בסקירה שפורסמה לאחרונה ב- דוחות מדעיים, קבוצת מחברים השתמשה ברשת עצבית קונבולוציונית גרפית (NN) כדי לחזות ולנתח את תוצרי הפירוק התרמי של טעמי נוזל אלקטרוני, תוך מתאם עם נתוני ספקטרומטריית מסה (MS) כדי להעריך סיכונים בריאותיים פוטנציאליים.
לימוד: חיזוי סיכונים בריאותיים של אידוי באמצעות חיזוי מודל רשת עצבית של תגובות פירוליזה של טעם. קרדיט תמונה: iama_sing/Shutterstock.com
רקע כללי
שאיפת ניקוטין כבר מזמן מזיקה לבריאות הציבור. נוזלי e-vaping, שנתפסו כחלופה בטוחה יותר, התפתחו מהרכבים פשוטים לכלול תוספי טעם רבים, אשר כיום עולים על רמות הניקוטין.
שינוי זה פנה במיוחד לדמוגרפיה צעירה יותר, והעלה חששות לגבי השפעות בריאותיות ארוכות טווח ונורמליזציה מחדש של השימוש בניקוטין.
התפרצות 2019 של פציעות ריאות הקשורות לאידוי, הקשורה לתוספים כמו ויטמין E אצטט, מדגישה את הסיכונים הפוטנציאליים של שאיפת נוזלים אלקטרוניים מורכבים מבחינה כימית.
יש צורך במחקר נוסף כדי להבין היטב את ההשפעות הבריאותיות ארוכות הטווח של האינטראקציות הכימיות המורכבות בנוזל אלקטרוני בעת חימום ושאיפה.
סקירה כללית של כימיקלים בטעם e-Liquid
מחקר זה חוקר 180 כימיקלים טעמים שזוהו בשימוש גלובלי בנוזל אלקטרוני, שנבחרו על סמך ספרות קיימת. ניתוח המבנים הכימיים שלהם גילה מגוון מגוון של קבוצות פונקציונליות, כגון 66 אסטרים, 46 קטונים/אלדהידים, 26 תרכובות ארומטיות/הטרוציקלים/פחמימות, 27 אלכוהולים/אצטלים ו-15 חומצות/אמידים קרבוקסיליות. גיוון זה מצביע על פוטנציאל רחב לתגובות פירוליזה מגוונות.
ניתוח מבני נוסף שקל מאפיינים כמו משקל מולקולרי וקוטביות, עם הדמיית חלל כימית תלת מימדית המעידה על גיוון מתון, המונע בעיקר על ידי משקל מולקולרי, שטח פנים וגמישות סיבובית. המשקל המולקולרי הממוצע היה 146.2, מה שמצביע על קבוצה נדיפה בדרך כלל של כימיקלים.
זרימת עבודה להערכת סיכונים של נוזל אלקטרוני
הערכת הסיכון עבור 180 טעמים של נוזל אלקטרוני כללה זרימת עבודה ששילבה NN: תחזיות של תגובות פירוליזה עם נתוני טרשת נפוצה ניסיוניים.
המבנים הכימיים הומרו בתחילה לפורמט מופשט של מערכת כניסת שורה מולקולרית (SMILES). מודל NN קונבולוציוני גרף חזה את הטרנספורמציות והתוצרים של פירוליזה, ולאחר מכן בקורלציה עם נתוני טרשת נפוצה שפירטו יונים מולקולריים, מסות פיצול ושכיחותם.
התאמות בין מוצרים חזויים של NN לבין קטעי טרשת נפוצה סווגו עוד יותר עבור סיכונים בריאותיים באמצעות ה-Globally Harmonized System (GHS). תהליך אוטומטי זה העריך גם אנרגיות הפעלת תגובה עבור סיכונים בריאותיים משמעותיים, וארגן את הנתונים לרשימה מקיפה עבור כל טעם.
מודל NN גרף-קונבולוציוני לחיזוי מוצרי פירוליזה
שיטות חיזוי תגובה מסורתיות התמקדו בטרנספורמציות סינתטיות הכוללות מגיבים מרובים. עם זאת, תגובות פירוליזה, המונעות על ידי חום, כוללות בדרך כלל מגיב בודד המתפרק למוצרים שונים.
