无形的负担：方法学演变的元分析以及对人体组织中微塑料浓度的重新评估

《Environmental Pollution》：The invisible burden: A meta-analysis of methodological evolutions and the reassessment of microplastic concentrations in human tissues

　　雅克·威廉·斯科顿(Jaque Willian Scotton) | 亚历山德罗·卡佐纳托·加尔瓦奥(Alessandro Cazonatto Galv?o) | 丹妮丝·奥尔蒂戈萨·斯托尔夫(Denise Ortigosa Stolf) | 玛丽亚·卢西娅·多·卡莫·克鲁兹·罗巴齐(Maria Lucia do Carmo Cruz Robazzi) | 韦伯·达·席尔瓦·罗巴扎(Weber da Silva Robazza)
圣卡塔琳娜州立大学食品工程与化学工程系，巴西东南部皮纳尔津霍(Pinhalzinho)，邮编：89870-000

**摘要**
自2019年以来，关于人体内部器官中微塑料(MPs)存在的报告激增，但研究结果仍存在极端异质性。尽管这种不一致性通常归因于环境或生物学因素，但这些结果与方法论限制可能导致我们对体内微塑料负担及其相关毒理学风险理解存在显著差距的假设相符。本研究通过对11个高质量基准数据集（共190个观测值）进行系统回顾和元分析，探讨了从“传统时代”（手动μRaman和μFTIR）向“现代时代”（自动化LDIR和Py-GC/MS）的转变对微塑料浓度报告的影响程度。使用分层混合效应元回归分析，我们得出平均浓度为3.09颗粒/克（I2=96.7%）。然而，纳入分析时代与基质复杂性之间的交互项显著提升了模型的解释能力，解释了总文献方差的59.48%（p=0.0012）。显著的交互效应（p=0.0231）表明，虽然总体检测能力有所提高，但现代自动化平台有效“拯救”了固有实质组织（如胎盘、肺和子宫内膜）中隐蔽的微塑料，其浓度几乎是传统方法下的70倍。这一“扫描能力悖论”表明，扫描效率而非单纯的光学分辨率可能是人类微塑料研究中历史上的主要瓶颈。我们的研究结果表明，人体内的微塑料负担可能被系统性地低估了，这表明当前的毒理学风险评估可能依赖于严重掩盖真实暴露情况的“虚假数据”。因此，向自动化、基于普查的标准过渡不仅是一项技术升级，而且是确定微塑料相关慢性疾病中真实体内剂量-反应关系所必需的毒理学措施。

**1. 引言**
微塑料(MPs)对人体渗透已从一种推测性问题转变为不可否认的生物学现实（Shruti和Kutralam-Muniasamy，2025）。作为普遍存在的环境污染物，微塑料主要通过摄入、吸入和皮肤接触进入人体，并在重要器官中累积（Nouri等人，2025）。最新证据表明，食品加工和包装是这种体内负荷的主要来源，尤其是在各种储存条件下塑料接触材料释放微塑料（Casella等人，2025a）。自Schwabl等人（2019年）首次在人类粪便样本中检测到微塑料聚合物以来，人体生物监测领域经历了快速而碎片化的扩展（Thompson等人，2024）。研究现已证实，合成聚合物存在于包括呼吸道、胎盘、肝脏和全身循环在内的复杂基质中，表明存在持续的多途径内暴露（Wright和Kelly，2017；Yang等人，2023）。尽管相关研究数量大幅增加，但文献中报告的微塑料浓度仍存在惊人异质性。早期研究（2019-2021）主要依赖手动μFT-IR（微傅里叶变换红外）光谱与立体显微镜结合的方法（Ibrahim等人，2021；Mariano等人，2021）。虽然这些方法在聚合物识别方面精确，但通常受到约20-50微米检测限(LOD)的约束，并且严重依赖视觉预选，导致大于50微米的较大纤维和有色颗粒被优先检测，从而忽略了数量上占主导地位的较小碎片（Roslan等人，2024）。这种差异对毒理学风险评估构成了根本挑战。如果微塑料的负面影响（从局部炎症和氧化应激到潜在的内分泌干扰甚至帕金森病（Xu等人，2025）与剂量相关，那么建立可靠且标准化的“体内剂量”基线至关重要（Zhou等人，2026）。没有分析的一致性，就无法区分环境塑料摄入量的真实增加和我们检测能力的变化（Lindeque等人，2020）。最近的系统评价强调，微塑料分布已成为一个全球公共卫生问题，几乎在所有研究的人类基质中都能检测到微塑料，从消化系统到生殖器官（Adamopoulos等人，2025；Ririe等人，2025；Xu等人，2026）。

