通过机器学习和深度学习方法开发的氟氯烃（FLCMs）及其转化产物的毒性风险优先控制清单

氟化液晶单体（FLCMs）及其转化产物（TPs）的毒性评估与优先控制研究。通过实验数据和计算模型分析，发现光氧化和生物代谢途径产生的TPs风险较高。基于熵权法、Min-Max缩放和综合指标法，构建了涵盖环境、生物及人体健康风险的优先控制列表。验证表明TabNet等机器学习模型能有效识别关键毒性因素，如分子亲脂性、酸性基团数量及氟化基团电负性等。本研究为新兴污染物管理提供了系统评估框架。

　　

徐颖杰|张萌|杨浩|费凡|郑天龙|金杰|李宇

华北电力大学环境科学与工程学院，北京，102206，中国

摘要

氟化液晶单体（FLCMs）由于其持久性、生物累积性和毒性被归类为新兴污染物，对其转化产物（TPs）也引起了广泛关注。基于实验文献中的数据，共推导出FLCMs六种主要反应途径产生的2650种TPs，并计算了2674种化学物质（24种FLCMs和2650种TPs）的37个风险指标，涵盖环境、生物和人类健康风险。通过最小-最大尺度法、熵权重法和综合指数法，将1542种物质列为高风险，804种列为中等风险，328种列为低风险。构建了优先控制清单。九种机器学习模型和一种深度学习模型，其中TabNet模型因表现优异而被选用于机制分析。研究表明，羟基自由基氧化和生物代谢途径具有高风险潜力。毒性相关性分析与分子的亲脂性、酸性基团数量、分子结构复杂性、氟化官能团的电负性以及连接方式有关。本研究首次系统评估了FLCMs及其TPs的毒性效应，为新兴污染物的管理提供了基于计算的结果支持。

引言

经济的快速增长和电子设备的广泛使用导致全球电子废物持续增加，2019年达到5360万吨，预计到2050年将超过1.1亿吨[1]。液晶显示器（LCDs）作为电子产品的核心组件，预计到2025年的产量将达到约4.5亿平方米[2]。液晶单体（LCMs）是LCDs的重要组成部分，在生产、使用和处置过程中可能会释放[3]。2021年全球LCMs的出货量约为1300吨[4]，每年约有214吨LCMs排放到环境中[5]。因此，LCMs对环境的潜在影响不容忽视。氟化液晶单体（FLCMs）在LCMs中占很大比例[6]，已在多种环境介质中被检测到，包括大气[7]、土壤[8]、灰尘[9]、城市污水和污泥[10]、沉积物[11]、树皮[12]、生物体[13][14]、人血清[15][16]和人乳[17]。膳食研究中的检测频率分别达到90.5%和99.5%[18]。美国住宅区的灰尘监测结果显示，FLCMs占LCMs的59%，其中五种最丰富的物质均为FLCMs（即PDTFMTFT、ETDFPPBC、FPP-BCHC、MPPCHC和EFPrTP）[9]。LCM/LCD制造商附近的河流区域以及电子废物回收场地的浓度最高[11]。尽管传统的废水处理方法对LCMs的去除效率较高（可达84%），但FLCMs仍可在废水中检测到[5]，这引发了人们对海洋生态系统的担忧。值得注意的是，93.2%的FLCMs被归类为持久性、生物累积性和有毒（PBT）化学品[6]，其生态和健康风险超过其他LCMs[19]。因此，系统研究FLCMs相关风险至关重要。

除了FLCMs本身，其转化产物（TPs）的毒性和生态风险也需要特别关注。某些污染物的TPs表现出比母体化合物更高的毒性和环境风险，因此不能忽视这些TPs的毒性风险[20]。例如，苯酚UV滤光片的微生物降解产物具有增强的内分泌干扰活性[21]；N-苯基-N’-(1,3-二甲基丁基)-对苯二胺醌（6PPDQ）的消毒产物具有增加的水生毒性[22]；FLCMs的大气氧化产物如m-TEB对鱼类和水蚤具有较高的慢性毒性[23]，而EDPrB的生物代谢产物具有与母体化合物相当甚至更高的水生生态毒性[24]。因此，评估FLCMs的TPs的生态风险是必要的。FLCMs在环境中的典型转化过程包括水环境中的光催化氧化[25][26]、大气氧化[27]、微生物降解[28]、生物代谢[24]以及植物叶片中的光降解[29]。现有研究主要关注单一介质途径，缺乏跨环境介质的系统性比较。为填补这一空白，本文推导并评估了选定FLCMs的转化途径及其相关TPs的风险，实现了对多种环境介质中潜在转化途径的全面覆盖。

