通过非目标选和机器学习方法发现作为PFAS来源标记物的综合性化学成分集
Nayantara T Joseph1, Boris Droz2, Trever Schwichtenberg3
1School of Civil and Environmental Engineering, Cornell University, Ithaca, New York 14853, United States.
Environmental science & technology
|October 16, 2025
概括
这项研究引入了一种使用非目标分析和机器学习的新方法,用于识别和多基基物质 (PFAS) 来源的化学标记物. 这种方法改善了复杂的PFAS配置文件的差异化,有助于环境监测和整治.
科学领域:
- 环境化学环境化学
- 分析化学 分析化学
- 法医科学 法医科学 法医科学
背景情况:
- 和多基基物质 (PFAS) 是来自各种工业和市政来源的持续性环境污染物.
- 现有的化学指纹检测方法难以从各种来源区分复杂的PFAS配置文件.
- 准确的来源识别对于有效的环境监测和修复策略至关重要.
研究的目的:
- 识别特定的化学成分,作为六种不同的 perfluoroalkyl和 polyfluoroalkyl物质 (PFAS) 来源的标记.
- 开发和验证一个集成的非目标分析 (NTA) 和机器学习 (ML) 方法,以改进PFAS来源分类.
- 增强PFAS法医环境管理方面的能力.
主要方法:
- 从六个不同的PFAS来源获得了高分辨率的质谱数据.
- 对负模式和正模式采集进行非目标分析 (NTA),以确定广泛的化学特征.
- 机器学习 (ML) 分类模型使用PFAS和非PFAS化学标记物进行训练和评估.
主要成果:
- 综合NTA和ML方法成功地区分了六个研究的PFAS来源.
- 与仅使用PFAS的模型相比,包括非PFAS标记物 (例如防腐剂,杀虫剂,药品) 显著改善了分类性能.
- 从分别92个和88个样本中生成了一个包含21,815个 (负模式) 和114,660个 (正模式) 化学特征的综合数据集.
结论:
- 开发的框架为区分复杂的PFAS来源提供了一种实用和先进的方法.
- 该研究强调了考虑更广泛的化学标记物的重要性,而不仅仅是PFAS,以准确地归因来源.
- 这项研究为推进PFAS法医调查和支持环境保护工作提供了必要的工具.
