《Journal of Hazardous Materials》：From Metabolic Reprogramming to Diagnostic Tool: A Machine Learning Framework Identifies Biomarkers for Soil Microplastic Stress in Rice
编辑推荐：
丁胜|姚刘|尹珊珊|曹耀武|龙腾|蔡克杰|陈洪兵|曹军|丁宗清|张祖凯|高炯|陈阳|黄业然|田铁|吴翔中国湖北省武汉市湖北大学资源与环境科学学院区域发展与环境响应重点实验室，430062摘要作为新兴的环境污染物，微塑料（MPs）日益渗透到农业生态系统中，威胁着作物的安全性和生产力
丁胜|姚刘|尹珊珊|曹耀武|龙腾|蔡克杰|陈洪兵|曹军|丁宗清|张祖凯|高炯|陈阳|黄业然|田铁|吴翔
中国湖北省武汉市湖北大学资源与环境科学学院区域发展与环境响应重点实验室，430062
摘要
作为新兴的环境污染物，微塑料（MPs）日益渗透到农业生态系统中，威胁着作物的安全性和生产力。虽然微塑料对水稻等植物的毒性效应已经变得明显，但在开发用于诊断土壤中微塑料污染水平的高通量工具方面仍存在显著差距。本研究将非靶向代谢组学与机器学习相结合，全面阐明了水稻暴露于微塑料后的代谢响应，并建立了一个诊断模型。我们的结果表明，微塑料显著干扰了关键的代谢途径，包括ABC转运蛋白、三羧酸（TCA）循环以及丙氨酸、天冬氨酸和谷氨酸的代谢。基于机器学习的特征选择流程确定了一组最小的七个代谢生物标志物。基于这组生物标志物构建的预测模型能够准确区分不同土壤污染水平（低、中、高）下的水稻样本，并在独立的外部验证集中显示出强大的诊断能力（ROC-AUC = 0.90）。这种综合分析框架为监测和预警农业系统中的微塑料污染提供了一种可扩展的策略，对确保食品安全和技术支持未来推广原位土壤微塑料风险评估方法具有重要意义。
引言
微塑料（MPs）通常定义为尺寸小于5毫米的塑料颗粒或纤维[1]（纳米塑料通常定义为小于100纳米的颗粒[1]），最近已成为持久性的环境污染物[2]、[3]。虽然最初主要在海洋系统中进行研究，但越来越多的证据表明，农业土壤已成为微塑料的另一个重要汇[4]、[5]、[6]、[7]。在农业环境中，微塑料主要来源于与农业相关的活动，包括塑料地膜的降解、污泥和有机肥料的施用、再生废水的灌溉以及大气沉降[8]。这些输入导致微塑料在农田土壤中持续积累，其持久性和强吸附能力会改变土壤结构，扰乱养分循环和微生物群落，并影响土壤-植物相互作用。更严重的是，微塑料可以被作物吸收并转移到可食用组织中，引发对作物生产力下降、食品安全风险以及通过食物链潜在的人类暴露的担忧[3]、[4]、[5]。因此，农业系统中的微塑料污染不再只是一个新兴问题，而是一个紧迫的环境和农学挑战。
研究表明[3]、[9]、[10]，微塑料可以被植物根部吸收，随后通过蒸腾作用转移到茎、叶甚至果实中。这种积累会产生多种植物毒性效应，包括抑制种子萌发和根系伸长；通过氧化应激、细胞膜损伤和基因毒性破坏生理功能；以及改变矿物质养分（如铁、锌、铜、镁和镉）的吸收、光合作用性能和代谢谱型[11]、[12]。最终，这些影响会导致生物量减少，从而降低作物产量和质量。近年来，研究人员使用生理学、生物化学和组学方法对微塑料的植物毒性机制进行了初步研究[13]、[14]、[15]。例如，研究表明聚苯乙烯纳米塑料（PS-NPs）可以通过水通道蛋白介导的途径进入水稻根部并引起氧化损伤[16]。代谢组学分析进一步揭示，微塑料暴露显著改变了水稻和生菜等作物中的初级和次级代谢物，包括氨基酸、糖类和有机酸。这些变化扰乱了关键的代谢途径，包括三羧酸循环、茉莉酸生物合成和木质素形成[3]、[14]。尽管多项研究使用了相似的暴露浓度，但报告的作物生长影响差异很大，从促进生长到显著的代谢和生理抑制都有[13]、[15]、[16]。这种不一致性凸显了可靠生物标志物和定量诊断模型的迫切需求。虽然生理和生化指标可以确认毒性，但它们往往缺乏主动环境监测所需的特异性和预警能力。基于生物标志物的诊断工具不仅能够快速评估污染水平，还能提供关于压力下特定生理途径的见解，从而有助于制定更有针对性的缓解策略。
