دوره 20، شماره 1 - ( 1402 )
جلد 20 شماره 1 صفحات 62-46 |
برگشت به فهرست نسخه ها
Research code: 50578-99-3-99
Ethics code: IR.TUMS.SPH.REC.1399.221
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mozaffari S, Bayatian M, Hsieh N, Khadem M, Abbasi Garmaroudi A, Ashrafi K et al . DEVELOPMENT OF A PHYSIOLOGICALLY BASED TOXICOKINETIC MODEL FOR HUMAN EXPOSURE RISK ASSESSMENT OF METHYLENE DIPHENYL DIISOCYANATE(MDI). ioh 2023; 20 (1) :46-62
URL: http://ioh.iums.ac.ir/article-1-3272-fa.html
URL: http://ioh.iums.ac.ir/article-1-3272-fa.html
مظفری سجاد، بیاتیان مجید، شی ای نانهانگ، خادم منیره، عباسی گرمارودی امیر، اشرفی خسرو و همکاران.. توسعه یک مدل توکسیکوکینتیکی مبتنی بر شواهد فیزیولوژیکی جهت ارزیابی ریسک مواجهه انسان با متیلن دی‌فنیل دی‌ایزوسیانات (MDI). سلامت كار ايران. 1402; 20 (1) :46-62
سجاد مظفری 
، مجید بیاتیان ، نانهانگ شی ای ، منیره خادم ، امیر عباسی گرمارودی ، خسرو اشرفی ، جمال الدین شاه طاهری*
، مجید بیاتیان ، نانهانگ شی ای ، منیره خادم ، امیر عباسی گرمارودی ، خسرو اشرفی ، جمال الدین شاه طاهری*
گروه مهندسی بهداشت حرفه‌ای،دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران ، shahtaheri@tums.ac.ir
چکیده: (900 مشاهده)
چکیده
زمینه و هدف: با توجه به فقدان مدل توکسیکوکینتیکی مبتنی بر شواهد فیزیولوژیکی (PBTK) برای ارزیابی میزان دوز داخلی (مواجهه سیستمیک) و پیشبینی مقادیر دفع ادراری نشانگر بیولوژیکی MDI، در این مطالعه سعی شده است با استفاده از تئوری بیزین و اطلاعات موجود یک مدل توکسیکوکینتیکی برای پیش بینی دزیمتری MDI در بدن ارائه گردد و از نتایج به دست آمده جهت ارزیابی ریسک مواجهه با آن استفاده نمود.
روش بررسی: در این مطالعه به منظور ارزیابی دوز داخلی و پتانسیل مواجهه با MDI، با در نظر گرفتن عدم قطعیت پارامترها، تغییرپذیری افراد در جمعیت یک مدل PBTK توسعه و با روش تحلیل بیزین با زنجیره مارکوف مونته کارلو (MCMC) کالیبره شد. ارزیابی ریسک مواجهه شغلی از طریق تکنیک دوزیمتری معکوس بهوسیله دادههای پایش بیولوژیکی متیلن دی آنیلین (MDA) به عنوان نشانگر بیولوژیکی MDI در افراد مواجهه یافته با غلظت های نامعلوم از MDI انجام شد. به نحوی که مقادیر برآورده شده مواجهه خارجی جهت پی بردن به ریسک ایجاد آسیب با مقدار حد مجاز مواجهه مقایسه گردید.
یافته‌ها: پارامترهای مجهول در مطالعه حاضر با نتایج MCMC همگرا شده (83/1>
) کالیبره و بهدست آمدند. نتایج مدل PBTK نشان داد، الگو و مقدار دفع ادراری 4,4`-MDA پیشبینی شده در واحد زمان در سطح اطمینان 95% نزدیک به مقادیر تجربی برآورد شده است (9/0 = R2). نتایج دوزیمتری معکوس نشان داد هردو نفر ارزیابی شده، مواجهه سیستمیک بیشتری نسبت به مقدار NOAE تجربه نموده بودند. به نحوی در شخص A میزان غلظت مواجهه (انحراف معیار)، (856/0) 58/1 و در شخص B میزان غلظت مواجهه (انحراف معیار)، (705/0) 005/1 ug/l بوده است.
