A genotoxicidade, ou o dano ao DNA, é um tema crítico para a saúde pública, dada a sua forte correlação com o risco do câncer. Por isso, a identificação rápida e segura de compostos químicos tóxicos é uma propriedade regulatória e científica, principalmente no contexto de uma ciência alinhada aos princípios 3Rs (Redução, Refinamento e Substituição) com foco em substituição de ensaios in vivo de carcinogenicidade. O modelo atual, além de exigir o uso de roedores, apresenta baixa capacidade de prever com precisão o que ocorre no organismo humano, dificultando a interpretação dos resultados e a avaliação integrada do risco. Diante desse desafio, este trabalho propõe o desenvolvimento de uma plataforma de Nova Abordagem Metodológica (NAM) mecanicista, baseada nos princípios da bioinformática e das ciências ômicas, eliminando o uso de testes em animais. Nossa abordagem integra a mineração de dados (Data Mining) de bancos públicos e validação experimental in vitro, permitindo a previsão de múltiplos tipos de riscos químicos. Alinhada aos princípios dos Adverse Outcome Pathways (AOPs), esta plataforma NAM busca não apenas aumentar a exatidão na predição da genotoxicidade e mutagenicidade, além do risco carcinogênico, mas também consolidar uma toxicologia mais ágil, ética e alinhada às demandas científicas do século XXI.
Autores: Nathalia Stephanie Oliveira Nascimento, Adriana Oliveira Costa, Bárbara Moreira Amaral, Bárbara Marra Rebuiti, Anne Josiele Lima Vital, Carlos Alberto Tagliati
1. Introdução
A avaliação da segurança de substâncias químicas é essencial para a proteção da saúde. A toxicidade genética é especialmente importante, pois está diretamente associada ao risco de câncer, uma das principais causas de mortalidade em todo o mundo [1]. A maioria dos carcinógenos humanos são genotóxicos, ou seja, provocam danos diretos ao DNA, tornando os biomarcadores de genotoxicidade fundamentais para aprimorar essa investigação [2].
Tradicionalmente, a avaliação regulatória de toxicidade genética é conduzida por meio de baterias de testes in vitro (em laboratórios) e in vivo (em animais), que apresentam limitações significativas quanto a custo, tempo e ética [2]. O maior problema reside nos testes de carcinogenicidade, que são realizados exclusivamente em modelos animais e apresentam baixa preditividade para o ser humano. Com uma exatidão de 50%, a previsão é comparável ao lançamento de uma moeda [4]. Essa limitação evidencia a necessidade de estratégias inovadoras que superem a dependência de modelos animais e ampliem a aplicabilidade desses testes tanto no organismo quanto no ser humano.
Nesse contexto, o desenvolvimento de Novas Abordagens Metodológicas (NAMs) surge como uma alternativa promissora. A combinação de abordagens computacionais (in silico) e experimentais (in vitro) tem contribuído para reduzir ou substituir o uso de animais e avançar na compreensão dos mecanismos genotóxicos, especialmente de seus modos de ação (MoA)[3][4]. As ciências computacionais, nesse cenário, atuam como catalisadoras da próxima geração de biomarcadores e de NAMs [4].
O presente estudo propõe o desenvolvimento e a validação de uma plataforma de Nova Abordagem Metodológica (NAM) mecanicista, com o objetivo de superar as limitações atuais ao estabelecer um método mais preditivo e ético para identificar biomarcadores de dano genético com potencial carcinogênico. Essa proposta já atesta sua relevância global, tendo sido reconhecida (2025) pelo Joint Research Centre da União Europeia (JRC/ECVAM) e listada entre suas Iniciativas de Transição (Catalogue of Transitional Initiative), alinhando nosso trabalho diretamente ao Roteiro Europeu para a Eliminação Progressiva de Testes em Animais para Avaliações de Segurança Química [7].
2. Arquitetura Mecanicista da Plataforma NAM: Do Data Mining à Validação in vitro
Atualmente, a avaliação da genotoxicidade concentra-se em três tipos principais de danos: aberrações numéricas, danos estruturais de cromossomos e mutações gênica [6]. Do ponto de vista regulatório, o Teste de Micronúcleo e o Teste de Ames atendem a essas necessidades [2][5]. Contudo, esta abordagem tradicional é limitada por: divergência entre os modelos biológicos (células de mamíferos vs. bactérias); sensibilidade: restrições à detecção de danos induzidos por nanomateriais; e sustentabilidade: impacto ambiental associado a ensaios como o Teste de Ames Tradicional [5]. Um ponto crítico adicional é a baixa correlação entre os resultados positivos e o risco real de carcinogenicidade em humanos, o que justifica a baixa preditividade dos bioensaios em roedores [1][3]. Dessa forma, para superar essas limitações, o foco deste trabalho é a Arquitetura Mecanicista da Plataforma NAM, que utiliza a mineração de dados (Data Mining) e as análises ômicas integradas à validação experimental (in vitro).
A metodologia inicia-se com a mineração de dados (Data Mining) em fontes públicas, como: literatura científica, bancos de dados de genes (ex.: GeneCards) e banco de estruturas (ex.: PDB “Protein Data Bank”). Os dados coletados serão submetidos a análises bioinformáticas integrativas para elucidar as redes de interação e as vias biológicas associadas à genotoxicidade. Isso nos permitirá priorizar e selecionar um painel de biomarcadores candidatos que servirá de base para um novo framework de avaliação de risco. Por fim, a relevância biológica será validada experimentalmente, conectando os achados computacionais aos modos de ação genotóxicos in vitro, com células humanas. A integração bem-sucedida desses passos é fundamental para o reconhecimento da plataforma pelas agências regulatórias no futuro (Figura 1).
