدل Quantitative Structure-Activity Relationship (QSAR) است؛ لذا دستاوردها و مسائل مربوط به این مدل، رابطه کمّی میان ساختار- فعالیت (QSAR)، در مدل‌سازی نانومواد با هدف توصیف برهم‌کنش میان نانو و بیو به اختصار بیان شده است. این برهم‌کنش‌ها و فعل‌و‌انفعالات، عامل وقوع فعالیت‌های زیستی در نانو‌مواد موجود در اندامگان‌های زنده به شمار می‌آیند.

1- مقدمه

شناخت و آگاهی کامل از رابطه میان شاخص‌‌های فیزیکو-شیمیایی و رفتار نانومواد در سیستم‌های زیستی از پیش‌نیازهای الزامی در طراحی نانومواد کاربردی و مؤثر (مانند نانوداروهای ایمن) به شمار می‌آید. اما، سنتز و آزمایش تمام مواد یک فرایند، زمان‌بر و پرهزینه خواهد بود و به همین علت پژوهشگران در صدد توسعه مدل‌های درون‌تراشه‌ای برای پیش‌بینی رفتار نانومواد و به‌خصوص سمیّت آن در سیستم‌های زیستی برآمده‌اند. معمولاً روش‌های مدل‌سازی در راستای توسعه این مدل‌های پیش‌بینی شامل پنج مرحله اصلی زیر است (شکل 1):

1. جمع‌آوری داده‌های زیستی ارتباط‌دهنده بین عوامل شیمیایی و سمیّت؛

2. محاسبه توصیف‌گرهای مولکولی عوامل شیمیایی؛

3. ایجاد یک مدل پیش‌بینی؛

4. ارزیابی صحت مدل؛

5. ارائه مدل.

نتایج این پیش‌بینی‌ها امکان طراحی آزمایش‌های گوناگون، اولویت‌بندی آن‌ها و کارآمدتر کردن تحقیقات در زمینه نانومواد واقعی را برای پژوهشگران فراهم می‌کند [1و2].

 

شکل 1- مراحل اصلی در توسعه مدل‌های پیش‌بینی درون‌تراشه‌ای [1]

 

مطالعات مربوط به شناسایی و پیش‌بینی فعالیت زیستی و سمیّت همواره با استناد به روش‌های QSAR اجرا می‌شود. روش QSAR یک مدل آماری است که میان مجموعه‌ای از توصیف‌گرهای ساختاری یا مشخصه‌ای (xn) یک ترکیب شیمیایی با فعالیت‌های زیستی آن ترکیب، رابطه برقرار می‌سازد؛ به‌عنوان مثال می‌توان به مقادیر غلظت مؤثر (EC50) Half Maximal Effective Concentration اشاره کرد:

 

(1-1)

 

این توصیف‌گرها شامل پارامترهای آب‌گریزی، ساختار سه‌بعدی، مشخصه‌های الکترونی و اثرات فضایی هستند که به‌صورت تجربی یا به‌واسطه روش‌های رایانه‌ای تعیین شده‌اند، در حالی‌که فعالیت‌ها یا کُنش‌‌ها، از طریق سنجش‌های شیمیایی و ارزیابی‌های زیستی تعیین خواهند شد. روش QSAR کاملاً شناخته‌شده و معتبر است و کاربرد گسترده‌ای در اکتشافات دارویی و مدل‌سازی سمیّت شیمیایی در جهت طراحی ترکیبات ‌شیمیایی دارد و اهمیت روبه‌رشد آن در فراهم کردن اطلاعات کلیدی در تعدادی از قوانین اصلی مانند قانون ثبت، ارزیابی، صدور مجوز و محدودیت مواد شیمیایی Registration, Evaluation, Authorization and Restriction of Chemicals (REACH) نشان داده شده است، که به‌عنوان یک روش مورد قبول در شرایط خاص به‌منظور پرکردن خلأ‌های موجود در خصوص مواد شیمیایی آزمون ‌نشده مورد استفاده است. بر‌خلاف آن‌که سودمندی و کارکرد مفید فناوری QSAR در مدل‌سازی ترکیبات شبه‌دارویی به اثبات رسیده است، اما کاربرد آن در پیش‌بینی فعالیت ‌زیستی نانومواد همچنان محدود است. از دیدگاه کاربردی، نقصان داده‌های معتبر و کافی از ترکیبات آزمون‌ شده تحت شرایط آزمایشگاهی مشابه (این شرایط، از‌جمله پیش‌نیازهای مهم برای تهیه یک مدل معنادار از QSAR به شمار می‌آید) وجود دارد. از سوی دیگر، ارائه یک تعریف دقیق برای ساختار یک نانوماده بسیار دشوار است و همین مسئله، شناسایی و توسعه توصیف‌گرها و همچنین تعیین مشخصه‌های فیزیکو-شیمیایی نانومواد را با چالش‌های بزرگ روبه‌رو می‌سازد. علاوه ‌بر این، نانومواد شامل مجموعه‌های بزرگ و پیچیده از عناصر آلی یا غیرآلی هستند که کمیت عناصر (stoichiometry) هرکدام از آن‌ها با دیگری تفاوت دارد؛ به همین علت، نمی‌توان از توصیف‌گرهای مولکولی کلاسیک برای پیشبرد این نوع از مطالعه استفاده کرد یا دستِ‌کم، بهره‌گیری از این توصیف‌گرها مستلزم اتخاذ رویکردهای پرهزینه و زمان‌بَر رایانه‌ای خواهد بود؛ به‌عنوان مثال مشخصه‌های ساختاری یک نانوذره اکسید فلزی شامل نوع و مساحت سطح بیرونی ذره، نوع و چگالی سایت‌های فعال و چگالی گروه‌های هیدروکسیل و همچنین تأثیرات ناشی از تغییر اندازه نانومواد یا تغییر شرایط محیطی است.

