초록 ▼

IV. 연구 결과
1. 나노물질의 유해성예측 기법 조사
1-1. 화학물질 유해성예측 기법 조사
- EU REACH 등 화학물질 관련 법규에서는 화학물질 평가에 있어서 동물시험을 줄이면서 효율적인 화학물질 평가를 위한 대체시험법(그룹핑, 카테고리화, read across, QSAR 등)을 법적으로 활용함

- 해당하는 화학물질의 물리화학적 특성을 확인하여 read across에 적용 가능한 과학적 근거를 마련할 수 있으며, 그에 따른 그룹핑 및 카테고리 정의에 대한 물질 특성 및 특성 영향의 유사성을 제시할

IV. 연구 결과
1. 나노물질의 유해성예측 기법 조사
1-1. 화학물질 유해성예측 기법 조사
- EU REACH 등 화학물질 관련 법규에서는 화학물질 평가에 있어서 동물시험을 줄이면서 효율적인 화학물질 평가를 위한 대체시험법(그룹핑, 카테고리화, read across, QSAR 등)을 법적으로 활용함

- 해당하는 화학물질의 물리화학적 특성을 확인하여 read across에 적용 가능한 과학적 근거를 마련할 수 있으며, 그에 따른 그룹핑 및 카테고리 정의에 대한 물질 특성 및 특성 영향의 유사성을 제시할 수 있어야 함

1-2. 나노물질 유해성예측 기법 조사
가. 나노물질에 관한 유해성예측 연구사례 조사
- 국제적으로도 이러한 나노물질의 나노 특이적인 특성을 고려하여 물질별로 그룹핑하고자 하는 연구가 다수 진행되고 있으며, 대표적으로 ECHA에서는 일반화학물질과 같이 화학조성만으로 나노물질을 그룹핑하는 것은 불충분하다고 언급하였고, 추가적으로 종횡비, 모양, 형태, 용해도, 표면적, 표면전하, 표면처리 등에 대한 항목을 고려해야 한다고 제시

- MARINA, GUIDEnano, ITS NANO 등의 프로젝트를 통해 도출된 나노물질 위해성평가 접근법을 종합하여 반영하였으며, 나노 물질 특성(크기, 화학조성, 모양, 응집 정도 등)을 우선적으로 특성화하고 이를 바탕으로 세포독성(물질 대사, 동태 등), 유전독성, 변형된 유전자 발현 등 독성 영향에 대한 엔드포인트 확인의 가능성을 제시함

- QSAR는 자신의 정보를 바탕으로 자신의 추가 정보를 예측하는 것이고, read across는 비교 대상의 정보를 바탕으로 자신의 정보를 유추하는 것으로 둘의 차이가 있으며, 그룹핑 기법은 read across 수행시에 동일 그룹에 속하면 유사한 endpoint를 지닐 것이라는 가설로서 활용되며, 문헌자료, WoE, nano-QSAR, 모델링, 머신러닝 등으로 증명

나. 나노물질 그룹화를 통한 환경거동 예측 적용 사례 조사
- 나노물질을 포함한 화학물질의 안전성을 평가하고 화학물질에 의한 생태계 또는 인체 건강에 미치는 영향을 확인하기 위해서는 화학물질이 환경 및 인체 노출에 있어서 영향을 미치는 농도를 파악하는 것과 동시에 환경 중의 농도 등을 파악할 필요가 있음

- NANoREG은 규제적인 측면에서 화학물질의 환경 거동 평가를 위해서는 거동 인자를 이용한 환경예측농도 산정의 필요성을 제기하였으며, 구체적 시험 조건들은 나노물질과 화학물질 간 차이가 있지만, 거동 평가 및 예측에 관한 기본적 endpoint는 동일할 것으로 판단함

2. 나노물질의 유해성평가를 위한 그룹화, 분류 및 Read across
2-1. 그룹화를 위한 나노물질 물성 및 독성에 관한 DB 구축
가. 화학물질/나노물질 유해성 endpoint 특성분석
- 주요 endpoint는 나노물질 정의, 나노물질 안전관리 제도 기반 구축 및 등록 시범사업 등에서 도출한 endpoint를 모두 포함하고 있기 때문에, 표 분석에서 도출한 endpoint를 나노물질 유해성 특성 분석 및 예측을 위한 그룹핑/read across 수행에 필요한 최소 인자로 설정하고자 하였음

