1 新污染物的概念、种类和特征
1.1 新污染物的定义及基本特征
近年来,全球性化学品环境污染所导致的健康问题日益严重,已成为政府、学术界及公众关注的焦点。截至2023年9月,美国化学会(Chemical Abstracts Service, CAS)登记的化学品已达到2.04亿种,并以每天数千种的速度持续增加[1]。为了控制化学品生产和使用所带来的环境和健康危害,20世纪70年代,各国陆续建立了针对化学品的专门性法律法规,随后,全球逐步采取行动并开始管控相关化学品的生产及使用。2001年,在联合国环境规划署(UNEP)的倡导下,各国签署了《关于持久性有机污染物的斯德哥尔摩公约》(以下简称《公约》)。自2004年5月《公约》正式实施以来,包括中国在内的186个签署国(或地区)已对与持久性有机污染物(persistent organic pollutants, POPs)《公约》有关的化学品风险进行全面调查。然而,世界各国和地区新出现的化学品控制问题复杂程度不同,其发展模式和阶段也不同。作为化工产品大国,《公约》所关注的大部分新型POPs及具有潜在POPs特性的新污染物在我国均存在一定规模的生产和使用,相应地,新污染物所引起的环境污染及健康问题也更为复杂和严重。此外,由于不同的工业结构、利用模式和排放差异,某些新污染物可能未受到国外的关注,但广泛存在于我国的各类环境介质中。因此,新污染物治理不仅是环境问题,也是公共卫生、食品安全、自然资源和国家安全问题,不仅能为我国化学品的管控提供科学依据,同时也可为我国在履行国际公约、提升国际影响力和话语权等方面提供重要的数据支持与技术保障。
一般来讲,新污染物通常包含任何人工合成或自然存在的化学品或微生物,其环境赋存能引起显著的已知或潜在的毒性作用与健康危害。国际上,关于新污染物的早期文献可以追溯到2000年欧盟发布的《水框架指令》(Water Framework Directive, WFD)所包含的国家监测项目中列举出的详细清单[2]。2003年11月,Jerald L. Schnoor在Environmental Science & Technology上首次提出了“emerging chemical contaminants”的概念[3]。自此,围绕新污染物环境行为、生态毒理效应、暴露健康风险等方面的研究随之成为环境科学领域持续关注的热点[4⇓⇓⇓⇓~9]。在中国,受关注的新型污染物已在官方政府文件中被指定为“新污染物”[10](表1),涉及几类主要的污染物:国际公约管控的POPs、内分泌干扰物(endocrine disrupting chemicals, EDCs)、抗生素(antibiotic)等。
表1 《2023年重点管控新污染物清单》中列出的14种化学品[10]Table 1 Fourteen types of chemicals listed in 2023 List of Key Controlled New Pollutants[10] |
| 编号 | 新污染物名称 | 新污染物英文名称 | CAS号 |
|---|---|---|---|
| 1 | 全氟辛基磺酸及其盐类和全氟辛基磺酰氟(PFOS类) | Perfluorooctanesulfonic acid (PFOS) and its salts, and perfluorooctanesulfonyl fluoride (PFOSF) (PFOS group) | 1763-23-1 307-35-7 2795-39-3 29457-72-5 29081-56-9 70225-14-8 56773-42-3 251099-16-8 |
| 2 | 全氟辛酸及其盐类和相关化合物(PFOA类) | Perfluorooctanoic acid (PFOA) and its salts and related compounds (PFOA group) | ― |
| 3 | 十溴二苯醚 | Decabromodiphenyl ether | 1163-19-5 |
| 4 | 短链氯化石蜡 | Short-chain chlorinated paraffins(SCCPs) | 85535-84-8 68920-70-7 71011-12-6 85536-22-7 85681-73-8 108171-26-2 |
| 5 | 六氯丁二烯 | Hexachlorobutadiene | 87-68-3 |
| 6 | 五氯苯酚及其盐类和酯类 | Pentachlorophenol and its salts and esters | 87-86-5 131-52-2 27735-64-4 3772-94-9 1825-21-4 |
| 7 | 三氯杀螨醇 | Dicofol | 115-32-2 10606-46-9 |
| 8 | 全氟己基磺酸及其盐类和相关化合物(PFHxS类) | Perfluorohexanesulfonic acid (PFHxS) and its salts and related compounds (PFHxS group) | ― |
| 9 | 得克隆及其顺式异构体和反式异构体 | Dechlorane plus (both cis and trans isomers) | 13560-89-9 135821-03-3 135821-74-8 |
| 10 | 二氯甲烷 | Dichloromethane | 75-09-2 |
| 11 | 三氯甲烷(氯仿) | Chloroform | 67-66-3 |
| 12 | 壬基酚 | Nonylphenols | 25154-52-3 84852-15-3 |
| 13 | 抗生素 | Antibiotics | ― |
| 14 | 已淘汰类:六溴环十二烷、氯丹、灭蚁灵、六氯苯、滴滴涕、α-六氯环己烷、β-六氯环己烷、林丹、硫丹原药及其相关异构体、多氯联苯 | Hexabromocyclododecane (HBCD)、Chlordane、Mirex、Hexachlorobenzene、Dichlorodiphenyltrichloroethane (DDT)、α-Hexachlorocyclohexane (α-HCH)、β-Hexachlorocyclohexane (β-HCH)、Lindane、Endosulfan (as a raw material and its isomers)、Polychlorinated biphenyls (PCBs) | ― |
相较于常规污染物,新污染物具有来源更为复杂、赋存更为多样、危害更为隐蔽等基本特征。受我国独特的工业产业结构以及经济发展模式等因素影响,多种污染物共存、污染效应叠加所引发的生态环境及健康风险问题也更加错综复杂,这种状况对我国典型区域环境污染物防控的2个重要目标(“精准识别”和“个性化防控”)带来了巨大的挑战。
1.2 典型新污染物
1.2.1 全氟化合物
全氟/多氟化合物(per-and polyfluoroalkyl substances,PFAS)是指有机碳骨架上的氢原子全部或部分被氟原子取代的一类人工合成有机化合物的总称,其生产和使用已有80年之久[11]。由于结构中含有最强键能的C—F键,PFAS表现出良好的化学稳定性和热稳定性;而且,其碳氟链末端连接的极性基团赋予了这类化合物较高的表面活性和亲水性,因此PFAS广泛应用于各种工业和民用领域[11,12]。根据PFAS末端官能团的差异进行分类,全氟/多氟化合物主要包括全氟/多氟烷基磺酸(PFSAs)、全氟/多氟烷基羧酸(PFCAs)及可能降解转化生成PFSAs和PFCAs的前体物,例如:氟调聚醇(FTOHs)、全氟烷基磺酰胺(FASAs)、全氟磺酰胺基酸或醇(FASAAs和FASEs)等[11]。其中PFSAs和PFCAs通常以离子形式存在,被称为离子型PFAS,具有较强的水溶性,可随水流进行远距离迁移;其前体物则通常以中性形式存在,因此被称为中性PFAS[13],这种化合物较易通过挥发进入大气,其迁移过程中可经光解或生物/非生物转化生成持久性更强的离子型PFAS。
21世纪初,含有8个碳的PFOS和PFOA引起广泛关注,我国研究人员自2006年起对其开展相关研究报道[14,15]。研究[16]表明,PFAS是无处不在的全球性污染物。PFAS易与血清蛋白、脂肪酸结合蛋白等特异性蛋白结合,可累积于生物体的血液、肝脏和肾脏等组织器官中,具有潜在的随食物链进一步生物放大的能力[17]。另有研究[18]表明,PFAS暴露可引起生殖和发育毒性、内分泌干扰效应和免疫抑制等危害,并有潜在致癌性。鉴于PFOS、PFOA和PFHxS等典型中长碳链PFAS表现出的持久性、生物蓄积性和毒性(persistent, bioaccumulative, and toxic, PBT)等POPs特性,这类产品先后被列入《公约》,限制其生产和使用[19]。此外,长链PFCAs正处于《公约》审议阶段,审议通过即被纳入POPs管控目录[20]。同时,欧盟提出,消除所有PFAS的非必要应用[21],这将是对PFAS最严格的管控措施。中国作为缔约国,也将3类PFAS纳入重点管控新污染物清单(表1)。这些措施的实施促进了PFAS替代品的开发和生产,常见替代品包括全氟丁酸(PFBA)和全氟丁烷磺酸盐(PFBS)等短链PFAS、全氟/多氟醚类物质(PFEAAs)及氯代多氟醚磺酸等有机碳骨架中引入醚键或杂原子的PFAS[22],这种替代策略基于替代品具有较低的生物累积性或潜在的降解能力,因此将导致较低的环境风险。除替代品外,全球市场上还存在大量使用多年但未受关注的不同类型的所谓新型PFAS。美国环境保护署(United States Environmental Protection Agency, US EPA)于2021年发布的化学品综合清单中超过12000种物质属于PFAS范畴[23]。另外,某些新型PFAS也可能以杂质的形式存在于相关产品中。
综上所述,如此种类众多、性质各异的PFAS给其在环境污染与毒性效应等领域的研究带来了诸多挑战。目前的研究趋势呈现从传统PFAS向新型PFAS过渡的特点,技术方面集中于利用高分辨质谱的疑似/非靶向筛查,通过甄别环境中新型PFAS,进而开展其环境行为、毒性和人体暴露研究。同时,为降低传统PFAS环境持久性的负面效应,环境科学家致力于开发高效实用的PFAS处理处置技术。此外,在PFAS严格管控及市场对相关产品巨大需求的驱动下,环境友好无氟的绿色替代品的开发将成为必然趋势,替代品投入生产前不仅要考虑其经济适用性能,同时要完善其环境友好性评估,避免“令人遗憾”的替代品出现。
1.2.2 溴系阻燃剂
溴系阻燃剂(brominated flame retardants, BFRs)是一类具有阻燃效率高、稳定性好、不溶于水的有机化合物,通常被添加到泡沫、树脂、橡胶、黏合剂、塑料、纺织品、电气及电子设备等各类工业品中用于降低其易燃性[24]。迄今为止,全世界至少商业化生产了75种BFRs[25]。全球阻燃剂产量在2011—2014年从190万t增加到230万t,其中BFRs约占2%[26]。BFRs市场在价值和应用方面预计将以5.5%的速度增长[26]。亚洲的BFRs消费量最大(44.2%),其次是美国(21.2%)、日本(18%)和欧盟(18%)[27]。全球范围内曾经或正在广泛使用的BFRs主要分为5大类,包括:四溴双酚A(tetrabromobisphenol A, TBBPA)、多溴二苯醚(polybrominated diphenyl ethers, PBDEs)、六溴环十二烷(hexabromocyclododecane, HBCD)、多溴联苯(polybrominated biphenyls, PBBs)及十溴二苯乙烷(decabromodiphenyl ethane, DBDPE)等。其中,TBBPA为市场上产量最高的BFRs,全球消费量为210万t[28];PBDEs为世界范围内产量第2高的BFRs,这种化合物通常以3种不同的溴化程度生产,即:五溴二苯醚(penta-BDE)、八溴二苯醚(octa-BDE)和十溴二苯醚(deca-BDE)。目前,新型BFRs(novel brominated flame retardants, NBFRs)作为PBDEs的替代品正在被大量生产及使用[29]。
表2 各类环境介质和生物样品中 BFRs 的浓度[55]Table 2 Concentrations of BFRs in environmental matrices and biota samples[55] |
| BFRs | Soil(dw)/ (ng/g) | Sediment(dw)/ (ng/g) | Water/ [ng/(g/mL)] | Air/ (ng/cm3) | Dust(dw)/ (ng/g) | Fish(ww)/ (ng/g) | Bird(ww)/ (ng/g) |
|---|---|---|---|---|---|---|---|
| TBBPA | 651.34±1.21E+03 (n=14) | 1.19E+03±7.05E+03 (n=39) | 0.27±0.51 (n=20) | 8.00E-08 (n=1) | 6.62E+04±3.26E+05 (n=34) | 5.61±17.21 (n=12) | NA (n=0) |
| HBCD | 1.65E+03±5.43E+03 (n=55) | 104.21E+02±334.23 (n=97) | 0.13±0.33 (n=31) | 5.37E-04±3.94E-03 (n=82) | 1.25E+04±4.32E+04 (n=129) | 14.92±59.34 (n=43) | 3.24±7.66 (n=32) |
| DBDPE | 2.38E+03±7.21E+03 (n=31) | 83.41±44.92 (n=48) | 700.31±200.21 (n=9) | 4.40E-06±1.87E-05 (n=48) | 1.55E+04±5.56E+04 (n=78) | 0.74±1.41 (n=11) | 0.41±0.39 (n=11) |
| BTBPE | 341.32±7.22E+03 (n=27) | 230.12±259.53E+02 (n=45) | 1.60E-03±0.2 (n=6) | 1.41E-06±4.19E-05 (n=39) | 7.07E+03±5.65E+04 (n=42) | 0.37±1.41 (n=7) | 6.34±0.39 (n=6) |
| HBB | 15.91±47.82 (n=22) | 1.86±4.32 (n=27) | 0.02E-02±2.57E-03 (n=12) | 1.04E-06±4.52E-06 (n=42) | 674.32±2.45E+03 (n=32) | 0.92±0.11 (n=11) | 0.97±0.93 (n=6) |
| TBB | 1.17±2.73 (n=15) | 9.95E+00±1.93E+03 (n=14) | 2.02E-03±1.29E-03 (n=11) | 1.82E-06±8.68E-06 (n=30) | 2.99E+03±1.69E+04 (n=42) | 1.46 (n=1) | 0.38±0.36 (n=6) |
| PBT | 21.32±72.83 (n=9) | 0.22±0.13 (n=15) | 1.81E-03±1.19E-03 (n=3) | 2.04E-07±8.53E-07 (n=23) | 52.52E+01±141.12 (n=19) | 72.71±35.23 (n=11) | 5.98±13.01 (n=6) |
| TBPH | 41.93±124.15 (n=17) | 44.92±133.12 (n=11) | 3.56E-03±2.51E-04 (n=9) | 9.57E-07±2.61E-06 (n=24) | 2.51E+03±7.20E+03 (n=50) | 14.91 (n=1) | 1.46±1.37 (n=6) |
| PBEB | 1.71±1.77 (n=17) | 3.34±13.01 (n=15) | 6.51E-04±2.85E-04 (n=8) | 1.71E-07±7.87E-07 (n=34) | 18.21±47.71 (n=23) | 2.63±3.45 (n=5) | 1.23±2.54 (n=6) |
| TBECH | 0.18±1.13 (n=2) | 23.81±43.82 (n=5) | 8.55E-04±1.54E-04 (n=3) | 2.85E-08±2.02E-08 (n=7) | 23.31±23.52 (n=8) | 2.42±1.57 (n=2) | 3.90 (n=1) |
Note:The data in the table represent the average concentrations of BFRs in different substrates ± standard deviation; dw is dry matter, and ww is wet matter. |
事实上,在过去10年中,众多学者对我国各种环境基质中的BFRs进行了广泛研究[52⇓⇓⇓~56],这些数据扩展了对环境中现有BFRs风险因素的理解,并为区域环境风险管理规划提供了有价值的信息。但是,现有研究仍存在一定局限性:1)大多数研究基于已报告污染地区,而未报告地区的污染状况不明,特别是我国西部地区环境中BFRs的研究明显不足;2)由于分析技术的限制,新型BFRs的污染状况不明晰,相关生态评估方法仍处于初级阶段,无法对新型BFRs进行全面系统评估,导致不同地区BFRs及其替代品的污染特征及环境风险尚不明确;3)现有的生物体急性毒性实验不能完全解释BFRs在组织中的代谢和转化,因此,对生物的内部和外部长期暴露风险的相关问题应引起关注。
1.2.3 氯化石蜡
氯化石蜡(chlorinated paraffins, CPs)是一类多氯代正构烷烃的混合物(Cn Clm),包括C6~C38不等的数万种单体[57]。基于其烷烃的碳链长度,通常将CPs分为短链氯化石蜡(short-chain CPs, SCCPs, C10~13)、中链氯化石蜡(medium-chain CPs, MCCPs, C14~17)和长链氯化石蜡(long-chain CPs, LCCPs, C≥18)组成[58]。自 1930 年以来,CPs 因其挥发低、阻燃、电绝缘良好等优点被大规模应用于金属加工液、润滑剂、冷却剂或消费品中的添加剂(阻燃剂、柔软剂、防水、脂液、抗结垢)等,其全球年产量超过 200 万t[59]。2019 年中国 SCCPs 和 MCCPs 从生产、使用到排放的质量平衡分析[60]见图1。