یکی دیگر از رویکردهای مورد استفاده برای مدل‌سازی مشخصه‌های نانومواد و به‌ویژه نمونه‌هایی که از اتم‌های کربن ساخته شده‌اند (نظیر فولرین، نانولوله‌های کربنی و غیره)، استفاده از مدل‌های مبتنی بر مکانیک مولکولی است. مکانیک مولکولی عبارت است از توصیفات مربوط به ساختارهای مولکولی که بر مبنای مفاهیم و مضامین فیزیک کلاسیک مطرح می‌شوند. در این راستا برای توصیف انرژی که مولکول برای خروج از هندسه ایده‌آل خود صرف می‌کند، از معادلات میدان نیرو استفاده می شود:


(2-1)  E=Ecovalent + Enonbonded
(3-1)  Ecovalent=Ecovalent + Ebond +Edihedral
(4-1)  Enobonded =Eelectrostatic + Evan der Waals

(5-1)     
 

معادلاتی نظیر معادله (1-5) در یک الگوریتم بهینه‌سازی به‌کار‌گرفته می‌شوند تا هندسه بهینه یک ساختار برطبق حداقل انرژی مورد نیاز تعیین شود. روش‌های مبتنی بر مکانیک مولکولی، به الکترون‌ها ارجاع نمی‌کنند و به همین علت ‌می‌توانند با مشخصه‌های الکترونی نظیر توزیع بار یا رفتارهای الکترون‌دوستی یا هسته‌دوستی ترکیبات در ارتباط باشند. این روش‌ها معمولاً در مطالعات QSAR و به‌منظور تعیین ساختار سه‌بعدی مولکول‌های آلی (مانند صورت‌بندی با حداقل انرژی (Lowest energy Conformer)) و برهم‌کنش‌های غیرپیوندی آن‌ها با محیط و به‌ویژه با یک درشت‌مولکول (macromolecule) هدف به‌کار‌گرفته می‌‌شوند. این ساختارهای سه‌بعدی در ادامه به‌عنوان یک ورودی برای محاسبه توصیف‌گرهای سه‌بعدی یا در فرایند تحلیل جورشوندگی (اتصال) (Docking Analyses) مورد استفاده قرار خواهند گرفت [2].

روش‌های جورشوندگی (اتصال) (Docking techniques)، برمبنای ترجمه مفهوم قفل و کلید در مطالعات مربوط به رابطه میان آنزیم و مهارکننده طراحی شده و با هدف محاسبه برترین تناسب میان یک ترکیب شیمیایی و یک درشت‌مولکول هدف به کار گرفته می‌شوند.

مکانیک مولکولی، در شبیه‌سازی‌های دینامیکی و همچنین به‌منظور محاسبه رفتار وابسته به زمان سیستم‌های مولکولی مورد استفاده قرار می‌گیرند، بر‌اساس نیروی وارده به هر اتم امکان تعیین شتاب اتم‌ها در یک سیستم وجود دارد. با ترکیب معادلات مربوط به حرکت با یکدیگر، عبارتی به دست می‌آید که موقعیت مکانی، سرعت و شتاب ذرات و روند تغییر این مشخصات در طول زمان را مشخص می‌کند. با استفاده از این عبارت می‌توان مقدار میانگین مشخصه‌های فیزیکو-شیمیایی را نیز به دست آورد [2].

