Progettazione safe by design: approccio innovativo

safe by design

Prendiamo in esame un approccio nuovo, di tipo quantitativo, alla progettazione sostenibile e sicura dei rivestimenti e dei materiali nano-compositi

L’ingegneria dei materiali e dei rivestimenti nano-compositi offre la possibilità di esplorare campi prestazionali impensabili e ottenere funzionalità aumentate e multifunzionalità per diverse applicazioni: resistenza a usura, foto- e termo-catalisi, superfici antimicrobiche.

Tuttavia, il loro utilizzo pone questioni di sicurezza per la salute e di sostenibilità ambientale che devono essere affrontate con adeguata attenzione per evitare da un lato possibili rischi e dall’altro un rallentamento delle applicazioni industriali dovuti all’ambiguità sulla possibile applicazione di specifici NM.

Questo implica una progettazione dei prodotti realizzati con rivestimenti o materiali nanocompositi (nano-enabled products – NEPs) secondo criteri di sicurezza (Safe by Design – SbD) [1].

Il tema non è nuovo, infatti sono numerose le iniziative in ambito internazionale ed europeo che hanno tentato di affrontare il tema secondo approcci diversi, tra cui i progetti SanoWork, NanoMICEX, e Scaffold successivamente sviluppato ulteriormente dai progetti ProSafe e NanoReg2 [2].

Prendendo le mosse dai primi approcci sulla sicurezza de nanomateriali un numero di progetti più recenti ha specificatamente trattato il problema dal punto di vista della sicurezza dei nanomateriali a partire dalla loro progettazione tra cui ASINA [3], SAbyNA [4], SABYDOMA [5], SbD4Nano [6], HARMLESS [7] e SUNSHINE [8].

Fra questi il progetto ASINA propone una metodologia di gestione della sicurezza dei nanomateriali a partire dalla progettazione con un approccio innovativo rispetto a quanto sviluppato in precedenza con un taglio prevalentemente tecnico-scientifico associato a quello nano-tossicologico, coinvolgendo attori industriali e implementando soluzioni digitali per il supporto alla decisione.

Inoltre, ASINA prende in considerazione tutto il ciclo di vita dei NEP a partire dalla sintesi dei NM sino al fine vita.

L’estensione proposta all’approccio safe by design tradizionale

Il meta-modello di gestione “safe & sustainable by design” (S&SbD) proposto in ASINA estende il semplice approccio SbD che considera principalmente gli aspetti nano-tossicologici. S&SbD può essere applicato virtualmente a tutti i settori industriali (dal settore delle vernici a quello del tessile, dalla cosmesi alle lavorazioni meccaniche) e implementato per i casi specifici a servizio dei progettisti, oppure può essere utilizzato come riferimento da soggetti che si occupano degli aspetti regolatori [9,10].

Il metodo ha una chiara derivazione industriale ed è basato sul processo di innovazione stage-gate [11] e si basa su quattro punti essenziali: (1) sicurezza dei materiali e dei prodotti, (2) sicurezza in produzione, (3) sicurezza nella fase d’uso e nel (4) fine vita dei NEP.

In aggiunta al tema della sicurezza il meta-modello S&SbD considera gli aspetti di impatto ambientale come elementi di pari importanza a quelli della sicurezza per la salute umana, dando per scontato il livello prestazionale riferito alla funzionalità specifica dei NM come prerequisito indispensabile alla scelta della soluzione nanotecnologica.

Il processo stage-gate descrive le fasi consecutive di raccolta delle informazioni per operare decisioni durante il processo di innovazione dall’idea iniziale al lancio del prodotto e in questo contesto è applicato in modo ciclico attraverso un processo di successive approssimazioni e ottimizzazioni per la produzione di NM e la loro incorporazione nei NEP, valutando a ogni fase il livello prestazionale delle quattro dimensioni fondamentali: funzionalità, costo, sostenibilità ambientale e potenziale tossicità.

Il metodo proposto è connotato da una forte impronta industriale che prende le mosse dai processi six-sigma e DMADV (Define, Measure, Analyze, Design and Verify) che presuppongono un approccio quantitativo basato sulla definizione dei parametri prestazionali specifici sulla misura degli stessi, sull’analisi dei processi la verifica (quantitativa) dei risultati raggiunti attraverso un processo iterativo per successive approssimazioni [12].