然而目前关于CPs及其代谢产物的毒性及动力学尚未明晰,其风险预警及暴露评价体系仍有待完善。此外,虽然各种类型的CPs在环境中被普遍检出,但目前仅SCCPs作为《公约》中新增列(2017年)的POPs在全球范围内被限制生产及使用。然而,这种化合物的全球产量约占CPs总产量的16.5%,与此相对,MCCPs和LCCPs作为SCCPs的替代产品,在全球CPs产量中所占份额很大,且其使用将会随SCCPs全球管制生效而进一步增加。实地观测结果也表明,环境中MCCPs的释放量多于SCCPs[71],最近的研究表明:MCCPs和LCCPs在水生生物、哺乳动物及人类中均存在生物放大现象[72⇓⇓⇓~76],这些结果与POP类化学品的生物累积模型非常吻合[77]。然而,目前没有任何国际条例涉及MCCPs和LCCPs日益增加的排放问题,因此需要进一步的研究来阐明其POP特性[78]。特别是它们的持久性、生物蓄积性和在海洋环境中的潜在毒性,已经促使研究人员对CPs进行更广泛的研究及评估。
中国和印度是目前全球CPs 2大主要生产国家,欧洲、北美以及中东的一些国家生产规模较小[82]。尽管就产量而言,中国是最重要的CPs生产国,但中国的生产主要服务于国内消费。因此,扩大对来自不同国家及生产时间范围CPs的调查有利于扩大国际视野,同时为制定有效的法规和政策提供必要信息。工业CPs产品的成分在世界范围内各不相同,甚至在同一制造商的产品之间也有较大差异(图2)。因此,为了更有效实施SCCPs的管控限制,未来的CPs制造规范应控制所用正构烷烃原料的链长,并将其作为CPs生产、商业化和应用的标准。在《公约》实施过程中,除对其他CPs中的SCCPs含量进行评估,还需要综合考虑及评价SCCPs替代品的环境风险、CPs工业生产全生命周期(包括相关垃圾填埋场)的SCCPs释放路线,以及废物类别(PVC,橡胶,油/润滑剂,建筑和拆除废物)的回收。因此,在履行《公约》时,需要解决超过100万t CPs和更大数量的含CPs产品的总体使用及管理问题。
由于CPs混合物的复杂性和大量的同源物,准确定量环境介质中的CPs赋存值面临巨大挑战。迄今为止,尚未实现对工业混合物中单个CP异构体或同系物的完全分离或纯化;仅合成了有限数量的离散单同源物,主要用作分析标准品。此外,大多数现有的文献报道结果是基于分析得到的,而低分辨质谱法是目前最常用的检测手段,甚至为数不多的短链氯化石蜡分析国际标准也基于该技术。然而,其准确性和可比较的结果对于确定CPs混合物是否含有1%以上的SCCPs方面,存在一定的挑战。并以此判断是否属于POPs、实施消费品或废物的监管限值以及评估CPs造成的环境风险非常重要。然而,目前我国仅有2种水质标准方法(ISO 12010∶2012,水中和ISO 18635∶2016,沉积物,污水污泥和颗粒物)和一种皮革标准(ISO 18219∶2015),而纺织品标准正在制定中(ISO/NP 22818),亟需补充完善相应标准体系。
1.2.4 环境内分泌干扰物
环境内分泌干扰物(endocrine disrupting chemicals,EDCs),又称“环境激素”“环境荷尔蒙”,是指环境中存在的能干扰人类或野生动物内分泌系统诸环节并导致异常效应的物质[83]。EDCs可扰乱机体内分泌系统,影响激素的合成、转运及代谢,导致生物体生殖发育异常、生殖能力下降、器官功能受损等,对后代或种群产生不利影响,甚至导致物种灭绝。
环境中的EDCs种类繁多,按其来源可分为天然激素类物质及人工合成内分泌干扰物2大类,天然激素类物质主要包括天然雌激素(如雌二醇等)、植物雌激素(如木黄酮等)及真菌雌激素(如玉米赤霉烯酮等),人工合成内分泌干扰主要包括二口恶英类化合物(如四氯二苯并-p-二口恶英等)、农药(如滴滴涕等)、增塑剂(如双酚A等)、阻燃剂(如四溴双酚A等)。这些物质可以随着人们的生产生活进入各类环境介质,如水体、土壤、空气等,并可通过食物链传递等过程蓄积到动物甚至人体内,对生物体和人类健康产生严重威胁。已有研究表明,一些环境内分泌干扰物可导致野生动物如海豹、海豚等大量死亡,水生生物如鱼类、螺类出现生殖器官发育异常现象,生物体繁殖力下降、胚胎发育异常等[84]。同样地,EDCs也对人类产生了潜在的健康危害,如EDCs可影响女性和男性生殖健康,与月经周期变化、子宫内膜异位症、子宫肌瘤、多囊卵巢综合征、生殖器官发育异常、精子数量和质量下降、不孕不育等疾病密切相关[85]。另外,EDCs与人体代谢疾病如肥胖症、心血管疾病、糖尿病等的发生具有潜在关联[86]。EDCs母体暴露也可能引起幼儿产生语言发育延迟风险[87]。总之,环境内分泌干扰物对生物体乃至人类的健康威胁不容忽视。
为应对EDCs对生态安全及人类健康的挑战,世界各国在内分泌干扰物筛查及体系构建方面开展了大量的工作,构建了基于离体细胞受体结合活性测试、基于活体模式生物或啮齿类动物发育的内分泌干扰物筛选等技术。我国研究人员自1999年率先提出EDCs的概念[83,90],多年来开展系统性研究,在EDCs的检测方法、监测技术、毒性效应及作用机制研究方面取得了重要进展。例如,我国研究人员建立了针对雌激素、雄激素等多种内分泌干扰物的分离富集、检测新方法,并用于环境水体(如河水、自来水、污水处理厂废水等)中EDCs的检测。开发了快速纯化血清卵黄蛋白原(Vtg)的高效离子色谱交换膜色谱法及血浆中Vtg定量的酶联免疫检测法和二步色谱分析法,具有检测限低、快速高效等优点[91]。在新污染物识别及其内分泌干扰效应研究方面,我国研究人员发现了包括三丁基锡[92]、全氟碘烷类化合物[93]、四溴双酚A及其衍生物[94]、合成酚类抗氧化剂[94]等在内的多种新型污染物的内分泌干扰效应,作用类型主要包括激活核受体、促进脂肪细胞分化、干扰类固醇激素生成、影响活体性腺发育或导致机体性激素水平紊乱等。
EDCs已成为备受关注的新污染物之一,虽然世界各国已建立了多种成熟的筛选与检测体系,对我国EDCs的筛选具有一定的参考意义,然而随着我国经济和科技的飞速进步,发展适用于我国环境现状特征的内分泌干扰物筛选技术、构建高效快速的检测体系,对我国新污染物防控与治理具有重要科学价值。
1.2.5 药品和个人护理品
药品和个人护理品(pharmaceuticals and personal care products,PPCPs)首先由Christian G.Daughton于1999年提出[95],这一概念逐渐被科学界所接受。事实上,作为一类新污染物,PPCPs种类繁多,主要包括用于人及动物疾病治疗与预防的处方药及非处方药(如抗生素、激素、非甾体抗炎药、β-阻滞剂、脂质调节剂、止痛药等)[96]、人类日常生活及护理用品(含肥皂、乳液、牙膏、香水、防晒霜、香料等)[97]。这类物质可通过各种途径,排放至水体、大气、土壤等各种环境介质[98](图3),可通过生物累积和食物链的传递对高等动植物和人类产生危害,并对生态环境造成慢性、长期和累积性的负作用。
与传统污染物不同,PPCPs由于以下原因日益受到关注[99]:1)这类污染物广泛存在于生态系统的各个层面;2)PPCPs的生态环境风险尚不完全明确(如抗生素的耐药基因、内分泌干扰物等),它们虽然不像持久性有机污染物一样在环境中长期存在,但同样可对环境产生负作用,而且这种作用是慢性、长期和累积性的;3)环境中痕量PPCPs的高效检测技术的缺乏;4)PPCPs有效去除手段的不足。而且,这类物质的使用量正在稳步增长中,2010年,全球抗菌药物消费量为63151 t,预计到2030年将增长67%[100]。全球城市化及人们生活方式转变,导致了个人护理品使用量的进一步增加。此外,持续的新冠肺炎大流行也改变了PPCPs的消费模式,这些变化对生态环境与人类健康均提出了新的挑战[98]。
1.2.5.1 PPCPs的污染特征及水平
越来越多的证据表明,水环境作为PPCPs的主要汇,正遭受这类化合物的严重危害[101]。近年来,全球范围内已有上百种PPCPs在地下水、地表水、沉积物等水环境中被检出[102]。研究者在美国30个州139条溪流的检测中,发现了50多种药物[103]。在印度南部的污水处理厂中也发现了多种含量极高的这类化合物,其中,苯丙胺、糖精、甜蜜素和三氯蔗糖的质量浓度分别高达4300、303000、3460和1460 ng/mL[104]。我国的一些主要河流(如长江、珠江、辽河、海河等)的地表水中也陆续检出了含量较高的多种PPCPs[105]。有学者报道,超过60%的珠江流域的水体中检出了雌二醇,最高质量浓度可达65 ng/L;同时,在国内大多数水体中也测出了布洛芬(IBU)、氯丙酸、水杨酸,其最高质量浓度分别为2098、248、1417 ng/L[106]。此外,在湄公河地区的河流中也发现了质量浓度为7~360 ng/L的磺胺甲基异口恶唑(SMX)、磺胺二甲嘧啶及甲氧苄啶等污染物[107]。Kim等[108]对韩国的各类水体进行了系统调查研究,结果表明,几乎所有水体中均有PPCPs残留,其中抗生素的检出率最高可达80%。Murata等[109]对日本37条河流中的磺胺类、大环内脂类和甲氧苄啶等12种抗生素的污染状况进行了分析,发现这类污染物的质量浓度为0~626 ng/L。除了河流湖泊,在海水及海洋生物中,也发现了抗生素、抗寄生虫药物及防晒霜[110]。
PPCPs在人体疾病治疗与动物养殖中被广泛使用,但其在体内代谢量较低,这就造成该类物质随粪便和尿液大量外排,经污水直接灌溉、污泥回用或填埋、畜禽粪便农田施用等方式直接进入土壤中。近年来,在多个国家的不同土壤中均检出了大量PPCPs或代谢物[111]。有研究表明,在粪肥中测得四环素和金霉素的质量分数分别为4.0 mg/kg及0.1 mg/kg,利用其施肥土壤后,土样中四环素的质量分数为86.2~198.7 μg/kg,金霉素的水平为 4.6~7.3 μg/kg[112]。也有研究表明,部分PPCPs具有持久性,并发现再生水灌溉农田中的镇痛药/抗炎药、抗癫狂药和防腐剂的浓度级别为ng/kg~μg/kg,例如卡马西平的质量分数高达549 μg/kg(干质量),三氯生的质量分数为16.7 μg/kg(干质量)[113]。
除水环境和土壤外,一些具有挥发性的PPCPs在室内灰尘及空气中也被广泛检出。有学者在室内灰尘中检测出了质量分数为21.5~21000 ng/g的硅氧烷,这些物质的产生与室内电子电器及吸烟者的数量有关。另一项研究调查了室内灰尘样本中2种多环麝香、3种硝基麝香和一种HHCB代谢产物(HHCB内酯)的残留情况,其中,HHCB是检出率最高的化合物[114]。此外,有学者对广州一家化妆品厂的多环麝香污染状况调查中发现,除污水和污泥2种介质外,多环麝香主要存在于气相中,占比为86.4%~97.7%[115]。研究机构对美国、中国、日本和韩国室内灰尘中的对羟基苯甲酸酯(parabens)污染状况进行调查,发现这种化合物的最高检出质量分数为110800 ng/g,其平均水平依次为:韩国(2320 ng/g)>日本(2300 ng/g)>美国(1390 ng/g)>中国(418 ng/g)。我国室内灰尘中parabens含量最低,这可能与中国人对个人护理产品的人均消费量较低有关[116]。
值得注意的是,PPCPs可通过不同介质进入人体。近年来,在母乳、血液和尿液均发现了此类污染物。我国成都地区母乳样本中检出了1.4~16.5 ng/g(lw)的合成麝香。可能是由于人们大量使用如洗手液、身体乳液、洗发水、染发剂和发胶等个人护理用品所导致的。此外,在中国东部城市的母乳样本中也发现了4种合成麝香(MX、MK、HHCB和AHTN),其平均质量分数为4~63 ng/g(lw),与美国(2~917 ng/g(lw))、丹麦(38~422 ng/g(lw))、和瑞典(2~268 ng/g(lw))的检测结果相比,中国母乳中合成麝香的检出率及浓度最低。以此推算,中国婴儿每天从母乳中摄入的合成麝香为277~7391 ng/d[117]。此外,在自来水与瓶装水中也检出了质量浓度分别为14.5 ng/L和9.7 ng/L的三氯生。而且,这种化合物也可能从婴幼儿奶瓶中被释放。据此推算,成人和婴儿的三氯生日摄入量估计分别为10和5 ng/d[118]。
1.2.5.2 PPCPs的生态及健康风险
抗生素的持续暴露可损害水生系统中的敏感菌,导致大量环境耐药菌株的出现,严重影响水生系统的平衡[119]。研究者对多种抗生素(如大环内酯类、磺酰胺类、氟喹诺酮类和四环素类)耐药状况进行调查研究,结果发现抗生素耐药基因普遍存在于医院和畜禽养殖废水、城市废水、地表水以及饮用水资源中[120]。近年来,有学者在中国香港和上海市的废水中检出了四环素的抗性基因,也有学者在北京地表水中发现了对磺胺类、四环素和氨苄青霉素具有多重耐药的大肠杆菌[121]。这些耐药菌株能破坏微生物群落相互依存、相互制约的关系,导致一些有益菌的消失和有害细菌的大量繁殖,并通过受污染的饮用水、农业和水产养殖产品传播给其他动物和人类[122]。
传统观点认为,抗生素是一类低毒安全的药物,然而,大量研究显示,某些抗生素对水生生物具有显著的毒性效应。有报道表明,水体中1 mg/L红霉素(ETM)或四环素就能严重抑制淡水单细胞藻类的生长,而且强烈刺激藻类激素脱落酸的合成和释放[123]。甚至某些药物会表现出强烈的急性毒性,如水体中哑喹酸对水蚤有极强的毒性。因为水蚤在淡水系统中是其他水生动物的一种主要食物来源,少量哑喹酸便可完全破坏它们的生殖能力,这将导致该区域严重的营养水平破坏。值得注意的是,大部分抗生素对水生生物急性毒性都较小,半数有效浓度(EC50)通常在mg/L的范围内。有学者通过48 h急性毒性试验研究了9种抗生素药物对大型骚的生长、繁殖的影响,发现哑喹酸的EC50为4.6 mg/L、泰乐菌素EC50为40 mg/L、磺胺嘧啶EC50为13.7 mg/L、土霉素EC50为462 mg/L[124]。
1.2.5.3 PPCPs的分析与去除
由于环境中PPCPs具有含量低、基质复杂等特点,这类化合物的分析方法研究显得尤为重要。直到1990年,科学家建立了一种农药残留的分析方法,并在德国的饮用水和地下水中检出一种结构与苯氧基链烷酸除草剂相似的未知化合物(最终被鉴定为毒性较强的氯菲二酸),有关环境中PPCPs分析方法及分布特征的研究才开始引起人们的广泛关注[130]。目前,对PPCPs主要的分析手段是液相色谱-质谱联用技术(LC-MS/MS)、气相色谱-质谱联用技术(GC-MS/MS)。此外,该方法需以固相萃取(SPE)等方式进行富集和净化。仪器分析方法可对污染物进行准确定量,但存在所用仪器极其昂贵、测试成本高、分析时间长、检测所需样品量大及前处理步骤烦琐等不足。与此相比,基于抗体(或其他具有识别功能的生物大分子)的生物分析方法(如酶联免疫、放射免疫、时间分辨荧光免疫等)具有前处理简单、分析过程快捷、高通量的特点,可有效弥补仪器分析的缺陷[131]。
PPCPs的处理工艺也是研究热点。作为一种复杂体系,这类物质存在多种迁移转化方式,一部分将以吸收、径流/迁移、挥发等方式进入土壤生物、水体和大气,形成跨介质污染,最终通过饮食进入人体。另一部分可能会在环境因子的综合作用下被降解、转化或者完全去除[132]。污水处理厂(WWTP)是去除或降解废水中污染物的主要单元,但传统工艺主要针对N、P等无机物及主要有机污染物进行处理,对PPCPs去除效果欠佳。生物处理技术由于具备环境友好、无二次污染、高效、成本低和操作管理简便等优点,近年来逐步用于PPCPs的处理。其中,活性污泥系统可有效去除废水中的PPCPs,但其去除率受多种因素影响,如化合物的理化性质、生物反应器配置与操作参数(水力停留时间、污泥停留时间和pH)[133]。同时,高级氧化法、水生生物法、微生物法以及膜处理技术等技术的出现与发展,有助于高效去除此类污染物。但是对于PPCPs的处理,不能仅限于末端处理,更重要的是控制源头,应将源头控制与末端处理相结合,才会有最佳的去除效果。
1.2.6 微塑料
1.2.6.1 微塑料定义和分类
1.2.6.2 微塑料环境分布和丰度
全球海洋中有0.75亿~1.99亿t塑料垃圾,其中约13.5%是微塑料[142]。近海区域微塑料主要分布在表层海水、海滩及近海沉积物中,受人类活动以及自然条件(如风浪和潮汐等)影响。大洋中的微塑料主要受海底洋流和表面洋流强度的空间变化控制,呈现出显著的空间异质性[142],在海水中丰度为0.0060~660000 items/m3,沉积物中为0.0017~147.9 items/g[143]。微塑料在海洋中可水平和垂向迁移,受到温盐环流、生物污损及重力沉降等多个复杂过程的共同影响。进入海底的微塑料水平分布受深海环流的调控,在海峡、海沟等海底边界层剪切应力较低处滞留,恰与生物热点区域重合,从而引起更高的生态风险[142]。
淡水中(包括湖泊、水库和河流等)微塑料大都来自陆地环境。研究报道,全球38个湖泊和水库中微塑料(> 250 μm)丰度为0.001~10 items/m3(均值 ± 标准误差 =(1.82 ± 0.37)items/m3),人口稠密、水力停留时间长、沉积面积高的湖泊和水库容易受到微塑料污染[144]。河流水系是微塑料由陆地向海洋传递的主要运输途径,据模型预测,全球河流塑料年入海通量为5.7万~26.5万t[145]。生活污水处理厂出水排放的微塑料也是天然水环境中微塑料的重要来源[146]微塑料在全球污水处理厂出水和污泥中丰度范围分别为0.01~297 items/L和4.40 × 103~2.40 × 105 items/kg[147]。
1.2.6.3 环境微塑料特征及效应
微塑料是一类具有独特性质的环境新污染物,有别于环境中的其他颗粒[153]。环境微塑料的密度差异大、持久性强、尺寸范围广(跨越5个数量级)、形状多变(例如颗粒、碎片、纤维等)、化学成分复杂(含有多类聚合物材料以及增塑剂、阻燃剂和稳定剂等化学添加剂)、表面基团多样并能附着生态冠等[154]。微塑料能够通过动物摄食及呼吸作用进入生物体内,引起胃肠道及其他组织和器官的毒性效应,还会通过食物链向更高级消费者传递并积累。微塑料,特别是纳米塑料,比表面积高、吸附亲和力强,容易和环境中其他污染物结合,形成复合污染或“特洛伊木马”效应。纳米塑料能够进入动植物细胞,产生细胞毒性[153,155]。微塑料表面还可以附着微生物和抗性基因,成为病毒、病原微生物和抗性基因的传播载体[135]。微塑料中的添加剂会在环境中或生物体内释放,造成二次污染;尽管塑料大分子聚合物生物毒性较低,但是微塑料在环境中老化或生物体内降解转化后可产生毒性产物,聚乳酸塑料在肠道酶催化作用下释放的单体自我团聚作用而形成的八单元寡聚体聚合物会导致生物体更强的毒性效应[156]。