代谢组学由于其高灵敏度和捕捉功能终点的能力，可以直接揭示微塑料压力下的全局代谢网络重编程，从而为阐明毒性机制和评估生态风险提供关键的分子证据。然而，传统的统计和实验方法往往不足以处理代谢组学数据的高维和非线性特性，特别是在从大规模代谢组学数据集中快速准确地识别与不同微塑料污染水平相关的关键分子特征（即生物标志物）时[17]。这些限制阻碍了快速和高通量污染评估诊断技术的发展。
为了解决这些限制，我们将非靶向代谢组学与机器学习相结合。非靶向代谢组学能够无偏地分析微塑料压力下水稻的代谢扰动，而机器学习则高效地挖掘高维数据，以识别一组最小的区分性生物标志物并构建预测诊断模型。这种综合策略不仅揭示了微塑料引起的系统层面的代谢重编程，还促进了能够评估微塑料污染风险的模型的发展。本研究的目的是识别可靠的代谢生物标志物，并建立一个概念验证的预测框架，用于简化且可能可扩展地评估水稻种植系统中的微塑料污染风险。
部分摘录
数据来源和研究框架
本研究的整体工作流程和详细样本信息见图1。水稻样本来自三项先前发表的实验研究[18]、[19]、[20]，涵盖了不同的处理条件、两种类型的微塑料（聚苯乙烯微塑料（PS-MPs）和老化次级微塑料（aSMPs）以及四种水稻品种（XS123、Y1928、RBQ和Y900）。报告中提到的微塑料特性（聚合物类型、形态和表面功能化）
降维分析
首先进行了PCA分析，以探索不同污染水平样本之间的整体代谢变化。前三个主成分分别解释了41.9%、23%和7.1%的总方差。然而，PCA在暴露组之间的区分能力有限（图S3），这可能是因为数据集包含了多种水稻品种和与复杂非线性代谢变化相关的实验条件。为了进一步表征潜在的非线性
作为微塑料诱导压力的指标的代谢重编程
我们的研究表明，微塑料暴露会触发水稻中的广泛代谢重编程，主要影响能量生产和中间代谢的关键途径。关键TCA循环中间体（琥珀酸、富马酸、柠檬酸、苹果酸）的显著下调表明线粒体呼吸和能量代谢受到严重干扰。这种能量缺陷可能迫使代谢发生权衡，资源从与生长相关的过程转移
结论与局限性
与水稻中微塑料（MP）压力相关的代谢组学生物标志物，为作物中的微塑料污染提供了潜在的早期预警指标。通过将复杂的代谢组学响应简化为有限的代表性生物标志物，该框架可能有助于未来开发简化的农业微塑料污染监测策略，从而提高食品安全和风险管理。鉴于微塑料污染在农业土壤中的全球普遍性，从
缩写
MP：微塑料；PS-MPs：聚苯乙烯微塑料；aSMPs：老化次级微塑料；Y900：Oryza sativa L. II You 900杂交籼稻；XS123：Xiushui 123 Oryza sativa L.杂交粳稻；Y1928：Oryza sativa L.杂交籼稻9108；RBQ：Oryza sativa L. cv. Nipponbare（粳稻品种）；QRILC：左删失数据的分位数回归插补；PCA：主成分分析；t-SNE：t分布随机邻域嵌入；OPLS-DA：正交
环境影响
本研究中开发的七种代谢物生物标志物和机器学习框架可以为简化水稻系统中的微塑料压力评估提供有希望的基础。尽管当前的生物标志物检测仍依赖于LC-MS等代谢组学平台，但将分析简化为有限的代表性代谢物可能会大大降低分析复杂性和成本，与全面的非靶向代谢组学工作流程相比。该框架可能有助于
CRediT作者贡献声明
吴翔：撰写——审阅与编辑、调查、正式分析。田铁：软件。高炯：撰写——审阅与编辑。张祖凯：验证、软件。黄业然：验证、软件。陈阳：验证、软件。陈洪兵：验证、软件。蔡克杰：监督。丁宗清：数据管理。曹军：撰写——审阅与编辑。尹珊珊：撰写——初稿、调查、正式分析。姚刘：软件、方法学、正式分析。龙腾：撰写
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
本工作得到了湖北省自然科学基金（2023AFB641、2024AFB871、2023AFB124）、湖北省区域发展与环境响应重点实验室启动基金（2023(C)001、2023 (C) 002、2024(C)001、2024(C)004）、丹江口库区水生生态环境与健康重点实验室启动基金（2025(DK12503）、国家自然科学基金（21906060、22276166）以及科学研究项目的共同支持