Infatti, a ogni opzione progettuale è possibile associare un livello prestazionale. La condizione di optimum progettuale è caratterizzata da quelle soluzioni che tendano a massimizzare simultaneamente le funzioni prestazionali: funzionalità (φ), sostenibilità ambientale (ε) ed economica (γ), sicurezza (σ).

L’approccio innovativo ha lo scopo di fondare un modello di gestione del processo di innovazione sostenibile e sicuro (ASINA-SMM) che sia applicabile e replicabile in diversi contesti industriali, svincolato dai casi specifici trattati nel progetto a titolo esemplificativo, in modo da proporre delle linee guida di riferimento.

Data la vocazione industriale del SMM, il modello può essere integrato in un sistema di gestione aziendale della progettazione di prodotti e servizi finalizzato al miglioramento continuo, connesso agli aspetti della qualità, della sostenibilità ambientale, della sicurezza dei processi produttivi per la salute degli operatori nell’ambiente di lavoro.

Inoltre, ASINA-SMM definisce la roadmap per il miglioramento dei prodotti nanotecnologici (NEP) basata su dati quantitativi e fornire nuovi e fondati elementi per la definizione di linee guida ed elementi per le future normative in merito di sicurezza e sostenibilità dei nanomateriali.

A tale proposito il progetto prevede l’apertura di tavoli di lavoro a livello europeo per lo sviluppo di nuovi standard di riferimento.

progettazione safe by design
Fig. 1 Parametri prestazionali fondamentali delle soluzioni nano ingegnerizzate secondo la logica S&SbD.

Il tema della sicurezza è affrontato in modo quantitativo attraverso diverse ipotesi progettuali che mirano allo studio dei parametri dei processi di sintesi e di incorporazione dei NM nei NEPs effettuando studi dedicati di emissioni e di esposizione degli operatori alle sorgenti di nano particelle in ambiente di lavoro [14,15].

In aggiunta ASINA-SMM esplora la possibilità di integrare nuove tecnologie digitali e di intelligenza artificiale al monitoraggio di processo per la misura dei livelli di sicurezza nel processo produttivo e per il mantenimento della massima efficienza operativa degli impianti [16,17].

Il tema della sostenibilità ambientale è affrontato lungo il ciclo di vita dei NM. A ogni fase del ciclo è associato un sistema funzionale con relativa l’unità funzionale, secondo quanto previsto dalle norme ISO 14040-44 per l’LCA a cui tutte le categorie di impatto ambientale sono riferite [18].

Questo metodo prevede un pre-calcolo degli impatti in relazione a specifiche condizioni progettuali che definiscono il caso studio (design-cases) partendo da un inventario dettagliato dei flussi attraverso i confini del sistema funzionale definito operando del bilancio di massa-energia.

Analogamente l’analisi dei costi (LCC) associata al sistema funzionale viene effettuata attraverso un pre-calcolo parallelo al calcolo LCA sulla base delle stesse definizioni di sistema funzionale e unità funzionale al fine di ottenere il costo specifico dell’output di sistema.

Per esempio, se il sistema funzionale si riferisce al processo di sintesi del NM, esso è rappresentato dal costo della funzione ossia del kg di NM prodotto con uno specifico valore di prestazione funzionale assegnata (es. efficienza fotocatalitica).

Se il sistema funzionale si riferisce al processo di incorporazione, il costo per unità di prodotto ottenuto attraverso la deposizione di un coating fotocatalitico riferito allo specifico livello prestazionale del prodotto-superficie funzionalizzata (es. capacità di abbattimento degli inquinanti misurata con il rapporto tra la concentrazione residuale degli inquinanti misurata a un certo tempo rispetto alla concentrazione iniziale).

