Noticias
@aimplas Evaluación de riesgos en materiales en contacto con alimentos: integración de técnicas cromatográficas y bioensayos in vitro con herramientas de predicción toxicológica
-detall-autor-social-links">206La complejidad en la evaluación de riesgos de sustancias químicas que pueden migrar desde materiales en contacto con alimentos requiere un enfoque integrado que combine metodologías experimentales y teóricas. Esto es especialmente importante para detectar y evaluar posibles compuestos de preocupación, incluidos aquellos para los cuales no se dispone de datos toxicológicos directos. En los últimos años, las herramientas computacionales han ganado relevancia dentro del marco regulador europeo e internacional ya que permiten estudiar las propiedades toxicológicas sin necesidad de realizar experimentos adicionales.Los modelos (Q)SAR (Quantitative Structure-Activity Relationships) permiten predecir propiedades toxicológicas de una sustancia a partir de su estructura química mediante el uso de algoritmos estadísticos o machine learning. Estos modelos permiten estimar endpoints como mutagenicidad, toxicidad para la reproducción o potencial bioacumulación sin necesidad de realizar ensayos in vivo lo cual permite avanzar hacia metodologías de nueva aproximación (NAM, por sus siglas en inglés), que buscan reemplazar o complementar los ensayos tradicionales mediante enfoques innovadores que reducen, refinan o reemplazan los ensayos con animales. Normativas relevantes, como REACH e ICH-M7, establecen que los modelos (Q)SAR deben adherirse a los principios de la OCDE para asegurar que contemplan una definición clara de los parámetros y el algoritmo, el campo de aplicación, así como robustez estadística (Figura 1). Estos requisitos garantizan que los modelos utilizados sean fiables y adecuados para respaldar decisiones en contextos de seguridad alimentaria.Figura 1. Principios clave que deben cumplir los modelos (Q)SAR para que sus resultados sean considerados válidos según la OCDE.
Aunque los términos SAR y QSAR se utilizan a menudo de manera intercambiable, existe una diferencia clave entre ambos. El SAR se refiere a la identificación cualitativa de patrones estructurales que se asocian con una actividad biológica específica, sin cuantificar la relación. En cambio, el QSAR va un paso más allá al utilizar métodos estadísticos o de aprendizaje automático para cuantificar la relación entre descriptores moleculares y una respuesta toxicológica o biológica, permitiendo hacer predicciones numéricas. Por tanto, el QSAR representa una evolución del enfoque SAR, con mayor rigor científico y aplicabilidad en contextos regulatorios.El trend analysis se basa en identificar patrones o tendencias toxicológicas comunes dentro de familias de sustancias químicas similares con el fin de anticipar o predecir riesgos toxicológicos potenciales. Por otro lado, el enfoque read-across consiste en extrapolar información toxicológica de sustancias químicas similares, conocidas como análogos, para estimar la potencial toxicidad de la sustancia objeto de estudio. Este método se basa en la similitud estructural o funcional entre compuestos, y requiere una justificación científica robusta, pudiendo ser un resultado cualitativo (clasificación como tóxica/no tóxica) o cuantitativo (estimación de un valor de referencia).Aunque los enfoques in silico persiguen un objetivo común, existen diferencias fundamentales entre el read-across, el trend analysis y los modelos (Q)SAR. La elección del enfoque dependerá de la disponibilidad de datos, la calidad de los análogos y el contexto regulatorio específico. Las herramientas in silico están diseñadas para funcionar con sustancias químicas individuales bien definidas, por