یکی دیگر از رویکردهایی که هم‌اکنون در مدل‌سازی مشخصه‌های نانومواد (مشخصاً ذره‌هایی که از فلز و اتم‌های سنگین ساخته شده‌اند) کاربرد دارد، برمبنای نظریه تابع چگالی (Density function Theory (DFT)) طراحی شده است. نظریه تابع چگالی یک روش شناخته‌شده مبتنی بر مکانیک کوانتوم است که با هدف بررسی ساختار الکترونی سیستم‌های چندپیکره‌ای به کار گرفته می‌شود. بهره‌گیری از قدرت بالای مفهوم تابع چگالی، از‌جمله اقدامات ضروری در جهت تعریف و تشریح مفاهیم مهم در زمینه فعالیت مولکولی به شمار می‌آید. در نظریه تابع چگالی، هر سیستم شیمیایی به‌واسطه یک پتانسیل شیمیایی الکترونیک (µ) و یک سختی شیمیایی مطلق (η) تعریف می‌شود. این پارامترها، توصیف‌گرهای فعالیت گونه‌های شیمیایی هستند که می‌توان از آن‌ها برای بازنمایی فرایند انتقال الکترون در سیستم‌های ترکیبی استفاده کرد. پتانسیل شیمیایی (Chemical Potential) بیانگر گرایش ابر الکترونی به فرار از حالت تعادل بوده و به‌عنوان مشتق انرژی الکترونیک حالت پایه (انرژی فرار الکترون از حالت پایه) (Derivative of the ground-state electronic energy) (E)، با ‌توجه ‌به تعداد الکترون‌ها (N)، تعریف ‌می‌شود و در نمودار E و N، نسبت به N یک خط صاف و مستقیم نیست؛ بلکه عموماً به سمت بالا محدب است. این انحنا که مشتق ثانویه E به شمار می‌آید، سختی شیمیایی مطلق (Absolute Chemical Hardness) را نشان می‌دهد. سختی شیمیایی مطلق عبارت است از مقاومت در برابر انتقال بار (Charge Transfer). ضمن بهره‌گیری از تقریب تفاضل محدود، می‌توان توصیف‌گرهای فعالیت را برحسب پتانسیل یونش عمودی (Ionization Potential (IP)) و میل ترکیبی الکترون (Electron affinity (EA)) محاسبه کرد:

(6-1)    

(7-1) 

 

پتانسیل شیمیایی، معادل صورت منفی مفهوم الکترونگاتیویته (Electronegativity) در شیمی ساختاری کلاسیک است و یک بخش از تقسیم (IP + EA) بر 2، به‌عنوان فرمول اصلی مولیکن (Mulliken formula) جهت محاسبه الکترونگاتیویته محسوب می‌شود. عبارت تفاضل محدود که برای سختی در نظر گرفته شده معادل گاف انرژی (Band Gap) است که خود عبارت است از تفاوت میان انرژی‌های بالاترین اوربیتال مولکولی اشغال‌شده (HOMO) و پایین‌ترین اوربیتال مولکولی اشغال‌نشده (LUMO) در یک نظریه اوربیتال ساده. توصیف‌گرهای فعالیت جایگاه قابل ملاحظه‌ای در مطالعات QSAR پیدا کرده‌اند و محاسبه انرژی‌های HOMO و LUMO در مولکول غالباً با هدف پیش‌بینی مشخصات فعالیت، رفتار فوتوکاتالیستی و رسانایی آن‌ها صورت می‌گیرد [2].

 