1.2.7 抗生素及抗性基因
自然环境中的抗生素是由微生物以远低于治疗剂量的浓度作为次级代谢产物产生的,这些低浓度抗生素可作为微生物种群间或种群内的信号分子[160]。自从青霉素首次被临床应用于治疗细菌感染,在几十年的时间里,人类已通过筛选和人工合成的方式开发出多种不同抗菌谱的抗生素。抗生素的定义也从最初的“微生物在代谢中产生的具有抑制它种微生物生长和活动甚至杀灭它种微生物的性能的化学物质”,发展为更为广义的“微生物或高等动植物在生长过程中所产生的具有抗病原体或其他活性的一类次级代谢产物,以及用人工化学方法合成或半合成的类似化合物”。这意味着抗生素的使用范围也发生了拓展,从临床抗菌治疗扩展到动物养殖业。1950年,美国食品与药品管理局首次批准抗生素可作为饲料添加剂,抗生素因此被全面推广应用于动物养殖业,在预防和治疗动物传染性疾病,促进动物生长及提高饲料转化等方面发挥了重要作用[161]。
目前,抗生素种类已达上千种,主要分为以下几类:β-内酰胺类(beta-lactams),大环内酯类(macrolides),氟喹诺酮类(fluoroquinolones),四环素类(tetracyclines),磺胺类(sulfonamides),氨基糖苷类(aminoglycosides), 多肽类(polypeptide antibiotic),氯霉素类(chloramphenicol),林可霉素类(lincomycin)等。β-内酰胺类抗生素又可分为青霉素类、头孢菌素类、头霉素类、碳青霉烯类、β-内酰胺酶抑制剂等亚类。大环内酯类抗生素主要包括阿奇霉素、ETM、泰乐菌素、克拉霉素等。氟喹诺酮类抗生素主要包括环丙沙星、恩诺沙星、左氧氟沙星、达氟沙星、培氟沙星等。四环素类抗生素主要包括四环素、强力霉素、土霉素、金霉素、替加环素等。磺胺类抗生素主要包括磺胺嘧啶、磺胺甲口恶唑、磺胺醋酰等。氨基糖苷类抗生素主要包括链霉素、卡那霉素、庆大霉素、依替米星、奈替米星等。多肽类抗生素主要包括万古霉素、去甲万古霉素、替考拉宁、多黏菌素B、杆菌肽等。氯霉素类抗生素主要包括氯霉素、甲砜霉素、氟苯尼考等。林可霉素类抗生素主要包括林可霉素、克林霉素等。
相对于抗生素被人类发现的时间,抗生素抗性基因(antibiotic resistance genes,ARGs)在某种意义上说是非常古老的。抗生素作为一种信号分子用于微生物间的拮抗作用,因此这些微生物种群普遍存在内在抗性基因,这种固有的抗生素抗性也被称为“内在抗性”(intrinsic resistance),是指存在于细菌的基因组上的抗性基因的原型、准抗性基因或平时没有表达的抗性基因[162],细菌可以通过表达潜在抗性基因或随机突变而获得抗性。科学家在北极的冻土中提取到3万年前的古DNA,从中发现了较高多样性的抗生素抗性基因。这些抗性基因对β-内酰胺类、四环素类和糖肽类等抗生素具有抗性[163],证明抗生素抗性基因并非在人类使用抗生素后才出现。
虽然一些抗生素抗性基因很早就存在于自然界,但是随着抗生素在医疗及养殖领域的大量使用,甚至滥用,以及重金属、消毒副产物等复合污染的存在,环境中抗性基因直接和间接的选择压力大大增加[164,165],促使抗生素抗性的进化过程被大大加快,导致抗生素耐药性的不断发展。2006年,Pruden等[166]提出将抗生素抗性基因作为一种新型的环境污染物。2021年,综合抗生素研究数据库(the comprehensive antibiotic research database, CARD)已收录了超过1600个已知的抗生素抗性基因[167]。高通量定量PCR已实现对55个可移动遗传元件和325个抗性基因的特异性扩增[168]。与传统的化学污染物不同,抗生素抗性基因有其固有的生物学特性,可在不同细菌间转移和传播甚至是自我扩增,表现出独特的环境行为和污染特征。近年来,人们逐渐意识到抗生素抗性基因在环境中的持久性残留、富集和扩散可能要比抗生素本身的危害还要大。据估计,目前全球每年死于超级细菌感染的人数在70万人左右,如果抗生素耐药性得不到有效控制,到2050年全球每年耐药感染的死亡人数可达1000万人,远远超出癌症所导致的死亡人数[169]。因此,抗生素在给人类带来健康福祉的同时,也给人类自身和环境带来了不可忽视的新风险,抗生素抗性产生及抗性基因的传播扩散已经成为全球关注的热点。
1.3 新污染物的研究中面临的科学问题
新污染物环境风险是世界各国共同面对的环境问题。到目前为止,国际组织和机构就加强新污染物的控制措施和促进有序的全球性行动已经达成广泛共识。然而,新污染物是随着工业化进程必然出现的新事物、新问题。各种化学品的快速增长和在生产生活中的广泛使用,是新污染物不断出现、需要持续研究治理的根本原因。目前已知的新污染物只是冰山一角,更多的新污染物尚未被发现及关注,很多已被发现的新污染物仍缺乏足够认知和有效控制。除具有持久性、生物累积性、致癌性、致畸性等多种生物毒性之外,部分新污染物还具有远距离迁移的潜力,可随着空气、水或迁徙物种等做跨国际边界的迁移并沉积在远离其排放点的地区,造成世界性环境污染问题[170⇓~172]。对这类新污染物的治理,需要采取全球共同行动。
与传统污染物相比,新污染物表现出来源的多样性、可变性、挑战的独特性等鲜明特征。新污染物往往同时暴露于野生动物和人类,形成复杂的混合暴露。此外,这些污染物的前体和转化产物可能表现出类似的风险特征,需要进一步考虑其环境过程、毒性效应以及类似物和相关化合物之间的相互作用。这对评估它们的加性或协同效应以及它们的危害和相互作用构成了重大挑战。
中国是化学品生产使用大国,但尚未系统开展过化学物质环境风险评估,大量化学物质尚未掌握其毒害特性就已经进入生产生活。根据联合国环境署《全球化学品展望》,2017年,我国化学品年销售额约为1.293万亿欧元,约占全球销售额的37%。其中,新污染物生产和使用涉及的行业范围广,产业链长度长,个体数量小,环境含量低,分布分散。环境中新污染物种类、区域分布、行业来源、主要的环境风险和健康风险等尚不明确。这些化学品的科学数据不足阻碍了有效的控制措施的制定。此外,新污染物通常包括最近合成的具有优越产品属性的化合物,这使得很难找到更好的替代品和替代技术。尽管监管工作主要集中于减轻新污染物本身所造成的化学风险,但相对缺乏对作为替代品使用的替代化学品的安全性进行评估的重视,缺乏与替代化学品有关的分析、环境过程、毒理学健康等环境管理方面的系统办法。
作为一个经济快速扩张的后发赶超型国家,中国在全球化外力推动与国家内部转型的双重驱动下,面临的复杂环境挑战远远超过发达国家。由于中国独特的产业结构、利用模式和排放差异,某些污染物可能普遍存在于中国各环境介质中,但逃避了国外监管机构的审查。在我国人类血液、母乳甚至胚胎中发现了各种各样的新污染物,对公众健康构成了重大威胁。在外部输入性风险上升的同时,内部风险连锁联动效应增强,如果风险防范不及时、管控治理不得力,新污染物环境风险可能会形成“多米诺骨牌效应”和“蝴蝶效应”,进而通过传导、叠加、演变可能会对整条化学品管控路线、乃至整个经济社会发展全局产生重大影响。
此外,在日益增多的化学品中识别评估出优先管控的新污染物,并针对性实施管控是新污染物研究中的另一大挑战。目前,无论是美国的《有毒物质控制法案》、加拿大的《禁止特定有毒物质法规2022》还是欧盟的《化学品注册、评估、许可和限制》(REACH)法规在新污染物的数据储量及研究评估方面仍存在较大的需求,尚且不能完全满足对新污染物全面管控的基本目标。在国际公约层面,《公约》在2017年间仅增列18种类POPs。爆发式增长的化学品种类加大了环境管理的复杂性,新污染物数量与管控范围之间存在着严重的不匹配性。中国是生产化学品种类最丰富的国家之一,现有化学品名录包括4万余种,每年还有近百种新化学物质上市。有限的研究信息显示,根据《公约》的筛选标准,上述名录中同时符合持久性和生物累积性2个筛选标准的化学物质多达百余种,这百余种化学品是潜在需要管控的新污染物。尽管在《公约》增列新管控物质过程中,中国研究成果的贡献不断增加,但未来中国仍需要开展大量数据调查、环境监测、环境风险评估与管控等,加快管控新污染物环境风险的步伐。
综上,新污染物与生产生活密切相关,涉及工业产业规模大、产业链长,研究需要涉及不同领域,开展识别检测、区域环境过程、环境暴露与健康以及研发优化控制和削减技术等相关工作,增加了挑战的复杂性。在新污染物研究过程中所发展的新技术和替代品,也需进行全面风险评估,以减少可能带来的新环境问题和成本挑战。在立足生态环境保护与健康风险防范的同时,平衡经济发展的需求是开展相应新污染物研究的大前提,也是制定具体治理方案的重要基础。对新污染物研究及治理工作是一项长期、动态且复杂的工程,道阻且长,需全方位协同推进。
2 新污染物的生产、使用与排放
2.1 POPs的生产、使用与排放
POPs是当前最受关注的新污染物,在环境中被广泛检出。目前,《公约》已正式列入的POPs有35种。除二口恶英等无意产生的POPs之外,这些POPs大多为人类有意生产和使用的化学品,按照用途可分为工业化学品和农用化学品。其中,工业化学品是指开发用于化学品工业加工的化学品[173],包括仅用于工业生产过程的化学品和用作消费市场中出现的商业产品重要成分的化学品,如增塑剂、阻燃剂、稳定剂等。农用化学品是指用于控制危害农作物的生物或病毒的化学制剂,如杀菌剂和杀虫剂等[174],在中国统称为农药。按照化学组成,现已确认的POPs主要为有机卤化物,可分为有机氯POPs、有机溴POPs、有机氟POPs;此外,已有不含卤素的化合物被《公约》确认为POPs,即苯并三唑类光稳定剂UV-328。
2.1.1 有机氯POPs
SCCPs和MCCPs是目前已知全球生产和使用量最大的POPs[178]。图6展示了1930—2020年全球商品级CPs年生产、使用以及在5类主要应用行业产品中的应用比例的变化趋势。截至2020年,全球累计生产和使用的CPs达到约3250万t和3320万t,其中SCCPs、MCCPs和LCCPs生产量分别占总生产量的28%、57%和15%。历史上,西欧和北美是CPs主要生产和使用地区,但在2000年后中国的CPs生产和使用量显著增长,成为全球CPs生产和使用的主要国家。SCCPs和MCCPs主要应用于聚氯乙烯产品(40%~66%)和金属加工液(12%~34%),少量用于橡胶及其他塑料(10%~14%)、黏合剂(5%~6%)、油漆(3%~10%)等;1930—2020年,全球CPs累计排放量达到520万t,其中SCCPs、MCCPs和LCCPs占比分别约30%、40%和30%[179]。
中国的CPs产品并不按碳链长度区分,而是按照含氯量分为CP-42、CP-52及CP-70等,这使得中国生产和使用的CPs往往是SCCPs、MCCPs和LCCPs的混合物。Chen等[179]基于中国CPs产业链调查、产品中CPs成分检测和质量平衡方法,估算2019年中国SCCPs和 MCCPs的生产和使用量分别达到65.0万t和68.7万t;主要应用于聚氯乙烯(79.0%)和橡胶(13.4%),少量应用于黏合剂(5.5%)、金属加工液(1.3%)和皮革(0.8%);环境排放量达到0.8万t,土壤是主要受纳介质(55.1%),其次是大气(33.3%)和水(11.5%),结果[180]如图7所示。
除SCCPs和MCCPs之外,《公约》后续确认的有机氯工业化学品类POPs还包括五氯苯(pentachlorobenzene,PeCBz)、五氯苯酚(pentachlorophenol,PCP)、六氯丁二烯(hexachlorobutadien,HCBD)、多氯萘(polychlorinated naphthalenes,PCNs)、甲氧滴滴涕(methoxychlor)和德克隆(dechlorane plus,DP)。这些化学品分别用于化工或农药中间体、木材防腐、杀菌剂和阻燃剂等,但其全球范围内的生产和使用量及范围比较有限,且基本上已停止或趋于生产和使用,环境污染及影响较为有限。硫丹(endosulfan)和毒死蜱(chlorpyrifos)是《公约》后续增列的2种较受关注的杀虫剂类有机氯POPs。研究显示,2010年左右,硫丹的全球年均产量为1.8万~2万t[181]。1954—2000年,用于农作物的硫丹使用量约为33.8万t,其环境排放量约为15万t[182]。中国自1994年开始使用硫丹,但使用量及范围一直比较有限。从2010年到2016年,中国硫丹年产量从6000 t下降到700 t [181⇓~183],现已停止生产和使用。毒死蜱是自1965年投入市场的一种氯化有机磷杀虫剂,主要用于谷物、水稻、玉米、大豆、棉花等农作物[184]。2007年前的全球使用量约为每年10000 t,此后全球产量和使用量估计已增加至每年约50000 t,全球每年毒死蜱生产过程释放到空气中的量达到25 t。中国和印度是目前毒死蜱的主要生产国。2021年,印度毒死蜱的总产量为24000 t,其中11000 t用于国内,12000 t出口,1000 t库存[185]。中国自20世纪90年代开始生产和使用毒死蜱,2012—2017年,中国毒死蜱产量在35000~53000 t,生产过程中的空气释放量为2.92~4.42 t [184,185]。2014—2020年,中国毒死蜱年均使用量超过2000 t [186]。2016年12月起,中国禁止毒死蜱在蔬菜上的使用,但预计对其使用总量影响不大[184]。毒死蜱已于2023年通过《公约》的POPs风险评估审查,即将正式列入《公约》受控POPs名单。
2.1.2 有机溴POPs
溴代阻燃剂是环境中广泛检出的有机溴POPs,也是典型的新污染物。penta-BDE、octa-BDEs和deca-BDEs,三者分别于2009年、2009年和2017年被列入《斯德哥尔摩公约》。全球PBDEs生产始于20世纪70年代,截至2020年,累计生产量约190万t,包括17.5万t penda-BDEs、13万t octa-BDEs和160万t deca-BDEs,结果如图8所示。1995年以前,美国和以色列是主要的PBDEs生产国。PBDEs主要应用于电子、泡沫、地毯、建筑、运输及纺织品,其中penta-BDEs主要应用于泡沫和地毯(50%)和建筑(20%),octa-BDEs主要应用于电子(40%)和建筑(25%),deca-BDEs主要应用于电子(30%)、泡沫和地毯(25%)及建筑(20%)。北美是主要的penta-BDEs使用地区,主要用于聚氨酯泡沫塑料;北美和亚洲是主要的octa-BDEs 和deca-BDEs使用地区。截至2018年,全球∑5PBDEs(BDE28、47、99、153和183)和deca-BDEs大气排放量分别为0.6(0.03~1.3)万t和1.1(0.9~1.2)万t,并在2004年达到峰值[187]。中国PBDEs生产始于20世纪80年代,主要生产和使用deca-BDEs,从未生产octa-BDEs,penta-BDEs的生产在2004年停止,总量小于1000 t [188~189]。2000年之后,中国成为deca-BDEs主要生产国。1993—2018年,中国deca-BDEs累计产量达到46.5万t;使用量为40.2万t,主要用于塑料生产(99%);环境排放量为2.7万t,主要来自化学品制造和阻燃塑料改性厂,其中0.7万t来自包装废弃物,1.1万t通过废水排放进入河流,0.9万t来自大气中的粉尘[189]。2015—2018年,deca-BDEs大气年均排放量为412.1 t,其中生产源贡献最大(70.4%),其次是废物处理源(14.3%)、塑料加工源(5.7%)和产品使用源(9.6%)[190]。HBCD于2013年被列入《斯德哥尔摩公约》[191]。1965—2015年,全球HBCD累计生产量为40.5万~83.5万t,包括16万~28万t α-HBCD,11.5万~21万t β-HBCD和13万~34.5万t γ-HBCD。北美、中国和西欧是主要的生产国家或地区,占比分别达到40%、27%和25%。HBCD主要应用于发泡聚苯乙烯和挤出聚苯乙烯保温板(>97%),少量应用于纺织涂层剂、发泡聚苯乙烯包装、电气和电子设备中的高抗冲聚苯乙烯等。1965—2015年,全球HBCD累计排放量达到340~1000 t,包括170~280 t α-HBCD,30~80 t β-HBCD和140~650 t γ-HBCD[192]。中国在2000年左右开始HBCD大规模生产和使用,在2021年将其全面淘汰,期间HBCD累计生产量达到23.8万t,使用量达到18.8万t,主要应用于房屋建筑用EPS保温板(71.5%)和XPS保温板(26.5%),少数应用于纺织涂层剂[192,193]。鉴于HBCD主要用于建筑保温材料中,具有很长的产品使用和排放周期。Li等[192]采用动态物质流分析结合多介质环境归趋模拟方法,估算了中国HBCD的全生命周期排放。结果表明,2016—2100年,估计中国HBCD累计环境排放量将达到156.3 t,如图9所示,土壤是主要受纳介质(59%),其次是大气(25%)和水(16%)[193]。
图9 基于动态物质流分析与多介质环境归趋模拟的中国HBCD的全生命周期排放估算:(a)生产、加工、使用和废物过程的排放;(b)向大气、水和土壤的排放[192]Fig. 9 Estimation of emissions of HBCD in China based on dynamic material flow analysis and multimedia environmental fate models: (a) emissions from production, processing, use and waste, (b) emissions to atmosphere, water and soil, redrawn from Li et al [192] |
2.1.3 有机氟POPs
