综述：海洋哺乳动物作为全球PFAS污染的生物指示剂：先进分析方法与机器学习源解析研究进展

《Regional Studies in Marine Science》：Marine Mammals as Global Bioindicators of PFAS Pollution: A Review of Advanced Analytical Methods and Machine Learning for Source Apportionment

本综述系统阐述海洋哺乳动物作为PFAS污染全球生物指示剂的核心价值，重点评述了TOP（Total Oxidizable Precursor） assay、TOF（Total Organic Fluorine）分析等先进检测技术，以及非负矩阵分解（NMF）、随机森林等机器学习算法在PFAS源解析中的应用。通过整合海洋传输过程与生物累积模式，构建了将海洋哺乳动物作为化学档案库和早期预警指标的统一监测框架，为PFAS风险评估提供新范式。

海洋哺乳动物：PFAS污染的全球哨兵

作为长寿的顶级捕食者，海洋哺乳动物（鲸类、海豹等）通过食物链和跨洋活动整合PFAS暴露，成为全球污染的天然档案库。研究表明，即使在没有本地污染的南半球，海豚肝脏中仍检测到高达42 ng/g ww的PFOS（全氟辛烷磺酸）和58 ng/g ww的FOSA（全氟辛烷磺酰胺），揭示远距离传输的显著影响。

样本处理技术的演进

肝脏因富集效应成为核心监测基质，样本处理方式显著影响检测精度。冻干法（lyophilization）通过真空冷冻升华去除水分，最大限度保留PFAS结构完整性，正逐步取代机械匀浆法成为主流。典型流程采用0.5-2.0 g组织样本，以乙腈为提取溶剂，结合Envi-Carb固相萃取柱净化，参照美国EPA Method 1633A标准确保可比性。

分析技术前沿

靶向分析采用LC-MS/MS（液相色谱-串联质谱）精准定量已知PFAS，但仅覆盖约1%的潜在污染物。非靶向筛查通过高分辨质谱（HRMS）结合Kendrick质量缺陷过滤，可识别新型同系物（如–CF₂–重复单元）。总氧化前体（TOP） assay将前体物质转化为终端PFAS，而总有机氟（TOF）分析通过燃烧离子色谱（CIC）量化“暗物质”氟负荷。研究表明，鲸类肝脏中可提取有机氟（EOF）超50%未被常规方法捕获。

机器学习驱动的源解析

面对复杂混合物，机器学习算法成为解构污染源的关键：

• •
  无监督学习如主成分分析（PCA）和NMF聚类，可识别PFOS/PFOA（全氟辛酸）比例等特征指纹，区分工业排放与消防泡沫（AFFF）污染源
• •
  随机森林（Random Forest）模型利用500+环境变量预测地下水污染热点，准确率达90%
• •
  贝叶斯推断（Bayesian inference）整合先验知识，量化源贡献不确定性
  案例显示，澳大利亚吉普斯兰湖海豚体内∑25PFAS高达9,750 ng/g ww，机器学习溯源锁定当地消防训练场为主要点源。

南半球的监测空白与挑战

新西兰等地区虽无PFAS生产企业，但海洋哺乳体内仍检出显著污染负荷，凸显历史使用与大气传输的持续影响。当前挑战包括：标准化生物基质处理方法缺失、短链PFAS（如C4替代物）检测灵敏度不足，以及机器学习模型在稀疏数据下的泛化能力局限。未来需加强跨半球协同监测，结合分区模型与实时传感器网络，构建全球早期预警系统。