我们假设最新文献中报告的微塑料浓度激增（Sun等人，2024）是“灵敏度飞跃”的直接结果：即从手动低分辨率光谱技术向自动化激光直接红外(LDIR)成像技术的转变。LDIR成像保留了约20微米的标准化检测限，并消除了操作者依赖的视觉预选，从而能够自动检测到在手动筛查中被忽略的大量微小碎片。本元分析旨在将“早期时代”的数据与“现代时代”的高分辨率结果进行对比（Chandran和Veerasingam，2025），并初步评估分析灵敏度对报告浓度的影响。通过识别检测变异的系统驱动因素，本研究为理解人体微塑料负担提供了更新的框架，为未来临床和毒理学研究提供了更标准化的监测协议方向。

**2. 材料与方法**
2.1. 搜索策略和信息来源
在六个主要电子数据库（PubMed、Scopus、Web of Science、Embase和Google Scholar）中进行了系统文献搜索（前100条相关条目）。首次搜索于2025年11月进行。为确保纳入最新的高分辨率数据集并反映该领域的快速技术发展，2026年3月进行了针对性的更新搜索。这种双重方法使得能够纳入使用先进光谱技术的关键最新研究，从而更全面地分析微塑料检测的“灵敏度飞跃”。搜索策略结合了布尔运算符和分为四类的关键词：
1. 微塑料：“microplastic*” 或 “micro-plastic*” 或 “plastic particle*” 或 “nanoplastic*”；
2. 人类受试者：“human*” 或 “people” 或 “population” 或 “individual*” 或 “patient*”；
3. 发生率/流行率：“incidence” 或 “prevalence” 或 “occurrence” 或 “frequency” 或 “detection rate” 或 “exposure”；
4. 组织/流体：“blood” 或 “urine” 或 “feces” 或 “placenta” 或 “lung” 或 “liver” 或 “breast milk” 或 “tissue” 或 “fluid” 或 “organ” 或 “semen” 或 “thrombi”。
使用NOT运算符系统性地排除了仅限于体外或动物的研究。

2.2. 研究选择和纳入标准
初步搜索共得到678条记录，分布如下：PubMed（n=299）、Scopus（n=255）、Google Scholar（n=100）、Web of Science（n=13）和Embase（n=11）。去除重复项并筛选标题和摘要后，83项研究符合全文纳入标准，用于定性和定量分析（见图S1）。纳入标准包括报告人体样本中化学鉴定微塑料浓度的同行评审原创研究，具有明确的检测限(LOD)和分析方法（如FT-IR、拉曼或LDIR）。结果总结在图S1所示的PRISMA流程图中。
在用于定性分析的83项研究中，选择了11项进行元回归。选择标准严格限于：
(i) 化学确认的聚合物鉴定（μFTIR、拉曼、LDIR或Py-GC/MS）；
(ii) 明确的仪器检测限(LOD)；
(iii) 完整的集中趋势和离散度测量（SD或四分位数）。仅报告存在/缺失情况或缺乏精确方法学描述的研究被排除，以确保交互模型的可靠性。

2.3. 数据提取和标准化
为了进行元分析，数据被提取到结构化矩阵中。为确保不同集中趋势测量方法之间的可比性，中位数(m)和范围（第一和第三四分位数，分别为q1和q3）通过Wan（2014）和Luo（2018）的方法转换为均值(x?)和标准差(SD)（见方程式(1)、(2)）。这对于2024年进行的高灵敏度研究尤为重要，因为这些研究经常报告非参数分布。
(1) x?≈(q1+m)/2
(2) SD≈(q3?q1)/2