PFAS是一类广泛存在于环境中的化学物质,其种类和来源多样,被认为是永久的化学品(forever chemicals),是新污染物领域的一大研究热点[198,199]。其中,PFOS 和PFOA,先后于2009年和2019年列入《公约》受控POPs名单。PFOS 生产始于20世纪50年代,由美国3M公司开发生产,主要用作表面活性剂以及防水剂、防油剂、防尘剂等,广泛应用于消防、电镀、纺织、皮革、造纸、涂料、电子和农药等多种行业。据3M 公司统计,1985—2002年,全球产量为13670 t,最大年产量是2000年的3700 t[200]。另有研究显示,1970—2002年,全球基础PFOS(不包括衍生物)产量累积在96000~122500 t之间, 各类产品及过程排放总量约达45250 t[201]。1951—2004年及2003—2015年期间,PFOS环境排放量分别为2700~5450 t和1960~4020 t[202,203]。中国PFOS生产始于21世纪初,在2008年产量约为100 t/a,主要用于电镀(30~40 t)、水性灭火泡沫(25~35 t)和农药氟虫氨(4~8 t),各地区电镀、消防和农药行业PFOS环境排放量估算如图10所示[204]。随着国际履约进程及国家新污染物行动计划的实施,中国目前已经停止PFOS的生产和使用。
图10 中国各地区电镀、消防和农药行业PFOS环境排放量分布[204]Fig. 10 The distribution of environmental releases of PFOS in metal plating, aqueous film forming foams (AFFFs) and sulfluramid in China[204]Note: Northeast China includes Liaoning, Jilin, Heilongjiang Provinces, Central-north China includes Beijing, Tianjin, Hebei, Shanxi, Shaanxi Provinces, Central China includes Henan, Hubei, Hunan Provinces, Southwest China includes Chongqing, Sichuan, Guizhou, Yunnan Provinces, East China includes Shanghai, Jiangsu, Zhejiang, Anhui, Fujian, Jiangxi, Shandong Provinces, South China includes Guangdong, Guangxi, Hainan Provinces. |
PFOA生产始于1947年,主要作为乳化剂和加工助剂,用于聚四氟乙烯等含氟聚合物的制造过程中;同时,也广泛应用于消防、纺织、皮革、造纸、涂料、电子和照片等行业。现有研究表明,1951—2004年,全球累积产量为3600~5700 t;1995—2002年,年均产量为200~300 t。PFOA生产及其在含氟聚合物制造过程中的应用是环境中的主要直接来源[205]。1951—2030年,PFOA环境排放量预计为2078~18366 t [206]。中国的PFOA生产始于20世纪60年代末,如图11所示,2004—2012年,年产量在20~60 t的规模,累积生产量约为480 t;PFOA在中国主要用于PTFE等含氟聚合物的制造(约420 t),累积环境排放量约为250 t[207]。
继PFOS和PFOA之后,PFHxS也被提名列入了《公约》。PFHxS主要作为PFOS产品的副产物或替代产品形式出现,产量比较小,应用范围也基本一致。3M公司被认为是历史上PFHxS全球最大的生产商之一,其产量在1997年约为227 t,但已于2000—2002年间停产[208]。现有报道显示,中国PFHxS在2010年左右有30 t/a的规模,但此后已停止生产。随着国际履约和《新污染物治理行动方案》的实施,目前中国已停止PFOS和PFHxS的生产和使用,将PFOA的使用限定在半导体制造、胶卷涂层等少数特定豁免用途。然而,PFAS是涵盖众多同系化合物的庞大的工业化学品家族,因其化学结构稳定,一般都具有较强的环境持久性,因此被称为“永久化学品”。其中,碳链长度大于8的长链PFAS(LC-PFASs)通常被认为同时具有一定的生物累积性。2023年,碳链长度9~21的LC-PFAS已被《公约》POPs审查委员会鉴定为POPs并具有全球环境健康风险,即将列入《公约》。然而,目前关于LC-PFAS的生产、使用和排放信息尚十分缺乏。随着越来越多的化学品被纳入PFAS物质范畴,未来需要持续开展PFAS的生产、使用和排放研究。
2.1.4 无卤素POPs
2023年5月,UV-328成为首个列入《公约》的无卤素POPs。UV-328是一种紫外线吸收剂,主要用于保护各种类型的表面免受紫外线照射。UV-328在20世纪70年代开始生产,根据经合组织(OECD)现有化学品数据库,UV-328 被定为高产量化学品,年产量超过 1000 t[209];UV-328 在欧盟的登记数量为100~1000 t/a,年均产量超过1000 t[210],在美国2012—2015 年的产量为450~4500 t/a,在日本2012—2014年生产或使用量为1~1000 t/a[211]。UV-328主要作为光稳定剂应用于汽车等表面涂料以及透明塑料、食品包装塑料添加剂,还在印刷油墨和食品接触材料的黏合剂中使用[211]。UV-328可能在化学品工业生产、产品使用过程以及产品报废处理处置过程中释放到环境介质中,并在空气、灰尘、污泥、河水、沉积物等被广泛检出,但目前关于UV-328相关排放估算的研究尚十分有限。
2.2 抗生素的生产、使用与排放
2.2.1 抗生素的生产和使用
广义上的抗生素(antibiotics)是抑制或杀死微生物的一类天然或人工合成的化学物质。最初的抗生素是由微生物(包括细菌、真菌、放线菌属)或高等动植物在代谢过程中产生的抑制或杀死其他微生物的一类次级代谢产物。随着科技的进步,从环境中发现和人工合成的抗生素种类逐渐壮大,形成了以磺胺类、四环素类、喹诺酮类、β-内酰胺类、大环内酯类、林可霉素类、氯霉素类、聚醚类离子载体类、多肽类、氨基糖苷脂类、硝基咪唑类、硝基呋喃类等为主的20多类300余种抗生素(中国食品药品监督管理局,国家兽药基础数据库),并越来越多地应用于人类疾病治疗和农业病虫害防治。全球抗生素药物使用量从2000年的54083964813单位用量(片/胶囊/安瓿)增加到2010年的73620748816单位用量,增加了36%;而居民抗生素使用量则从2000年的211亿DDD(defined daily doses,限定日剂量)增长到2018年的401亿DDD[212,213],平均每千人DDD从2000年的9.8增长至2018年的14.3(依据GRAM数据库核算)[214]。此外,食品动物用抗生素使用量从2010年的63151 t增到2015年的10449 t,并预计在2030年可达105596 t[215,216]。中国是抗生素生产和使用大国,占全球抗生素市场份额30%以上。如图12所示,2013—2020年抗生素年产量均在20万t左右。近年来,由于政府出台了一系列抗生素类药物的使用指导,尤其是2016年针对畜禽养殖业抗生素使用的限制和兽药残留量管控方案的出台[217],有效减少了抗生素在食品动物养殖业的滥用。如图12所示,自2016年以来,食品动物(牛、猪、鸡)抗生素用量呈现明显的下降趋势,截至2020年,仅占全国抗生素产量的14.7%,远低于大多数发达国家的50%~80%的占比[218]。
全球人用抗生素使用量分布特征。抗生素用量增加与地区经济发展水平有关,中低收入国家是用药增加的主要推动力[219]。2000—2010年,巴西、俄罗斯、印度、中国和南非5个发展中国家是近20年来抗生素增长量主要贡献的国家,占2000—2010年全球抗生素增加量的76%[213]。尽管如此,由于发展中国家人口数量基数大,因此全球各国人均抗生素的使用量差异明显,且并非与人均GDP完全一致。基于Browne等[212]的研究成果,绘制了全球人用抗生素使用量地图,结果如图13所示。以每千人每日限定剂量为单位(DDD/(1000人·d)),2018年全球各国人用抗生素使用量为2.80~45.9 DDD/(1000人·d)。其中,中欧、东欧、南亚和澳洲地区的抗生素使用量最高。使用量最高的国家为希腊(45.9 DDD/(1000人·d)),而最低的则为菲律宾(5.0 DDD/(1000人·d)),中国的人均抗生素使用量(8.0 DDD/(1000人·d))在全球国家中处于较低水平。欧盟疾病与预防控制中心(European Centre for Disease Prevention and Control)报道了欧洲各国不同类别抗生素的使用量水平,其2018年抗生素使用量(社区和医院)平均为20.3 DDD/(1000人·d)[220]。各类别抗生素使用量全球使用量的数据较为缺乏,但Browne等[212]报道了北非、中东和南亚氟喹诺酮类和第3代头孢菌素的消费量大幅增加。Qu等[221]也发现,在我国第3代头孢菌素是所有地区使用频率最高的抗生素,占所有头孢菌素的45%以上;门诊患者最常使用的抗生素是左氧氟沙星,头孢呋辛和头孢克肟[222]。欧盟门诊和社区抗生素用量最大的主要是β-内酰胺类和青霉素类(6.5 DDD/(1000人·d)),其次是大环内酯类、林可霉素和链霉素类(2.4 DDD/(1000人·d))。相似地,美国2017—2019年的处方药中,也以β-内酰胺类、青霉素类和大环内酯类用量最大[223]。此外,2000—2010年,甘氨酰环素、口恶唑烷酮、碳青霉烯和多黏菌素等“终防线”抗生素用量快速增加,最后2种抗生素分别增加了45%和13%[213,219]。总体来看,不同区域抗生素的使用量水平、使用种类和增长率差异较大。为了维持全球抗生素药物疗效、防止抗生素耐药性在中低收入国家激增,全球各团体需要通力合作推广合理用药的相关措施[213]。
全球动物用抗生素使用量分布特征。多年来,在食用动物中非治疗目的使用抗生素的频率一直高于治疗应用,因此,全球各地动物用抗生素的使用量也在不断增加。据报道,全球抗菌药物消费量增长(67%)的2/3是由于用于食品生产的动物数量不断增加,剩下的1/3归因于农业实践的转变[216]。全球动物用抗生素的增长和消费量显示出重要的地理异质性,结果如图14所示。基于Mulchandani等[224]报道的全球兽用抗生素的用量(包含牛、羊、鸡和猪),绘制了全球各国动物用抗生素使用量(图14),以mg/PCU(population correction units)为计量单位。PCU是一个标准化指标,表示一个国家的动物总数(活的或屠宰的),乘以治疗时动物的平均重量。可以看出,动物用抗生素的使用热点绝大多数在亚洲(67%),而仅有不足1%的在非洲地区。其中,标准使用量最大的主要国家是泰国(338 mg/PCU)、蒙古国(253 mg/PCU)、塞浦路斯(220 mg/PCU)、中国(208 mg/PCU)、澳大利亚(165 mg/PCU)和印度(114 mg/PCU)。按照此标准计算获得的抗生素使用总量来看,中国、巴西、印度、美国和澳大利亚5个国家使用总量最大,这几个国家共同占据了全球动物用抗生素总量的58%[224]。相似地,世界卫生组织(WHO)发布的2013—2018年抗生素使用报告总结了65个国家的4类动物用抗生素使用量(未包含中国、印度等亚洲国家),使用量最大的国家也是巴西(2225.47 t)[225]。Van Boeckel等[216]结合牲畜密度图绘制了更高空间精度的动物用抗生素使用量地图,结果显示,全球抗生素消费的热点区域主要分布在中国东南沿海、广东省和四川省,印度南海岸和孟买和德里,越南红河三角洲、北部曼谷郊区、印度南海岸、孟买和德里,巴西南部、墨西哥城郊区、美国中西部和南部,以及尼罗河三角洲、约翰内斯堡市及其周边城镇。总体来看,基于PCU和总量核算的抗生素使用量分布特征具有相似性,尤其是发达国家;而针对发展中国家而言,集约化程度偏低,抗菌药物消耗强度和空间异质性更强。一般来说,在集约化耕作普遍且食用动物密集的地区,每个PCU的抗菌药物消耗量适中。例如,在中亚、埃塞俄比亚、加拿大和印度东部观察到模型预测的不确定性更高[216]。
对不同种类动物来说,2020年,羊、猪、牛、鸡的平均使用量为243.3、173.1、59.6和35.4 mg/PCU。然而,不同研究者对各类动物的平均抗生素使用量水平的报道有所不同,例如,Van Boeckel等报道的牛、鸡和猪每千克动物平均每年消耗的抗菌药物分别为45 mg/PCU、148 mg/PCU和172 mg/PCU[216]。可以看出,动物用抗生素的使用量核算的不确定性较大。针对不同种类的动物用抗生素来说,四环素类是使用量最大的一类抗菌药物,2020年,全球使用量高达33305 t,其次是青霉素类、大环内酯类和磺胺类。美国农业部发布的国家食品用动物抗菌药物分布报告显示,美国2020年牛、猪、鸡(蛋鸡和火鸡)和其他类别动物抗生素使用量分别为2449、2451、832.6、268.6 t,而这些动物的主要抗生素使用类型分别为四环素类(1703 t)、四环素类(1944 t)、青霉素类(486.3 t)和青霉素类(177.3 t)[215]。此外,Zhang等[226]报道的中国环境中最常检出的36种常见抗生素的使用量清单中显示,中国动物用抗生素使用量(8.424 t)最大类型以大环内酯类和喹诺酮类为主;而Mulchandani等[224]使用的在线数据库Our World in Data(https://ourworldindata.org/grapher/antibiotic-usage-in-livestock)则显示中国动物用抗生素以四环素类(10003 t)、喹诺酮类(4288 t)和青霉素类(4113 t)为主。总体来看,四环素类和青霉素类是动物用抗生素的主要类别,但每种类别抗生素的使用强度因国家而异。
2.2.2 抗生素的排放与污染浓度
抗生素经人和动物使用后,会通过尿液和粪便排出体外[227,228],而排出的一大部分抗生素会以母体药物或者活性药物继续存在。这些排泄而出的抗生素会随着污水处理厂,医院和养殖场等的污水或污泥排入环境中[228,229]。因此,抗生素的使用量与排放量不是同一概念。然而,目前有关抗生素排放量仅有少量报道结果。Zhang等[226]估计了2013年36种主要抗生素的排放量为53800 t,其中有46%通过废水排放进入水环境中,其余的54%则通过污水灌溉和粪便归田进入土壤环境中。此外,Yang等[230]量化了2014年中国大陆的农业抗生素排放量以及全球供应链中的关键驱动因素,结果显示,中国农业共排放抗生素4131 t,其中畜牧业(2079 t)和水产养殖(2052 t);畜牧业包括肉牛、绵羊和山羊、马业(407 t)、动物产品业(1414 t)和生乳业(258 t)。此外,也有部分研究者监测污水处理厂、养殖场废水和粪污中抗生素的浓度,结合该区域的废水排放量、畜禽养殖量等等,推算个体的日/年排放量水平[229,231],进而核算区域/全国抗生素的排放量。然而,不同源数据开展的抗生素排放量的结果存在较大差异,这可能归因于抗生素使用量强度的地区差异,以及不同的粪污处理模式和处理效率。
抗生素大量和多频率使用使得其在全球不同环境介质中频繁检出。环境中的大多数抗生素残留和耐药细菌或耐药基因是由水生系统中的人为压力源引起的,这些压力源来自各种来源的废水和废物,如市政、医院、制药、农业生产和水产养殖[232]。本节通过ISI关键词检索了全球各国2006年至今抗生素在水环境(污水处理厂出水、地表水、地下水和自来水)的污染浓度的报道,结合Hanan等[232]综述的有关西太平洋和东南亚地区水环境中抗生素的浓度水平,获得了2万余组抗生素浓度数据(259篇文献),其中纳入统计分析的数据(去除ND,以及不便于提取浓度的图形数据)包含污水处理厂出水1580组,地表水10268组,地下水2111组。图15统计了有报道数据的主要国家/区域的水环境抗生素浓度水平,全球各国抗生素污染呈现大的差异性。结果显示,不同国家污水处理厂和地表水中抗生素的污染程度具有相似性。其中,印度污水处理厂出水、地表水和地下水中抗生素质量浓度为0.14×107~1.4×107、0.02×106~6.5×106、0.05×104~1.4×104 ng/L,平均值和最大监测质量浓度远大于其他有报道的国家。相比较而言,美国和日本各水环境中的抗生素浓度水平较低。中国是已有报道的抗生素浓度最多的国家,占所有数据量的40%以上,其污水处理厂出水、地表水和地下水中抗生素质量浓度为0.21×104~6.54×104、0.01×106~1.79×106、0.01~2910 ng/L,且浓度区间差异较大。欧盟各种水环境中的抗生素浓度差异最小,但其地下水中的浓度较其他国家偏高。总体来看,亚洲国家(以印度、越南、中国和韩国为主)的监测结果大于欧盟和美国等发达国家。
表3显示全球各类型抗生素的监测浓度范围及平均值。可以看出,各种类抗生素的环境浓度的大小与其使用量的大小水平并不一致。四环素作为全球及大多数国家使用量最大的抗生素种类,其检出频率和污染浓度水平均不及磺胺类、喹诺酮类和大环内酯类,这种特征在中国、印度、泰国、越南等亚洲国家表现尤为明显。磺胺类是检出频率最高的一类抗生素,但其平均浓度及其最大浓度水平在大多数国家均低于喹诺酮类抗生素。而针对大环内酯类抗生素,其检出频率也高于其他类别抗生素,但浓度水平与其他类别抗生素相比在不同国家及其不同环境介质中表现不一致,例如,中国、欧盟、日本等国污水和地下水中大环内酯类浓度相较于其他几类处于高值,但其在地表水中的污染浓度则相较偏低。全球范围内青霉素等β-内酰胺类抗生素的使用量较大,但由于其容易降解和转化,各国不同环境介质中的检出频率和污染浓度较低,且在地下水中均没有报道结果。总之,抗生素各类别使用量与其污染浓度的一致性特征于不同抗生素有所不同,在不同水环境介质的污染浓度水平也不尽相同;但亚洲等抗生素使用总量、强度较大的国家,各类别抗生素的浓度均高于其他国家。
表3 全球水环境中各类别抗生素质量浓度水平Table 3 Concentrations of different types of antibiotic in the global water environment (average (minimum maximum)) ng/L |
| Kind | Countries and regions | Macrolides | Quinolones | Sulfonamides | Tetracyclines | β-lactams | Others |
|---|---|---|---|---|---|---|---|
| Effluent water from WWTPs | China | 419 (0.20~6770) | 285 (0.29~6840) | 518 (0.21~ 65400) | 148 (0.56~2210) | 463 (3.18~5000) | 137 (0.70~3050) |
