药品和个人护理产品(PPCPs)是一类在多种环境介质中都能检测到的新兴污染物。由于它们的广泛存在及其对生态系统和人类健康的潜在影响,引起了全球关注[1]。这一类别包括处方药和非处方药、兽药以及一系列消费品化学物质,如化妆品、个人卫生产品、防晒剂、驱虫剂和食品添加剂[2]。随着全球对医疗保健和个人护理产品需求的增长,PPCPs的消费量在过去几十年中急剧上升,全球产量已超过50,000吨,年消费量估计约为3,000万吨[1]。这些物质一旦被使用,就会通过人类活动不可避免地进入环境,对生态系统和人类健康构成威胁[3]。PPCPs主要通过市政污水系统、污水处理厂和垃圾填埋场渗滤液进入环境,其中污水处理厂(STPs)被认为是主要途径[4,5]。它们多样的物理和化学性质阻碍了在传统处理系统中的有效去除,由于去除率通常与持续输入相匹配,PPCPs被归类为半持久性污染物。因此,PPCPs的出现越来越多地被视为新兴有机有毒物质的关键指标,反映了它们的化学多样性和环境持久性[6,7]。
目前全球有数千种PPCPs正在使用中,涵盖了性质和用途各异的化合物。迄今为止,已有超过4,000种PPCPs被报道用于人类医疗保健和畜牧业[8]。与PPCPs相关的主要环境问题包括内分泌干扰、抗菌素耐药性(AMR)的发展、抗生素耐药基因(ARGs)的传播以及潜在的毒性[8,9]。鉴于PPCPs的数量庞大以及新化合物的持续引入,由于数据缺口和分析限制,全面评估或监测每种化学物质是不可行的。这突显了优先级确定方法的重要性,这些方法旨在根据其潜在的环境风险来识别和排序PPCPs[3]。然而,在印度,缺乏这样的标准化协议或监管框架,迫切需要系统性的优先级确定来指导监测和管理策略。
一些框架采用了毒理学方法和集成机器学习算法来改进污染物优先级确定。在中国,Zhang等人[10]利用无监督学习和方差分割分析开发了一个环境健康优先级指数(EHPi),该指数将双氯芬酸、环丙沙星、氧氟沙星、诺氟沙星、罗红霉素、阿莫西林和酮洛芬确定为高优先级PPCPs。同样,Park等人[11]提出了一个结合机器学习(ML)和多标准决策(MCDM)的框架,用于韩国Geum河流域的57种污染物优先级确定,其中随机森林(RF)派生的特征重要性指导了标准的权重分配。Carvalho等人[12]结合了不同环境介质中的危害和暴露数据来计算风险商数(PEC/PNEC),并根据相对风险对化合物进行排序。Rapp-Wright等人[13]监测了三个城市化河流流域中的26种污染物,包括类固醇、阻燃剂和增塑剂,根据风险商数分析将双酚A和咖啡因确定为优先化合物。Niu等人[14]对医院废水中检测到的141种物质进行了多标准评估,确定了12个类别中的32种关键化合物。Cizmas等人[15]强调了纳入多种物种和毒性终点的重要性,指出不同化合物之间最敏感的物种和相关毒性反应可能有所不同。在监管层面,欧盟的水框架指令观察名单根据综合暴露、持久性和毒理学标准确定了优先化学品。同样,在美国,不受监管的污染物监测规则(UCMR)和污染物候选名单(CCL)使用多标准框架,结合了出现频率、毒性和暴露数据来指导国家污染物监测和风险管理[5]。总体而言,这些研究和政策展示了向集成、数据驱动和机器学习辅助的优先级确定策略的全球转变,提高了透明度、可重复性和在不同环境和监管背景下的适用性。
在这种不断发展的背景下,多标准决策(MCDM)被广泛认为是基于多个定义的终点对化学化合物进行排序的有效工具[16]。一个全面的MCDM方法结合了环境分布特性和毒性潜力,以避免忽视那些可能罕见但具有危险性的物质[17]。其中,毒理学优先级指数图形用户界面(ToxPi GUI)是最广泛使用的工具之一,它通过为每个终点分配尺度和权重,将多种特定化合物的指标整合为无量纲指数。然而,ToxPi的一个关键限制在于权重分配的主观性,这可能会影响透明度、可重复性和可靠性[18]。机器学习(ML)算法,如随机森林(RF)、支持向量机(SVM)、人工神经网络(ANN)和极端梯度提升(XGBoost),提供了数据驱动的框架,能够客观地确定变量重要性而无需主观加权。将此类ML驱动的模型与现有的优先级确定工具结合,为识别高风险PPCPs提供了透明且可重复的途径,特别是在印度这样的背景下,系统性的优先级确定框架仍然不足。
虽然之前的研究已经证明了多标准框架和机器学习在污染物优先级确定中的实用性,但本研究通过一种数据适应性强的、区域特定且完全可解释的方法推进了这一领域。与早期依赖于固定或启发式权重分配的模型不同,该框架利用机器学习动态优化终点权重,同时保持了ToxPi结构的透明性和可视化可解释性。这种整合增强了客观性,减少了人为偏见,并能够基于数据驱动的洞察进行适应性优先级确定。此外,将其应用于印度废水处理是首次尝试,提供了针对新兴污染物的本地化优先级确定,同时保持了与全球框架的方法学兼容性。该方法确保了可扩展性、可重复性和可转移性,使其成为环境监测和监管政策制定的可靠决策支持工具。
本研究的目的是使用集成的ToxPi-机器学习框架对污水处理厂中检测到的PPCPs进行优先级确定。分析结合了主成分分析(PCA)、皮尔逊相关矩阵、Tanimoto相似性指数(TSI)和层次聚类分析,以探索化合物之间的关联和优先级因素。然后进行了ToxPi排序,并使用多种机器学习方法(RF、SVM、ANN和XGBoost)优化了终点权重。表现最好的模型被用来确定每个变量的相对重要性。根据综合的ToxPi评分和去除率,将化合物分类为不同的风险类别,以识别需要针对性监测和管理的高风险污染物。这项研究标志着印度首次应用集成方法进行PPCPs优先级确定,建立了一个结合MCDM和机器学习的方法论框架。基于我们之前的综述文章(Ebenezer等人[19]),该工作通过开发一个数据驱动的框架来排名和优先级确定PPCPs,以支持水生环境中的针对性监测和有效去除。