E’ importante osservare che considerando l’intero ciclo di vita del prodotto (e del NM) è essenziale riferirsi sempre ai livelli funzionali dell’unità di output (unità funzionale relativa a ogni fase del ciclo) per poter effettuare confronti coerenti e attendibili fra opzioni progettuali alternative in ogni fase e per poter interconnettere i diversi sistemi funzionali associati alle fasi del ciclo di vita al fine di ottenere un profilo completo della sostenibilità ambientale e dei costi, e della sicurezza dei NEP in un approccio “dalla culla alla tomba” (from cradle to grave) o “dalla culla alla culla” (from cradle to cradle), a seconda che il modello dei prodotti NEP considerati sia lineare o circolare.

L’impiego di algoritmi di intelligenza artificiale permette di elaborare i dati attualmente disponibili in letteratura e nelle base dati dei nanomateriali disponibili on-line con particolare riferimento alla loro sicurezza.

I dati raccolti sono soggetti a procedure di riorganizzazione, catalogazione e armonizzazione che assicuri la loro accessibilità, interoperabilità e riutilizzo secondo i principi FAIR (Findability, Accessibility, Interoperability and Reusability) [19], i quali hanno acquisito particolare popolarità in ambito scientifico per quanto concerne il data-management [20].

ASINA-SMM prevede l’analisi dei processi di sintesi dei NM e di produzione dei NEP, la caratterizzazione dei NM e dei NEP e lo svolgimento di test riferiti a end-points tossicologici e ambientali rilevanti per gli aspetti regolatori [21].

Tutti i dati relativi alla sintesi e incorporazione, alle loro misure per la valutazione dei livelli di tossicità, impatto ambientale, costi e funzionalità specifiche dei NM e dei NEP sono integrati in un quadro organico e unitario con la specifica di metadati atti all’organizzazione delle informazioni in coerenza con i principi FAIR.

Questo determina importanti precondizioni per la condivisione dei dati all’interno del progetto e per il loro uso futuro [22], per esempio in altri progetti di ricerca o per attività produttive e anche per attività di normazione. La semplicità e la flessibilità della raccolta dati è un bagaglio caratterizzante di questo approccio scientifico permettendo una unitarietà di intenti nella gestione dei dati di ricerca. Questo permetterà di fornire uno stimolo essenziale alla cultura della ricerca basata sui dati [23] e promuovere un approccio quantitativo alla produzione sicura e sostenibile.

Le peculiarità e l’innovazione di ASINA-SMM

Il modello ASINA-SMM è caratterizzato da un approccio quantitativo fondato sui dati validati e sottoposti alla procedura FAIR, la quale implementa un piano di genesi dei dati che ne garantiscono un agile utilizzo su vasta scala permettendo la produzione e la conseguente commercializzazione dei NM e dei NEPs. In particolare, due sono gli elementi caratterizzanti e innovativi di ASINA-SMM: (1) il primo è che vengono considerate tutte dimensioni nel processo di innovazione: funzionale, ambientale, economica e della sicurezza; (2) il secondo elemento è che viene preso in esame l’intero ciclo di vita dei NM e dei NEP. In quest’ottica ASINA-SMM è perfettamente allineato alla transizione verso un ecosistema industriale più sicuro, che prevede un migliore e più efficiente sfruttamento delle risorse nel tendente alla neutralità climatica.

progettazione safe by design
Fig. 2 Inter-relazione fra gli elementi dello spazio decisionale identificati con le opzioni progettuali (relative a materiali e processi) e lo spazio prestazionale a cui a ogni opzione progettuale è assegnato uno specifico livello funzionale, di impatto ambientale, un costo e un livello di sicurezza nano-tossicologica.

Le quattro fasi considerate nel ciclo di vita sono: (a) la sintesi dei NM, (b) la loro incorporazione nei prodotti NEP, (c) la fase d’uso e (d) il fine vita dei NEP visto anche in una possibile logica di circolarità (riutilizzo, riuso, riciclo).

Per ogni fase del ciclo di vita viene definito un modulo (sistema) funzionale, descritto dai suoi parametri caratterizzanti che ne determinano il livello prestazionale. Fra i parametri caratterizzanti (rappresentati nel diagramma figura con i simboli {xi}) si scelgono quelli che hanno maggiore influenza sui parametri prestazionali (rappresentati in figura con φ, ε , γ, σ). L’insieme dei parametri caratterizzanti {xi} determina lo spazio decisionale in cui il progettista opererà le scelte, ossia quell’insieme di possibili valori dei parametri progettuali che determinano ogni caso progettuale (design-case) possibile.