| EU | 239 (13.0~930) | 168 (6.00~640) | 97.2 (7.00~ 950) | 22.8 | — | 46.0 (13.0~102) | |
| India | 55.4 (3.92~187) | 526552 (0.14×107~1.40×107) | 7468 (10.6~ 81100) | — | 29453 (0.22~59500) | 1072 (6.96~3800) | |
| Japan | 209 (0.25~836) | 145 (3.00~819) | 62.4 (0.06~ 470) | 58.6 (58.6~58.6) | — | — | |
| South Korea | 766 (0.20~9089) | — | 72.7 (0.10~ 483) | 575 (0.10~4517) | — | — | |
| Thailand | 15.5 (4.00~42.8) | 45.9 (9.28~ 89.0) | 108 (5.00~ 1499) | — | 34.5 (9.28~97.5) | 10 | |
| USA | 66.8 (1.00~219) | 142 (3.20~900) | 227 (1.00~ 4100) | 111 (15.4~231) | 66.7 (0.21~308) | 126 (4.50~598) | |
| Vietnam | 800 (200~ 2200) | 11414 (600~ 53300) | 3057 (38.0~ 20300) | — | 3800 (2600~5000) | 16711 (100~130400) | |
| Surface water | Australia | 12.8 (1.00~50.0) | 443 (10.0~1500) | 428 (3.00~ 2000) | 219 (3.00~600) | 2095 (90.0~4100) | 2.25 (1.00~4.00) |
| Bangladesh | 2.64 (0.10~16.7) | — | 2.27 (0.04~ 17.2) | — | — | 2.74 (0.05~13.5) | |
| China | 648 (0.01~447000) | 3339 (0.003~ 1793000) | 1071 (0.01~ 893000) | 1371 (0.03~218100) | 17.0 (0.06~300) | 25.6 (0.03~1042) | |
| EU | 48.3 (0.25~793) | 276 (1.50~4390) | 46.3 (0.25~ 544) | — | — | — | |
| India | 109 (0.10~991) | 141948 (0.16~ 6500000) | 383 (0.40~ 4000) | 14.9 | 14.6 (0.18~29.1) | 46.0 (0.02~130) | |
| Indonesia | 71.8 (1.00~399) | — | 88.7 (1.00~ 779) | 3.00 (1.00~8.00) | — | — | |
| Japan | 32.4 (0.002~560) | 52.1 (0.50~ 4068) | 12.1 (0.01~ 151) | — | — | — | |
| Korea | 98.3 (1.10~2190) | 87.6 (20.0~151) | 248 (0.70~ 14850) | 686 (11.3~2750) | — | 38.4 (27.1~53.8) | |
| Malaysia | 78.4 (0.60~166) | 193 (112~267) | 34.7 (1.20~ 102) | — | 2.00 (1.00~3.00) | 20.9 (16.6~23.1) | |
| Singapore | 494 (0.70~1949) | 3496 | 371 (2.60~ 1172) | 4040 (1233~6434) | 3746 | 20730 | |
| Thailand | 1881 (1.00~21442) | 1839 (9.00~ 45600) | 430 (0.76~ 4605) | 1422 (2.00~6290) | — | — | |
| USA | 0.5 (0.0003~15.0) | 75.7 (0.0006~ 1227) | 12.8 (0.004~ 520) | 171 (0.67~690) | 22.9 (2.71~43.1) | 4.94 (0.0021~68.0) | |
| Vietnam | 459 (0.10~55097) | 3947 (0.10~ 85190) | 1746 (0.012~ 252082) | 94.5 (0.90~900) | 556 (10.0~5051) | 25.0 (3.00~83.0) | |
| Groundwater and tap water | China | 63.3 (0.01~2910) | 15.2 (0.10~368) | 3.09 (0.02~120) | 10.9 (0.03~127) | — | 5.62 (0.13~36.7) |
| EU | 7.2 | 29.6 (1.00~ 77.2) | 6.1 | — | — | — | |
| India | 0.17 (0.11~0.24) | 726 (0.05~ 14000) | 14.7 (0.22~ 55.0) | 0.18 | — | 0.09 | |
| Japan | — | — | 12.1 (4.40~ 29.0) | — | — | — | |
| USA | — | 81.4 (1.09~ 1740) | 26.8 (2.48~ 178) | — | — | — |
Note:The data in the table represents "average (minimum - maximum)". |
全球抗生素使用量依然处于缓慢增高的趋势,并表现出显著的区域性特征。由于不同国家、地区抗生素的使用种类和使用强度差异较大,经使用后的抗生素,排放进入环境的量核算仍然是难点。从大尺度或者区域尺度开展抗生素排放量估算的不确定性问题是未来需要解决的难点。相应地,不同抗生素种类和使用强度,也带来了不同区域的各种环境介质中污染特征的巨大差异。此外,抗生素除了人用和畜牧养殖使用外,抗生素也用于种植农业和水产养殖,这部分使用量至今不清楚,也影响抗生素的污染预测。因此,开展抗生素污染调查、特征分析和污染管控,并制定各种不同环境介质中的标准,不能采用同一指标一以贯之,而要通过分区、分段等方式开展。目前,全球抗生素的环境污染浓度的监测仍然是以母体抗生素的浓度为主,并集中在四环素类、大环内酯类、磺胺类和β-内酰胺类抗生素。需要指出的是,青霉素类和头孢类是使用量较大和增长速率最快的抗生素类别,然而由于其本身的水解性能而造成环境中的检出频率和检出浓度处于低值。如何准确、合理地反映这2类物质在环境中的污染水平,以及使用量和污染浓度的对应关系,是完善抗生素使用量-排放量-污染关系评估的重要内容。
2.3 内分泌干扰物的生产、使用与排放
2.3.1 EDCs的使用情况
2.3.1.1 单体和中间体
对叔戊基苯酚(4tPP)、双酚F(BPF)和双酚S(BPS)是3种重要的单体,4tPP常用于生产酚醛树脂,广泛应用于油漆、清漆和印刷油墨树脂的生产。BPF和BPS作为双酚A(BPA)的替代品,主要用于生产聚碳酸酯和环氧树脂,其中聚碳酸酯在建筑、光学器件、电子电气设备以及汽车行业中被广泛应用;而环氧树脂主要应用于防护涂料、印刷电路板、半导体、模具、地板和黏合剂等领域。此外,BPS还被用作收据和票据等热敏纸的显影剂[240]。
间苯二酚(RS)作为合成中间体,在橡胶工业中用于合成间苯二酚-甲醛胶粘树脂,用来增强轮胎;在木材加工业中用于生产低温快速木材胶黏剂;在医药领域用于生产杀菌剂、驱虫药等;在农药方面用于生产农药中间体间氨基酚;还可用来生产紫外线吸收剂、偶氮染料、合成树脂、防腐剂、分析试剂、鞣革剂、炸药及阻燃剂等[240]。
2.3.1.2 加工助剂
二硫化碳(CS2)是一种常用的有机溶剂,主要应用于橡胶、农业、化工和冶金等行业,它在生产黏胶纤维和玻璃纸方面使用量最大。此外,CS2还可用于生产橡胶硫化促进剂、农药中间体和矿石浮选剂等[240]。
4-壬基酚(4NPs)主要用于生产非离子表面活性剂和改性酚醛树脂,少量用于生产阴离子表面活性剂、润滑油添加剂、甲醛树脂和环氧树脂等其他产品。其中,4NP最大用途是用于合成壬基酚聚氧乙烯醚(4NPnEOs),这种表面活性剂主要应用于纺织行业[240]。
2.3.1.3 添加剂
3-亚苄基樟脑(3-BC)、3-(4-甲基亚苄基)樟脑(4-MBC)、2-乙基己基-4-甲氧基肉桂酸酯(EHMC)和BPs均可以吸收紫外线,因此能够有效保护人体和产品免受阳光的伤害。这些物质被广泛应用于防晒霜、护肤品、发胶以及洗发水等个人护理和消费品中[240]。
2.3.2 EDCs的生产情况
一些发达国家已经明确禁止生产和使用部分EDCs。例如。欧盟2003年颁布的指令(EU directive 2003/53/EC)要求不得制造、使用和投放市场含有4NPs和4NPnEOs的产品。因此欧盟地区4NPs产量自2005年已下降至少50%[240]。
2.3.3 EDCs的释放情况
3 新污染物的识别与鉴定
新污染物识别与鉴定的核心是污染物结构的解析与发现,依赖于分析化学基础科学问题突破与发展。面对环境样品中复杂多变的组分与基质,新污染物识别与鉴定已经形成了“色谱纯化分离,光谱、质谱、核磁结构解析”的经典分析技术体系,并得到广泛应用。近年来,随着色谱与高分辨率质谱联用仪性能不断拓展,相比于其他识别鉴定技术,实现了纯化分离与结构解析的技术融合,以色谱质谱技术为核心的新污染物的识别与鉴定技术日新月异,真实环境中发现的新污染物结构也是层出不穷。在此背景下,逐渐形成了非靶向分析引导的新污染物识别与鉴定新范式。本章将聚焦以色谱质谱为核心的非靶向分析技术,综述新污染物识别与鉴定的最新进展,而系统化了解新污染物识别与鉴定技术体系可进一步参阅相关文献的研究结果[244,245]。
3.1 新污染物识别与鉴定的非靶向分析技术
3.1.1 前处理技术
样品前处理的目的是,通过去除可能干扰结果的基质、浓缩分析物质、改变样品的物理化学性质等,使样品更好地适应后续的分析或测试,获得准确、可靠的结果,并最大限度地提高分析灵敏度和特异性。在该方面,非靶向和靶向分析技术存在明显差异。在靶向分析中,样品制备通常侧重于对特定目标化合物的提取和富集,提取方法通常是以最大化目标化合物回收率、最小化仪器分析检出限、尽可能去除基质干扰以保证分析结果的稳定性为目标。而非靶向分析则常常更加注重化合物覆盖的广泛化和全面化,期望在保持样品的原有化学特性的前提下实现对整个化合物谱的分析,因而多采用耗竭式、广谱的污染物提取方法。因而,非靶向分析中往往会出现部分物质回收率较低、检出限较高的情况。在非靶向研究中,前处理方法多是依据一些代表性已知污染物来建立的,方法的可靠性和重复性通过对这些已知物标准品的质控结果来表示。
在以非靶向分析为目的的研究中,液体样品(如环境水样)的提取方法主要包括液液萃取[246]和SPE[247]。前者是根据化合物在不同溶剂间的溶解性差异来实现特定化合物的富集,操作方便,稳定性好,但是常常产生较大体积的溶剂,需提取后进行浓缩操作。固相萃取方法是使用特定的固定相作为吸附剂从液体样品中提取目标成分,有多种不同材质、不同原理的吸附剂填料可供选择。例如,树脂[248]、HLB[249]、C18[250]等填料适用于中等极性到非极性的绝大多数污染物的提取,而对于极性和离子化合物的富集可以使用氨基[251]、WAX[251]、MAX[252]等萃取柱。土壤、底泥等成分复杂,常常积聚大量污染物。对这些样品中污染物的提取常采用溶剂提取的方法。根据目标物质的性质,可以选择正己烷、二氯甲烷、丙酮、甲醇、水等不同极性的溶剂或者混合溶剂。其中,二氯甲烷由于其对很宽极性范围的化合物均具有较高的溶解能力而成为一种最常用的广谱污染物提取溶剂。对土壤、底泥等的溶剂提取常常使用加速溶剂萃取仪[253]、索氏提取[254]或微波[255]提取设备,可以促进污染物与样品基质的充分分离并进入提取溶剂中。然而,样品中的一些大分子有机质也会与上述方法一起被提取出来[256],可以通过使用包括凝胶渗透色谱(gel permeation chromatography, GPC)在内的净化方法从提取物中进行去除[257]。溶剂提取也广泛用于生物样品的前处理,乙腈由于其优良溶解能力和渗透性而最为常用。此外,与环境样品相比,生物样品中含有大量的脂质、色素、蛋白质和糖类等生物分子,可以采用磷脂柱(如hybridSPE)清洗、石墨柱净化、有机溶剂沉淀、GPC净化等手段进行去除。
3.1.2 仪器分析技术
3.1.2.1 高分辨质谱
高分辨质谱的高质量分辨率(resolving power, RP)和高质量准确度(mass accuracy, MA)是进行非靶向分析的关键,可以在没有任何信息的前提下对复杂样品中的未知化合物进行结构判断[261]。RP指的是仪器能够区分2个质荷比(m/z)接近的离子的能力,其定义为在某特定离子的质量数与其半峰宽的比值(m/Δm)。高RP有利于区分污染物离子与干扰离子,一般来说,进行环境中有机污染物的识别至少需要30000的RP。MA指的是仪器测得离子的质量数与准确质量数之间的差距,以质量差与准确质量数的比值表示,常以百万分之一(parts-per-million, ppm)(1 ppm=1×10-6)为单位。高MA可用于未知化合物的分子组成的推断。此外,如今的高分辨质谱具有较高的扫描速度(scan rate),使得其能够方便地与多种色谱技术进行联用,进行复杂基质中新污染物的识别。目前,商业化的高分辨质谱可分为飞行时间(time-of-flight,TOF)、轨道阱(orbitrap)和傅里叶变换离子回旋共振(Fourier transform ion cyclotron resonance,FT-ICR)3种类型。根据仪器厂家及设备型号的不同,参数各有不同,但整体而言,FT-ICR性能最高(如RP≥1000000,MA≤2 ppm(1 ppm=1×10-6)),Orbitrap次之(如RP≥100000,MA≤5 ppm(1 ppm=1×10-6)),TOF最低(如RP≥30000,MA=10 ppm(1 ppm=1×10-6))。然而,FT-ICR运行及维护成本高昂,且扫描速度最慢(0.3~1.0 Hz),与色谱的兼容性较差,在实际的环境样品分析中应用较少。TOF价格较低,扫描速度最快(≥50 Hz),但是较低的RP限制了其在新污染物识别中的应用。
3.1.2.2 扫描方式
高分辨质谱的扫描方式也经历了从基础到功能化的发展过程,现如今的仪器一般都具备全扫描、数据依赖采集(data-dependent acquisition, DDA)、数据独立采集(data-independent acquisition, DIA)以及MS/MS扫描等功能。全扫描(full-scan)是对进入质谱仪的所有离子直接进行扫描,获得样品中各离子的质荷比(m/z)信息。DDA和DIA均是获得离子的二级信息,不同之处在于,DDA是对前一次全扫描中最高响应的 n 个离子(根据仪器不同范围不同,n一般为1~30)一一进行二级裂解,DIA则是对上一次全扫描中某质量段中的全部离子进行裂解,获得混合碎片图谱。DDA更适合于对高污染物、热点地区以及商业样品中的新污染物进行分析,而DIA则更适用于针对特定结构类型、具备特征碎片的化合物识别(如PO3H2+用于有机磷酸酯类(OPEs)污染物发现[262]、C2F5-用于全氟化合物[263]发现)。MS/MS类似于三重四级杆中的多反应监测(multiple reaction monitoring, MRM)模式,是对某特定离子进行二级图谱的获取,区别在于,高分辨质谱是对所有碎片离子进行全扫描。该扫描方式适用于对已知质量数的疑似污染物进行结构判断。一些仪器还配备了离子全碎裂(all ion fragmentation,AIF)模式和/或离子源裂解(source-induced dissociation, SID)模式,二者均是对全部进入仪器的离子进行裂解,是一种特殊的DIA,区别在于发生离子裂解的位置不同。近年来,增强二级质谱采集能力的迭代DDA(iterative DDA)在部分设备中已经出现。在该模式下,首先对样品和空白进行全扫描,自动获取全扫描中所有离子信息,通过扣减空白样品中离子而建立一个可能污染物的离子清单。之后,软件自动将该清单导入包含离子列表(inclusion list),进行多轮基于列表的DDA分析,并在每一次进样分析后,自动删除已经进行过MS/MS图谱获取的离子,继而对剩下的离子进行下一轮DDA分析。如此操作后,不仅获得高响应离子的碎片信息,也可以覆盖到较低丰度的离子。相比DDA,iterative DDA的化合物识别效率可以提高30%~70%[264]。由于环境中污染物通常处于远低于样品基质的水平,因而,该模式更适用于常规环境样品中新污染物的检测发现。
3.1.2.3 离子源:种类以及参数设置基本原则
离子源是质谱的关键部件,它将目标分子转化为离子后进入质量分析器进行分离并获取质荷比。对于常用的气相色谱-质谱联用仪,真空环境下的离子化易于实现,常见电子轰击(electron impact,EI)和化学电离(chemical ionization, CI);而对于液相色谱-质谱联用,需要在常压下去除大量的液态流动相并实现目标分子的离子化,这一过程主要基于大气压电离技术(atmospheric pressure ionization,API),包括电喷雾电离(electrospray ionization,ESI)、大气压化学电离(atmospheric pressure chemical ionization,APCI)、大气压光电离(Atmospheric pressure photoionization ionization,APPI)等。