2.4. 效果大小计算和对数转换
分析使用R软件（v. 4.3.3）（R Core Team，2024）及meta（Balduzzi等人，2019）和metafor（Viechtbauer，2010）包进行。初步分析显示微塑料浓度分布高度偏斜，跨度达几个数量级（从0.6到210颗粒/克）。为稳定方差并线性化关系，采用原始均值(MRAW)（每克或毫升的颗粒数）作为主要效果大小，并对其进行以10为底的对数转换：
(3) yi=log10(x?i)
其中x?i代表研究i中报告的微塑料浓度。
相应标准误差(SE)使用Delta方法（Dowd等人，2013）根据对数尺度进行调整，确保变换后的方差与均值成比例：
(4) SE=log10(SDi)×ln(10)
其中SDi是标准差，ln(10)是10的自然对数。这种转换对于满足后续混合效应元回归模型的正态性假设至关重要。

2.5. 变量分类（调节因素）
为了研究高异质性的系统驱动因素，定义了两个主要调节因素用于元回归分析：
• 分析时代（技术）：分为传统（手动μRaman光谱和μFTIR光谱）和现代（自动化高通量平台，特别是激光直接红外-LDIR和热解-气相色谱/质谱-Py-GC/MS）；
• 生物基质（结构复杂性）：为了保留统计自由度并反映颗粒提取的物理挑战，将基质分为两类：需要强烈化学处理的固体组织（如肺、胎盘和子宫内膜），以及非组织基质（包括血液、精液和血栓等流体或排泄物）。

2.6. 混合效应元回归和交互模型
元回归使用随机效应模型来考虑研究内的抽样误差和研究间的异质性。采用受限最大似然(REML)估计量来计算研究间方差(τ2)。特别地，模型纳入了技术和基质类型之间的交互项，以测试现代平台的“灵敏度飞跃”是否受生物样本结构复杂性的调节。公式表达如下：
log10(yi)=β0+β1(Techi)+β2(Matrixi)+β3(Techi×Matrixi)+?i+ζi
其中log10(yi)是微塑料浓度的小数对数，β0是基线浓度，β1和β2分别是技术和基质的效应，β3代表交互系数，?i代表抽样误差，ζi代表研究间变异。

2.7. 多元校正和交互模型
为了评估调节因素（技术和基质类型）的独立性，使用方差膨胀因子(VIF)评估多重共线性，VIF值低于5表示无显著混淆。模型选择基于校正的赤池信息准则(AICc)，该准则特别适用于小样本量（k<40）以防止过度拟合。我们使用AICc正式比较了加法模型和交互模型。此外，鉴于研究数量有限（k = 11），为了评估交互项的稳健性，采用了非参数自助法（1000次迭代）。这允许估计稳健的置信区间，并验证回归系数在多组重采样数据集中的稳定性。最后，通过观察漏斗图的对称性来评估出版偏倚，并使用Egger的线性回归方法进行了正式检验。这些分析旨在评估选择性报告对元回归估计稳定性的潜在影响。

2.7. 不同性和模型评估
使用I2统计量来量化异质性，该方法定义为Cochrane的Q除以自由度（df），如方程（6）所示（Borenstein等人，2021年）。
（6）I2 = max(0, (Q - df) / Q) × 100%
I2表示由于异质性而非偶然因素导致的总变异百分比。通过R2类比统计量来评估调节因素解释的异质性比例。
鉴于该领域的快速发展和主要研究数量有限（k = 11），系统地进行了留一法敏感性分析。该程序涉及每次迭代移除一个研究，并重新计算汇总效应，以确保显著的交互效应是一个稳健的趋势，而不是由单个高浓度数据集驱动的假象。统计显著性定义为p < 0.05。

3. 结果和讨论
3.1. 研究选择和系统映射（PRISMA概况）
根据《系统评价和荟萃分析的优先报告项目》（PRISMA）2020指南（Page等人，2021年）进行的系统文献搜索，最终得到11个高质量的基准数据集（k = 11），共包含190个定量观测值。如表2所示，这些研究代表了在全球范围内对人类组织中微塑料（MP）的监测。值得注意的是，纳入最近的数据集（2024-2026年）对于捕捉从手动光谱学到自动化高通量平台的持续技术转变至关重要。