∙ 주요 PChem endpoint 순서 : 성분 > 크기분포 > 제타전위 = 표면화학 > 수용해도 = 모양/종횡비 > 비표면적 > 라디칼형성 = 결정성 > 응집성 = 광촉매활성 = 분산성

나. 나노물질 유해성에 관한 문헌자료 DB 구축
- EU FP7 프로젝트의 일환으로 수행된 ITS-NANO(Intelligent Testing Strategy for Engineered Nanomaterials, 2012-2013)에서 나노특이적 물성들의 속성별 해석 진행

- 그룹핑 방법론 조사와 독성 기작에 따른 상관 물성 해석을 바탕으로 문헌 DB 구축을 위한 속성값을 결정하고자 하였음 : 문헌속성 4개, 물성속성 16개, 독성속성 7개

- 생태 생물종은 daphnia, fish, algae를 중심으로 하되, 여타 생물종도 함께 DB화 하였고, 생물종의 학명으로 구분시에 DB가 분산되므로 대표 생물종명으로 통일 시켜서 자료화

다. 나노물질의 PChem에 따른 유해성자료 분석
- 인체 245건, 생태 1231건으로 총 1476건의 EC₅₀ 자료를 포함한 문헌 DB 구성
∙ 물질별 추출된 자료 순서(생태) : AgNP > ZnO > TiO₂ > CNT > SiO₂ > CeO₂ > Al₂O₃ > FeNP > C60 > dendrimer > AuNP > carbon black

∙ 생물종 순서 : microalgae(미세조류) > water flea(물벼룩) > bacteria(세균) > fish(물고기) > earthworms(지렁이) > plant(식물) > nematode(선충) > crustaceans(갑각류) > ciliate (섬모충류) > springtails(톡토기) > woodlouse(쥐며느리)

- 나노물질(Al₂O₃, CeO₂, CNT, SiO₂, AgNP, TiO₂, ZnO) 7종에 관한 heat map을 구성하여 상관계수를 도출하고 이를 가중인자로 정리
∙ 크기에 영향을 받는 나노물질 : Al₂O₃ > CeO₂
∙ 제타전위에 영향을 받는 물질 : Al₂O₃ > SiO₂ > AgNP
∙ 응집에 영향을 받는 물질 : CeO₂ > Al₂O₃ = ZnO = TiO₂ > SiO₂ ∙ 표면적에 영향을 받는 물질 : SiO₂ > Al₂O₃ > CeO₂ > CNT > ZnO > TiO₂ ∙ 모양(비구형)에 영향을 받는 물질 : Al₂O₃ > CNT > CeO₂
∙ 라디칼생성에 영향을 받는 물질 : SiO₂ > CeO₂

2-2. 나노물질 그룹화 방법론 도출
가. 나노물질 특성별 분류 및 그룹화 방법론 도출
- 본 연구에서는 1차적으로 bottom-up 방식으로 상관계수와 클러스터링을 통한 범주화를 시도하고, 도출된 해당 기준 물성을 바탕으로 독성기작에 맞춘 기준점을 수정하고자 함

- 나노물질별로 heat map 해석에 따른 EC₅₀의 지배적인 물성을 파악하고, 이들 값의 유사성을 보이는 나노물질별로 그룹화 시도 가능 : CNT는 종횡비, AgNP는 제타전위 변화 즉, 코팅 물질 여부에 따른 이온화 경향, ZnO, TiO₂는 광활성 여부에 따른 라디칼생성과 같은 기준 물성으로 군집화를 위한 개별 분류가 가능할 것으로 판단

- 지배물성에 관한 유사성 해석(heat map)과 EC₅₀/size 상관성 해석은 2개의 종속변수간의 의존성을 해석한 것으로 2차원 분석이기에, 여타 변수의 영향까지 고려한 다차원 클러스터링 방법 적용 : 거리 기반 k-means(수치 데이터만 사용), k-prototype(카테고리 포함) clustering, 밀도 기반 DBSCAN(density-based spatial clustering of applications with noise) 활용

- 카테고리 속성도 수치자료와 함께 k-prototype을 통해 군집화 상관성 해석을 수행

∙ 0번 : 크기와 표면적으로 군집화, 1번 : 제타전위가 지배적인 군집화 물성, 2번 : 입자모양과 크기가 지배 물성, 3번 : 명확한 지배 물성이 없어서 여타 군집 분류에서 제외된 데이터의 집합으로 100 nm 미만 입자, 5번 : 응집으로 군집화