EI源是气相色谱-质谱仪的最常用电离方式,离子源中灯丝发射出70 eV的电子,“轰击”目标分子而使之电离。由于大多数有机物的电离能在10 eV左右,因此,高能电子轰击通常能够产生大量碎片离子,形成丰富的“指纹”信息,有利于物质结构解析[265]。EI易于实现且重现性好,相同的碰撞能量下获得的质谱可以与标准谱库进行比对,从而降低质谱解析的工作量。CI是将离子室中通入反应气(例如甲烷),利用高能电子轰击反应气后产生系列离子和热电子,这些离子或热电子与目标物质结合而使之电离。在环境分析方面,应用较多化学电离形式为电子捕获负电离(electron capture negative ionization,ECNI;有时亦被称为负化学电离,negative chemical ionization,NCI),这种电离方式对于电子亲合能大于0.55 eV的物质(如含卤素、氧和硝基的有机物)具有极高的选择性和灵敏度[266]。
ESI和APCI是液相色谱-质谱仪的常用电离方式,ESI基于强电场作用下毛细管尖端的电荷聚集产生带电小液滴,经扫吹气或加热等辅助去溶剂化作用而产生离子,APCI则使溶液在高速氮气流作用下雾化,并进一步在加热石英毛细管区域受热气化成气相分子,最终在高压电晕放电针作用下发生电离。ESI和APCI均为软电离源,以分子离子峰为主,同时也可能存在源内裂解情况。对于环境样品,通过正负电离模式下对质子化离子或加合离子的全面检测,可以对复杂基质中不同种类、不同极性的化合物进行解析[267]。
3.2 新污染物识别与鉴定的数据解析技术
3.2.1 质谱数据处理
3.2.1.1 清单筛查策略
清单筛查是一种高效的新污染物筛查方法,可以快速筛查清单中的大量污染物。其主要流程是通过设置合理的加合离子以获取清单中污染物的精确质量与同位素分布特征,并在设定的误差范围内,快速检索高分辨质谱数据,得到清单筛查结果。清单筛查中关键步骤是筛查清单的建立,常见的数据库清单见表4。目前研究中清单主要可分为3类。第1类清单是化学品生产或管控清单,包括欧盟REACH管控的化学品清单,各国生产化学品清单等,这些化学品在生产使用后可能进入环境中。Gago-Ferrero等[268]将监管数据库与清单筛查相结合,在23000种瑞士生产数据库中挑选了160种使用量较大且容易进入环境中的物质作为清单,通过清单筛查鉴定出36种污染物。第2类清单是毒性物质清单。Lin等[269]在空气颗粒物样品中,利用ToxCast毒性数据库,筛查出了89种污染物。第3类是历史研究数据清单。Trego等[270]利用之前研究中识别的327种卤代化合物建立清单,在海豚中检出了167种卤代化合物。Ye等[271]收集了以往研究中的95种OPEs清单,进行太湖沉积物中OPEs的筛查。Liu等[261]综述了截至2018年10月非靶向识别的新型全氟化合物的清单,为后续全氟筛查提供可疑物数据库。目前,欧洲NORMAN组织也提供并持续更新各类环境污染物的数据库清单,如全氟化合物、表面活性剂、双酚类、塑料添加剂、农药、药物、化妆品等。美国EPA也提供了不同类型的311个表单,包含了不同类别或用途的物质。
表4 常见的数据库清单信息Table 4 Available database and lists for emerging contaminant |
| database | quantity/types | website |
|---|---|---|
| NORMAN | 111769 | www.norman-network.com/?q=node/236 |
| REACH2017 | 68679 | zenodo.org/record/4248826 |
| US EPA Chemicals Dashboard | ~800 000(311 sub-lists) | comptox.epa.gov/dashboard/chemical_lists |
| IECSC | 45612 | www.mee.gov.cn/gkml/hbb/bgg/201301/t20130131_245810.htm |
| TSCA | 86718 | www.epa.gov/tsca-inventory/how-access-tsca-inventory |
| Tox21 | 7632 | ncats.nih.gov/tox21 |
| ToxCast | 5231 | comptox.epa.gov/dashboard/chemical_lists/CHEMIN |
表5 常见转化产物清单生成平台Table 5 Available software to generate transformation products |
| software | predicted transformation categories | website |
|---|---|---|
| EAWAG-PPS | microbial metabolism | eawag-bbd.ethz.ch/predict/ |
| enviPath | microbial metabolism | envipath.org/ |
| Biotransformer | microbial and mammalian metabolism | biotransformer.ca |
| Meteor Nexus | mammalian metabolism | www.lhasalimited.org/ |
| CTS | microbial metabolism,abiotic transformation | qed.epa.gov/cts/ |
| QSAR Toolbox | microbial and mammalian metabolism、abiotic transformation | qsartoolbox.org/ |
3.2.1.2 结构特征导向分析策略
由于清单筛查依赖于可获取的清单,污染物种类、范围都基于先验知识,相较于环境中众多未知污染物,覆盖度有限,这也向质谱数据的深度分析提出了挑战。因此,如何高通量、快速解析复杂环境介质中海量的未知新污染物成为研究热点。结构特征导向的分析策略是解决上述问题的一种较为成熟的方法,也在实际应用中得到了较好的验证。
同系物法通过特征质量公差和保留时间趋势筛选具有特定结构单元的同系物,一系列前体离子的特征质量差异说明了结构单元的重复性,这可能是潜在的同系物,而对于每一系列同系物,应观察到保留时间随质量增大而上升的趋势[273,274]。近年来,同系物法分析策略在PFAS识别鉴定上逐步完善,实现数据提取、识别与鉴定的全流程自动化。FluoroMatch 2.0是以同系物法为核心的首款PFAS自动化分析软件。FluoroMatch 2.0在原有版本结构鉴定的基础上,增加了同系物检测、特征碎片筛选以及制定了一套全新的置信度标准,使PFAS识别率提高了10倍以上[275]。Li等[276]开发了一种在SWATH采集模式下自动化识别PFAS同系物的非靶向分析策略——SWATH-F,该方法在多样品研究中可以有效提高鉴定效果,相比于传统的IDA采集模式,鉴定率提升了276%。此外,Loos等[277]还建立了开源的同系物筛查平台,为质谱数据深度挖掘新污染物中复杂同系物系列提供了工具。
特征碎片离子法是除同系物法外的又一种方法。Liu等[263]将大体积进样与高效液相色谱和超高分辨率Orbitrap质谱相结合,使用源内碎片标记的方法指示具有特征离子的前体离子,将该方法应用于工业废水,发现了36个新的PFAS。Liu等[278]还应用该方法在北极熊血清中检测到200多种新的有机卤素化合物,包括新的PCBs代谢物和许多以前未检测到的氟化或氯化物质。除PFAS以外,Peng等[279]基于含溴、含碘有机物会在二级谱图中产生特征性的溴离子或碘离子,对含溴,含碘有机物进行识别,最终在环境中识别出大量卤代有机物。Ye等[271]也基于有机磷阻燃剂(OPFRs)的常见子离子碎片,构建了OPFRs的非靶向筛查方法,最终在湖泊沉积物样本中识别出35种OPFRs。
以上介绍的结构特征识别方法仍存在一定的局限性,即3种方法只适用于具有重复性结构单元、特征离子和卤素元素的化合物识别,并不适用其他非卤代污染物的识别。除卤代有机物外,新污染物还包含其他持久性有机污染物、抗生素和内分泌干扰物,上述方法并不适用这些污染物的非靶向筛查。研究者从质谱分析的角度发现分子的结构特征和谱图特征存在关联,即结构类似物质具有相似的裂解模式。以谱图相似的网络化识别策略可筛查并不限于有机卤素化合物的新污染物。通过计算成对有机物质谱图之间的相似性,从而外推到成对有机物分子之间的结构相似性,最终使相似结构的有机物在分子网络(molecular networking,MN)中聚集成簇,形成“分子家族”[282],从而拓展结构特征识别方法的适用范围。目前广泛使用的分子网络主流平台为全球天然产物社会分子网络(global natural products social molecular networking,GNPS)[283]。GNPS是一个交互式在线串联质谱的数据分析平台,其旨在从尽可能多的化学角度探索非靶向质谱数据,并将其与实际生物学问题关联起来。此后,相关研究者们又相继引入了基于特征的分子网络(feature-based molecular networking,FBMN)[284]和离子特征分子网络(ion identity molecular networking,IIMN)[285]作为GNPS的补充工具,进而改进了经典分子网络。近2年,已有研究将分子网络技术应用到环境领域,通过整合多种子结构分析、类别注释及质谱鉴定软件来优化基于分子网络的非靶向筛查策略,显著提升了从环境样品中发现新污染物的效率[286]。
3.2.1.3 知识导向分析策略
在新污染物识别的实际环境应用中,通常并不需要鉴定样品中所有物质,而需要根据所关注的问题,在数以万计的色谱峰中筛选相关的物质,即以知识导向的分析策略。这一分析策略通常通过以下2种方法实现。
3.2.2 质谱数据的结构鉴定
3.2.2.1 结构鉴定置信水平
新污染物结构注释是当前新污染物识别与鉴定的难点。当前的新污染物识别研究通常不会对样品中所有物质进行准确的结构鉴定。此外,在没有标准品的情况下,非靶向分析对物质的定性判断存在不确定性,因此引入置信等级来进行说明。一般应用的置信度是Schymanski等[292]提出的5级置信水平。识别为Level 5的物质,为经过高分辨质谱分析后提取的感兴趣特征峰,只有精确质量数唯一的信息,无法得到更进一步的判断。识别为Level 4的物质,为通过同位素信息和加合物信息的分析后,可确定到唯一分子式的特征峰。识别为Level 3的物质,为通过分析谱图及裂解规律后可以鉴定部分结构的特征峰,这一置信度的特征峰可以被确定为某类物质。Level 2置信等级细分为Level 2a和Level 2b,其中:识别为Level 2a的物质,是通过将待分析特征峰的谱图与数据库中的已知物质的谱图比对,从而鉴定的特征峰;识别为Level 2b的物质,是根据待分析特征峰的谱图,结合裂解规律,推断出完整的物质结构。识别为Level 1的物质是经过标准品确定了一级、二级谱图及保留时间的准确结构。
Charbonnet等[293]针对PFAS的特性,增加了质量亏损、保留时间、同系物鉴定证据,在Schymanski等[292]提出的5级置信水平基础上提出了适用于PFAS的置信体系。其中质量亏损是指CF2归一化质量亏损为0~0.15或0.85~1。保留时间是指分析物的保留时间与其同系物随全氟碳链增长而增加,并与参考标准品比较后是合理的。该鉴定体系对原有5个置信水平进一步细化,Level 5依据可疑物筛查证据和非靶向分析证据,细分为2个级别。Level 3依据诊断性碎片与同系物证据类型的不同,细分为4个级别。Level 2新增Level 2c,指在同一样品中鉴定出至少2个具有2a级以上置信水平的同系物的物质。Level 1分为Leve 1a和Level 1b。Level 1a需要通过将特征峰的精确质量数、同位素模式、保留时间和MS/MS谱图与在同一仪器上分析且基质类似的标准品进行匹配来确认;Level 1b是指部分PFAS末端取代或支链异构体根据二级谱图几乎无法区分,因此将其确定为Level 1b级别。
作为置信水平中最高一级鉴定的必要条件,购买或合成标准品对非靶向筛查结果进行验证,可以减少非靶向鉴定的假阳性,从而保证结果的可靠性。
3.2.2.2 二级谱图库检索
事实上,化合物的结构都得到标准品验证达到level 1水平,对于目前的高通量非靶向分析技术仍不现实,标准品合成的时间、经济成本都是限制化合物鉴定通量的关键因素。鉴于此,基于二级谱图库检索的化合物鉴定策略,已经成为新污染物鉴定的主要方法,并成为无标准品下,结构准确注释的重要依据(level 2a)。
目前,可用于匹配的化合物质谱谱图数据库覆盖了代谢组学、环境、法医和食品安全等研究方向,主要包括:NIST(https://www.nist.gov)、GNPS(https://external.gnps2.org/)、MSDIAL(http://prime.psc.riken.jp/compms/msdial/)、MassBank(https://massbank.eu/MassBank)、HMDB(https://hmdb.ca)、PubChem(https://pubchem.ncbi.nlm.nih.gov)以及Metlin(http://metlin.scripps.edu)。
除了上述常规相似性算法外,Treen等[297]构建的SIMILE算法(significant interrelation of MS/MS ions via laplacian embedding)创新性地将碱基序列对齐算法引入了谱图相似性计算中,同时保证了统计显著性和允许多种化学差异的鲁棒性。随着深度学习的发展,近年来也出现了一些新的谱图相似性算法,例如Yang等[298]构建的FastEI,通过Word2Vec模型从谱图数据中学习得到和分子结构信息相关的向量表示,并结合可导航小世界算法(hierarchical navigable small world,HNSW)构建向量数据库,实现了二级谱图数据库的超快速匹配。
3.2.2.3 结构预测软件
现有的开源质谱数据库往往是由内源代谢物、天然产物数据库发展而来的,属于污染物的谱图数量有限。因此,即使在质谱数据库检索的帮助下,非靶向分析过程中仍然存在着大量难以进行结构鉴定的新污染物。与典型环境样品中可能存在的化合物数量相比,质谱数据库检索的可注释结构数目仍然相对较小。为解决此类问题,目前存在一些化合物的结构预测模型,它们已成功应用于未知新污染物的结构鉴定(level 2b or 3)。
Sirius是一款从谱图到结构的预测模型,该模型可在现有的结构数据库中(如Pubchem),获得质谱所对应的具体结构[299]。Sirius平台新增了从谱图预测未知污染物类别的功能,为未知新污染物结构注释提供了更多更准确的结构信息,加快研究人员开展未知新污染物的结构鉴定[300]。CFM-ID是一款从结构到谱图的预测模型,该模型可以依据物质结构预测不同能量下碎裂产生的MS/MS谱图,并可以通过预测出的谱图,对样品中所对应的质谱峰或物质结构进行注释及预测[301]。在最新的CFM-ID 4.0版本中,结合了机器学习的方式对碎裂谱图进行预测,进一步提升模型预测效果[302]。MetFrag类似于Sirius模型,该模型引入了保留时间、相关文献等多指标评价体系,提升了物质结构鉴定的准确性[303]。在最新版本中,MetFrag优化了现有的结构数据库,并补充了环境领域大量新污染物,提升了环境污染物的鉴定效果[304]。
目前,各类平台在污染物结构预测性能上存在不足与局限,研究人员对于预测的结构也保持谨慎的态度,一些研究则通过多平台同时预测的方式,选取最优预测结果。但平台的发展极大降低了非靶向鉴定难度,对缩短非靶向分析周期具有重要意义,随着污染物质谱数据的增加,结构预测模型未来预期效能将不断提升。
3.3 新污染物识别与鉴定技术应用
3.3.1 污染物新结构的发现
与传统的靶向分析不同,针对新污染物的非靶向研究不限定于已知的化合物,通过从环境中筛选未知污染物拓展对环境污染物的认知,并解析具有环境和健康意义的新污染物结构[305]。即使针对经典的污染物类型(如有机氯农药、有机溴阻燃剂和PAHs等),非靶向研究在环境介质中识别出大量未受关注的同类化合物[306~307]。以PAHs为例,传统的靶向研究多关注于美国环保局推荐的16种优先控制污染物,但在实际环境中PAHs类化合物远远大于优先控制的物种数目。Kuang等[308]用傅里叶变换离子回旋共振质谱(FT-ICR-MS)从香港地区PM2.5中检出了141种可能的甲基PAHs和PAHs。Xu等[309]利用FT-ICR-MS和二维气相色谱-飞行时间质谱(GC×GC-TOF-MS)检测北京亚微米颗粒物(PM1)中的多环芳香化合物(PACs),检出了386种PACs。Manzano等[310]关注于杂环PACs,用GC×GC-ToF-MS检测了空气、雪、沉积物等多个样品,发现了21组共259个杂环PACs。同时,优先控制之外的PACs化合物也被发现具有和16种PAHs同等甚至更高的环境健康风险[311]。这些非靶向的研究不仅扩展了PACs物种的数目,也为后续来源解析、毒性评估和暴露评价提供了支持。
对于新类型污染物,非靶向分析是一项关键的技术手段,可以系统性地解析这类化合物在环境介质中的赋存。硝基组分是大气细颗粒物中重要的危害组分,例如PAHs经硝基化生成硝基多环芳烃(nitro polycyclic aromatic hydrocarbons,NPAHs)后,其致突变性最高可提升5个数量级[312]。这一类物质主要包括有机硝酸酯(ONs,硝基通过氧原子与碳骨架相连)和硝基芳香烃(NACs,硝基直接与苯环连接)等。Shi等[313]发现,有机硝酸酯在ECNI下可以碎裂为特征碎片NO2-和[M-NO2]-/[M-NO2-H2]-,以此为依据从北京地区的PM2.5样品中筛选出78种有机硝酸酯化合物,并合成标准品鉴定了其中12种,主要来自烯烃等人为源挥发性有机物(VOCs)的大气转化。根据硝基基团的亲电特性和硝基-芳香结构的共轭特征,Shi等[314,315]利用气相色谱-三重四级杆串联质谱(GC-QQQ-MS),采用ECNI离子源,固定监测NO2-子离子,共检测出近3000种NACs,实现了该类化合物无标品的系统性检测。