Un caso progettuale sarà rappresentato da un punto nello spazio decisionale (le cui coordinate sono rappresentate dalla specifica scelta dei valori dei parametri caratterizzanti) a cui sarà associato un secondo punto nello spazio prestazionale riferito alle coordinate di prestazione funzionale, economica (costo), ambientale, e di sicurezza nano-tossicologica (φ, ε, γ, σ) (fig. 2).

Lo spazio decisionale, a seconda della dimensione (numero minimo di parametri caratterizzanti) è mappato con un numero minimo e sufficiente di punti per determinare la risposta del sistema funzionale alla variazione di tali parametri. Per cui ogni singolo sistema funzionale (corrispondente alla fase del ciclo di vita) per ogni punto dello spazio decisionale prescelto (valori dei parametri caratterizzanti) è sottoposto a:

• Analisi e quantificazione delle prestazioni funzionali

• Bilancio di massa-energia considerando le emissioni nel suolo, nelle acque, e in atmosfera e determinazione degli impatti ambientali conseguenti ai flussi in ingresso e in uscita dal sistema funzionale

• Analisi quantificazione dei costi connessi all’impiego di risorse energetiche, materiali e alla produzione di sottoprodotti ed emissioni.

• Analisi e quantificazione dell’impatto nano-tossicologico attraverso l’analisi di dati disponibili e di dati ottenuti direttamente attraverso la sperimentazione per la valutazione della tossicità e grado di esposizione.

In questo modo è possibile ottenere una mappatura corrispondente dello spazio prestazionale in corrispondenza dei punti dello spazio decisionale prescelti.

Questa fase preparatoria precede la ricerca delle soluzioni funzionali, sostenibili, economiche e sicure attraverso l’implementazione degli algoritmi dedicati all’ottimizzazione simultanea delle prestazioni secondo una metodica MOOP (Multi-Objective Optimisation Problem) che si fonda su una analisi multifattoriale.

Il processo decisionale globale in ASINA-SMM si svolge per fasi successive (stage-gate) a partire dalla selezione dei nanomateriali e dei loro processi di sintesi, che in base alle opzioni progettuali devono rispondere alle richieste prestazionali. Il flusso di dati e informazioni nelle successive fasi progettuali avviene secondo una logica from-funnel-to-tunnel (a imbuto) attraverso successive determinazioni dei parametri progettuali lungo il ciclo di vita dei materiali, mantenendo costanti i parametri dei prescelti come ottimali a ogni stadio di sviluppo del processo sino alla scelta delle opzioni di fine vita. Eventuali punti di criticità o di ulteriori miglioramenti potranno essere sviluppati attraverso fasi di correzione e riprogettazione di fasi specifiche.

L’analisi di ogni sistema funzionale corrispondente a una fase del ciclo di vita è considerata, prima separatamente, successivamente in connessione con gli altri sistemi funzionali relativi alle successive fasi del ciclo di vita dei NEP per ricostruire un profilo globale di sostenibilità funzionalità e sicurezza delle soluzioni nano-enabled.

Tipologie e origine dei dati elaborati

I dati per l’analisi di ogni modulo sono ottenuti da fonti dirette e indirette.

Le fonti dirette sono rappresentate dai dati sperimentali ottenuti dalla:

• caratterizzazione dei processi di sintesi e di incorporazione dei NM;

• caratterizzazione dei NM e delle loro funzionalità su base quantitativa;

• caratterizzazione delle funzionalità dei NEP ottenuti dal processo di incorporazione dei NM;

• caratterizzazione del livello di tossicità dei NM e dei NEP, e i rischi connessi alla loro produzione e al loro utilizzo;

• quantificazione del livello di esposizione ai NM nelle fasi del ciclo di vita.

Le fonti indirette sono rappresentate da:

• dati ottenuti da database e conseguenti elaborazioni;

• dati disponibili in letteratura.

La caratterizzazione dei NM viene effettuata lungo tutto il ciclo di vita, infatti, è noto che le caratteristiche fisico-chimiche dei materiali vengono alterate e modificate lungo il ciclo di vita in funzione dell’ambiente e del tessuto biologico con cui vengono in contatto [24].

