基于组织残留的机器学习辅助风险评估,用于保护长江流域受威胁和危鱼类

科学领域:

• 环境毒理学环境毒理学
• 生态毒理学 生态毒理学
• 保护生物学 保护生物学

背景情况:

• 评估生物累积污染物对受威胁和危 (T&E) 鱼类的风险对于保护至关重要.
• 由于暴露的不确定性和数据差距,传统方法面临挑战.
• 组织-残留物度-反应关系提供了一个更可靠的方法.

研究的目的:

• 开发和应用机器学习 (ML) 辅助的基于组织残留的T&E鱼类风险评估方法.
• 预测生物积聚性阻燃剂对长江流域T&E鱼的发育毒性.
• 识别具有最高生态风险的特定污染物和生命阶段.

主要方法:

• 采用机器学习算法,特别是极端梯度提升 (XGBoost),以预测组织残留毒性.
• 验证了XGBoost模型,其外部验证R2为0.85.
• 应用该模型来评估22种生物积聚性阻燃剂在98种T&E鱼类生命阶段的毒性.

主要成果:

• XGBoost模型显示了组织残留毒性的高预测准确性.
• 胚胎和幼鱼阶段对污染物毒性最敏感.
• 有机酸盐阻燃剂 (OPFR),特别是CDPP和IDDPP,显示出比NBFR和PBDE更高的毒性.
• 烯-OPFRs构成了最大的生态风险,CDPP超过了安全门的四倍.

结论:

• 为T&E鱼类建立了一个基于组织残留的新型ML辅助风险评估框架.
• 这种方法提高了对危水生物种污染物风险评估的可靠性.
• 这些发现提供了关键数据,为保护战略提供信息,并管理全球对T&E鱼类的化学风险.