lo que no son aplicables a mezclas complejas, extractos, polímeros o materiales compuestos. Esta limitación es relevante en el contexto de materiales en contacto con alimentos, donde frecuentemente se detectan NIAS cuyas estructuras no son únicas ni homogéneas. Por ello, la aplicación de herramientas computacionales debe restringirse a casos en los que se haya logrado identificar compuestos individuales con una estructura clara, dejando fuera los análisis directos de mezclas complejas o sustancias con estructura indeterminada. Para que las herramientas in silico proporcionen resultados válidos, es imprescindible disponer de la estructura química exacta de cada compuesto que se desea evaluar. Esto se debe a que los modelos computacionales dependen completamente de la representación estructural (por ejemplo, SMILES o InChI) para calcular descriptores moleculares y realizar predicciones. Si no se conoce la estructura precisa, cualquier predicción toxicológica carecerá de fundamento científico y no será aceptable a nivel regulatorio. En consecuencia, la identificación estructural mediante técnicas analíticas de alta resolución es un paso previo indispensable antes de aplicar cualquier modelo predictivo.Una de las herramientas más utilizadas en el sector del envase es el enfoque del Threshold of Toxicological Concern (TTC), adoptado por la Autoridad Europea de Seguridad Alimentaria (EFSA) como método de evaluación preliminar del riesgo cuando no se dispone de datos toxicológicos específicos. Uno de los métodos más comunes para aplicar el TTC es mediante la clasificación de Cramer, que categoriza las sustancias químicas en tres clases de toxicidad potencial con base en reglas estructurales. Esta clasificación puede realizarse mediante herramientas que aplican algoritmos de decisión estructurada para asignar una clase de Cramer a partir de la estructura química. Así, se facilita una estimación conservadora del umbral de exposición por debajo del cual no se esperan riesgos para la salud humana. Este enfoque es particularmente útil para priorizar compuestos detectados en migrantes de materiales en contacto con alimentos que carecen de datos toxicológicos experimentales. Cuando este enfoque no permite estimar adecuadamente la toxicidad de una sustancia, se recurre entonces a métodos más avanzados de evaluación toxicológica, como los mencionados anteriormente.Las técnicas cromatográficas acopladas a espectrometría de masas de alta resolución permiten identificar y cuantificar sustancias que pueden migrar desde los envases hacia los alimentos. Estas técnicas son fundamentales para caracterizar el perfil químico de las sustancias no añadidas intencionadamente o NIAS, por sus siglas en inglés, y constituyen el punto de partida para aplicar herramientas de predicción toxicológica cuando se identifican compuestos sin datos toxicológicos disponibles.Además, la integración con bioensayos in vitro permite evaluar efectos biológicos directos de los extractos de materiales o compuestos individuales. Estos ensayos se utilizan para validar predicciones in silico o para complementar lagunas de datos.Por tanto, una estrategia eficaz de evaluación de riesgos conjunta consiste en:En conclusión, el uso combinado de técnicas computacionales (SAR, QSAR, trend analysis y read-across), herramientas analíticas como la cromatografía y la espectrometría de masas y bioensayos in vitro ofrece un enfoque robusto y eficiente para evaluar el riesgo de sustancias químicas en materiales destinados a entrar en contacto con alimentos. Esta combinación permite progresar hacia metodologías NAM a la vez que facilita una base científica sólida para la toma de decisiones dirigidas a proteger la salud del consumidor.