2- مدل‌های QSAR و QSPR برای نانومواد

پوزین (Puzyn) و همکارانش در پژوهشی توسعه یک مدل QSAR برای پیش‌بینی سمیّت سلولی انواع نانوذرات اکسید فلزی منتشر کرده‌اند. این پژوهشگران، سمیّت سلولی 17 نانوذره اکسید فلزی را در مجاورت با باکتری اشرشیاکولی به گونه‌ای نظام‌مند مورد بررسی قرار داده و بر‌اساس داده‌های مربوط به سمیّت و توصیف‌گرهای ساختاری محاسبه‌شده، یک مدل برای پیش‌بینی سمیّت سلولی نانومواد دیگر طراحی کرده‌اند. سمیّت سلولی به معنی غلظت مؤثری از ماده است که  در حضور آن، احتمال بقای باکتری به 50 درصد کاهش پیدا می‌کند. در این آزمایش‌ها، از یک مجموعه نانوذره، حاوی 10 ترکیب برای توسعه مدل QSAR و یک مجموعه دیگر حاوی 7 نانوذره مختلف برای سنجش اعتبار مدل استفاده شده است. این پژوهشگران به موازات آزمون‌های سمیّت‌شناسی مجموعه نخست، تعداد 12 توصیف‌گر را نیز به جهت بررسی مشخصه‌های فعالیت الکترونی نانوذره‌ها شناسایی کرده‌اند. به‌دلیل آن که نانوذرات اکسیدی تحت آزمایش بسیار بزرگ‌تر از آن بودند که امکان محاسبات کامل آن‌ها وجود داشته باشد، توصیف‌گرها از خوشه‌های نماینده کوچک‌تر و با استفاده از روش‌های نیمه‌تجربی PM6 محاسبه شده‌اند؛ لازم به ذکر است که روش‌های نیمه‌تجربی PM6 شامل روش‌های شیمی کوانتوم هستند که امکان برآورد سریع مشخصه‌های مولکولی را فراهم می‌آورند. در ادامه یک روش رگرسیون چندگانه برای پیداکردن همبستگی‌های معنادار آماری میان پروفایل‌های سمیّت‌شناختی نانوذره‌ها و توصیف‌گرهای آن‌ها برای یافتن  بهترین مدل متناسب به کار می رود. در مدل به دست آمده، صرفاً از یک توصیف‌گر برای پیش‌بینی سمیّت سلولی نانوذرات استفاده می‌شود و آن، آنتالپی تشکیل یک کاتیون گازی با حالت اکسایش مشابه با ساختار اکسید فلزی آزمون شده است. این توصیف‌گر کلیدی، بیانگر انرژی شبکه بوده که نشان‌دهنده انحلال نانوذرات و مجموع پتانسیل‌های یونش یک فلز معیّن است. این پارامتر را می‌توان تحت عنوان یک شاخص از پایداری شیمیایی نانوذرات تعبیر کرد؛ پایداری شیمیایی به انحلال نانوذرات و واکنش‌های اکسایش و کاهش بر روی سطح ذره مرتبط است. این فرآیندها احتمالاً موجب آزادسازی یون‌های سمی یا رادیکال‌های آزاد می‌شوند که خود عامل وقوع استرس‌های اکسیداتیو و تخریب باکتری هستند. پیش‌بینی‌های انجام‌شده برطبق مدل، به مقادیر اندازه‌گیری‌شده سمیّت سلولی نزدیک بوده و این مسأله، خود شاهدی بر اطمینان‌پذیری (Reliability) و ربط (Relevance) مدل است. به‌طور‌کلی، این مدل با مطالعات و پژوهش‌های سمیّت‌شناسی ارائه‌شده در مقالات کاملاً در تطابق و سازگاری بوده و این، حاکی از آن است که مشخصه‌های الکترونی این مواد مسئولیت فعالیت و اثرات سوء را در اندامگان‌های زنده (organisms) برعهده دارند. نتایج حاصل از این آزمایش‌ها نشان می‌دهند که سمیّت نانوذرات اکسید فلزی زمانی دستخوش تغییر می‌شود که بار کاتیون افزایش پیدا کند. باتوجه‌به آن‌که دیگر مشخصه‌های یک جرم اکسیدی مانند نقطه ایزوالکتریک، اسیدیته (acidity) و وضع پتانسیل خودبه‌خودی شبکه (Lattice Self-potential) نیز از این گرایش پیروی می‌کنند و انتظار می‌رود تغییرات وابسته به اندازه در خواص نانوذرات در اندازه کمتر از 15 نانومتر بروز پیدا کند، به نظر می‌رسد که نانومواد تحت آزمایش در این مطالعه مشخصه‌های توده‌مانند از خود نشان می‌دهند [3].

برخلاف آن‌که روش‌های QSAR به‌خوبی شناخته شده‌اند و برای محدوده گسترده‌ای از ترکیبات آلی مورد استفاده قرار می‌گیرند، امّا در زمان به‌کارگیری آن‌ها برای نانومواد باید به مشخصه‌هایی توجه داشت که به ترکیبات آلی و شبه‌دارویی ارتباطی نداشته باشند زیرا با‌ وجود ‌آن‌که مولکول‌های آلی (organic) دارای ساختارهای معیّن و مشخصی هستند و در نتیجه امکان شناسایی توصیف‌گر با تنها یک مقدار واحد به دست می‌آید، اما نانومواد به لحاظ ساختاری بسیار متنوع بوده و در نتیجه مقادیر به دست آمده برای توصیف‌گرها نیز متفاوت خواهد بود؛ به‌عنوان مثال، نانومواد همواره در محدوده‌های مختلفی از اندازه و شکل ظاهری، تولید می‌شود و این مسئله موجب می‌شود که مشخصات هریک از آن‌ها با دیگری تفاوت داشته باشد (به‌ویژه در شرایطی که مشخصه‌های وابسته به اندازه را در نظر داریم). این مسئله پیامدها و اثرات قابل‌ملاحظه‌ای بر اعتبار مدل‌های QSAR دارد: به‌عنوان مثال، پیش‌بینی سمیّت موادی که توصیف‌گرهای آن خارج از دامنه تعریف‌شده قراردارند، احتمالاً مناسب نخواهند بود؛ زیرا در این دامنه که توسط یک مجموعه معین از ترکیبات توسعه می‌یابد، نوع ساختارهایی که می‌توانند با اطمینان پیش‌بینی شوند، تعیین شده است [2].