表2. 选用于元分析的11项研究的特征。
研究 | 分析技术（时代） | 组织 | 平均值（mg/g或mL） | LOD截止值（μm） | 每个样本的数量
--- | ------------------- | -------------- | ----------------------- | ---------------------- | ---------------------- |
Braun等人（2021年） | μFTIR（C） | 胎盘 | 1.20 (0.60) | 50 | 2 |
Ibrahim等人（2021年） | μRaman（C） | 结肠切除术 | 28.10 (15.40) | 51 | 1 |
Jenner等人（2022年） | μFTIR（C） | 肺 | 0.69 (0.84) | 31 | 3 |
Montano等人（2023年） | μRaman（C） | 精液 | 1.60 (1.80) | 21 | 0 |
Ragusa等人（2021年） | μRaman（C） | 胎盘 | 0.03 (0.01) | 56 | |
Ragusa等人（2022年） | μRaman（C） | 母乳 | 0.61 (0.40) | 23 | 4 |
Ren等人（2026年） | Py-GC/MS（M） | 精液 | 15.00 (7.50) | 20 | 3 |
Schwabl等人（2019年） | μFTIR（C） | 粪便 | 2.00 (1.00) | 50 | 8 |
Sun等人（2024年） | LDIR（M） | 子宫内膜 | 210.00 (105.00) | 20 | 2 |
Wang等人（2024年） | LDIR（M） | 血栓 | 12.50 (6.20) | 20 | 3 |
Wu等人（2023年） | μRaman（C） | 血栓 | 3.35 (4.50) | 2.1 | 2 |

3.2. 定量综合和异质性（森林图分析）
对11项涉及不同人体组织（粪便、血液、胎盘、精液、母乳、血栓、肺和子宫内膜）的研究进行元分析整合，证实了微塑料（MP）污染是一个系统性现象。总体汇总平均浓度为3.09颗粒/g或mL（95% CI：0.71-13.18），表明存在显著的生物负荷。
然而，森林图分析（图1）显示了极端的异质性（I2 = 96.7%）。这种变异并非随机分布，“传统时代”的研究一致报告较低的效应大小，置信区间聚集在基线附近。相比之下，“现代时代”的数据集将钻石图显著地向右移动，Sun等人（2024年）的测量值达到了210颗粒/g（log10 = 2.32）的峰值。这种视觉上的位移表明，所感知的“人体负担”正被分析技术的进步所重新定义，而非环境暴露的真正增加。

3.3. 元回归分析：评估技术和组织因素的影响
为了调查识别的极端异质性（I2 = 96.7%）的来源，采用了一种分层元回归方法。首先，构建了一个混合效应加法模型来评估分析时代和生物组织的独立贡献。
如表3所示，分析技术被确定为报告的微塑料浓度的显著驱动因素（p = 0.0137）。这一独立效应表明，无论分析的是哪个器官，向现代自动化平台（时代1）的转变都导致系统性检测增加了约28倍（101.446）。在这个加法框架中，生物组织本身并未达到统计显著性（p = 0.4485），模型解释了文献中总方差的34.63%（剩余异质性 = 91.32%），这与调节因素的Omnibus检验结果一致（p = 0.0324）。气泡图（图2）清楚地展示了这种“敏感性飞跃”。每个气泡在Y轴（Log10浓度）上的位置显示出从传统（0）到现代（1）技术的明显上升趋势。

3.4. 交互效应：从固态组织中“救援”隔离的颗粒
虽然加法模型表明了技术的重要性，但还纳入了交互项（Tech×Matrix）来测试“敏感性飞跃”是否受到生物样本结构复杂性的调节这一假设（见图3）。这种交互作用解释了文献中方差的相当大一部分，R2类比为59.48%（p = 0.0012，剩余异质性 = 85.83%）。然而，鉴于研究数量有限，这一值应被视为模型对当前证据的拟合程度的指标，而不是效应程度的确切度量。

3.5. 模型稳健性（留一法分析）
为了确保我们结论的完整性，进行了留一法敏感性分析（图4）。结果图表显示，即使省略了最具影响力的研究（Sun等人，2024年），汇总效应的估计值仍然显著高于2019-2021年的早期报告。