目前，大多数FLCMs的毒性数据仍然有限，实验方法受到效率低下、成本高昂和伦理限制的影响，限制了其在研究和管理中的应用[30]。现有的毒性研究主要关注孤立的毒性终点，如植物毒性[31]、肝毒性[2][32]、代谢毒性[24][33]、肾毒性[34]以及生殖和发育毒性[16]。对整体毒性风险的系统定量分析仍然较少。李等人[35]指出，定量毒理学评估应综合考虑多维指标。污染物的综合指标通常包括环境特征、生物毒性和人类健康风险[19][36]。根据FLCMs的环境特征、生物毒性和人类健康风险制定优先控制清单，可以进一步确定需要优先控制的FLCMs及其TPs[37][38][39]。因此，使用了估算程序接口套件（EPI Suite）、生态结构活性关系（ECOSAR 2.2）和毒性预测平台来生成FLCMs及其TPs的毒性和理化指标数据。结合熵权重方法，建立了涵盖环境特征、生物毒性和人类健康风险的定量评估系统，为优先控制清单的制定提供了理论基础。

构建的优先控制清单的验证采用了机器学习（ML）和深度学习（DL）方法。ML和DL在数据分析、生态建模和健康相关风险预测中得到了广泛应用，支持化合物风险评估和关键风险因素的识别[40]。已有研究利用ML方法对LCMs的毒性进行了研究。例如，何等人[6]使用K均值聚类模型建立了LCMs的人类健康风险清单；何等人[41]使用多层感知器（MLP）模型评估了清单构建的准确性，并识别了影响人类目标蛋白毒性的关键因素；张等人[42]基于两种传统ML模型和两种DL模型预测了LCMs的肠道毒性，并识别了影响肠道毒性的关键因素。然而，ML方法对数据的适应性和学习机制不同，可能导致研究结论的不一致性。因此，使用多种模型交叉评估数据非常重要[43]。此外，传统的ML模型（如决策树、随机森林和支持向量机）依赖手动输入进行特征学习和特征重要性解释，难以完全捕捉多维特征之间的复杂相互作用。相比之下，DL模型可以通过分层特征抽象自动学习非线性模式，在复杂的环境健康数据中表现出更高的预测能力和泛化性能[44]。在DL方法中，表格神经网络（TabNet）模型凭借基于注意力机制的动态特征选择策略和可解释的特征掩码结构，在表格数据建模方面具有优势和解释性[45]。因此，本研究结合了多种传统ML模型与TabNet DL模型和SHapley Additive exPlanations（SHAP）可视化分析方法[46]，系统评估了FLCMs及其TPs的优先控制清单的准确性和合理性。

因此，本研究的目标包括：1）使用EPI Suite、ECOSAR 2.2和毒性预测平台预测24种代表性FLCMs的风险；2）通过熵权重方法定量评估FLCMs及其TPs的全面毒性效应，并使用层次聚类模型制定优先控制清单；3）通过九种传统ML分类模型和TabNet DL模型验证清单的准确性和合理性；4）使用TabNet模型的全局特征重要性和SHAP分析识别环境TPs的毒性关键因素。本研究建立了综合考虑FLCMs及其TPs的环境、生物和人类健康风险的多维评估框架。这是首次系统性地研究24种代表性FLCMs在多种环境介质中的转化途径，并全面评估相应TPs的生态风险。研究结果为新型LCMs及其代谢物的风险识别、毒性预测和综合环境管理提供了理论基础和技术支持。

部分内容摘录

FLCMs的分子结构

何等人[6]基于理论模拟发现FLCMs具有强烈的PBT特性。实验证据进一步证明了它们的环境持久性[8][11]、生物累积潜力[47]和生物毒性[48]。在环境介质中检测到的108种LCMs中[49]，有68种是FLCMs，占比超过60%，其中24种FLCMs（表1）被广泛研究[8][11][47][50][51]。这些FLCMs在大气样本（杨等人，2023年）和水环境中被广泛检测到

FLCMs及其环境TPs的综合毒性效应特征分析

建立了FLCMs及其环境TPs的综合毒性效应指标的层次评估系统。一级评估指标对应于综合毒性效应；二级评估指标包括环境特征指标集（n=5）、生物毒性指标集（n=1）和人类健康风险指标集（n=31）。三级评估指标包括具体指标

结论

本研究利用ML方法将水环境相关的转化途径纳入24种FLCMs及其2650种TPs的毒性评估中。层次聚类方法生成了一个包含三个毒性级别的优先控制清单：1542种高风险（C-1）、804种中等风险（C-2）和328种低风险（C-3）。来自生物代谢和大气中羟基自由基氧化的TPs的环境风险明显高于其他途径，表明需要采取针对性措施

环境影响

氟化液晶单体（FLCMs）作为新兴污染物，由于其环境、生物和人类健康风险而受到全球关注。本研究结合理论模拟、数据分析和机器学习方法，评估了24种FLCMs及其2650种转化产物（TPs）的综合毒性效应。生成了优先控制清单，并通过九种机器学习方法进行了验证

CRediT作者贡献声明

徐颖杰：软件、方法论、调查、正式分析、概念化。张萌：撰写——审稿与编辑、初稿撰写。杨浩：软件、方法论、调查、正式分析。费凡：软件、调查。郑天龙：数据整理。金杰：软件、调查、数据整理。李宇：撰写——审稿与编辑、监督、资金获取、正式分析、概念化。

利益冲突声明

作者声明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。