在众多新污染物中,PFAS作为替代品与环境转化产物已经成为全球环境研究的一个关键问题,Yu等[316]采用了一种空气全组分采样器,同时收集空气中气态与颗粒态PFAS,首次报道了11种氯化全氟聚醚醇(3类)和4种氯化全氟聚醚羧酸(2类)。Wang等[317]提出了一种综合的可疑筛查、基于同系物和基于特征离子的非靶向筛选方法,从我国17个城市的污水处理厂收集了废水样品,确定了13类(25个亚类)63种PFAS,包括14种传统PFAS和49种新兴PFAS。在青藏高原上,Zhou等[318]研究调查了土壤中PFAS的发生、空间分布和来源,共发现34种PFAS,其中包括19种新出现的PFAS,包括含氟调聚物磺酸盐(FTS)、氯化多氟醚磺酸(Cl-PFESAs)和六氟环氧丙烷(HFPO)同系物,其不仅来源于当地污染,还来源于印度季风和西风影响的大气迁移。随着各种环境基质中PFAS被不断检出,它对于人体的暴露也引起越来越多的关注。Kang等[319]测定了人群卵泡样品中的PFAS,共鉴定出15种新出现的PFAS以及Cl-PFESAs,包括4∶2,5∶2,6∶2和8∶2 Cl-PFESAs等,并研究了这些PFAS的血卵泡转移,揭示其潜在暴露风险。Li等[320]建立并应用了基于CF2、CF2O和CH2CF2单位质量差异的可疑和非靶向筛查策略,从117个配对的母体和脐带血清中筛查到19种高置信新型PFAS,新型PFAS在孕妇与胎儿体内的总PFAS中占相当大的比例。
由于近年来对传统使用的多溴二苯醚阻燃剂的管控,OPEs阻燃剂被广泛用于消费品和工业产品中。由于令人担忧的环境及健康风险,OPEs阻燃剂的转化产物已成为一类引发国际广泛关注的新污染物。Liu等[321]结合实验室模拟、外场观测以及可疑物筛查报道了全球18个城市大气中OPEs阻燃剂的转化产物的分布、浓度及风险,发现10种转化产物在所有城市中广泛检出,反映了由于OPEs阻燃剂的使用而产生了全球大气中普遍存在的转化产物,并且强调了转化产物混合物的总体风险比母体更高。Gong等[322]使用综合的可疑物和非靶向筛查策略鉴定了土壤中26种OPEs及其潜在转化产物,其中16种为首次在土壤样品中报道。Ye等[271]建立了靶向、可疑物和官能团依赖性的筛查策略,有效识别了太湖沉积物样品中35种OPEs及其转化产物,其中23种为在太湖地区首次报道的污染物,并且发现间位羟基三苯基磷酸酯(meta-OH-TPhP)具有较高的丰度和检出率,且具有比其母体磷酸三苯酯(TPhP)更大的生物毒性。Choi等[323]应用可疑物和非靶向筛查在水生系统中OPEs阻燃剂转化产物,基于生产者-消费者-分解者关系,通过考虑生物体中的生物转化机制并参考EAWAG-BBD途径预测系统来识别可疑结构,共鉴定了29种TPhP的转化产物。
3.3.2 新污染物分子转化过程解析
在新污染物排放到环境的过程中,由于光解、水解、微生物代谢等因素,往往伴随着母体的降解和转化产物的形成。由于结构相似,两者往往呈现出相同的毒性作用模式,协同效应可能增强整体毒性[331]。除此之外,不少研究结果表明,经过转化后,某些新污染物会生成毒性更高的转化产物[332]。例如,在经历过污水处理后,部分抗生素的转化产物比母体更具有持久性、迁移性和毒性[286,333]。新污染物识别与鉴定技术,特别是非靶向分析能高通量对新污染物进行识别,有助于研究新污染物的转化过程。Helbling等[334]通过对30种含有酰胺结构的化合物的转化产物进行识别,观察到酰胺水解和N-脱烷基化、羟基化、氧化等转化过程,并确定了不同结构的酰胺化合物转化途径的偏好。Wang等[335]通过非靶向分析提供了一种全面识别有机物消毒副产物的方法,为3种磺胺类抗生素各提出了11种可能的转化产物结构,并确定了氯化反应下磺胺类药物共有的反应途径。Wu等[336]通过非靶向分析在活性污泥、硝化污泥和异养污泥系统中鉴定了9、12、14种双氯芬酸转化产物,并发现羟基化是关键的转化步骤。近年来,非靶向分析耦合分子网络技术已被证明是研究转化过程的强大而高效的工具[337]。分子网络可以用于辅助识别新污染物的转化产物,大大增加识别通量[338]。Sleight等[339]通过集成通路预测和网络理论,提炼了4种多环芳烃的数千种潜在转化产物。Yu等[286]提出了将分子网络与计算机模拟工具相结合的非靶向筛查策略,确定了52种抗生素及49种转化产物,其中47种转化产物是潜在的PMT物质。除此之外,分子网络手段还可以辅助转化机理的研究。Wu等[340]基于分子网络对磺胺类药物转化产物进行识别,不仅识别出了14种未报道的转化产物,还发现蝶呤螯合和甲酰化是磺胺类药物的优势转化途径。但这些识别的新污染物潜在转化途径与转化产物仍需要更多的化学、物理和生物学实验来进一步验证。非靶向分析与分子网络技术扩大了新污染物转化产物的识别通量,增加了对新污染物转化过程的认知,有助于新污染物及其转化产物的风险削减和管控。
3.3.3 基于效应导向分析的新污染物识别与诊断
化合物健康风险来源于暴露与毒性2个方面。基于高分辨质谱的非靶向筛查仅关注化合物的结构,对于高风险污染物的确认还需继续进行毒性评价,这是一种自下而上的研究方式。效应导向分析(effect-directed analysis,EDA)是一种自上而下的直接发现环境样品中关键毒物的方法,通过样品毒性评价、组分分离以及对高毒性组分的分析来实现。EDA发展于20世纪80年代,由于化学分析技术的限制,长期以来仅能用来评价已知有毒物质对样品毒性的贡献,很多时候样品的绝大部分毒性得不到解释。过去20年非靶向技术的快速发展带来了EDA研究的新高潮。联合非靶向化学识别和EDA,研究人员已经开展了很多针对沉积物、废水、生物等多种环境基质的研究,识别了大量以前未知的有毒污染物。例如,美国太平洋鲑鱼洄游产卵前的大量突然死亡被归因于汽车轮胎中的防老化剂N-(1,3-二甲基丁基)-N'-苯基对苯二胺(6-PPD)的氧化产物6-PPD醌[341],美国秃鹰的大规模死亡被发现与一种蓝藻神经毒素五溴二醇生物碱(AETX)有关,蓝藻在接触了源于人类活动的溴化物后会产生该毒素[342]。Yang等[343]将雌激素相关受体γ蛋白亲和能力与非靶向分析结合,在室内灰尘中筛选出一类无商品来源的新污染物——硝基双酚A类化合物。
对环境样品毒性的深入认识是进行准确的健康风险评价以及制定高效的风险控制措施的前提。然而,在目前的EDA研究中,样品的目标毒性的选择比较随意,缺乏标准。在绝大多数研究中,研究人员多是选择易于在实验室条件下进行测定的毒性,但这并不一定代表该样品最敏感、最值得关注的毒性,基于这些研究而制定的污染物控制与风险削减政策很可能并不能有效地降低实际的健康风险,难以实现收益最大化。针对该问题,目前已经有一些探索和尝试。比如,中国科学院生态环境研究中心江桂斌研究组提出了“非靶向毒理学”的概念,通过对环境样品进行从分子水平到细胞、组织、器官和个体水平的暴露,测定蛋白质、转录组、代谢组等方面的变化,综合投射到不良结局通路(adverse outcome pathways, AOPs),以明确样品可以导致的毒性效应的类别及各毒性的强度,并筛选出最为敏感、关键的毒性。基于非靶向毒理的靶点筛选有望为包括EDA在内的多种风险污染物筛查研究提供精准的毒性靶点,使得相关研究更加有的放矢。
3.4 展望
基于高分辨质谱的非靶向分析技术使得我们能够更全面、更快速地识别和鉴定环境中的有机新污染物,大大拓宽了我们对于新污染物的认知,为新污染物的管控和防治提供了重要的科学基础和技术手段。目前该技术及其应用仍然存在很多挑战,例如不同前处理方法和仪器可能导致结果具有较大差异,需要将方法标准化,使得不同研究具备可比性。新污染物种类繁多,单个平台和方法难以覆盖,综合利用不同离子源和不同数据采集模式可能带来新的视角。高分辨质谱产生的数据量庞大,当前的数据处理策略仍然耗时耗力,结合深度学习模型开发质谱的智能鉴定模型可能是未来研究的重要方向。大量新污染物通过非靶向技术被鉴定,这些污染物中哪些应该被优先进一步研究,开发快速、廉价、有效的优先性排序体系对于健全化学品管理有重要意义。非靶向分析作为定性分析技术,无法表征污染物的浓度并进一步分析其潜在风险,开发非靶向定量方法可以进一步完善该技术。
此外,除了备受关注的有机污染物之外,环境中还存在ARGs、微纳米塑料、无机污染物等其他种类的新污染物。其中ARGs主要通过高通量定量聚合酶链反应和宏基因组测序的方法识别和分析,然而分析技术复杂、成本高、缺乏标准化方法仍然是需要解决的问题[344~345]。已经开发了多种视觉、光谱和电子显微镜方法识别环境中的微塑料[346],对于粒径更小的微纳米塑料的分析仍然是需要解决的难题。热解吸气相色谱质谱和表面增强拉曼光谱已被证明可有效鉴定为微纳米塑料[346,347],然而如何提高分析的有效性和准确性仍然具有挑战性。新污染物层出不穷,未来还有可能出现其他形态、性质的新污染物,开发新污染物的识别方法需要多技术、多学科交叉融合,协作完成。
4 环境水平与分布特征
4.1 新污染物的区域分布特征
4.1.1 呈现明显的区域聚集性
新污染物的分布与工业化、城市化等人类活动密切相关,多种新污染物在人类活动频繁的场地被发现。本节涉及的典型新污染物的结构式如图21所示。例如,生活垃圾填埋场渗滤液、消防训练场周边土壤和地表水以及污水处理厂的废水和污泥中检测到PFAS的存在[349]。我国重庆6个生活垃圾填埋场渗滤液中13种PFCAs和4种PFSAs的检测结果表明,PFBS和PFBA是主要物质;填埋场渗滤液中PFAS质量浓度呈现使用中填埋场(平均质量浓度:12194 ng/L)高于已停用填埋场的趋势(平均质量浓度:2747 ng/L)[350]。Liu等[351]发现,垃圾在填埋前的焚烧情况也会影响PFAS的分布,经过焚烧后填埋的生活垃圾渗滤液,PFAS质量浓度(290 ng/L)显著低于直接填埋的生活垃圾渗滤液(11000 ng/L),且焚烧填埋场渗滤液的PFAS质量浓度组成与该场的燃烧灰烬组成相似。Benskin等[352]监测城市垃圾渗滤液中24种PFAS连续5个月的变化趋势发现,全氟戊酸(PFPeA)和全氟己酸(PFHXA)是渗滤液中的主要PFAS,且3—4月PFOA、PFOS等多种PFAS前体化合物的水平高于其他时间2~10倍。瑞典城市饮用水的污染调查发现,当地饮用水污染与消防训练场地使用的含PFAS泡沫有关。其中,PFOS在消防训练场地的土壤样品中质量分数最高(占ΣPFAS的87%,最高质量分数可达560 ng/g (dw)),消防训练场地附近的地下水中ΣPFAS质量浓度高达1000 ng/L[353]。美国北部淡水湖泡沫中PFOS最高浓度可达97000 ng/L[354]。此外,Ruan等[355]在中国20个省市的污水处理厂污泥中发现了传统和新型PFAS的存在,其中PFOS为首要污染物,平均质量分数为3.2 ng/g(dry weight,dw),6∶2氯代多氟醚磺酸(6∶2 Cl-PFESA)及其同系物8∶2 Cl-PFESA的平均质量分数分别为2.2 ng/g(dw)和0.50 ng/g (dw)。
近年来,PFAS的人体暴露十分普遍且具有明显的区域特征。在第三次全国母乳调查中,研究人员分析了我国24个省份的母乳样本发现,在母乳中主要检出PFOA和PFOS,6∶2 Cl-PFESA次之。地域特征研究结果表明,PFOA在山东省母乳中暴露浓度最高。与2007年检测结果相比,上海市和辽宁省PFAS浓度明显下降,而山东省和湖北省的PFAS浓度明显增加[356]。与此同时,新型PFAS也在人体血清中被发现,我国7个城市1516份人群全血和血清的研究显示,6∶2 Cl-PFESA在所有PFAS单体中占比第3(8.7%),平均质量浓度为4.42 ng/mL[357]。多种新型PFAS在我国21个城市的1151份母乳样品中被检出,6∶2 Cl-PFESA、全氟-2-甲氧基乙酸(PFMOAA)和全氟(3,5,7,9,11-五氧十二烷)酸的检出率均高于70%[358]。
溴系阻燃剂是世界上产量最大、应用最多的有机阻燃剂之一。PBDEs由于阻燃效率高、添加量少,自20世纪70年代被广泛用于电子电器、化工以及建筑等领域。PBDEs因具有环境持久性、生物累积性和远距离迁移性等潜在危害,商用五溴、八溴和十溴二苯醚陆续被纳入《公约》。NBFRs因其较好的相容性和优异的阻燃效果,作为PBDEs的替代品在全球范围内广泛使用。1990—2006年,美国四溴邻苯二甲酸双(2-乙基己基)酯(BEHTEBP)的年产量从450 t增长到4500 t[359]。中国是NBFRs的主要消费国和生产国[360]。2006年,我国DBDPE的总产量为1.2万t,其产量在2007年达到约7万t[361,362]。
溴系阻燃剂在电子垃圾拆解和回收、垃圾填埋和建筑装修等人类活动场地具有明显的聚集特征。澳大利亚电子垃圾回收厂的研究表明,即使在符合法律规范和环境排放标准的情况下,产生的溴系阻燃剂仍能对周边土壤造成污染(∑PBDEs质量分数为0.10~98000 ng/g(dw),中位数质量分数92 ng/g(dw);∑NBFRs质量分数为<LOD~37000 ng/g(dw),中位数质量分数2.0 ng/g(dw)),其中5种NBFRs(五溴甲苯(PBT),五溴乙苯(PBEB),六溴苯(HBBz),2-乙基己酯2,3,4,5-四溴苯甲酸(EHTBB),双(2,4,6-三溴苯氧基)乙烷(BTBPE)和DBDPE)被检出,质量分数中位数为2.0 ng/g(dw);对比参考点位土壤发现,电子垃圾回收厂附近900 m的NBFRs都有较高水平[363]。Poudel等[364]检测发现,越南电子垃圾回收厂的环境和人体样本中PBDEs的存在,电子垃圾回收厂灰尘中检测到的PBDEs最多,暴露浓度为参考点的2~48倍;来自电子废物处理区的母亲和儿童与参考人群相比具有更高的致癌风险。巴西垃圾填埋场内多个环境样品中发现,DBDPE和BTBPE在电子垃圾填埋区土壤中含量最高;而灰尘样品则是电子垃圾贮存区最高[365]。由于建筑领域的广泛应用,溴系阻燃剂在多个国家和地区的室内环境中检出,且发达国家和溴系阻燃剂产生地区呈现较高污染水平。例如,Bjorklund等[366]发现,瑞典办公室空气中PBDEs质量浓度最高可达7300 pg/m3。美国西雅图家庭空气中PBDEs平均质量浓度为12100 pg/m3[367]。我国深圳靠近电子垃圾拆解区办公室PM10中的PBDEs平均质量浓度高达30600 pg/m3[368]。相比之下,我国普通室内空气中溴系阻燃剂水平较低,连续15个月监测某家庭空气中PBDEs和NBFRs的质量浓度,分别为0.60~14 pg/m3和9.3~686 pg/m3[369]。
CPs在阻燃剂、增塑剂、高温润滑剂和黏合剂等领域具有广泛使用[370]。在工业和城市化发达的珠江口地区,SCCPs在海水中的质量浓度为180~460 ng/L,沉积物中为180~620 ng/g (dw),海洋生物样品中为870~36000 ng/g(lw)[371]。珠江三角洲地区土壤中SCCPs和MCCPs的质量浓度分别为2.0~236 ng/g(dw)和2.0~530 ng/g(dw)。当地室外空气中SCCPs与MCCPs平均浓度分别为18 ng/m3和14 ng/m3 [372]。Wang等[373]发现,北京市区大气SCCPs质量浓度为1.9~332 ng/m3。近年来,发达国家严格控制CPs的生产、使用和排放,环境中的CPs含量不断减少。然而,我国CPs的使用量呈增加趋势,环境介质中CPs的浓度水平高出发达国家几个数量级。例如,英国森林土壤和大气中SCCPs平均质量分数仅为22 ng/g(dw)和0.19~3.4 ng/m3[358,374],而我国珠江三角洲沉积物中SCCPs质量分数为320~6600 ng/g(dw),高于巴塞罗那(210~1170 ng/g(dw))、北海和波罗的海沉积物中SCCPs浓度(5.0~377 ng/g(dw))[375]。人类活动也密切影响了偏远地区CPs的环境行为。研究表明,西藏城市垃圾填埋场是当地的SCCPs来源,其城市和农村垃圾填埋场土壤中SCCPs的质量分数达57~1348 ng/g(dw)[376]。极地地区也发现了人为排放的SCCPs,南极长城站大气SCCPs质量浓度为70~4210 pg/m3,平均值为1170 pg/m3[377]。
综上所述,新污染物种类繁多,区域聚集性与生产特征紧密相关。生产呈集群发展的新污染物具有更明显的区域聚集性;而生产和使用分散的新污染物,区域聚集性相对较弱。
4.1.2 与行业类型分布密切相关
PFAS具有疏水疏油性、高表面活性以及良好的化学稳定性,广泛应用于电镀、造纸涂料、炊具、消防泡沫等工业和商业产品[381,382]。氟化工企业的PFAS直接排放是环境中PFAS的重要来源。He等[383]研究了我国湖北氟化工厂环境介质中8种长链PFCAs和40种新出现的PFAS发现,共有52种PFAS在室内灰尘中检测到,其中长链PFCA的中位质量分数为276 ng/g,短链PFAS在总悬浮颗粒(中位质量浓度为416 ng/m3)和工厂出水(Σ48PFAS为212 μg/L)的浓度水平较高。我国长三角地区某氟化工园区附近农村也检测到高浓度的PFAS,其中土壤、地表水、地下水和雨水中总PFAS质量分数分别为0.60~65 ng/g(dw)、16~481 ng/L、4.8~615 ng/L和13~542 ng/L。阜新地区氟化工产业近年来快速发展,Bao等[384]在2015年阜新市居民血清样本及饮用水样本中检出了以PFOA为主的PFAS污染物。与2009年的结果相比,阜新市居民血清和饮用水样本中PFOA污染水平均有所升高。2009—2015年,当地居民饮用水摄入PFOA总负担增加了近3倍。PFAS污染物可能通过氟化工产业园的地下水灌溉进入到蔬菜中,PFBA和PFBS也在阜新氟化工产业园周边自产蔬菜中主要被检出[385]。
PFAS在电镀工业具有重要应用。6∶2 Cl-PFESA(商品名F-53B)和PFOS是目前广泛使用的2种雾剂,在PFOS受到禁用后,6∶2 Cl-PFESA成为主要的铬雾抑制剂[386]。我国于1975年首次合成了用于铬雾抑制剂的6∶2 Cl-PFESA。尽管已经在中国使用了几十年,但近期才作为一种新出现的污染物而受到关注[387]。虽然6∶2 Cl-PFESA仅在中国生产和使用[388],但世界范围内对地表水中新出现的PFAS调查发现,6∶2 Cl-PFESA可通过洋流在全球传输并已成为一种全球性的污染物,其在西北太平洋和东印度洋海水中检出率分别为95%和70%[389]。6∶2 Cl-PFESA是人体内生物持久性较强的PFAS,半衰期为15.3年。我国6∶2 Cl-PFESA在环境介质、野生动物和人体中被广泛检出,人体血液6∶2 Cl-PFESA的检出率接近80%[390]。
