《Food Chemistry: X》：Machine learning prioritization of antibiotic residues in aquatic foods reveals exposure-driven genotoxic risk mediated by BCL2
编辑推荐：
本研究针对水产品中抗生素多残留累积风险难以有效评估的监管瓶颈，创新性地构建了融合监测数据与可解释机器学习（ML）的风险分级框架。通过对广州地区3719份样本的17种抗生素进行系统分析，研究发现恩诺沙星（ENR）、磺胺甲恶唑（SMZ）和3-氨基-2-恶唑烷酮（AOZ）为高风险残留物。体外实验证实其混合物可诱导L-02肝细胞DNA损伤（尾DNA% 5.25±1.03%），并首次揭示BCL2过表达能显著缓解此损伤（尾DNA% 2.90±2.65%）。该研究为从宏观监测到微观机制的风险管控提供了创新范式。
随着全球对高质量蛋白质需求的不断攀升，集约化水产养殖 practices 日益普及，抗生素的使用量也水涨船高。虽然抗生素对控制高密度养殖系统中的疾病至关重要，但其广泛使用导致了水产品及其环境中不可避免的抗生素残留积累。这些残留物不仅可能催生抗生素耐药菌，对人类健康构成长期威胁，其潜在的致癌性、发育毒性等风险亦不容忽视。然而，传统的监管模式主要聚焦于单一化合物的最大残留限量（MRL）符合性，往往忽视了复杂混合物带来的累积风险，以及暴露模式与内在毒性之间的复杂 interplay。如何从海量的监测数据中，精准识别出高风险残留物，并阐明其毒性机制，从而指导精准监管，成为当前食品安全领域亟待解决的关键科学问题。
为了回答上述问题，来自广州医科大学公共卫生学院的研究团队在《Food Chemistry: X》上发表了一项开创性研究。他们成功构建了一个从“监测到机制”的完整研究框架，将大规模环境监测数据与可解释机器学习及体外毒理学验证相结合，旨在为水产品中抗生素残留的风险评估和精准监管提供全新的科学范式。
研究人员为开展此项研究，主要应用了几项关键技术方法。首先，他们于2021年至2023年在广州市场采集了3719份商业水产品样本，覆盖814个物种，进行了23,483次针对17种抗生素的分析检测，系统描绘了抗生素残留的图谱。其次，他们开发了一套可解释的机器学习流程，整合了经验性暴露指标（如浓度、检出率）和计算机模拟（in silico）危害预测（如生物累积性、毒性），通过K-means聚类和TOPSIS排序法对抗生素残留进行风险分级，并利用SHAP（SHapley Additive exPlanations）方法解析风险驱动因素。最后，针对机器学习识别出的高风险化合物，研究综合运用网络毒理学、分子对接技术和体外细胞实验（包括细胞活力CCK-8检测、细胞凋亡流式细胞术和彗星实验Comet assay）来阐明其潜在的基因毒性机制，并利用细胞转染技术验证关键靶点的功能。
3.1. 抗生素残留的时空分布、风险特征及共现模式
通过对大规模监测数据的分析，研究发现共有9种抗生素残留被检出，浓度范围从未检出至高达9426 μg/kg。恩诺沙星（ENR）是优势残留物，占所有阳性检出实例的80.7%，并且贡献了总检出残留物质量的84.5%。淡水产品（尤其是淡水鱼类）的总体检出率（6.04%）显著高于海产品（1.75%）和贝类（1.14%）。在物种层面，鲈鱼中的ENR残留问题尤为突出。共现分析发现，12.3%的阳性样本中存在多种抗生素同时检出的情况，其中以ENR为基础的组合最为常见。
3.2. 时空分布揭示关键热点区域和动态变化
空间上，淡水鱼被确定为抗生素残留的主要载体，其总体检出率（6.9%）显著高于其他类别。风险热点图进一步将风险核心定位在特定的污染物与水产品类别的交叉点，特别是ENR在淡水鱼中的检出率高达47.9%。时间动态分析显示，总体超标率有所波动，但更值得注意的是出现了“风险转移”现象：随着ENR超标比例的逐年下降，磺胺甲恶唑（SMZ）在2023年的超标贡献率急剧上升，这表明监管压力可能导致用药模式的变化。