Figura 1. Diagrama de Fluxo Conceitual da Arquitetura Mecanicista da Plataforma NAM. A figura ilustra a transição do modelo tradicional (Caixa Preta, Baixa Preditividade) para a plataforma NAM, que integra as fases in silico (Data Mining e Ômicas), Modelagem AOP e Validação In Vitro. O resultado é a elucidação do Modo de Ação (MoA) e uma inferência de risco carcinogênico mais precisa e alinhada às diretrizes regulatórias da EURL ECVAM (Laboratório de Referência da União Europeia para Métodos Alternativos à Experimentação Animal). Fonte: Autores, 2025. Criado na plataforma BioRender.com
O desafio metodológico central é unificar a fragmentada bateria de testes tradicional em uma única NAM mecanicista, capaz de detectar múltiplos tipos de risco químico. Para alcançar essa meta, precisamos superar barreiras significativas, como a integração de dados — combinação heterogênea de diversas fontes ômicas; a padronização — desenvolver e padronizar novos modelos preditivos; e, principalmente, a aceitação regulatória — obter a aprovação de métodos alternativos no contexto da genotoxicidade e da carcinogenicidade. O objetivo é criar uma plataforma alinhada aos Adverse Outcome Pathways (AOPs) que consiga detectar múltiplos tipos de dano genético e elucidar o modo de ação das substâncias, tornando a inferência do risco carcinogênico mais precisa.
3. Conclusão
Alinhado às diretrizes de substituição de testes em animais da União Europeia e listado entre as Iniciativas de Transição do JRC/ECVAM, este projeto representa uma alternativa ética e mecanística crucial para a toxicologia genética, visando tornar obsoletos os métodos tradicionais baseados em animais. O resultado esperado deste projeto é o desenvolvimento e validação dessa plataforma mecanística, a qual servirá como um sistema abrangente e mais preciso de avaliação de segurança química. Ao integrar ciências ômicas, análises computacionais (Data Mining e Modelagem de AOPs) e validações experimentais in vitro, visamos identificar biomarcadores preditivos, compreender melhor o mecanismo de ação genotóxica e acelerar a avaliação do perigo e do risco, especialmente o carcinogênico. Em última análise, essa estratégia gera impactos positivos para a saúde humana, animal e ambiental, consolidando o framework proposto como uma ferramenta moderna e essencial para o conceito de Saúde Única.
4. Referências
[1] Cao, Y., Wang, T., Xi, J., Zhang, G., Wang, T., Liu, W., You, X., Zhang, X., Xia, Z., & Luan, Y. (2020). PIG-A gene mutation as a genotoxicity biomarker in human population studies: An investigation in lead-exposed workers. Environmental and molecular mutagenesis, 61(6), 611–621. https://doi.org/10.1002/em.22373
[2] Buick, J. K., Williams, A., Meier, M. J., Swartz, C. D., Recio, L., Gagné, R., Ferguson, S. S., Engelward, B. P., & Yauk, C. L. (2021). A Modern Genotoxicity Testing Paradigm: Integration of the High-Throughput CometChip® and the TGx-DDI Transcriptomic Biomarker in Human HepaRG™ Cell Cultures. Frontiers in public health, 9, 694834. https://doi.org/10.3389/fpubh.2021.694834
[3] Ames, B. N., & Gold, L. S. (1990). Chemical carcinogenesis: Too many rodent carcinogens. Proceedings of the National Academy of Sciences of the United States of America, 87(19), 7772–7776. https://doi.org/10.1073/pnas.87.19.7772
[4] Ball, N., Bars, R., Botham, P. A., Cuciureanu, A., Cronin, M. T. D., Doe, J. E., Dudzina, T., Gant, T. W., Leist, M., & van Ravenzwaay, B. (2022). A framework for chemical safety assessment incorporating new approach methodologies within REACH. Archives of toxicology, 96(3), 743–766. https://doi.org/10.1007/s00204-021-03215-9
[5] Oliveira Nascimento, N. S., Moreira Amaral, B., Silva Oliveira, K., Souza Leite Amorim, M. E., & Tagliati, C. A. (2024). Avaliação de custos e impacto ambiental de métodos experimentais do teste de Ames: Método convencional versus flutuação em microplacas. Encontro Internacional de Gestão, Desenvolvimento e Inovação (EIGEDIN), 7(1). Recuperado de https://periodicos.ufms.br/index.php/EIGEDIN/article/view/20618.
[6] Corvi, R., & Madia, F. (2017). In vitro genotoxicity testing-Can the performance be enhanced?. Food and chemical toxicology : an international journal published for the British Industrial Biological Research Association, 106(Pt B), 600–608. https://doi.org/10.1016/j.fct.2016.08.024.
[7] European Commission, Joint Research Centre (JRC) (2025): JRC Catalogue of Transitional Initiatives contributing to the replacement or reduction of the use of animals in the regulatory assessment of chemicals. European Commission, Joint Research Centre (JRC) [Dataset] PID: http://data.europa.eu/89h/a8517c2c-dec8-42f8-b906-709ca9db748d