The impact of algal toxicity on life-cycle impact assessment of plastic additives and the potential of using QSAR predictions to fill the algae data gap

Abstract

Purpose There is a need to find a quick way to assess the impacts of the growing amount of globally manufactured and emitted chemical substances. This paper evaluates the use of Quantitative Structure Activity Relationships (QSAR) for predicting environmental effects of plastic additives in Life Cycle Impact Assessment (LCIA). It also evaluates the impact on so called Characterization Factors (CF) when including toxicity on algae as opposed to only chordate and arthropod.
Method A review concluded that few (39) toxicity data for algae (experimental and QSAR predicted) were available for the 159 plastic additives of concern. To fill the data gap, a QSAR for algal toxicity was constructed that was able to predict toxicity for 54 substances. CFs were calculated and assessed based on; 1. QSAR predicted data for arthropod and chordate, 2. QSAR predicted data for arthropod, chordate and algae and 3. Experimental data for all three phyla.
Results and discussion CFs could be calculated considering algal toxicity for totally 97 out of the 159 substances. Algae were overall less sensitive to the substances leading to lower CFs when it was included. The correlation between the effect data of algae and the other two phyla was very small resulting in an altered internal rank when algal data was included.
Conclusions & recommendations
- The sensitivity of the species varied both between phyla and between substances.
- The inclusion of algal effect data did alter the internal rank of the resulting CFs although not extensively.
- Algae generally exhibited lower sensitivity to the additives. Not including algae in LCIA studies might therefore result in more conservative CFs.

Popular Abstract (Swedish)

Användning av QSAR vid screening av kemikalier
- besparar oss tid, pengar och djurs lidande

Spridning av kemikalier i miljön är ett växande globalt problem. För att snabbt kunna minska eller byta ut de kemikalier som utgör störst hot mot människor och miljö måste man först identifiera de mest skadliga. Detta är dock ingen enkel uppgift eftersom modellerna man använder kräver stora mängder data som ofta inte finns tillgänglig. QSAR-metodik kan vara en lösning på problemet.

Karaktäriseringsmodeller som används för att ge ett mått på kemikaliers ”giftighet” kräver en mängd fysiokemisk data som t.ex. vattenlöslighet, molekylvikt, nedbrytningshastiget m.m. ”USEtox” som är den modell som använts i den här studien kräver dessutom uppgifter på toxicitet för arter inom minst tre olika fyla (stammar). För akvatisk toxicitet vill man, baserat på EU-direktiv, helst använda fisk, djurplankton och alger. Det har dock visat sig vara ont om akvatisk toxicitetsdata, speciellt på alger. Det är här användandet av QSAR-modeller kommer in.
QSAR står för Quantitative stucture-activity relationship och bygger på antagandet att kemikalier med liknande struktur har liknande aktivitet. Inom toxikologin använder man sig av QSAR genom att ”träna” modeller med värden på kemikalier med kända toxiska effekter och sedan låta modellerna förutspå effekten hos andra kemikalier. Metoden kan spara både tid och pengar samt minska behoven av att testa på djur.
Studien som gjorts hade följaktligen två syften; det ena var att se hur väl QSAR prediktioner kan ersätta testade toxicitetsvärden, det andra var att se hur viktigt det egentligen är att inkludera algdata eftersom den är så otillräcklig.

Studien
En jämförande studie gjordes på 159 kemikalier som används som tillsatser i plast. Med hjälp av tre olika dataset togs karaktäriserings faktorier (KF), som alltså är ett sammanlagt mått på ”giftighet”, fram i USEtox modellen. Dataset (DS) 1 och 2 innehöll toxicitetsdata framtagen med QSAR; DS 1; utan alg och DS 2; med alg. DS 3 innehöll experimentellt framtagen data. Först jämfördes KF som baserat på DS 1 och 2 (med och utan algdata) och sedan jämfördes dessa med KF som baserats på experimentell data (DS 3).
Resultaten visade att då algdata var inkluderad blev KF generellt lägre, alltså kemikalien fick en lägre prioritering jämfört vad den fick utan algdata. Man kunde också se att grunden till detta var att alg generellt klarade högre doser av de flesta av kemikalierna än de andra arterna. När KF som baserats på experimentella värden jämfördes med KF baserade på QSAR visade det sig att det fanns positiva samband samt att QSAR-baserade värden där alg var inkluderad var mer lika de KF som baserats på experimentella värden.

Sammanfattningsvis visar studien att känsligheten mellan arter och fyla kan skilja sig åt och belyser vikten av att inkludera arter med olika biologi för att kunna göra korrekta bedömningar och prioriteringar för kemikalier. Den visar också att QSAR tycks vara ett bra alternativ då experimentell data inte finns tillgänglig. Det krävs däremot mer omfattande studier för att kunna dra några säkra slutsatser. Hur bra prediktioner en QSAR-modell gör beror också på om det är en generell modell eller mer specifik. De mer specifika modellerna gör oftast mer säkra bedömningar men kan å andra sidan inte användas för så varierande ämnen.

• author: Grönholdt Palm, Julia
• supervisor: Ullrika Sahlin; Tomas Rydberg; Magnus Rahmberg
• organization: Studies in Environmental Science
• course: MVEM12 20151
• year: 2014
• type: H2 - Master's Degree (Two Years)
• subject: Earth and Environmental Sciences
• keywords: LCIA, Impact assessment, QSAR, LCA, algae, plastic, additives, screening
• language: English
• id: 5364266
• date added to LUP: 2015-05-05 08:40:39
• date last changed: 2015-05-05 08:40:39