بحث و نتیجه‌گیری: به وسیله مدل توسعه یافته میتوان دوز داخلی اندامهای بدن را برآورد نمود و به ریسک مواجهات شغلی از طریق انجام دوزیمتری معکوس بهوسیله دادههای پایش بیولوژیکی و برآورد میزان غلظت مواجهه خارجی با MDI پی برد.
زمینه و هدف: با توجه به فقدان مدل توکسیکوکینتیکی مبتنی بر شواهد فیزیولوژیکی (PBTK) برای ارزیابی میزان دوز داخلی (مواجهه سیستمیک) و پیشبینی مقادیر دفع ادراری نشانگر بیولوژیکی MDI، در این مطالعه سعی شده است با استفاده از تئوری بیزین و اطلاعات موجود یک مدل توکسیکوکینتیکی برای پیش بینی دزیمتری MDI در بدن ارائه گردد و از نتایج به دست آمده جهت ارزیابی ریسک مواجهه با آن استفاده نمود.
روش بررسی: در این مطالعه به منظور ارزیابی دوز داخلی و پتانسیل مواجهه با MDI، با در نظر گرفتن عدم قطعیت پارامترها، تغییرپذیری افراد در جمعیت یک مدل PBTK توسعه و با روش تحلیل بیزین با زنجیره مارکوف مونته کارلو (MCMC) کالیبره شد. ارزیابی ریسک مواجهه شغلی از طریق تکنیک دوزیمتری معکوس بهوسیله دادههای پایش بیولوژیکی متیلن دی آنیلین (MDA) به عنوان نشانگر بیولوژیکی MDI در افراد مواجهه یافته با غلظت های نامعلوم از MDI انجام شد. به نحوی که مقادیر برآورده شده مواجهه خارجی جهت پی بردن به ریسک ایجاد آسیب با مقدار حد مجاز مواجهه مقایسه گردید.
یافته‌ها: پارامترهای مجهول در مطالعه حاضر با نتایج MCMC همگرا شده (83/1>
) کالیبره و بهدست آمدند. نتایج مدل PBTK نشان داد، الگو و مقدار دفع ادراری 4,4`-MDA پیشبینی شده در واحد زمان در سطح اطمینان 95% نزدیک به مقادیر تجربی برآورد شده است (9/0 = R2). نتایج دوزیمتری معکوس نشان داد هردو نفر ارزیابی شده، مواجهه سیستمیک بیشتری نسبت به مقدار NOAE تجربه نموده بودند. به نحوی در شخص A میزان غلظت مواجهه (انحراف معیار)، (856/0) 58/1 و در شخص B میزان غلظت مواجهه (انحراف معیار)، (705/0) 005/1 ug/l بوده است.بحث و نتیجه‌گیری: به وسیله مدل توسعه یافته میتوان دوز داخلی اندامهای بدن را برآورد نمود و به ریسک مواجهات شغلی از طریق انجام دوزیمتری معکوس بهوسیله دادههای پایش بیولوژیکی و برآورد میزان غلظت مواجهه خارجی با MDI پی برد.
واژه‌های کلیدی: مدل توکسیکوکینتیکی فیزیولوژیکی، ارزیابی ریسک مواجهه، متیلن دی‌فنیل دی‌ایزوسیانات، استنتاج بیزین
نوع مطالعه: پژوهشي |
موضوع مقاله:
ارزیابی و مدیریت ریسک
دریافت: 1400/9/22 | پذیرش: 1402/1/15 | انتشار: 1402/1/10
دریافت: 1400/9/22 | پذیرش: 1402/1/15 | انتشار: 1402/1/10
فهرست منابع
1. Linakis MW, Sayre RR, Pearce RG, Sfeir MA, Sipes NS, Pangburn HA, et al. Development and evaluation of a high throughput inhalation model for organic chemicals. Journal of exposure science & environmental epidemiology. 2020;30(5):866-77.
