Ecoinovação e ecotoxicologia aplicada ao monitoramento e análise de risco por agrotóxicos do maior remanescente contínuo de Mata Atlântica

Resumo

O sudeste brasileiro apresenta o maior remanescente contínuo do bioma Mata Atlântica, sendo considerado Patrimônio Natural da Humanidade pela UNESCO devido a sua biodiversidade e natureza. Apesar dos esforços para que o crescimento na produção agrícola aconteça de forma sustentável e segura, o uso de agrotóxicos aumenta os riscos aos ecossistemas naturais e muitos são os prejuízos ambientais gerados nos diferentes compartimentos. O objetivo principal desta proposta é a aplicação de metodologias inovativas em ecotoxicologia a partir do uso de dados de precipitação (machine learning) e desenvolvimento de protótipos aplicados a tecnologia assistiva sustentável, para a avaliação da toxicidade e monitoramento de ambientes aquáticos potencialmente contaminados por misturas de agrotóxicos. Para isso, serão criados chips microfluídicos em impressoras 3D, onde embriões e larvas de organismos não alvo serão inseridos e expostos às amostras contaminadas com gradiente de concentração das misturas dos agrotóxicos para a observação dos efeitos deletérios (toxicidade, comportamento, alterações morfológicas, bioquímicas etc.). Biossensores enzimáticos serão desenvolvidos para a rápida detecção dos resíduos de agrotóxicos ainda em campo, como uma metodologia alternativa, acessível, rápida e barata comparada às análises químicas em laboratório. A utilização de técnicas de geoprocessamento possibilitará a obtenção de informações espacialmente explícitas sobre a contaminação por agrotóxicos, fornecendo uma visão abrangente dos padrões de dispersão desses resíduos no ambiente, dando suporte a estratégias de monitoramento ambiental e remediação. Análises ecotoxicológicas tradicionais (ensaios agudos e crônicos de curta duração) serão conduzidos a fim de avaliar a toxicidade das misturas, e subsidiar a Análise de Risco Ambiental pelo uso de agrotóxicos na Mata Atlântica. Modelagens baseadas no uso de machine learning serão testadas para o desenvolvimento de ferramentas de análises preditivas dos potenciais riscos às comunidades biológicas. (AU)