A deeper understanding of (PMOC) toxicity

Over the years, persistent and mobile (organic) compounds (PM(O)Cs) have been receiving increased attention in the drinking water sector. A compound will be labeled as a PMOC if it meets three criteria (partly based on criteria set by Neumann and Schliebner (2019)): i) the compound is organic; ii) the lowest organic carbon-water coefficient log Koc over the pH range of 4-9 is less than 4.0; and iii) the degradation half-life in fresh or estuarine water at 12 °C is higher than 40 days. PMOCs may pose threats to human health and the environment as the high mobility in water (as a result of their hydrophobicity) and persistence of these compounds lead to their occurrence and accumulation in surface water and drinking water sources. Additionally, some of these substances also tend to accumulate in the food chain, due to their bioaccumulative potential (Ghisi et al., 2019). The water sector is increasingly confronted with these substances. Because the high hydrophobicity of these chemicals makes it challenging to remove them by conventional water treatments, it is becoming increasingly important to estimate risks associated with PMOC emissions. For many of these chemicals, little is known about their toxicity as ‘mobility’ has historically been neglected as a prioritization criterium for ecotoxicological assessment. As it is time consuming and expensive to conduct in vivo and in vitro toxicity experiments, in silico approaches are useful in estimating hazards associated with such substances. The advantage is that they can be relatively easily conducted and do not require compound availability to conduct experiments. A disadvantage, however, is the lack of suitable, large datasets which may serve as basis e.g. for in silico predictive machine learning models (Hemmerich et al., 2020).

Onderzoek heeft meer inzicht gebracht in manieren om toxiciteit van stoffen te voorspellen. Een random forest analyse (een machine learning model) blijkt geen verband te laten zien tussen toxiciteit en stofstructuur, maar wel tussen stofkenmerken als mobiliteit en persistentie en de toxiciteit van een stof. Ook regressieanalyses lieten een significante correlatie zien tussen toxiciteit en de stofeigenschappen die de mobiliteit bepalen, maar met een lager voorspellend vermogen dan de random forest analyse. Het voorspellend vermogen van regressiemodellen op basis van stofstructuur was juist hoger dan het voorspellend vermogen van random forest analyses op basis van stofstructuur. Dit betekent dat de relatie tussen stofkenmerken en toxiciteit waarschijnlijk niet lineair (evenredig) is. Clustering van de toxiciteitstesten in de modellen resulteerde niet in betere voorspellingen. Stofstructuur en stofeigenschappen als voorspellende variabelen in modellen van een subset van toxiciteitstesten leverden wel voldoende informatie op om toxiciteitsklassen in plaats van toxiciteit te voorspellen (d.w.z. ‘lage’, ‘medium’, en ‘hoge toxiciteit’). Dit kan de basis vormen voor een toekomstig hulpmiddel om toxiciteitsklassen te voorspellen in plaats van exacte toxiciteitswaarden.