利用机器学习对印度废水中的重点污染物(PPCPs)进行全面优先级排序——优化后的ToxPi方法用于多参数风险评估

《Journal of Water Process Engineering》:A comprehensive prioritization of PPCPs in Indian wastewater using machine learning – Optimised ToxPi approach for multi-parameter risk assessment

【字体: 大 中 小 】 时间:2026年01月01日 来源:Journal of Water Process Engineering 6.7

编辑推荐:

  本研究系统评估了印度污水处理厂124种PPCPs,发现抗生素(15.3%)最常见,其残留加剧耐药性。通过XGBoost优化ToxPi模型,实现高精度预测(R2=0.9999),并依据毒性-去除效率分类,识别出22种高风险化合物,与欧盟污染名单(如tetracycline)一致。提出的框架兼具透明性与适应性,为印度及发展中国家水处理监管提供新工具。

  
S. Bivin Ebenezer | R. Gandhimathi
印度泰米尔纳德邦蒂鲁吉拉帕利国立技术学院土木工程系,620 015

摘要

在印度的污水处理厂中,越来越多地检测到药品和个人护理产品(PPCPs),由于传统处理方法的局限性,这些物质对生态系统和人类健康构成了风险。本研究系统地评估了在印度污水处理厂中报告的124种PPCPs,其中抗生素是最常被检测到的类别(15.3%,n = 19),它们通过选择和繁殖耐药微生物群体促进了抗菌素耐药性(AMR)的发展。尽管经过了处理,所有类别的PPCPs仍然在进水口和出水口中都被检测到,这表明了它们的持久性以及复杂的、多类的污染物负荷。皮尔逊相关性和主成分分析表明物理化学性质之间存在强烈的相互依赖性。Tanimoto相似性指数(TSI)热图仅识别出11种相似性值高于0.8的化合物,表明结构冗余度较低,而聚类分析将化合物分为三个毒性递增的组。使用XGBoost进行权重优化后,模型的预测性能很高(训练R2 = 0.9999,测试R2 = 0.9464;训练RMSE = 0.0009,测试RMSE = 0.0300),并将其应用于ToxPi预测,将42种化合物分类为高优先级,29种为中优先级,31种为低优先级,所有抗生素都属于高或中优先级。敏感性分析显示模型能够适应不同的阈值,从而为监管或特定场所的优先级确定提供灵活性。将ToxPi评分与去除效率进行比较后,识别出22种高风险、20种潜在风险、48种中等风险和34种低风险化合物,这与欧盟的观察名单一致(例如四环素、西酞普兰、吉非贝齐)。所开发的优先级框架是透明、可扩展和适应性强的,有助于指导印度的废水管理以及发展中国家的相关工作。

引言

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。

PPCP的数据选择和收集

选择了Ebenezer等人[19]综述中编译的PPCPs进行分析。对于每种化合物,收集了其物理化学性质,包括酸解离常数(pKa)、辛醇-水分配系数(LogKow)、水溶性、亨利定律常数(从水到空气的挥发性),以及生态毒性阈值,包括急性毒性值(96小时LC50(鱼类)、48小时EC50(水蚤)和96小时EC50(绿藻)和慢性毒性值(ChV)(对于相同的生物群落)。

在印度污水处理厂中检测到的药品

对印度污水处理厂(STPs)的文献进行了系统评估,确定了124种不同的PPCPs,将其分类为17个化学类别(表S2)[19]。在报告的环境介质中的分布情况(图2a)表明,抗生素是最常被检测到的类别(15.3%),这归因于其高消费率、不受监管的非处方获取以及在水生环境中的持久性。

结论

本研究系统地评估了在印度污水处理厂中报告的124种PPCPs,发现抗生素是最常被检测到的类别(15.3%,n = 19)。它们的广泛存在突显了它们的持久性以及通过选择和传播AMR基因在微生物群落中促进抗菌素耐药性的潜力。尽管经过了传统处理,所有类别的PPCPs仍然存在于进水口和出水口中,反映了它们的持久性和复杂性。

声明

在准备本手稿的过程中,作者使用了ChatGPT来提高可读性和语言表达。作者根据需要审查和编辑了内容,并对出版物的最终内容负全责。

CRediT作者贡献声明

S. Bivin Ebenezer:撰写——审阅与编辑、原始草稿撰写、可视化、验证、软件使用、资源管理、方法论制定、资金获取、正式分析、数据管理、概念化。R. Gandhimathi:撰写——审阅与编辑、监督、项目管理。

资助

这项研究由印度政府教育部的总理研究奖学金(PMRF)资助(PMRF ID: 3503675)。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号