https://doi.org/10.1038/s41370-020-0248-9 [DOI:10.1038/s41370-020-0238-y] [PMID]
2. Pearce RG, Setzer RW, Strope CL, Sipes NS, Wambaugh JF. httk: R Package for High-Throughput Toxicokinetics. 2017. 2017;79(4):26. [DOI:10.18637/jss.v079.i04]
3. Bois FY. GNU MCSim: Bayesian statistical inference for SBML-coded systems biology models. Bioinformatics. 2009;25(11):1453-4. [DOI:10.1093/bioinformatics/btp162]
4. Hastings WK. Monte Carlo sampling methods using Markov chains and their applications. Biometrika. 1970;57(1):97-109. [DOI:10.1093/biomet/57.1.97]
5. Gelman A, Rubin DB. Inference from iterative simulation using multiple sequences. Statistical science. 1992;7(4):457-72. [DOI:10.1214/ss/1177011136]
6. Budnik LT, Nowak D, Merget R, Lemiere C, Baur X. Elimination kinetics of diisocyanates after specific inhalative challenges in humans: mass spectrometry analysis, as a basis for biomonitoring strategies. Journal of Occupational Medicine and Toxicology. 2011;6(1):1-8. [DOI:10.1186/1745-6673-6-9]
7. Horsfield K, Dart G, Olson DE, Filley GF, Cumming G. Models of the human bronchial tree. Journal of applied physiology. 1971;31(2):207-17. [DOI:10.1152/jappl.1971.31.2.207]
8. Pauluhn J. Interrelating the acute and chronic mode of action of inhaled methylenediphenyl diisocyanate (MDI) in rats assisted by computational toxicology. Regulatory Toxicology and Pharmacology. 2011;61(3):351-64. [DOI:10.1016/j.yrtph.2011.09.007]
9. Soltani Gerdfaramarzi R. Evaluation of Exposure Methyl diisocyanate and Review of the Respiratory Capacity of the Workers Employed in the Foam Manufacturing Industry. Occupational Medicine Quarterly Journal. 2016;7(4):58-66.
10. Mortasavi S, Jabbari Gharabag M, Asilian H, Khavanin A, Solimanian A. Evaluation of 4, 4-methylene diphenyl diisocyanate effects on foam producing workers of car manufacture. Journal of Inflammatory Disease. 2005;9(1):43-50.
11. Hamada H, Liljelind I, Bruze M, Engfeldt M, Isaksson M, Jönsson B, et al. Assessment of dermal uptake of diphenylmethane-4, 4'-diisocyanate using tape stripping and biological monitoring. European Journal of Dermatology. 2018;28(2):143-8. [DOI:10.1684/ejd.2018.3247]
12. Tan Y-M, Conolly R, Chang DT, Tornero-Velez R, Goldsmith MR, Peterson SD, et al. Computational toxicology: application in environmental chemicals. Computational Toxicology: Springer; 2012. p. 9-19. [DOI:10.1007/978-1-62703-050-2_2]
13. Sager JE, Yu J, Ragueneau-Majlessi I, Isoherranen N. Physiologically based pharmacokinetic (PBPK) modeling and simulation approaches: a systematic review of published models, applications, and model verification. Drug Metabolism and Disposition. 2015;43(11):1823-37. [DOI:10.1124/dmd.115.065920]
14. Krishnan K, Peyret T. Physiologically based toxicokinetic (PBTK) modeling in ecotoxicology. Ecotoxicology modeling: Springer; 2009. p. 145-75. [DOI:10.1007/978-1-4419-0197-2_6]
15. Cooper AB, Aggarwal M, Bartels MJ, Morriss A, Terry C, Lord GA, et al. PBTK model for assessment of operator exposure to haloxyfop using human biomonitoring and toxicokinetic data. Regulatory Toxicology and Pharmacology. 2019;102:1-12. [DOI:10.1016/j.yrtph.2018.12.004]
16. Organization WH. Characterization and application of physiologically based pharmacokinetic models in risk assessment. World Health Organization, International Programme on Chemical Safety, Geneva, Switzerland. 2010.
17. Schmitt W. General approach for the calculation of tissue to plasma partition coefficients. Toxicology in Vitro. 2008;22(2):457-67. [DOI:10.1016/j.tiv.2007.09.010]
18. Poulin P, Theil FP. A priori prediction of tissue: plasma partition coefficients of drugs to facilitate the use of physiologically‐based pharmacokinetic models in drug discovery. Journal of pharmaceutical sciences. 2000;89(1):16-35.
https://doi.org/10.1002/(SICI)1520-6017(200001)89:1<16::AID-JPS3>3.0.CO;2-E [DOI:10.1002/(SICI)1520-6017(200001)89:13.0.CO;2-E]
19. Poulin P, Theil FP. Prediction of Pharmacokinetics Prior to In Vivo Studies. 1. Mechanism‐Based Prediction of Volume of Distribution. Journal of Pharmaceutical Sciences. 2002;91(1):129-56. [DOI:10.1002/jps.10005]
20. EPA. Distributed Structure-Searchable Toxicity (DSSTox) Database [Available from: https://www.epa.gov/chemical-research/distributed-structure-searchable-toxicity-dsstox-database.
