مروری نظامند بر روش‌های شبیه سازی رایانه ای برای پیش بینی سمیت ترکیبات شیمیایی

مقدمه: با توسعه سریع مواد شیمیایی جدید در صنایع مختلف و نیاز به ارزیابی دقیق و کارآمد سمیت آن‌ها، روش‌های شبیه سازی رایانه ای به‌عنوان یک روش غربالگری برای روش‌های سنتی مطرح شده‌اند. این روش‌ها به دلیل کاهش هزینه و زمان آزمایش‌ها و همچنین کاهش استفاده از آزمون‌های حیوانی، اهمیت ویژه‌ای در سم‌شناسی شغلی یافته‌اند. هدف این مقاله مروری، بررسی مطالعات موجود پیرامون کاربرد روش‌های شبیه سازی رایانه ای در پیش‌بینی سمیت ترکیبات شیمیایی، به‌ویژه در محیط‌های کاری و صنعتی است.روش کار: با استفاده از کلمات کلیدی modelling، software، simulation، in silico، toxicity، prediction، chemical، industrial و occupational workplace در پایگاه‌های علمی مانند pubmed، scopus و web of science  از سال 2000 تا 2024 جستجو انجام شد و مطالعات انجام شده در زمینه ی روش‌های شبیه سازی رایانه ای برای پیش‌بینی سمیت ترکیبات مورد استفاده در صنعت، استخراج شد و مورد بررسی قرار گرفت. معیارهای ورود بر مطالعاتی که روش‌های مدل‌سازی، شبیه‌سازی و پیش‌بینی را بیشتر برای سمیت شیمیایی در محیط‌های کاری اعمال می‌کردند، متمرکز بود. همچنین کیفیت سنجی مقالات با استفاده از فرم strobe انجام گردید.   یافته ها: این مطالعه به بررسی 13 مقاله درباره شبیه‌سازی رایانه‌ای ترکیبات شیمیایی بین سال‌های 2000 تا 2024 پرداخته است. بیشترین تحقیقات از سال 2020 به بعد انجام شده است. مقالات بررسی‌شده بر اساس فرم strobe دارای کیفیت متوسط تا بالا هستند. روش‌های مختلفی از جمله quantitative structure-activity relationship (qsar)، یادگیری ماشین و دینامیک مولکولی به‌طور گسترده برای پیش‌بینی سمیت ترکیبات شیمیایی استفاده شده است و دقت پیش‌بینی این مدل‌ها معمولاً بالاست. همچنین نتایج نشان داد روش‌های qsar بیشترین کاربرد را در مطالعات پیش‌بینی سمیت ترکیبات شیمیایی مورد استفاده در صنایع داشته‌است.نتیجه گیری: این روش‌ها با استفاده از توصیف‌گرهای مولکولی و داده‌های ساختاری، دقت بالایی در پیش‌بینی سمیت نشان داده‌اند. با این حال، چالش‌هایی مانند محدودیت‌ در داده‌های معتبر، نیاز به بهبود مدل‌ها، کمبود داده‌های تجربی و پیچیدگی تعاملات شیمیایی وجود دارد. نتایج نشان دادند استفاده از روش‌های محاسباتی می‌تواند به‌طور قابل‌توجهی نیاز به آزمایش‌های حیوانی را کاهش داده و ارزیابی ریسک را بهبود بخشد. این مطالعات همچنین بر اهمیت بهبود و توسعه مدل‌های پیش‌بینی برای افزایش دقت و کاربردپذیری آن‌ها تاکید دارند. بطور کلی می توان گفت مدلسازی می‌تواند به‌عنوان ابزاری موثر در کاهش هزینه‌ها و بهبود ایمنی در محیط‌های کاری به کار گرفته شوند.

a systematic review of computational simulation methods for predicting the toxicity of chemical compounds

introduction: with the rapid development of new chemicals across various industries and the growing need for efficient and accurate toxicity assessments, in silico methods have emerged as a screening tool due to their cost-effectiveness, time efficiency, and reduction in animal testing. the aim of this review is to examine the existing studies on the application of in silico methods in predicting the toxicity of chemical compounds in occupational and industrial settings.material and methods: this systematic review follows established protocols and is based on data extracted from reputable scientific databases such as pubmed, scopus, and web of science. the review analyzes articles published between 2000 and 2024 that utilized in silico methods for toxicity prediction in occupational toxicology. inclusion criteria focused on studies that applied modeling, simulation, and prediction methods primarily to chemical toxicity in workplace environments. also, the quality assessment of the articles was done using the strobe form.results: this study surveyed 13 articles on computer simulation of chemical compounds from 2000 to 2024. the majority of research was conducted between 2020 and 2024. the reviewed articles, based on the strobe form, had a moderate to high quality. various methods, including quantitative structure-activity relationship (qsar), machine learning, and molecular dynamics, were widely used to predict the toxicity of chemical compounds, with the predictive accuracy of these models generally being high. the results also indicated that qsar methods had the most application in studies predicting the toxicity of chemical compounds used in industries.conclusion: in silico methods, using molecular descriptors and structural data, have shown high accuracy in predicting toxicity. however, challenges such as limitations in reliable data, the need for model improvement, lack of experimental data, and the complexity of chemical interactions exist. the results indicated that the use of computational methods can significantly reduce the need for animal testing and improve risk assessment. these studies also emphasize the importance of improving and developing predictive models to enhance their accuracy and applicability. overall, it can be said that modeling can serve as an effective tool in reducing costs and improving safety in workplace environments.