- Bottom-up 방식의 상관성 해석으로 1차 분류(AR, 성분, 크기)를 수행하고, 군집내 데이터가 밀집된 부분에 대해서만 top-down 방식의 인과성 해석으로 세부 분류를 실시

나. 나노물질 위해성평가에 활용 가능한 그룹화 절차마련
- 본 연구에서는 앞서 수행한 k-prototype 그룹별 기준을 활용하여 그룹핑 절차를 작성하고자 하였으며, 상관성 해석을 보완하고자 heat map의 인과성 결과를 세부 분류에 사용하였음

- DF4nanoGrouping에서처럼 tier approach를 활용하되, 가능한 분류 기준 물성을 상관계수가 큰 일부만 지배적으로 사용하여 구분
∙ Tier 1에서는 입자의 모양, 즉 종횡비에 따른 구분을 실시하며, HAR를 보이는 CNT, NW 등을 다시 크기로 재분류하여 그룹을 지정

∙ Tier 2에서는 CNT, NW를 제외한 물질에 대하여 분류를 실시하며, 성분을 기준으로 ZnO, TiO₂, Al₂O₃를 분류하게 되며, 분류된 3개의 물질은 다시 크기에 따라서 2~4개의 그룹으로 지정

- 군집3 구성물질의 평균 물성값과 EC₅₀간의 상관성 자료를 바탕으로 인과성 해석 : 상관성 해석에 의한 군집 분류이후 해당 군집내 물성자료와 독성자료간의 인과성이 있는지를 재해석하고자, 입자크기, 제타전위, 비표면적, 응집 등의 자료를 대상으로 EC₅₀ 의존성 파악

- 신규 나노물질의 물성 파악과 그룹화가 진행된 다음 해당 물질의 유해정보 endpoint 가용여부를 파악하는 read across 수행이 추가적으로 진행되어야 함(min-max scaling 적용)

- 신규물질에 관한 그룹내 분류분석(classification) 작업 : 신규 나노물질의 물성 정보를 취득한 다음 어떤 그룹내에 포함되는지를 빠르고 정확하게 하는 방법으로 분류분석을 제시할 수 있음

∙ DNN, KNN, Logistic regression, decision tree, SVM 등 5가지 분류분석 방법을 종합적으로 판단시에, deep learning 보다는 KNN, decision tree, SVM 기법이 우수

다. EU GRACIOUS 프로젝트 관련 워크샵 참여
- Gracious의 grouping framework는 ECHA의 화학물질 기반 접근법을 준용하기는 했지만, 가설 설정 단계부터 한계점이 많아서 재수정이 필요한 수준임

- 일부 그룹(NanoReg2 Adrea Haase)에서는 10여개 물질에 관한 그룹핑을 머신러닝을 통해 시도하고 있어서, 국내 연구진이 수행하고 방법론이 leading-edge임을 재확인하였음

2-3. 그룹핑 적용성 평가
가. DB 그룹핑 및 read across 수행을 위한 DB 전처리
- 구성한 원본 DB에 존재하는 결측치는 그룹핑을 위한 클러스터링 작업과 heat map 상관계수 분석, 머신러닝을 이용한 독성값 예측 등의 후속 작업에 오류를 유발 → reference 추적, 머신러닝을 통한 결측치 해소

나. Read across 수행을 위한 머신러닝 모델 개발
- 대상 나노물질의 독성값 예측은 그룹핑을 통한 사전 그룹 분류와 해당 그룹내 후보 물질들을 이용한 read across 수행을 통해 진행

- 본 연구에서는 deep-learning, random-forest, decision-tree 등의 3가지 모델을 사용하되, 해당 모델의 변수 조절을 통해 보다 다양한 하위 모델을 사용하였음

- 개발한 모델을 대상으로 data set을 구성하고, 이를 바탕으로 모델 훈련이 요구되며, 여기서는 train/test 75:25 분할, k-fold cross validation, leave one out cross validation(LOOCV) 등의 3가지 방법을 사용하였음

다. DB 및 모델의 제한점 파악 및 적용범위 설정
- 문헌 DB 추출 및 전처리의 제한점 파악 : 기존에 논문으로 출판된 자료를 활용하여 물성자료와 독성자료를 추출하는 작업은 시간 소모적이며, 추출자의 전문성에 의해 추출정보의 중요도와 정확성이 달라질 수 있는 문제가 존재

