机器学习驱动的跨物种毒性预测,以推进生态相关的PFAS水质标准

科学领域:

• 环境毒理学环境毒理学
• 计算化学计算化学
• 生态毒理学 生态毒理学

背景情况:

• 合成化学品的快速增长超过了传统的毒性测试,为新出现的污染物创造了数据缺口.
• 现有的方法难以进行跨物种和跨化合物毒性预测,阻碍了水质标准 (WQC) 的制定.

研究的目的:

• 开发一个强大的机器学习模型,用于预测不同化学品和物种的水生毒性.
• 识别关键的物理化学和与生物体相关的特征,推动毒性预测.
• 为了推导出有关环保的水质标准,对每和多基基物质 (PFAS).

主要方法:

• 将化合物和生物相关特征集成到机器学习模型中,用于跨化合物,跨物种的毒性预测.
• 采用SHAP分析来确定特征的重要性 (水溶性,脂性,生物体特征).
• 在181种水生物种中预测30种PFAS的急性毒性,并从息地获取5%的危险度 (HC5).

主要成果:

• 该模型表明,与物种间相关性估计相比,跨物种预测准确度更高,特别是在很长的分类学距离.
• 水溶性和脂性被确定为毒性的主要预测因素.
• 导出的HC5值在盐水中通常高于淡水,并且在PFAS中观察到物种敏感性的区域差异 (例如,中国与北美/欧洲).

结论:

• 开发的机器学习模型提供了一个强大的工具,用于预测新出现的污染物的水生毒性,解决关键数据缺口.
• 盐度和区域物种敏感性显著影响PFAS毒性,需要对特定环境进行风险评估.
• 大湖地区的PFOA和PFOS的特定地点WQC是使用预测的物种敏感度来得出的,从而提高了生态相关性.