《Environmental Pollution》：Predicting Mixed Neurological Health Risks from Liquid Crystal Monomer Mixtures in Indoor Dust Using a Network-Driven Machine Learning Model
编辑推荐：
本研究检测了48份住宅灰尘中的70种液态晶体单体（LCMs），发现3bcHtFB、2OdFP3bcH、5cH2OdFP和3cHFB为主要成分，经估算日摄入量（EDI）显示婴儿和儿童暴露量显著高于成人。通过网络科学和机器学习模型评估混合LCMs的神经毒性风险，揭示电荷分布和离子化能是关键影响因素。
Jiahao He|Kai Hua|Ke Gao|Wei Wei|Liping Lu
北京工业大学环境科学系，北京市区域空气污染控制重点实验室，北京 100124，中国
摘要
液晶单体（LCMs）是新兴的室内环境污染物，可能对人类神经系统产生影响，而且不同的LCMs通常会同时存在。然而，关于LCMs相关神经风险的研究有限，目前还没有研究探讨接触LCMs混合物的风险。我们分析了48个住宅灰尘样本中的70种LCMs，发现trans,trans-4-(4-乙氧基-2,3-二氟苯基)-4'-正丙基双环己基（2OdFP3bcH；158 ng/g）、4-戊基双环己基三氟甲氧基苯（5cH2OdFP；105 ng/g）和trans-4-氟-4'-(4-正丙基环己基)联苯（3cHFB；88.4 ng/g）是主要成分。估算的每日摄入量（EDI）评估显示，摄入和皮肤接触是主要的暴露途径，婴儿和儿童的暴露水平显著高于成人。利用网络科学方法，我们确定了LCMs的神经风险优先级，发现1-甲基-4-[4-(4-正丙基环己基)环己基]苯（MeP3bcH）是风险最高的化合物。基于网络科学计算的神经风险指数，我们进一步建立了一个结合机器学习算法的复合QSAR模型来评估LCMs混合物的混合神经风险，发现电荷分布和电离能是影响LCMs混合物神经风险的关键因素。这项研究为提高对LCMs混合物神经风险的理解以及降低公众暴露风险提供了方法论和实证支持。
引言
室内环境是人们工作、学习和日常生活的场所，人们几乎90%的时间都在室内度过（Goldstein等人，2021年）。室内环境的质量与人类健康密切相关（Mujan等人，2019年）。液晶单体（LCMs）广泛用于液晶显示器（LCDs），已成为室内环境中的新型污染物。2020年LCD的全球产量达到3.49亿平方米，预计到2025年将增加到4.5亿平方米（Laricchia，2023年）。由于LCMs并未与LCD基板共价结合，它们容易释放到室内环境中（Chen等人，2017年），而灰尘是室内LCMs的主要储存库，因此是人类暴露的重要途径（Ye等人，2023年）。
LCMs具有持久性、生物累积性和毒性（PBT）（Su等人，2019年），接触这些物质可能导致不良健康影响，包括氧化应激、正常生理功能紊乱和潜在的致癌性（He等人，2024a；Jin等人，2023年；Zhao等人，2023年）。最近的研究表明，LCMs可能导致严重的神经损伤，并与神经退行性疾病和精神疾病有关（He等人，2024b），这突显了应对其潜在神经健康风险的重要性。现有的研究尚未定量评估LCMs各个成分的神经风险。传统的体外实验方法用于评估LCMs的神经风险，既昂贵又耗时（Qin等人，2018年）。此外，LCMs在环境中经常以复杂混合物的形式存在，成分之间的相互作用可能导致额外的健康风险，这些风险无法仅通过研究单个成分来预测。目前关于LCMs健康风险的研究主要集中在单个成分上，忽视了混合物中的这些关键相互作用，这可能在风险评估中引入显著偏差。为了解决这些问题，本研究采用网络科学方法来计算分子网络中节点的拓扑参数。这一框架有助于阐明环境污染物与生物系统在分子层面的相互作用，从而便于定量评估健康风险（Vermeulen等人，2020年；Yu等人，2024年；Zhang等人，2025年）。通过利用这种方法定量评估单个成分的健康风险，我们可以开发出一个混合物QSAR模型，有效地将这些定量结果与每个成分的实际浓度比结合起来，以预测LCMs混合物的总体健康风险（Ajmani等人，2006年；Lu等人，2007年；Soltanpour等人，2016年；Wang等人，2006年；Yao等人，2013年）。随着机器学习技术的快速发展，其在QSAR建模中表现出强大的预测能力和可解释性（Cao等人，2023年；Chung等人，2023年；Wang等人，2021a；Yan等人，2021年），这种综合方法为LCMs混合物的全面风险评估提供了有希望的策略。
随着越来越多的人在室内活动（Dubocq等人，2021年；Spengler和Sexton，1983年），来自各种电子设备的LCMs会被人体吸收。先前的研究在人体样本中检测到多种LCMs（Liu和Kannan，2024b；Yang等人，2024年）。然而，哪些LCMs对神经健康构成最大风险以及涉及的关键化合物尚不清楚，这阻碍了针对性治疗政策的制定。此外，接触多种LCMs混合物的神经健康风险也不太清楚。因此，本研究旨在：（1）分析室内灰尘中的LCMs浓度，并使用估算的每日摄入量（EDI）评估人群暴露水平；（2）利用网络科学方法按神经健康风险对LCMs成分进行优先排序，并识别高风险化合物；（3）开发一个混合物QSAR模型来评估综合神经风险，并确定影响混合物神经健康风险的因素。完整的研究设计过程见图S1。
试剂和标准品
从Sigma Aldrich公司（美国）和Aladdin公司（上海，中国）购买了70种LCMs标准品。70种LCMs的全名、缩写、CAS编号、特征离子、化学式和SMILES在表S1（支持信息）中提供。由于LCMs的稳定同位素内标在市场上不可获得，我们选择了结构类似于LCMs的邻苯二甲酸二甲酯-d4（DMP-d4）作为内标，并从TRC公司购买。
室内灰尘中LCMs的浓度水平
我们测量了住宅室内灰尘中主要检测到的30种LCMs的浓度（n=48，图1a）。为了确保后续建模过程的准确性，仅选择了检测频率（DF）大于30%的LCMs进行本研究（表S4）。3bcHtFB是分析中最丰富的LCM，平均浓度为307 ng/g。此外，2OdFP3bcH、5cH2OdFP和3cHFB三种LCMs也较为突出，平均浓度分别为158 ng/g、105 ng/g
结论
本研究报告了室内灰尘中LCMs的浓度水平、估算的每日暴露量、风险等级和混合神经风险。3bcHtFB、2OdFP3bcH、5cH2OdFP和3cHFB是主要检测到的LCMs。摄入和皮肤接触是主要的暴露途径。婴儿和儿童的EDI显著高于成人。使用基于网络的机器学习方法开发了一个混合神经风险模型，并对识别出的LCMs的神经风险进行了排名。
CRediT作者贡献声明
Jiahao He：撰写——原始草稿、方法论、正式分析、概念化。Ke Gao：撰写——审阅与编辑、监督、方法论、资金获取、概念化。Kai Hua：方法论、正式分析、概念化。Liping Lu：监督、方法论、概念化。Wei Wei：监督、资金获取、概念化
未引用的参考文献
Hua等人，2025年；Soltanpour和Baharifard，2016年。
利益冲突声明
? 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了北京市自然科学基金（编号：8232020）和国家自然科学基金（编号：22206009、U23A2031）的财政支持。