Aunque los términos SAR y QSAR se utilizan a menudo de manera intercambiable, existe una diferencia clave entre ambos. El SAR se refiere a la identificación cualitativa de patrones estructurales que se asocian con una actividad biológica específica, sin cuantificar la relación. En cambio, el QSAR va un paso más allá al utilizar métodos estadísticos o de aprendizaje automático para cuantificar la relación entre descriptores moleculares y una respuesta toxicológica o biológica, permitiendo hacer predicciones numéricas. Por tanto, el QSAR representa una evolución del enfoque SAR, con mayor rigor científico y aplicabilidad en contextos regulatorios.El trend analysis se basa en identificar patrones o tendencias toxicológicas comunes dentro de familias de sustancias químicas similares con el fin de anticipar o predecir riesgos toxicológicos potenciales. Por otro lado, el enfoque read-across consiste en extrapolar información toxicológica de sustancias químicas similares, conocidas como análogos, para estimar la potencial toxicidad de la sustancia objeto de estudio. Este método se basa en la similitud estructural o funcional entre compuestos, y requiere una justificación científica robusta, pudiendo ser un resultado cualitativo (clasificación como tóxica/no tóxica) o cuantitativo (estimación de un valor de referencia).Aunque los enfoques in silico persiguen un objetivo común, existen diferencias fundamentales entre el read-across, el trend analysis y los modelos (Q)SAR. La elección del enfoque dependerá de la disponibilidad de datos, la calidad de los análogos y el contexto regulatorio específico. Las herramientas in silico están diseñadas para funcionar con sustancias químicas individuales bien definidas, por lo que no son aplicables a mezclas complejas, extractos, polímeros o materiales compuestos. Esta limitación es relevante en el contexto de materiales en contacto con alimentos, donde frecuentemente se detectan NIAS cuyas estructuras no son únicas ni homogéneas. Por ello, la aplicación de herramientas computacionales debe restringirse a casos en los que se haya logrado identificar compuestos individuales con una estructura clara, dejando fuera los análisis directos de mezclas complejas o sustancias con estructura indeterminada. Para que las herramientas in silico proporcionen resultados válidos, es imprescindible disponer de la estructura química exacta de cada compuesto que se desea evaluar. Esto se debe a que los modelos computacionales dependen completamente de la representación estructural (por ejemplo, SMILES o InChI) para calcular descriptores moleculares y realizar predicciones. Si no se conoce la estructura precisa, cualquier predicción toxicológica carecerá de fundamento científico y no será aceptable a nivel regulatorio. En consecuencia, la identificación estructural mediante técnicas analíticas de alta resolución es un paso previo indispensable antes de aplicar cualquier modelo predictivo.Una de las herramientas más utilizadas en el sector del envase es el enfoque del Threshold of Toxicological Concern (TTC), adoptado por la Autoridad Europea de Seguridad Alimentaria (EFSA) como método de evaluación preliminar del riesgo cuando no se dispone de datos toxicológicos específicos. Uno de los métodos más comunes para aplicar el TTC es mediante la clasificación de Cramer, que categoriza las sustancias químicas en tres clases de toxicidad potencial con base en reglas estructurales. Esta clasificación puede realizarse mediante herramientas que aplican algoritmos de decisión estructurada para asignar una clase de Cramer a partir de la estructura química. Así, se facilita una estimación conservadora del umbral de exposición por debajo del cual no se esperan riesgos para la salud humana. Este enfoque es particularmente útil para priorizar compuestos detectados en migrantes de materiales en contacto con alimentos que carecen de datos toxicológicos experimentales. Cuando este enfoque no permite estimar adecuadamente la toxicidad de una sustancia, se recurre entonces a métodos más avanzados de evaluación toxicológica, como los mencionados anteriormente.Las técnicas cromatográficas acopladas a espectrometría de masas de alta resolución permiten identificar y cuantificar sustancias que pueden migrar desde los envases hacia los alimentos. Estas técnicas son fundamentales para caracterizar el perfil químico de las sustancias no añadidas intencionadamente o NIAS, por sus siglas en inglés, y constituyen el punto de partida para aplicar herramientas de predicción toxicológica cuando se identifican compuestos sin datos toxicológicos disponibles.Además, la integración con bioensayos in vitro permite evaluar efectos biológicos directos de los extractos de materiales o compuestos individuales. Estos ensayos se utilizan para validar predicciones in silico o para complementar lagunas de datos.Por tanto, una estrategia eficaz de evaluación de riesgos conjunta consiste en:En conclusión, el uso combinado de técnicas computacionales (SAR, QSAR, trend analysis y read-across), herramientas analíticas como la cromatografía y la espectrometría de masas y bioensayos in vitro ofrece un enfoque robusto y eficiente para evaluar el riesgo de sustancias químicas en materiales destinados a entrar en contacto con alimentos. Esta combinación permite progresar hacia metodologías NAM a la vez que facilita una base científica sólida para la toma de decisiones dirigidas a proteger la salud del consumidor.
Fecha publicación: 22/09/2025
Fuente: Plasticos Universales - Diseño, control