21. Watanabe R, Esaki T, Kawashima H, Natsume-Kitatani Y, Nagao C, Ohashi R, et al. Predicting fraction unbound in human plasma from chemical structure: improved accuracy in the low value ranges. Molecular pharmaceutics. 2018;15(11):5302-11. [DOI:10.1021/acs.molpharmaceut.8b00785]
22. Luttringer O, Theil FP, Poulin P, Schmitt‐Hoffmann AH, Guentert TW, Lavé T. Physiologically based pharmacokinetic (PBPK) modeling of disposition of epiroprim in humans. Journal of pharmaceutical sciences. 2003;92(10):1990-2007. [DOI:10.1002/jps.10461]
23. Bois FY. Bayesian inference. Computational toxicology. 2013:597-636. [DOI:10.1007/978-1-62703-059-5_25]
24. Feron V, Kittel B, Kuper C, Ernst H, Rittinghausen S, Muhle H, et al. Chronic pulmonary effects of respirable methylene diphenyl diisocyanate (MDI) aerosol in rats: combination of findings from two bioassays. Archives of toxicology. 2001;75(3):159-75. [DOI:10.1007/s002040100223]
25. Reuzel P, Arts J, Lomax L, Kuijpers M, Kuper C, Gembardt C, et al. Chronic inhalation toxicity and carcinogenicity study of respirable polymeric methylene diphenyl diisocyanate (polymeric MDI) aerosol in rats. Toxicological Sciences. 1994;22(2):195-210.
https://doi.org/10.1093/toxsci/22.2.186 [DOI:10.1093/toxsci/22.2.195]
26. Gledhill A, Wake A, Hext P, Leibold E, Shiotsuka R. Absorption, distribution, metabolism and excretion of an inhalation dose of [14C] 4, 4'-methylenediphenyl diisocyanate in the male rat. Xenobiotica. 2005;35(3):273-92. [DOI:10.1080/00498250500057591]
27. Sabbioni G, Dongari N, Kumar A. Determination of a new biomarker in subjects exposed to 4,4′-methylenediphenyl diisocyanate. Biomarkers. 2010;15(6):508-15. [DOI:10.3109/1354750X.2010.490880]
28. Sabbioni G, Wesp H, Lewalter J, Rumler R. Determination of isocyanate biomarkers in construction site workers. Biomarkers. 2007;12(5):468-83. [DOI:10.1080/13547500701395636]
29. Bello A, Xue Y, Gore R, Woskie S, Bello D. Assessment and control of exposures to polymeric methylene diphenyl diisocyanate (pMDI) in spray polyurethane foam applicators. International journal of hygiene and environmental health. 2019;222(5):804-15. [DOI:10.1016/j.ijheh.2019.04.014]
30. CREELY KS, Hughson GW, Cocker J, Jones K. Assessing isocyanate exposures in polyurethane industry sectors using biological and air monitoring methods. The Annals of occupational hygiene. 2006;50(6):609-21.
31. Kääriä K, Hirvonen A, Norppa H, Piirilä P, Vainio H, Rosenberg C. Exposure to 4, 4′-methylenediphenyl diisocyanate (MDI) during moulding of rigid polyurethane foam: determination of airborne MDI and urinary 4, 4′-methylenedianiline (MDA). Analyst. 2001;126(4):476-9. [DOI:10.1039/b009549o]
32. Robert A, Ducos P, Francin J, Marsan P. Biological monitoring of workers exposed to 4, 4′-methylenediphenyl diisocyanate (MDI) in 19 French polyurethane industries. International archives of occupational and environmental health. 2007;80(5):412-22. [DOI:10.1007/s00420-006-0150-3]
33. Tebby C, van der Voet H, de Sousa G, Rorije E, Kumar V, de Boer W, et al. A generic PBTK model implemented in the MCRA platform: Predictive performance and uses in risk assessment of chemicals. Food and Chemical Toxicology. 2020;142:111440. [DOI:10.1016/j.fct.2020.111440]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