3.3. 利用可解释机器学习对抗生素残留进行综合风险分级
研究采用可解释机器学习框架对17种抗生素进行风险分级。基于四个标准化特征（平均浓度、检出率、预测毒性、预测生物累积性）的K-means聚类将抗生素划分到四个风险象限中，其中ENR是唯一位于高暴露/高危害象限（第一象限）的化合物。随后，通过TOPSIS方法对12种具有完整数据链的抗生素进行了更精细的复合风险排序，最终将ENR、SMZ和AOZ确定为风险最高的三种化合物。SHAP分析揭示，平均浓度是该机器学习模型最重要的风险驱动因素，其次是毒性评分和检出率。
3.4. 优先抗生素的毒理学风险评估和基因毒性预测
基于机器学习的分级结果，研究对ENR、SMZ和AOZ进行了深入的毒理学风险评估。通过计算估计每日摄入量（EDI）和毒性当量（TEQ），发现这三种优先抗生素在多个毒性终点（如NR-ER, SR-ARE）的毒性当量因子（TEF）高于其他对照抗生素。计算机模拟毒性预测一致指出基因毒性和微核形成是这三种抗生素的主要潜在毒理学终点。体外实验验证表明，用这三种抗生素的混合物处理人L-02肝细胞24小时后，中、高剂量组细胞活力显著下降，高剂量组细胞凋亡率增加至7.12±2.75%，彗星实验结果显示高剂量组尾DNA百分比（Tail DNA%）显著升高至5.25±1.03%，证实了其基因毒性。
3.5. 网络毒理学与机制验证确定BCL2为抗生素诱导基因毒性的关键介质
为阐明基因毒性的分子机制，研究整合了五个数据库构建了抗生素靶点库，并与基因毒性相关基因集取交集，得到274个重叠基因。GO和KEGG富集分析表明这些基因显著富集于细胞增殖调控、PI3K-Akt信号通路等。蛋白质-蛋白质相互作用（PPI）网络分析筛选出10个核心枢纽基因，包括AKT1、BCL2、CASP3等。分子对接预测三种抗生素与这10个核心靶点均有较强的结合能力。qRT-PCR实验证实抗生素混合物能显著下调L-02细胞中BCL2、CASP3和CCND1的mRNA表达。最关键的功能验证通过构建稳定过表达BCL2的L-02细胞系实现：彗星实验结果显示，BCL2过表达能显著减轻抗生素混合物引起的DNA损伤，将尾DNA%从10.99±3.28%降低至2.90±2.65%，证明BCL2在抗生素诱导的基因毒性中扮演了关键的功能性介质角色。
该研究的结论与讨论部分深刻总结了其科学价值与实践意义。研究首次构建并验证了一个将宏观监测、智能算法与微观机制研究无缝衔接的“监测-机制”框架。这不仅证实了基于暴露和危害综合指标的机器学习模型能够有效识别传统合规性检查可能忽略的高风险混合物，更重要的是，通过将风险分级与分子机制验证相结合，为精准监管提供了直接的科学依据。研究发现，在广州的水产品生态系统中，暴露指标（如浓度和普遍性）是当前风险的主要驱动力，这意味着降低环境中抗生素的整体负荷比单纯关注理论毒性最高的化合物更能有效降低风险。同时，监测到的“风险转移”现象警示需要建立动态、自适应的监管体系。
在机制层面，研究首次将水产品中优先抗生素的基因毒性与BCL2介导的凋亡通路明确联系起来。BCL2被证明不仅是相关性生物标志物，更是关键的功能性介质，这为开发针对抗生素残留基因毒性效应的生物监测指标提供了新思路。该通路与其他食品源性基因毒物（如杂环胺）的作用机制存在相似性，提示BCL2可能是化学应激源诱导DNA损伤的一个敏感且收敛的靶点。
总之，这项研究超越了传统的单一化合物合规性监测模式，开创了一种数据驱动的、以机制为基础的水产品安全风险评估新范式。它通过可解释的机器学习精准定位风险源头，并结合深入的毒理学机制阐释，为全球食品安全监管体系实现从“事后合规检查”到“事前风险预警”的转变提供了强有力的科学工具和理论支撑。研究成果对于保障消费者健康、促进水产养殖业可持续发展以及优化监管资源配置具有重要的现实意义。