اگر یک لایه پوششی، سطح یک نانوذره را به‌طور کامل بپوشاند، آنگاه می‌توان صرفاً با بررسی مشخصه‌های لایه سطحی و صرف‌نظر از هسته مواد اقدام به اجرای محاسبات کرد. این تقریب‌ها و محاسبات، کاملاً منطقی هستند؛ در بحث تشریح نقش هاله پروتئین (Protein Corona) در سیستم‌های زیستی که از طریق پوشش‌دهی سطح نانوذره بر زیست‌دسترسی‌پذیری کل ذره اثر می‌گذارد، نیز از استدلال ‌های مشابه استفاده می‌شود. علاوه‌بر ‌این اگر لایه پوششی یک لایه آلی باشد، آنگاه توصیف‌گرهای مولکولی را می‌توان به‌سادگی محاسبه و شناسایی کرد (یا دست‌کم، داده‌های بیشتری در دسترس خواهند بود). با‌ این‌ حال باید به این نکته نیز توجه داشت که لایه پوششی ضرورتاً باید کل سطح ذره را دربر بگیرد و نباید از سطح آن جدا شود: به‌عنوان مثال، نتایج حاصل از مطالعات مربوط به فعالیت نانوذره‌های پوشیده از آلبومین سرم انسانی حاکی از آن است که اگر لایه پوششی، سطح ذره را به‌طور کامل دربر نگیرد یا با سطح نانوذره برهم‌کنش دینامیک ایجاد کند، آن نانومواد همچنان قابلیت تولید گونه‌های رادیکال اکسیژن را در اختیار خواهد داشت؛ چراکه برهم‌کنش گذرا با درشت‌مولکول‌ها مانع از تسریع تشکیل رادیکال‌ها در سطح ذره نمی‌شود [2]. تروپشا (Tropsha) و همکاران یک مدل QSAR برای پیش‌بینی جذب سلولی در رده‌های مختلف سلولی در 109 نانوذره با هسته فلزی یکسان و پوشش‌های آلی مختلف طراحی کرده‌اند. هرکدام از نانوذره‌ها صرفاً به‌واسطه ساختار پوشش آلی بازنمایی شده‌اند و در نتیجه، تعداد 150 توصیف‌گر مولکولی شناسایی شده است. این پژوهشگران از روش‌های شبکه عصبی (Neural Network Techniques) برای ایجاد همبستگی میان پروفایل‌های زیستی و ساختار نانومواد استفاده کرده‌اند و دریافتند که توصیف‌گرهای مربوطه، شامل اطلاعاتی در مورد چربی‌دوستی لایه پوششی است؛ این نتیجه، حاکی از اهمیت نیروهای واندروالس (Van Der Waals forces) به جهت شرکت در فرایند برهم‌کنش با غشاهای زیستی است. یافته‌های به‌دست‌آمده نشان می‌دهند که فعالیت ‌زیستی یک مجموعه از نانوذرات، با استفاده از ابزارهای کلاسیک QSAR قابل‌شناسایی است. این قبیل مدل‌ها را می‌توان به‌منظور پیدا کردن یک ماده پوششی که کنش و واکنش با پروتئین‌ها یا غشاهای‌زیستی را به حداقل می‌رساند و جذب سلولی و توزیع نانومواد را تحت کنترل می‌گیرد، مورد استفاده قرار داد. این پژوهشگران، از یک تحلیل QSAR دیگر نیز برای یک مجموعه از 51 نانوذره با هسته‌های فلزی مختلف و پوشش‌های اصلاح‌شده استفاده کرده‌اند. ماهیّت ناهمگون این پایگاه داده، محاسبه توصیف‌گرها را برای تمام نانوذرات غیرممکن ساخته و در عوض، چهار عامل فیزیکی که به‌صورت تجربی اندازه‌گیری شده‌اند (اندازه، ریلکسیویتی R1 و R2 (R1 and R2 Relaxivities) و پتانسیل زتا)، مورد استفاده خواهد بود. این توصیف‌گرها در ادامه با هدف دسته‌بندی نانومواد در دو خوشه با فعالیت یکسان به کار گرفته می‌شوند. هر دو مطالعه یاد شده منجر به طرح مدل‌های پیش‌گویانه آماری و معتبر ‌شده است و در نتیجه نشان می‌دهند که فعالیت زیستی نانوذرات را می‌توان با استفاده از تمام توصیف‌گرهای نانوذرات یا بخشی از آن، پیش‌بینی کرد [4].