עבור מחקר זה, אומץ מודל הרשת העצבית של Weisfeiler-Lehman (W-L NN) בשל יכולתו לחזות מרכזי תגובה ושינויי קשר במולקולות מבלי להידרש לנתוני אימון ספציפיים לפירוליזה.
ה-W-L NN הוכשר באמצעות מערך נתונים של 354,937 תגובות שנגזרו מספרות הפטנטים של ארצות הברית (ארה"ב). הכשרה זו לא כללה מולקולות טעם כדי למנוע דליפת נתונים, מה שמבטיח ביצועים בלתי משוחדים בחיזוי פירוליזה של מולקולות טעם חדשות.
יישום מודל W–L NN
היישום כולל המרת מבנים כימיים לסימון SMILES, ולאחר מכן לייצוגי גרפים שבהם כל אטום מסומן עם וקטור תכונה. וקטור זה אחראי למספר אטומי, קישוריות, ערכיות ותכונות אחרות.
ה-W-L NN משתמש בוקטורים מקומיים וגלובליים כדי לחזות שינויים פוטנציאליים של שבירת קשר במהלך פירוליזה. לדוגמה, במקרה של 2,3-pentanedione, המודל זיהה עד 16 אתרים סבירים לשבירת קשרים, וחזה מספר טרנספורמציות כימיות אפשריות עבור כל אתר. לא נכללו מוצרים שלא עמדו בכללי הערכיות הכימית.
קורלציה עם נתוני ספקטרומטריית מסה (EI-MS) ניסיוניים
נעשה שימוש בנתוני EI-MS ניסיוניים כדי לאשר את תחזיות ה-NN. EI-MS מזהה שבירת קשר במולקולות עקב השפעה אנרגטית, בדומה לשבירת קשר בפירוליזה עקב חום.
עבור כל אחד מ-180 טעמי הנוזל האלקטרוני, נתוני EI-MS סיפקו את המשקל המולקולרי ואת דפוסי הפיצול, אשר הושוו לאחר מכן למוצרי הפירוליזה החזויים של NN.
מספר משמעותי של התאמות בין תחזיות NN לנתוני MS אישרו את הדיוק של תחזיות הפירוליזה.
מיזוג נתונים וניתוח סיכונים בריאותיים
השילוב של תחזיות NN ונתוני EI-MS זיהה 1,169 התאמות על פני 180 הטעמים, מה שמצביע על מתאם חזק בין תוצרי פירוליזה חזויים לממשיים.
הסיכונים הבריאותיים של מוצרים תואמים אלה הוערכו לאחר מכן על ידי קבלת סיווגי GHS מ-PubChem.
הניתוח הראה מגוון של סיכונים, עם מספר ניכר של תרכובות מסווגות כרעלנים חריפים, סכנות בריאותיות או חומרים מגרים.
חיזוי אנרגיות הפעלת פירוליזה
רשת עצבית מכוונת העברת מסרים (D-MPNN) נוצלה להערכת אנרגיות הפעלה (AEs) עבור תגובות פירוליזה, תוך התמקדות באלה המייצרים מוצרי בריאות בסיכון גבוה.
ערכי ה-AE הנגזרים עוזרים להבין את התנאים התרמיים הנדרשים לתגובות אלו, תוך הדגשת סכנות בריאותיות פוטנציאליות בתנאי אידוי טיפוסיים. לדוגמה, הניתוח של אסטרים אצטט הצביע על מסלולי פירוק מרובים, עם היווצרות של חומצה אצטית ואלקנים מוחלפים כסיכון סביר.
דיווח מקיף על טעמי נוזל אלקטרוני
נאספו הנתונים המפורטים של כל טעם, כולל תגובות חזויות של NN, מוצרים תואמים EI-MS וסיווגי ה-GHS שלהם.
מערך נתונים נרחב זה משמש עזר רב ערך להבנת הכימיה המורכבת של מוצרי אידוי ומהווה בסיס למחקר עתידי ולהערכה רגולטורית.