- 머신러닝을 통한 기계학습의 제한점 : 머신러닝을 통해 결측으로 남아 있던 정보(응집, 제타 전위, 비표면적)를 상관성 해석으로서 결측치 해소에 활용하였으며, 이들이 왜 해당 값을 갖는지에 관한 인과성은 전혀 없다는 한계점은 존재 → 머신러닝을 통한 독성 예측은 원본자료의 신뢰성 부분과 기계학습 알고리즘의 개선, 예측값의 실험적 검증 등이 지속적으로 보완이 되어야 함

- 그룹별로 적용 가능한 물성인자의 범위를 평균+분산으로 표현하여 적용 범위내에서 신규물질 모델링을 통한 예측이 적합함을 제시하였고, 물질별 4가지 물성인자에 관한 적용 범위를 가우시안 분포로 표현

∙ 그룹핑 기법 적용 가능한 물질 : AgNP, CNT, ZnO, TiO₂, Al₂O₃, CeO₂, SiO₂ ∙ 그룹핑 기법 적용 가능한 생물종 및 정보 : EC₅₀, 48시간 급성, 물벼룩

라. 국내 유통되는 나노물질을 대상으로 그룹핑 적용 평가
- 국외 Sigma-Aldrich 제품 등 6개, 국내 제품 6개를 검증 물질을 선정하였음

- 나노물질의 독성예측에 관한 실험적 검증을 위해 물벼룩을 이용한 급성 독성값인 EC₅₀ 48시간 산출실험을 실시

- Highly toxic (0 < EC₅₀ < 1 ppm) : (시그마 AgNP > in-Lab AgNP > 국내 AgNP) → 그룹핑에서 G3a로 구분한 분류와 동일하게 평가

- Moderate toxic (1 < EC₅₀ < 20 ppm) : (시그마 ZnO > 한화 CNT > 선진 ZnO > 시그마 CNT) → 그룹핑에서 G3b로 구분한 분류와 동일하게 평가

- Low toxic (50 < EC₅₀) : (시그마 TiO₂ > in-Lab SiO₂ > 선진 TiO₂ > 시그마 SiO₂) → 그룹핑에서 SiO₂는 G3c로 구분한 분류와 동일하게 평가되며, 광활성이 배제된 실험으로 인해 TiO₂는 G3b에서 G3c로 할당

- Deep learning 41가지, Decision tree 70가지, Random forest 40가지 모델을 사용하여 EC₅₀ 예측에 적합한 조건을 갖는 모델을 찾고자 하였음

∙ 독성 예측이 잘 되었던 물질 : TiO₂, SiO₂ 전체 5종이 deep learning 학습법으로 예측 잘 되었음 → 학습 자료수가 풍부하고, 독성 기작이 광조사를 받지 않는 이상은 inactive 물질이라서 제공된 물성인자만으로 예측 가능하였다고 판단

∙ Deep learning은 G3b & G3c 군집에 적용 가능했고, decision tree는 G3b에 적용 가능

∙ 독성 예측이 어려운 물질 : AgNP, ZnO 등 이온 독성 기작을 보이는 물질은 기초 물성만으로 독성 예측이 어려움 → 생물 배지내 물성 인자와 거동 특성을 반영한 모델링이 필요할 것으로 판단

마. OECD WPMN 국제 전문가 그룹 의견 파악
- 그룹내 물질과 유사물질간의 bridging data gap 채우기 위한 목적으로 사용되는 것뿐만 아니라, 나노와 비나노 물질간의 유사성 기반 그룹핑에도 적용 가능함을 확인

- Grouping, read across는 목적 지향적인 분류기법으로서, endpoint가 달라지면 그룹핑 가설과 기법이 모두 달라지는 것이 당연하며, 그룹핑을 사용하는 목적에 따른 endpoint 별 기법이 제시되어야 함(본 연구에서는 EC₅₀으로 설정한 그룹핑 기법을 제시)

3. 국내 나노물질 관리를 위한 그룹화, 분류 및 Read across
3-1. 그룹화, read across의 국내법 적용가능성 분석
- 화평법 내 나노물질 등록을 위한 필수/추가 인자 도출에 관한 상관성 및 인과성 분석 결과의 반영
- 화평법 내 나노물질 등록을 위한 필수 항목은 대상 물질이 나노인지를 확인하는 물성인자로 사용되지만, CNT 또는 나노와이어가 아닌 이상은 종횡비 물성 제출이 무의미할 수 있으므로 물질별로 해당 특성의 추가 제출 여부를 판단할 필요가 있음