Fig. 3 – Le quattro fasi del ciclo di vita considerate a partire dalla sintesi dei nanomateriali (NM) sino al fine vita dei prodotti nano-ingegnerizzati (nano-enabled products-NEP).

Le caratterizzazioni dei NM sono sviluppate in relazione alle loro proprietà chimico-fisiche e in accordo con gli aspetti connessi al rischio per la salute. Le tecniche usate sono diffrazione raggi X (XRD) diffrazione elettronica (SEM) e miscroscopia a effetto tunnel, DSL per la quantificazione dimensionale e morfologia dei NM e delle NP, valutazione di proprietà elettrocinetiche attraverso il potenziale-Z, caratteristiche di area superficiale attraverso tecniche di adsorbimento secondo il metodo Brunauer-Emmett-Teller e tecniche spettroscopiche (Coherent anti-Stokes Raman Spectroscopy-CARS e resonance-enhanced surface second-harmonic generation-SHG).

Il livello prestazionale di funzionalità viene misurato sperimentalmente per le specifiche applicazioni. Per esempio, per le funzionalità dei coating antibatterici dei NEP sviluppate su tessuti o substrati polimerici vengono utilizzati test battericidi secondo la norma AATCC100-2012 e la norma ASTM E2149-13; per la misura della funzionalità fotocatalitica vengono effettuate misure di abbattimento di inquinanti di riferimento (es. rodamina) attraverso di irraggiamento nella banda UV e VIS.

L’impatto ambientale viene condotto attraverso l’analisi dettagliata dei sistemi funzionali per la raccolta dei dati di inventario e la loro successiva elaborazione per convertire il bilancio di massa-energia determinato dai flussi attraverso i confini dei sistemi funzionali in categorie di impatto ambientale secondo le procedure previste dagli standard ISO 14040-44 del Life Cycle Assessment (LCA). I dati di impatto sono calcolati secondo il metodo CML 2001 e attraverso l’impiego del database Ecoinvent 3.7 attraverso l’impiego del SW Open LCA.

Il livello di rischio tossicologico dei NM e dei NEP viene identificato attraverso test in vitro attraverso esperimenti che considerano mono-culture o modelli di co-culture tridimensionali rappresentative delle vie di accesso ed esposizione umana, attraverso le dinamiche e i livelli tossicologico di esito avverso (Adverse Outcome Pathways) [25] seguendo le indicazioni dell’OECD [26] e le linee guida fornite da altri progetti, in particolare test in vitro per la corrosione cutanea (skin corrosion test – OECD TG 431), irritazione della pelle (skin irritation test – TG 439) e altri testi di infiammazione, citotossicità e vitalità cellulare (Neutral Red Uptake – inflammatory mediators, cytotoxicity with MTT test/Alamar Blue for viability), efficienza di clonaggio (colony forming efficiency – CFE, cytostatic index), espressione di mRNA e proteica, test in vitro in vitro micronucleico (OECD 487), resistenza transeptieliale, per citarne alcuni.

I livelli di esposizione ai NM e del loro assorbimento sono valutati sia per le fasi produttive per garantire al sicurezza dei luoghi di lavoro, che attraverso test che simulano le condizioni d’uso dei NEP; per esempio attraverso test di abrasione per i tessuti (ISO 12947-2:2016), e per tessuti rivestiti con polimeri (ISO 5470-1:2016), o test di rilascio e tossicità caratteristica (toxicity characteristic leaching procedure EPA standard Method 1311;167), test di dissoluzione in diversi mezzi ambientali e biologici, test di bio accumulo etc.

Inoltre dati appropriati per l’esposizione (per esempio attraverso le vie respiratorie) sono valutati con campagne di monitoraggio in campo vicino e in campo remoto con SMPS (Scanning Mobility Particle Sizer), OPS (Optical Particle Sizer), CPC (Condensation particle Counter) e la stima delle dosi internamente assorbite sono valutate attraverso modelli e strumenti come MPPDM (Multiple-Path Particle Dosimetry Model) per identificare la corretta dosimetria in vitro correlando dati sperimentali con effetti attesi [27] e attraverso modelli di calcolo parametrici e di predizione dell’esposizione in ambienti di lavoro [28]. Inoltre, per l’esposizione in ambiente di lavoro si fa riferimento alle norme EN 17058:2018 specifica per nano-entità e i loro aggregati e agglomerati e la norma EN-689:2018 per il limite di esposizione per inalazione di agenti chimici.

