一个集成的工作流程,在In Silico预测的帮助下,扩大优先多环芳香化合物清单

科学领域:

• 环境化学环境化学
• 分析化学 分析化学
• 毒理学 毒理学 毒理学

背景情况:

• 有限的质谱数据阻碍了对有机污染物成分,行为和毒性的理解.
• 现有的多环芳 (PAH) 数据库不足以对细颗粒物进行全面的风险评估.

研究的目的:

• 为了全面识别和描述细颗粒物中的多环芳香化合物 (PAC).
• 扩大化学品识别范围,并为健康风险评估提供毒性数据.
• 为监测和毒理学研究制定PAC优先清单.

主要方法:

• 气色谱高分辨率质谱 (GC-HRMS) 用于PAC识别.
• 预测质谱和保留指数的in silico工具,以增强识别.
• 有毒性评估的定量结构-活性关系 (QSAR) 模型.
• 根据发生,命运,毒性和分析可用性对PAC进行排名的毒理学优先级指数方法.

主要成果:

• 在细颗粒物中的9个类别中成功识别了350个PAC.
• 使用预测的in silico数据将化学品识别范围扩大了27%.
• 提供了超过70%的已确定PAC的毒性数据,揭示了显著的非致癌和致癌风险.
• 编制了39种PAC的优先清单,主要是高分子量PAH和衍生物.
• 确定煤炭燃烧是PACs致癌风险的主要来源.

结论:

• 需要更新的PAC识别和毒性数据超出传统PAHs.
• 对于有效的环境监测和毒理学研究而言,39个PAC的优先清单至关重要.
• 高分子量PAC及其衍生物是健康风险的关键因素,煤炭燃烧是主要来源.