3.6. 出版偏倚的评估
使用漏斗图（图S2）和Egger的回归测试来评估出版偏倚。漏斗图显示了研究围绕汇总效应大小的对称分布，Egger的测试确认了不存在显著的不对称性（p = 0.388）。尽管研究数量有限（k = 11），这表明在解释这些测试结果时应保持谨慎，但结果表明观察到的“敏感性飞跃”是一种系统性的方法学趋势，而不是选择性出版的结果。技术转型的物理基础：扫描效率与分辨率
从传统时代向现代时代的过渡标志着从随机采样到自动化面积统计的转变。在传统的μRaman和μFTIR协议中，微塑料（MPs）的识别依赖于“基于目标”的方法，操作者通过视觉选择疑似颗粒进行光谱确认。这一过程本质上受到人类视觉疲劳的局限，以及对较大、颜色更鲜艳或形状规则碎片的选择偏见的影响，这通常导致对实际颗粒数量的系统性低估。相比之下，现代高通量仪器（如激光直接红外（LDIR）成像）利用快速调谐的量子级联激光器（QCL）对整个滤光片表面进行彻底扫描（Teng等人，2026年）。通过将检测过程与人眼预选分离，这些自动化系统克服了“扫描能力悖论”：即使其检测限（例如20微米）高于专门的手动μRaman（2微米），自动化统计仍能捕捉到高得多的浓度。这证实了采样效率（面积统计）对于界定人类暴露程度比点分辨率更为关键，而在手动选择过程中，点分辨率往往会被人类视觉疲劳所抵消。这种扫描效率的物理优势解释了在复杂基质中报告浓度增加了70倍的现象。向自动化技术的转变至关重要，因为正如最近的方法学评估所指出的，不同的光谱平台（μ-Raman、LDIR、μ-FTIR）和Py-GC/MS在颗粒计数和质量指标上存在系统性差异，这目前限制了不同研究之间的可比性（Casella等人，2025b；Xu等人，2026年）。

3.7 生物学和基质复杂性：“组织隔离”效应
固体组织与非组织基质（液体和排泄物）之间的生物学差异源于微塑料与实质组织结构之间的物理化学相互作用。在血液或精液等液体基质中，微塑料处于悬浮或瞬态状态，因此在相对温和的实验室处理过程中容易释放。然而，在胎盘、肺或心脏等密集组织中，颗粒被隔离在复杂的蛋白质-脂质网络中。传统时代报告的这些组织中微塑料浓度显著较低（p = 0.0443），表明手动光谱技术无法识别被残留有机物掩盖或深藏在组织结构褶皱中的颗粒。我们模型中发现的显著相互作用（p = 0.0231）表明，固体组织具有更高的“保留能力”。这种负担只有通过现代时代的高能量自动化统计才能量化。这对于生殖健康尤为重要，因为新兴研究表明，微塑料和纳米塑料可以绕过血液-睾丸和胎盘屏障，可能通过局部氧化应激影响胎儿发育和生殖功能（Ali Hassanzadeh等人，2025年）。这意味着，以前被认为微塑料积累较少的器官实际上可能是主要的系统储存库，其真实负荷被第一代分析协议的局限性所掩盖。这种方法学的“拯救”在毒理学上具有重要意义，因为合成聚合物在人体组织中的存在已被证实与氧化应激、免疫改变和慢性炎症信号传导有关（Edet等人，2026年；Xu等人，2026年）。特别是，微塑料在循环系统中的积累及其与血管健康的潜在相互作用是一个重要的知识空白，高通量LDIR分析开始着手解决这一问题（Casella等人，2025c，2025d）。此外，在人体血管组织和血栓中识别微塑料强调了这种污染的系统性及其与心血管病理的相互作用潜力（Li等人，2025年）。

4. 结论
这项元分析提供了关于人体内部器官中微塑料（MPs）检测“灵敏度飞跃”的定量证据，表明从手动光谱技术向自动化高通量分析时代的转变是报告浓度增加的主要驱动因素。我们的发现表明，历史上对人类微塑料负担的低估可能在很大程度上受到“扫描能力悖论”的影响。在这种框架下，传统μRaman和μFTIR协议中手动颗粒选择的物理限制似乎起到了系统性过滤作用，尤其是在复杂实质组织中。在这种情况下，采用标准化分析方法不仅是技术要求，也是支持健康风险评估和未来政策发展的必要条件（Adamopoulos等人，2025年；Xu等人，2026年）。
混合效应交互模型（R2 = 59.48%，p = 0.0012）的整合表明，现代技术（LDIR和Py-GC/MS）对不同生物介质的影响是非线性的。虽然所有基质中的检测率都有所提高，但现代时代与固体组织（如胎盘、肺和子宫内膜）中隔离颗粒的显著增加相关，报告的浓度达到了先前手动协议估计值的70倍。这些结果表明，通常被认为是轻微积累部位的内脏器官可能实际上充当了系统储存库。因此，我们的研究强调了需要重新考虑基于“传统时代”数据（2019-2022年）的当前毒理学风险评估。将监测方法转向基于自动化的统计是必要的方法学演进。采用这些高通量协议对于完善暴露数据并建立调节微塑料这一全球健康威胁所需的准确剂量-反应关系至关重要。