Il presente contributo è ispirato e sviluppato a partire dalla presentazione orale “A multicriteria decision tool to address Safe-by-Design solutions for nanomaterials and nano-enabled products” M. Perucca Nanotox converence, 22 aprile 2021 e dall’articolo apparso il 28 gennaio 2022 su Frontiers in Bioengineering and Biotechnology Perspective (doi: 10.3389/fbioe.2021.805096) dal titolo “ASINA project: Towards a methodological data driven Sustainable and Safe by Design approach for the development of nanomaterials” a cura di Irini Furxhi, Massimo Perucca, Magda Blosi, Jesús Lopez de Ipiña Peña, Juliana Oliveira, Finbarr Murphy, Anna Luisa Costa, realizzato nell’ambito delle attività di scientific dissemination del progetto ASINA finanziato dall’Unione Europea nell’ambito del programma quadro di ricerca e innovazione Horizon 2020 contratto No 862444.

Bibliografia

  1. Kraegeloh, A., Suarez-Merino, B., Sluijters, T., and Micheletti, C. (2018). Implementation of Safe-by-Design for Nanomaterial Development and Safe Innovation: Why We Need a Comprehensive Approach. Nanomaterials (Basel, Switzerland) 8(4), 239. doi: 10.3390/nano8040239.
  2. Soeteman-Hernandez et al., 2019
  3. https://www.asina-project.eu/(accesso, marzo 2022)
  4. https://www.sabyna.eu/ (accesso, marzo 2022)
  5. https://www.sabydoma.eu/ (accesso, marzo 2022)
  6. https://www.sbd4nano.eu/ (accesso, marzo 2022)
  7. https://www.harmless-project.eu/ (accesso, marzo 2022)
  8. https://www.h2020sunshine.eu/ (accesso, marzo 2022)
  9. Ibid.
  10. Soeteman-Hernandez, L.G., Apostolova, M.D., Bekker, C., Dekkers, S., Grafström, R.C., Groenewold, M., et al. (2019). Safe innovation approach: Towards an agile system for dealing with innovations. Materials Today Communications 20, 100548. doi: https://doi.org/10.1016/j.mtcomm.2019.100548.
  11. Cooper, R.G. (2008). Perspective: The Stage-Gate® Idea-to-Launch Process—Update, What’s New, and NexGen Systems*. Journal of Product Innovation Management 25(3), 213-232. doi: https://doi.org/10.1111/j.1540-5885.2008.00296.x.
  12. Giubilato, E., Cazzagon, V., Amorim, M.J.B., Blosi, M., Bouillard, J., Bouwmeester, H., et al. (2020). Risk Management Framework for Nano-Biomaterials Used in Medical Devices and Advanced Therapy Medicinal Products. Materials 13(20), 4532.
  13. Soeteman-Hernandez, L.G., Apostolova, M.D., Bekker, C., Dekkers, S., Grafström, R.C., Groenewold, M., et al. (2019). Safe innovation approach: Towards an agile system for dealing with innovations. Materials Today Communications 20, 100548. doi: https://doi.org/10.1016/j.mtcomm.2019.100548.
  14. Ortelli, S., Costa, A.L., Torri, C., Samorì, C., Galletti, P., Vineis, C., et al. (2019). “Innovative and Sustainable Production of Biopolymers,” in Factories of the Future: The Italian Flagship Initiative, eds. T. Tolio, G. Copani & W. Terkaj. (Cham: Springer International Publishing), 131-148.
  15. Ortelli, S., Belosi, F., Bengalli, R., Ravegnani, F., Baldisserri, C., Perucca, M., et al. (2020). Influence of spray-coating process parameters on the release of TiO2 particles for the production of antibacterial textile. NanoImpact 19, 100245. doi: https://doi.org/10.1016/j.impact.2020.100245.
  16. Ortelli, S., Belosi, F., Bengalli, R., Ravegnani, F., Baldisserri, C., Perucca, M., et al. (2020). Influence of spray-coating process parameters on the release of TiO2 particles for the production of antibacterial textile. NanoImpact 19, 100245. doi: https://doi.org/10.1016/j.impact.2020.100245.
