Utilização de machine learning para avaliação dos efeitos não tóxicos em fibroblastos murinos expostos in vitro a nanopartículas de poliestireno

Abstract

O crescimento da produção global de plásticos consolidou-se como uma grande preocupação ambiental. Micro e nanopartículas liberadas a partir do acúmulo de seus resíduos já foram identificadas em diversos organismos e ecossistemas, evidenciando sua ampla dispersão no ambiente. Entre os polímeros mais utilizados mundialmente destaca-se o poliestireno (PS), que, apesar de corresponder a 10% da produção mundial de plásticos, resulta em maior acúmulo de partículas no ambiente quando comparado a outros tipos de polímeros, como polipropileno e polietileno, por ser amplamente utilizado na produção de consumíveis comuns (i.e embalagens e utensílios descartáveis). Estudos in vitro sobre nanopartículas de poliestireno (nPS) concentram-se majoritariamente em efeitos citotóxicos imediatos, avaliados por ensaios de viabilidade, produção de espécies reativas de oxigênio (ROS), dano ao DNA e alterações mitocondriais. Contudo, mudanças sutis na morfologia e na fluorescência celular, indicativas de processos precoces e não necessariamente letais, permanecem pouco investigadas, tornando abordagens como High-Content Screening (HCS) e machine learning (ML), estratégias promissoras para identificá-las. Nesse contexto, este estudo utiliza técnicas de HCS e ML para analisar alterações não tóxicas em fibroblastos murinos (NIH/3T3) expostos in vitro a nPS. Os resultados visam aprofundar a compreensão dos riscos associados a esse material e a fortalecer a discussão sobre seus impactos ambientais e de saúde pública.