
TOXBOX
- Ansprechperson:
- Projektgruppe:
- Förderung:
EU Horizon Europe, Förderkennzeichen: 101138387
- Projektbeteiligte: Steinbeis Europa Zentrum und weitere Partner
- Starttermin:
01.01.2024
- Endtermin:
31.12.2027
Projektname (Akronym): Toxikologische Testplattform, die immunkompetente In-vitro-/Ex-vivo-Module mit Echtzeit-Sensorik und auf maschinellem Lernen basierenden In-silico-Modellen für Lebenszyklusbewertung und SSbD integriert (TOXBOX)
Das Konzept von „Safe and Sustainable by Design“ erfordert eine Überwachung der Toxizität von Chemikalien über den gesamten Lebenszyklus hinweg. Die derzeitigen Testsysteme können jedoch nicht die Expositionsbedingungen der verschiedenen Lebenszyklusstadien nachbilden. Neue Geräte sollten über modulare Testkapazitäten verfügen und die Entwicklung von In-silico-Modellen ermöglichen. Im Rahmen von TOXBOX wird ein Gerät mit modularen Testkapazitäten und flexibler mikrofluidischer and instrumenteller Architektur entwickelt. Es basiert auf einem Prototyp, der während des H2020-Projekts PANBioRA entwickelt wurde.
Das System wird Zytotoxizitäts- und Genotoxizitätstests, Barriere-/Stoffwechsel-Gewebepaare mit Zytokin- und elektrochemischen Echtzeit-Messungen sowie ein Testmodul mit Zebrafisch-Embryonen beinhalten. Verschiedene Materialien wie 2D-Metallstrukturen, Nanopartikel, Biozide und bekannte endokrine Disruptoren werden für die Validierung verwendet.
In-silico-Modelle für Langzeitwirkungen werden entwickelt und zur Vorhersage von Toxizität anhand neuer chemischer Formeln innerhalb bekannter chemischer Gruppen verwendet. Die laborübergreifende Validierung des Geräts erfolgt durch vier Partner. TOXBOX soll ein Instrument hervorbringen, das zuverlässige Toxizitätsdaten unter relevanten Bedingungen für jede Chemikalie liefert und die Entwicklung zuverlässiger In-silico-Modelle ermöglicht.
Die ML4TIME-Gruppe arbeitet an Machine-Learning-Modellen für die automatische Toxizitätserkennung. Machine-Learning-Modelle können die durch Experimente generierten Daten schnell und konsistent weiterverarbeiten. Die in den Modellen verwendeten Daten bestehen aus mikroskopischen Bildern, elektrochemischen Zeitreihendaten und Metadaten.
Innerhalb der Gruppe um Thomas Dickmeis für Zebrafisch-Endokrinologie und -Metabolismus am IBCS-BIP des KIT wird ebenfalls an dem TOXBOX-Projekt gearbeitet. Die Mitglieder arbeiten an einer neuen transgenen Zebrafisch-Linie zur Toxizitätserkennung und werden verschiedene Toxizitätstests mit Zebrafisch-Embryonen ausführen.