∙ 필수항목(크기, 분포, 모양, 종횡비) 중 종횡비 보고 물질 : nanotube, nanowire
∙ 추가항목 : 표면전하, 표면처리, 비표면적, 응집/집적(CNT 의미 있는 정보 적음)
∙ 물질별 기타항목 : 수용해도(AgNP, ZnO), 결정성(TiO₂), 라디칼 생성(CeO₂, AgNP, ZnO), 광활성평가(CeO₂, TiO₂, ZnO)
- 그룹핑을 통한 신규 물질의 기존 물질 정보 활용 가능성이 열린다면, 신규 등록 대상 물질의 빠른 그룹별 분류와 그룹내 기존 자료의 활용성 제고가 가능해지며, 이를 통해 read across 수행 여부를 결정할 수 있음
- 즉, 머신러닝을 통한 특정 유해성 endpoint 예측에 관한 모델식을 공개하여 사용자가 보고‧등록전에 유해여부를 사전에 파악해 볼 수 있는 스크리닝 작업에도 활용 가능
- 화학제품안전법에서도 화평법과 동일한 물성 인자를 활용하여 유해성 평가 및 제품 사용 승인을 진행해야 함

3-2. 나노물질 평가 방안 마련
- 그룹화 방법론의 한계점 : 그룹화를 위한 문헌 자료의 부족, 상관성 해석이 지닌 논리성 보완 필요, 그룹화 방법론에 관한 국제적인 합의 요구, 신규 물질이 그룹 결정시 물성 정보의존성, 클러스터링 방법론에 따른 그룹수 차이 발생 → 독성 자료의 지속적 축적, 머신러닝-물성-독성 전문가의 지속적인 협업, 국제 전문가에 의한 검토, 나노물질 분석에 관한 가이드라인 제시, 최적 방법론 도출을 위한 반복 계산 등으로 해결

- Read across 적용의 제한점 : 물성 유사도 평가시 물성에 관한 전문적 이해 필요, Heat map 상관계수 오차로 인한 정규화 오류 발생 가능성, 오차 분석을 통한 후보군내 비교 물질 선정시 독성에 관한 전문성 요구, Read across 및 그룹핑 수행의 선제 조건 만족 여부 판단 필요 → 물성 분석 조건에 관한 정보 제공 및 missing value에 관한 추가 분석 실시, 물성정보 정규화 범위 제공, 독성 전문가 자문, 독성 기작을 고려한 머신러닝 해석 등으로 해결

- 나노물질 그룹화 및 모델링 기법에 관한 제언 : 유사 독성을 보이는 물질에 관한 나노물질 그룹화를 통한 물질 집단 관리, 매질 변화에 따른 독성값 예측 필요, 비나노물질을 이용한 나노물질 특성 그룹핑 필요, 물벼룩 독성값 기반 한 여타 생물종의 독성값 예측 필요, 급성실험값 기반 한 모델링을 통한 만성 독성값 예측 연구 필요

(출처 : 요약문 6p)

목차 Contents

• 표지 ... 1
• 제 출 문 ... 3
• 요 약 문 ... 5
• 목차 ... 13
• 표목차 ... 15
• 그림목차 ... 18
• I. 서 론 ... 25
• 1. 과업명 ... 25
• 2. 연구의 배경 및 필요성 ... 25
• 3. 연구목표 ... 36
• II. 연구내용 및 방법 ... 37
• 1. 연구의 범위 ... 37
• 2. 연구방법 ... 39
• 3. 연구추진 전략 ... 53
• III. 연구결과 및 고찰 ... 55
• 1. 나노물질의 유해성예측 기법 조사 ... 55
• 1-1. 화학물질 유해성예측 기법 조사 ... 55
• 1-2. 나노물질 유해성예측 기법 조사 ... 65
• 2. 나노물질의 유해성평가를 위한 그룹화, 분류 및 Read across ... 90
• 2-1. 그룹화를 위한 나노물질 물성 및 독성에 관한 DB 구축 ... 90
• 2-2. 나노물질 그룹화 방법론 도출 ... 129
• 2-3. 그룹핑 적용성 평가 ... 184
• 3. 국내 나노물질 관리를 위한 그룹화, 분류 및 Read across ... 238
• 3-1. 그룹화, read across의 국내법 적용가능성 분석 ... 238
• 3-2. 나노물질 평가 방안 마련 ... 246
• IV. 결 론 ... 257
• V. 기대성과(활용방안) ... 261
• VI. 참고문헌 ... 263
• VII. 부록 ... 265
• 1. 국외출장보고서 ... 265
• 2. 문헌조사 DB ... 291
• 끝페이지 ... 299