5. 研究局限性
尽管取得了显著的统计显著性（p = 0.0012），但本研究仍存在某些局限性：
1. 样本规模和新兴领域：我们认识到元回归仅限于11项基准研究（k = 11）。虽然这反映了当前文献中高通量数据集的稀缺性，而非选择不足，但小样本规模意味着交互模型应被视为假设生成工具而非决定性结论。尽管该模型解释了59.48%的变异，但结果仅是对新兴领域方法学趋势的初步评估。
2. 二分类：为了保持统计自由度，生物基质被分为二元类别（固体与非组织）。这种简化可能掩盖了不同器官（例如血液与精液）之间的特定生理差异，后续研究应使用更大数据集进行调查。此外，未来的研究应考虑地理和社会经济差异，因为环境中的塑料负荷和暴露模式在全球不同人群中差异显著，需要采用“ One Health ”方法来全面理解系统影响（Cornelli等人，2026年）。
3. 单位和密度假设的标准化：尽管应用了严格的转换方法来标准化浓度，但我们假设液体基质（如血液、牛奶、精液）的密度为1.0克/立方厘米。这种环境毒理学中的常见简化引入了未量化的系统误差，因为实际的生物密度各不相同，从而导致观察到的残余异质性。这一因素加上该领域早期缺乏统一报告标准，产生了内在的残余异质性（最终模型中的I2 = 85.83%）。
4. 聚合物多样性：本研究关注的是总微塑料浓度。未来的研究应探讨“灵敏度飞跃”如何影响特定聚合物类型和形态的检测，因为化学消化效率和光谱特征可能因分析平台而异。此外，尽管我们的工作专注于当前高通量标准可检测的颗粒（通常>20微米），但由于分析限制，纳米塑料（<1微米）的定量仍较少，尽管已在脑和胎盘组织中报告了初步检测（Cornelli等人，2025年；Xu等人，2026年）。
5. 发表偏见和模型稳健性：尽管Egger的回归测试（p = 0.388）和漏斗图对称性表明不存在显著的发表偏见，但我们承认这些评估的统计功效受到研究数量较少（k = 11）的限制。此外，自助法验证（1000次迭代）确认了交互效应的稳定性。因此，虽然现有证据指向系统性的“灵敏度飞跃”，但在更多独立数据集出现之前，不能完全排除对新兴高浓度报告的过度依赖。
6. 地理混杂和技术进步：我们认识到地理差异与分析进展之间可能存在混杂效应，因为一些“现代时代”的研究集中在高暴露地区，如东亚。尽管有限的样本规模（k = 11）阻止了这些因素的正式多层次分离，但我们的留一法敏感性分析（图4）表明，即使排除了高暴露地区的个别研究，技术“飞跃”仍然显著。这表明，虽然地理塑料负荷影响了基线，但分析向自动化平台的转变是观察到的浓度激增的主要独立驱动因素。

**CRediT作者贡献声明**
Jaque Willian Scotton：调查、正式分析、数据管理。
Alessandro Cazonatto Galv?o：方法论、数据管理、概念化。
Denise Ortigosa Stolf：软件、方法论、正式分析。
Maria Lucia do Carmo Cruz Robazzi：方法论、调查、概念化。
Weber da Silva Robazza：写作 - 审阅与编辑、撰写原稿、调查、正式分析。

**关于写作过程中生成式AI和AI辅助技术的声明**
在准备这项工作期间，作者使用了ChatGPT-4（OpenAI）来改善语言流畅性、精炼技术术语，并协助元分析结果的结构组织。使用该工具后，作者根据需要对内容进行了审阅和编辑，并对数据的准确性和最终手稿的科学完整性负全责。