فلورین‌ها، عامل‌هایی هستند که توانستند در روند درمان بسیاری از بیماری‌ها انقلابی بزرگ پدید آوردند. این ترکیبات می‌توانند به‌عنوان عامل‌های محافظ عصبی [5و6]، پاداکسنده (antioxidant) [7]، آنتی باکتریال [8و9] و مهارکننده پروتئازهای اچ.آی.وی (HIV protease) [10] فعال عمل کنند و قابلیت بالایی در سیستم‌های حمل دارو و ترکیبات فعال نوری که موجب شکافت DNA می‌شوند، دارند [11و12]. با‌ این‌حال، سطح پایین انحلال‌پذیری در آب و توان سمیّت آن، موجب شده است تا استفاده از C60 و مشتقات آن در عرصه‌های زیستی با محدودیت کاربرد مواجه شود. به بیان دقیق‌تر، مشخصه‌های مربوط به اندازه و خواص سورفکتانت (surfactant) فلورین‌ها مسئول بروز سمیّت سلولی هستند که غالباً به واسطه سازو‌کار اختلال غشایی رخ می‌دهد [2].

پراتو (Prato) و همکارانش نیز ضمن استناد به این فرضیه، مجموعه‌ای از مشتقات فلورین محلول در آب و مشخصات خون‌کافتی (hemolytic) آن‌ها را مورد بررسی قرار داده‌اند. آن‌ها مشاهده کردند که زنجیره‌های کاتیونی موجود در چارچوب ساختاری C60 موجب بروز سمیّت (یعنی اختلال غشایی) می‌شوند، حال آن‌که بخش‌های خنثی یا آنیونی هیچ‌گونه واکنشی را به وجود نمی‌آورند. این مشاهدات تجربی متعاقباً با یک شاخص دوخصلتی (Amphophilicity) (نسبت سطح ‌آب‌گریز کل (Total Hydrophobic Surface Area) به سطح آب‌دوست کل (Total Hydrophilic Surface Area)) در ترکیبات مورد آزمون تبیین می‌شود. توصیف‌گر بر مبنای ترکیبات با پایین‌ترین سطح انرژی و با توجه به اثرات حلال بر هندسه و وضعیت یونش مولکول‌های C60 محاسبه می‌شود. حتی اگر ضرایب رگرسیون حاکی از وجود یک همبستگی قوی نباشند، استفاده از یک توصیف‌گر منفرد برای پیش‌بینی تأثیر سمیّت، کاملاً مناسب و ثمربخش خواهد‌ بود و در نتیجه، فضای کافی برای توسعه بیشتر مدل در اختیار قرار خواهد گرفت. به‌ علاوه، این یافته‌ها بر اهمیت برهم‌کنش‌های الکترواستاتیک نیز تأکید دارند. از آن‌جایی که غشاهای زیستی دارای بار منفی هستند، ‌وان انتظار داشت که نانومواد دارای بار مثبت با غشاهای زیستی وارد برهم‌کنش‌های الکترواستاتیک شوند و در نتیجه، شاهد بروز اختلالات غشایی یا حتی افزایش جذب باشیم. زمانی‌که نانومواد در تماس با سیستم‌های زیستی قرار می‌گیرند، سطح آن‌ها از درشت‌مولکول‌ها پوشیده می‌شود. این برهم‌کنش موجب پیدایش یک میانا (interface) خواهد شد که مسئولیت رفتار نانومواد را در سیستم‌های زیستی برعهده دارد. به‌عنوان مثال در یک مایع زیستی، پروتئین‌های مرتبط با نانوذرات و همچنین مقدار و نوع پروتئین‌های موجود بر روی سطح ذره، باعث به وجود آمدن مجموعه‌ای از پاسخ‌ها در بدن می‌شوند که از میان آن‌ها می‌توان به برانگیختگی یا سرکوب سیستم ایمنی، جذب سلولی و تغییر در فعالیت آنزیم‌ها اشاره کرد [13]. ریویر (Riviere) و همکارانش روشی را به نام شاخص جذب سطحی زیستی (Biological Surface Adsorption Index (BSAI)) گزارش کرده‌اند. این روش مشتمل بر سنجش ضرایب جذب سطحی (Adsorption Coefficients) (Ki) گروه‌های مختلف مولکولی بر سطح نانومواد است. هر گروه یک نمایه منحصربه‌فرد از نیروهای مولکولی است که در برهم‌کنش با نانومواد شرکت می‌کنند. این گروه یک مجموعه متشکل از 28 ترکیب مختلف (مجموعه‌ای از الکل‌ها و هیدروکربن‌های مختلف) را به‌عنوان گروه‌های مولکولی استفاده کرده و مقدار جذب سطحی آن‌ها را بر روی نانومواد مختلف در محلول‌های آبی اندازه‌گیری کرده‌اند. آن‌ها در این راستا از روش‌هایی نظیر میکرواستخراج فاز جامد (Solid-phase Microextraction) و طیف‌سنجی کروماتوگرافی جرمی بهره گرفته‌اند. ضرایب جذب متعاقباً تحت عنوان یک تابع از پنج توصیف‌گر مختلف که بر طبق گروه‌های مولکولی محاسبه شده‌اند، تعریف می‌شوند. این توصیف‌گرها بازتابی از الکترون‌های زوج‌تنها (Lone-pair Electrons) (R)، قطبش‌پذیری/دوقطبی بودن (Dipolarity/Polarizability) (π)، اسیدی/بازی بودن (α/β) و نیروهای پراکندگی لاندن (London Dispersion Forces)(V)  هستند. نیروهای کلومبی (Coulomb forces) نیز نقش قابل‌ملاحظه‌ای در برهم‌کنش‌های نانو و بیو ایفا می‌کنند؛ با این‌حال در مدل حاضر صراحتاً این مضامین را حساب نکرده و به جای آن از سنجش پتانسیل زتا برای تکمیل اطلاعات مربوط به فرایندهای جذب‌سطحی استفاده می‌کند. در نهایت، ضرایب رگرسیون (c,r,p,a,b,v) به‌دست آمده تحت عنوان توصیف‌گرهای نانومواد مورد استفاده خواهند بود:

 

(8-1) 

 

این روش پیشنهادی، یکی از نخستین مصادیق در متون و مقالاتی است که با هدف پیش‌بینی مشخصه‌های فیزیکو-شیمیایی و رفتار نانومواد در سیستم‌های پیچیده زیستی به نگارش درآمده است. علاوه ‌بر این، روش مذکور را می‌توان برای انواع مختلف نانومواد به کار گرفت و امکان مقایسه مشخصات زیستی طبقات مختلفی از ترکیبات را به دست آورد. یکی از کارکردهای صریح رویکرد BSAI، پیش‌بینی میزان جذب سطحی مولکول‌های کوچک موجود بر روی سطح نانوذرات است. طی این فرایند، بارگذاری و انتشار دارو در سیستم‌های زیستی و زیست‌محیطی تحت کنترل قرار خواهد گرفت. به‌علاوه می‌توان از این روش برای بررسی برهم‌کنش‌های غشایی و پارامترهای توزیع (نظیر نرخ جذب سطحی، ضرایب توزیع و میزان جذب سلولی) استفاده کرد [14]. باید به این نکته نیز توجه داشت که نانومواد تا حد زیادی به تشکیل هاله پروتئین وابسته هستند. به بیان دقیق‌تر، جذب پروتئین و تشکیل هاله در کنار نیروهای یاد شده در بالا به نیروهای آنتروپی (entropic) و فضایی (steric) نیز وابسته است. در برخی شرایط، الگوی سطحی نیز در این روند دخالت دارد. لازم به ذکر است که پروتئین‌های نرم (Soft Proteins) می‌توانند پیرو جذب، دستخوش تغییرات ساختاری شوند. این فرایند منجر به افزایش تعداد اتصالات میان سطح نانومواد و پروتئین و همچنین پیدایش روجایه (اپی‌توپ‌های (Epitopes)) جدیدی می‌شود که معمولاً در درون ساختار پروتئین، مدفون هستند. بنابراین، استنباط اطلاعات مربوط به جذب درشت‌مولکول‌ها از ضرایب اندک جذب مولکولی چندان ساده نخواهد بود و برای توصیف دقیق روند تشکیل هاله پروتئین باید اقدامات بیشتری انجام داد [2].

 

3- نتیجه‌گیری

نتایج حاصل از مطالعات مبتنی بر مدل‌سازی که به برخی از آن‌ها اشاره شد، حاکی از آن است که شیمی‌دانان و فیزیک‌دانان هم‌اکنون از روش‌های مختلفی برای تهیه مدل از رفتار نانومواد در سیستم‌های زیستی استفاده می‌کنند. این رویکردها، کاربرد گسترده‌ای دارند و به‌رغم آن‌که هنوز به‌طور کامل توسعه ‌نیافته‌اند، امّا پتانسیل قابل‌ملاحظه‌ای برای پیشبرد مطالعات تجربی و همچنین طراحی نانومواد در حیطه پزشکی و غیره از خود نشان می‌دهند. چالش‌های آتی شامل تعریف و به‌کارگیری یک رویکرد مدل‌سازی کامل چند مقیاسی، توسعه توصیفات دقیق برای مدل های QSAR و توسعه روش‌های نوین آزمایش (علی‌الخصوص آزمون‌های بی‌جان (abiotic)) خواهند بود؛ این دستاوردها را می‌توان در آینده در مطالعات رایانه‌ای و به‌منظور ارزیابی برهم‌کنش میان نانومواد با هدف‌های زیستی به کار گرفت.