  17. López De Ipiña, J.M., Aznar, G., Lopez, A., Olite, J., Koivisto, J., Bartolini, G., et al. (2021). Digital Twins applied to the implementation of Safe-by-Design strategies in nano-processes for the reduction of airborne emission and occupational exposure to nano-forms. Journal of Physics: Conference Series 1953(1), 012010. doi: 10.1088/1742-6596/1953/1/012010.
  18. Perucca, M., and Benveniste, G. (2010). “Environment and Safety,” in Plasma Technology for Hyperfunctional Surfaces.), 347-389.
  19. Furxhi, I., Arvanitis, A., Murphy, F., Costa, A., and Blosi, M. (2021a). Data Shepherding in Nanotechnology. The Initiation. Nanomaterials 11(6), 1520.
  20. Dunning, A., Smaele, M., and Bohmer, J. (2017). Are the FAIR Data Principles fair? International journal of digital curation 12(2). doi: https://doi.org/10.2218/ijdc.v12i2.567.
  21. Botte, E., Vagaggini, P., Costa, J., Faccani, L., Zanoni, I., Costa, A., et al. (2021). A novel <em>in silico</em> tool for dose assessment in cell culture nanotoxicology. Biomedical Science and Engineering 4(s1). doi: 10.4081/bse.2021.156.
  22. Boeckhout, M., Zielhuis, G.A., and Bredenoord, A.L. (2018). The FAIR guiding principles for data stewardship: fair enough? European Journal of Human Genetics 26(7), 931-936. doi: 10.1038/s41431-018-0160-0.
  23. Tropsha, A., Mills, K.C., and Hickey, A.J. (2017). Reproducibility, sharing and progress in nanomaterial databases. Nature Nanotechnology 12(12), 1111-1114. doi: 10.1038/nnano.2017.233.
  24. Mattsson, M.-O., and Simkó, M. (2017). The changing face of nanomaterials: Risk assessment challenges along the value chain. Regulatory Toxicology and Pharmacology 84, 105-115. doi: https://doi.org/10.1016/j.yrtph.2016.12.008
  25. Halappanavar, S., Ede, J.D., Mahapatra, I., Krug, H.F., Kuempel, E.D., Lynch, I., et al. (2021). A methodology for developing key events to advance nanomaterial-relevant adverse outcome pathways to inform risk assessment. Nanotoxicology 15(3), 289-310. doi: 10.1080/17435390.2020.1851419.
  26. https://www.oecd.org/(accesso: marzo 2022)
  27. Schmid, O., and Cassee, F.R. (2017). On the pivotal role of dose for particle toxicology and risk assessment: exposure is a poor surrogate for delivered dose. Particle and Fibre Toxicology 14(1), 52. doi: 10.1186/s12989-017-0233-1.
  28. Koivisto, A., Spinazzè, A., Verdonck, F., Borghi, F., Löndahl, J., Koponen, I., et al. (2021). Assessment of exposure determinants and exposure levels by using stationary concentration measurements and a probabilistic near-field/far-field exposure model [version 1; peer review: awaiting peer review]. Open Research Europe 1(72). doi: 10.12688/openreseurope.13752.1.

di Massimo Perucca

Fig. 1 Parametri prestazionali fondamentali delle soluzioni nano ingegnerizzate secondo la logica S&SbD.

Fig. 2 Inter-relazione fra gli elementi dello spazio decisionale identificati con le opzioni progettuali (relative a materiali e processi) e lo spazio prestazionale a cui a ogni opzione progettuale è assegnato uno specifico livello funzionale, di impatto ambientale, un costo e un livello di sicurezza nano-tossicologica.

Fig. 3 – Le quattro fasi del ciclo di vita considerate a partire dalla sintesi dei nanomateriali (NM) sino al fine vita dei prodotti nano-ingegnerizzati (nano-enabled products-NEP).