基于机器学习的跨物种毒性预测方法，用于完善具有生态意义的全氟和多氟烷基物质（PFAS）水质标准

《Environmental Science & Technology》：Machine Learning-Driven Cross-Species Toxicity Prediction for Advancing Ecologically Relevant PFAS Water Quality Criteria

　　传统毒理测试无法跟上合成化学品增长速度，导致水质标准制定数据不足。本研究开发融合化合物和物种特征的多机学习模型，实现跨化合物和跨物种毒性预测，尤其在远缘物种预测中表现优于现有工具。通过SHAP分析发现水溶性和脂溶性是主要预测因子，同时物种相关特征贡献显著。模型成功预测了30种PFAS对181种水生生物的急性毒性，结合栖息地特征推导出生态相关的5%危害浓度(HC5)。结果显示盐度可能调节鱼类对PFAS的敏感性，中国HC5值高于北美和欧洲，暗示物种耐受性存在区域差异。最后基于76种本土物种敏感性预测，为五大湖地区制定了PFOA和PFOS的特异性水质标准，较现有标准更具生态相关性。

　　

传统的毒性测试无法跟上合成化学物质快速发展的步伐，这导致了数据上的巨大缺口，阻碍了针对新兴污染物的水质标准（WQC）的制定。本研究开发了一种机器学习模型，该模型整合了化合物和生物体相关的特征，实现了跨化合物和跨物种的毒性预测。该模型表现出很强的鲁棒性和泛化能力，在跨物种预测方面优于“种间相关性估计”（Interspecies Correlation Estimation）方法，尤其是在较大的分类距离下。SHAP分析表明，水溶性和亲脂性是主要的预测因子，生物体相关的特征也发挥了重要作用。该模型预测了30种代表性全氟烷基物质（PFAS）对181种水生生物的急性毒性。随后，通过基于栖息地的物种选择方法得出了具有生态意义的5%危害浓度（HC₅），这些浓度在盐水中通常高于淡水中。跨区域的比较进一步表明，盐度可能会影响鱼类对PFAS的敏感性。中国的HC₅估计值高于北美和欧洲，这可能反映了不同地区物种敏感性的差异，中国物种的耐受性相对较强。最后，利用76种主要本地物种的预测敏感性，为五大湖地区制定了全氟辛酸（PFOA）和全氟辛烷磺酸（PFOS）的特定场地水质标准，这些标准具有更高的生态相关性。