 

منابـــع و مراجــــع

Devillers, J.; “Methods for Building QSARs, in Computational Toxicology”, USA (Totowa, NJ): Humana Press, Vol II, (2013)

“Chapter 2 in Handbook of Safety Assessment of Nanomaterials, From Toxicological Testing to Personalized Medicine”, 1st Edition, USA: CRC Press, Taylor & Francis Group, (2015)

Puzyn, T., B. Rasulev, A. Gajewicz, X. Hu, T.P. Dasari, A. Michalkova, H.-M. Hwang, A. Toropov, D. Leszczynska, and J. Leszczynski; “Using nano-QSAR to predict the cytotoxicity of metal oxide nanoparticles”, Nature Nanotechnology, Vol.6, p. 175-178, (2011)

Fourches, D., D. Pu, C. Tassa, R. Weissleder, S.Y. Shaw, R.J. Mumper, and A. Tropsha; “Quantitative nanostructure-activity relationship modeling”, ACS Nano, Vol.4, I.10, p. 5703-5712, (2010)

Huang, S.S., S.K. Tsai, C.L. Chih, L.-Y. Chiang, H.M. Hsieh, C.M. Teng, and M.C. Tsai; “Neuroprotective effect of hexasulfobutylated C60 on rats subjected to focal cerebral ischemia”, Free Radical Biology and Medicine, Vol.30, I.6, p. 643-649, (2001)

Dugan, L.L., J.K. Gabrielsen, S.P. Yu, T.-S. Lin, and D.W. Choi; “Buckminsterfullerenol Free Radical Scavengers Reduce Excitotoxic and Apoptotic Death of Cultured Cortical Neurons”, Neurobiology of Disease, Vol.3, I.2, p. 129-135, (1996)

Dugan, L. L., Lovett, E., Cuddihy, S., Ma, B.-W., Lin, T. S., and Choi, D. W; “Carboxyfullerenes as neuroprotective antioxidants, in Fullerenes: Chemistry, Physics, and Technology”, New York: John Wiley & Sons, (2000)

Mashino, T., D. Nishikawa, K. Takahashi, N. Usui, T. Yamori, M. Seki, T. Endo, and M. Mochizuki; “Antibacterial and antiproliferative activity of cationic fullerene derivatives”, Bioorganic & Medicinal Chemistry Letters, Vol.13, I.24, p. 4395-4397, (2003)

Bosi, S., T. Da Ros, S. Castellano, E. Banfi, and M. Prato; “Antimycobacterial activity of ionic fullerene derivatives”, Bioorganic & Medicinal Chemistry Letters, Vol.10, I.10, p. 1043-1045, (2000)

Schuster, D. I., Wilson, L. J., Kirschner, A. N., Schinazi, R. F., SchlueterWirtz, S., Tharnish, P., Barnett, T., Ermolieff, J., Tang, J., Brettreich, J., et al; “Evaluation of the anti-HIV potency of a water-soluble dendrimeric fullerene, in Functionalized Fullerenes: Proceedings of the International Symposium”, USA (Pennington, NJ): Electrochemical Society, vol. 2000-11, (2000)

Bernstein, R., F. Prat, and C.S. Foote; “On the Mechanism of DNA Cleavage by Fullerenes Investigated in Model Systems:  Electron Transfer from Guanosine and 8-Oxo-Guanosine Derivatives to C60”, Journal of the American Chemical Society, Vol.121, I.2, p. 464-465, (1999)

Boutorine, A.S., M. Takasugi, C. Hélène, H. Tokuyama, H. Isobe, and E. Nakamura; “Fullerene–Oligonucleotide Conjugates: Photoinduced Sequence-Specific DNA Cleavage”, Angewandte Chemie International Edition in English, Vol.33, I.23-24, p. 2462-2465, (1995)

Bosi, S., L. Feruglio, T. Da Ros, G. Spalluto, B. Gregoretti, M. Terdoslavich, G. Decorti, S. Passamonti, S. Moro, and M. Prato; “Hemolytic Effects of Water-Soluble Fullerene Derivatives”, Journal of Medicinal Chemistry, Vol.47, I.27, p. 6711-6715, (2004)

Xia, X.-R., N.A. Monteiro-Riviere, and J.E. Riviere; “An index for characterization of nanomaterials in biological systems”, Nature Nanotechnology, Vol.5, p. 671-675, (2010)