据统计,2006年,我国溴系阻燃剂产量约为2.6×105 t,其中十溴二苯醚(BDE-209)生产最为广泛(产量3.6×104 t)[391]。溴系阻燃剂的生产主要集中在我国山东省和江苏省。山东莱州阻燃剂生产区人群血清中8种PBDEs质量分数为613 ng/g(lw),BDE-209 为主要同系物;相对于非职业暴露人群,PBDEs 的浓度水平比职业暴露人群低2~3个数量级[392]。Zhao等[393]研究发现,PBEB、PBT、HBBz、BTBPE和DBDPE在我国山东溴系阻燃剂生产区居民血清中被广泛检出(检出率大于90%)。另一项我国山东溴系阻燃剂生产厂人群血清调查结果显示,DBDPE在3种检出的NBFRs中质量浓度最高(平均质量浓度0.38 ng/mL)[394]。相较PBDEs,NBFRs在人体血液中的检出率和检出质量浓度都处于较低水平。2014年和2015年,我国山东省居民血清中ΣNBFRs(PBBz,PBT和HBBz)的平均质量分数分别为2.2 ng/g(lw)和3.5 ng/g (lw),NBFRs的质量分数水平比PBDEs低1~2个数量级[395]。
中国曾是全球电子垃圾回收和拆解主要国家,来自欧美等发达国家的电子垃圾约80%输送到亚洲,其中90%流入中国[396]。电子垃圾拆解地区集中分布在广东贵屿、广东清远以及浙江台州。电子垃圾拆解行业产生的溴系阻燃剂在环境中大量释放和持续积累,造成了不可忽视的人体负荷[397]。研究表明,广东贵屿电子垃圾拆解人群血清呈现较高的PBDEs水平,质量分数为140~8500 ng/g(lw),其中BDE-209质量分数高达3100 ng/g(lw)[398]。浙江台州市农村地区电子废弃物拆解厂工人血清中DBDPE平均质量分数为125 ng/g(lw),而该地区非职业工人居民以及当地城市居民血清中DBDPE平均质量分数分别为56 ng/g(lw)和14 ng/g(lw)[399]。台州温岭电子垃圾拆解区居民血清中8种PBDEs平均质量分数为357 ng/g(lw),台州路桥电子垃圾拆解人群血清种8种PBDEs质量分数为118 ng/g(lw)[400]。我国台州电子垃圾回收车间工人血清中ΣPBDEs的质量分数为125~622 ng/g(lw)(中位质量分数:199 ng/g(lw)),其中八溴至十溴-BDEs占PBDEs总浓度的80%以上,另有3种羟基化二苯醚(OH-BDEs)被广泛检出(ΣOH-BDEs的中位数为93 ng/g(lw))[401]。上述结果说明,溴系阻燃剂生产和电子废弃物拆解行业具有较高的人体暴露水平,其人体健康风险需要引起重视。
我国东北部、东部、东南部和中部地区具有较多的CPs加工厂,CPs含量的空间分布与加工厂具有高度一致性。研究表明,加工厂附近土壤中的CPs浓度也较高,排放特点呈现东部地区高于西部地区的趋势[380,402]。我国大连CPs生产厂土壤中SCCPs和MCCPs总质量分数分别为3093~3870 ng/g(dw),64~1884 ng/g(dw),且该地土壤中CPs空间分布与其距离厂区的距离有关[403]。我国水产食品中SCCPs研究表明,东部和南部居民食品中SCCPs质量分数高于西部,平均质量分数为1472 ng/g(ww),远高于其他国家的类似结果[404]。Huang等[405]在我国20个省份的肉类和肉类制品中发现,SCCPs平均质量分数为129 ng/g(ww),其分布特征与我国SCCPs生产厂的分布情况类似。
电子垃圾拆解行业是CPs污染的另一重要来源,不同国家和地区的研究结果表明,电子设备拆解过程中产生的CPs能随废液或废渣进入周边土壤。我国台州电子垃圾拆解区土壤中SCCPs质量分数为69~2.2×105 ng/g(dw),MCCPs质量分数为507~4.4×106 ng/g(dw)[406]。我国4个电子垃圾拆解车间(台州、贵屿、大沥和清远)的地表颗粒物检测结果表明,CPs具有不可忽视的质量分数(SCCPs:3.0×104~6.1×104 ng/g(dw)和;MCCPs:1.7×105~8.9×105 ng/g (dw))[407]。坦桑尼亚的城市废物倾倒场的空气和土壤样品也发现了较高的CPs含量[408]。主要新污染物的化学结构式见图21。
4.2 新污染物的环境介质赋存特征
随着《新污染物治理行动方案》的贯彻落实,PFAS、EDCs、PPCPs和消毒副产物(DBPs)等新污染物越来越受到关注,它们在环境大气、土壤、水等介质中频繁检出。一方面,此类新污染物可以经点源、面源等传输途径进入土壤环境;另一方面,土壤中的新污染物也可能通过径流、扩散、淋溶、渗滤和雨水冲刷等形式进入地表水、地下水等水环境中。特别需要指出的是,PFAS、EDCs、PPCPs、DBPs等多数新污染物与传统POPs类污染物的理化性质不同,它们的水溶性较强,因而水环境可能是新污染物的主要“汇”。长期以来,我国高强度的工业化学品或生活用品的生产、使用和排放,造成了地表水、地下水等水环境介质中新污染物的污染残留。
PFAS是一类典型的新污染物,其中关于PFOS和PFOA的报道较多,不但在土壤、大气和生物体中赋存,它们也在水体中可大量、长期存在,对水环境的污染也十分严重。Benskin等[352]在城市垃圾填埋场渗滤液中检测出高浓度PFOS、PFOA及其前体物,ΣPFAS高达36 μg/L,估计每年约8.5 ~ 25 kg PFAS通过垃圾填埋场渗滤液进入WWTPs。由于WWTPs对进水中PFAS的去除率不高,因而认为WWTPs是水环境中PFAS污染的重要来源。研究人员在WWTPs出水中检出PFOA和PFOS质量浓度分别为58~1050 ng/L和3.0~68 ng/L,并发现污泥中长链PFAS浓度更高,而水体中短链PFAS更多[409]。我国水环境中PFAS的时空分布研究发现短链PFAS的污染水平呈逐年上升态势,比如,长三角地区水环境中PFAS的质量浓度为8.6~737 ng/L[410],四川饮用水中∑PFAS的质量浓度为4.2~41 ng/L[411],其中均以PFOA、PFHxA等中短链PFAS为主。Zhou等[412]在武汉某氟化工厂附近地表水中发现了高质量浓度的PFAS(4.6~12 μg/L),其中,短链PFAS沿水流方向迁移距离更远,且沿垂直方向渗透深度更深。另一项研究也表明,水环境的中短链PFAS更多存在于水相且随水流方向迁移,长链PFASs则更易与悬浮颗粒物或沉积物结合[413]。沉积物既是PFAS的“汇”又是“源”,沉积物中PFASs的残留水平通常为ng/g级,被污染的沉积物可造成上覆水及地下水的长期污染。相较污水、地表水、饮用水等,PFAS在地下水中的污染具有隐蔽性与持久性。研究者在北京市灌区地下水中检出PFAS的质量浓度为1.1~24 ng/L,并随着与垃圾填埋场的距离增加而显著降低[414]。大气干湿沉降也是水环境PFAS不可忽略的非点源污染源。黄语等分析了贡嘎冰川(海螺沟地区)水环境中PFAS的赋存特征,在冰川融水、湖水及雨水等水样中检出的ΣPFAS质量浓度为7.1~106 ng/L,贡嘎海螺沟地区无直接排放源,但在降雨中检测出较高质量浓度的PFAS,表明该区域水环境中PFAS来源于大气干湿沉降[415]。
EDCs是一类可以干扰生物内分泌系统的外源性物质,其造成的环境污染已成为继臭氧层空洞、地球变暖之后迫切需要治理的第三代环境问题。迄今对水环境中EDCs的赋存状况已有较多研究。李金荣等[416]对PAEs、酚类等多种典型EDCs进行了综述,它们在水体、土壤和空气等多种环境介质中普遍存在,且在城市化水平和工业化水平较高的地区分布尤为广泛。类固醇雌激素包括天然雌激素如雌二醇(E2),以及人工合成雌激素如炔雌醇(EE2)、己烯雌酚等。无锡-常州地区地下水中雌酮(E1)、E2和EE2检出率均在90%以上,其次是雌三醇(E3),检出率为67.7%[417]。宁夏入黄排水沟EDCs质量浓度为82~1730 ng/L,其中E2检出质量浓度最高,为1367 ng/L[418]。PAEs是应用广泛的塑化剂之一[419],Xu等[420]在长江流域地表水检出15种PAEs,总质量浓度为1594 ~ 5156 ng/L,主要成分为DEHP、DBP和DIBP。长江流域水体中Σ15PAEs质量浓度从上游((2342 ± 429)ng/L)至中下游(分别为(3892 ± 843)和(2504 ± 356)ng/L)有所上升。酚类EDCs具有与天然激素相类似的结构,激素效应强。Peng等[421]分析了广州城市河流中酚类物质的赋存情况,发现4NPs是最主要的污染物,在水相和沉积物中的质量浓度和质量分数分别为5050 ng/L和14400 ng/g。熊仕茂等[422]调查北江(珠江第二大水系)中下游水源地、地表水及WWTPs发现,双酚A(BPA)、4NPs是北江中下游主要EDCs,平均质量浓度分别为360 ng/L和382 ng/L。总体而言,水环境EDCs存在显著的空间差异和质量浓度变化,但所有区域都存在不可忽视的生态风险,我国尚且缺乏全面有效的法规来限制和减少EDCs的生产和排放[423]。
PPCPs因使用量大、“伪持久性”(pseudo-persistent)和毒性效应强而备受关注。PPCPs与人类活动密切相关,其在环境中的种类和浓度具有显著的时空分布特征。Bu等[424]综述了我国水体和沉积物中112种PPCPs的赋存状况,它们的质量浓度和质量分数水平分别为ng/L和ng/g,其中SMX、ETM等抗生素和IBU、双氯芬酸等消炎止痛药在地表水中的潜在风险较高。此外,由于抗生素滥用诱发的ARGs污染,威胁生态安全和人体健康[425]。有研究对我国饮用水源中的ARGs进行了特征分析,共检测到265个独特的ARGs和移动遗传因子(MGEs),ARGs在河流中的丰度(6.2×105 copies/mL)高于水库(4.8×105 copies/mL)和地下水(8.1 × 104 copies/mL)[426]。据估计,2013年我国36种常用抗生素的总使用量达92700 t,最终约有25000 t经进入水环境[226]。受高密度水产养殖影响,钦州湾近海及汇海河流中抗生素最高检出质量浓度为12 ng/L,其中SMX的检出率和平均质量浓度最高,分别为100%和4.1 ng/L[427]。长江三角洲、江汉平原、珠江三角洲、黄河三角洲和巢湖流域等5个典型地表水环境中的最需关注的抗生素为SMX和ETM,它们的最高检出质量浓度分别为260 ng/L和382 ng/L[428]。Su等[429]在黄河干流共检出喹诺酮、大环内酯、磺胺和四环素等4类22种抗生素,最高质量浓度为0.27 ~ 30 ng/L,其中以SMX和ETM对水生生物的潜在风险最高。从空间分布看,上游主要是四环素类污染,中游主要是喹诺酮类污染,下游主要是磺胺类和大环内酯类污染[429]。非类固醇消炎药类是另一类在水环境被广泛检出的PPCPs。研究人员检测了广州市垃圾填埋场附近地下水和水库中的PPCPs,地下水中质量浓度水平较低(ng/L),而水库中检出频率和质量浓度均较高,其中IBU的最高质量浓度可达1417 ng/L[430]。陈贤等[431]在黄东海表层水体中检出萘普生、IBU等PPCPs,其空间分布总体呈河口近岸高,远海海域较低的趋势,黄海海域PPCPs 质量浓度高于东海,这与黄海海域污染源多、水交换能力较弱有关。
DBPs是消毒剂与水中前体物在一定条件下发生化学反应生成的副产物。随着水环境污染日趋严重,水体中所含的有机物种类和浓度均有所增加,导致消毒处理过程中生成的DBPs也更多,目前已被检测并确认的DBPs超过700余种。DBPs的主要类型包括三卤甲烷(THMs)、卤代乙酸(HAAs)、卤代乙腈(HANs)、卤代苯醌(HBQs)、亚硝胺(NAs)、卤代硝基甲烷(HNMs)及卤代乙酰胺(HAcAms)等多种类型,它们在水体中的质量浓度水平为ng/L ~ μg/L[432]。THMs、HAAs和HANs是主要的管控DBPs,在消毒后水体中含量也更高,我国城市饮用水中的质量浓度分别为0.011~99、0.020~67、0.030~14 μg/L[433]。HBQs是一类新型未受管控的DBPs,其毒性远高于THMs、HAAs等常规DBPs。Wang等[434]发现,游泳池水中2,6-二氯-1,4-苯醌质量浓度为19~299 ng/L,比自来水质量浓度(1.0~6.0 ng/L)高100倍。泳池中较高的溶解有机碳(DOC)、氯剂量和水温促进了HBQs的生成,2,3,6-三氯-1,4-苯醌、2,3-二溴-5,6-二甲基-1,4-苯醌和2,6-二溴-1,4-苯醌的质量浓度分别为0.10~11、0.050~0.70和0.050~3.9 ng/L。Hu等[435]在饮用水中检出2-氯-6-碘-1,4-苯醌、2-溴-6-碘-1,4-苯醌和2,6-二碘-1,4-苯醌等3种新型碘代HBQs,质量浓度分别为0.70~1.3、1.8~8.0和0.40~16 ng/L。NAs、HNMs和HAcAms等含氮DBPs因其高毒性、高检出率而备受关注,已成为DBPs调查中优先考虑和亟待管控的对象。Bei等[436]调查了全国23个省份44个城市的自来水厂出水、龙头水和饮用水源中9种NAs的赋存状况,其中N-二甲基亚硝胺(NDMA)质量浓度最高,质量浓度为0~189 ng/L,在长江三角洲地区自来水出水和龙头水中NDMA的平均质量浓度分别为27和29 ng/L。Zhou等[437]调查发现,浙江省金华地区8个县(市)饮用水中HNMs的质量浓度为0.20~2.9 μg/L,中位值为0.70 μg/L,且夏季浓度水平普遍高于冬季和春季。Chu等[438]测定了我国3个省市7个饮用水处理厂出水中HAcAms质量浓度,发现其总质量浓度为0.07~8.2 μg/L,其中二氯乙酰胺、一溴一氯乙酰胺和二溴乙酰胺等3种二卤代HAcAms的质量浓度总和占全部HAcAms的60%以上。我国台湾省饮用水和游泳池水中HAcAms的质量浓度分别为0.43~3.0 μg/L和0.77 ~4.03 μg/L[439]。此外,再生水中也检测出ng/L ~ μg/L水平的数百种有机DBPs和mg/L质量浓度水平的无机DBPs[440]。为保障人类用水或水生态安全,亟待加强对水环境中DBPs的风险控制。
4.3 新污染物的生物富集和累积效应
以PFAS、CPs为代表的新污染物和以PCBs、有机氯农药(OCPs)及PBDEs为代表的传统卤代POPs在物理化学性质上有明显的差异。全氟羧酸及全氟磺酸类化合物为离子型化合物,表现出疏水疏脂特征;CPs化学组成异常复杂,同系物、同分异构体众多。同时PFAS、CPs均为脂肪族有机化合物,而PCBs、OCPs及PBDEs则绝大部分都为芳香族有机化合物,前者表现为亲蛋白特性,而后者主要是亲脂特性。因此,这些新污染物的生物富集与累积与传统POPs可能存在明显的差异。
室内暴露实验报道了PFASs在鱼中的生物浓缩因子(bioconcentration factor, BCF)。测定的不同碳链全氟羧酸在鱼不同组织中的BCF[441,442]如表6所示。以BCF>5000(log BCF>3.7)作为标准,可以看出,碳链长度>9的全氟羧酸具有明显的生物富集潜力。而对全氟磺酸类化合物,目前仅对少数几个碳链长度的全氟磺酸(主要为PFBS、PFHxS和PFOS)测定有BCF值。测定的结果表明,PFOS在鲢鱼、草鱼[441]中的BCF>5000, 而在虹鳟鱼[442]、黑头呆鱼[443]和浮游动物[444]中BCF则<5000, PFHxS则只是白鲢、草鱼部分组织中的BCF值高于5000。
表6 室内暴露实验测定的不同碳链全氟羧酸在鱼不同组织中的生物浓缩因子(log BCF)Table 6 Bioconcentration factors of PFCAs of different carbon chains in different tissues of fish as measured by indoor exposure experiments |
Compounds | Silver carp | Grass carp | Rainbow trout | Fathead minnow | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Muscle | Liver | Kidney | Blood | Bile | Muscle | Liver | Kidney | Blood | Bile | |||
| PFBA | 1.5 | 2.0 | 1.9 | 2.3 | 1.7 | 1.7 | 2.1 | 2.2 | 2.7 | 1.7 | ||
| PFPeA | 1.0 | 1.8 | 1.8 | 1.8 | 2.5 | 1.1 | 1.4 | 1.9 | 1.8 | 2.0 | -0.2 | |
| PFHxA | 1.7 | 2.6 | 2.8 | 2.5 | 2.5 | 1.4 | 2.7 | 2.9 | 2.6 | 2.5 | -0.2 | |
| PFHpA | 1.8 | 2.6 | 2.8 | 2.8 | 2.7 | 2.1 | 2.6 | 2.8 | 2.8 | 2.8 | -0.2 | |
| PFOA | 1.3 | 1.7 | 1.7 | 2.1 | 2.0 | 1.2 | 1.8 | 1.9 | 2.4 | 2.1 | 0.6 | 0.3 |
| PFNA | 2.8 | 3.5 | 3.5 | 3.9 | 3.6 | 2.5 | 3.5 | 3.6 | 4.1 | 3.7 | ||
| PFDA | 3.4 | 4.1 | 4.2 | 4.5 | 3.6 | 3.6 | 4.4 | 4.5 | 5.1 | 3.9 | 2.7 | |
| PFUnDA | 3.4 | |||||||||||
| PFDoDA | 3.8 | 5.1 | 5.2 | 5.5 | 4.2 | 4.1 | 5.3 | 5.5 | 6.0 | 4.4 | 4.3 | |
| PFTrDA | 4.1 | 5.3 | 5.5 | 5.7 | 4.4 | 4.2 | 5.4 | 5.6 | 6.1 | 4.6 | ||
| PFTeDA | 3.8 | 5.0 | 5.1 | 5.4 | 4.6 | 3.7 | 4.9 | 5.1 | 5.6 | 4.8 | 4.4 | |
野外测得的PFAS在水生生物中的生物富集因子(bioaccumulation factor, BAF) 与化合物的碳链长度关系[445⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓~456]如图22所示。与室内测得的BCF值类似,长链全氟羧酸(碳链长度>9)显示明显的生物富集潜力。全氟磺酸类化合物BAF与碳链长度正相关,对全氟羧酸类化合物,BAF先随碳链长度增加而增加,随后出现下降。而全氟磺酸类未观察到下降趋势,可能因为目前测得的最长链的全氟磺酸为10个碳链。实验室研究表明,当碳链长度大于12时,PFCAs与血清白蛋白和肝型脂肪酸结合蛋白的结合亲和力略有下降,化合物几何形状折叠以适应疏水结合口袋,导致静电排斥,说明大分子体积可能会发生空间阻碍效应,限制PFAS与蛋白结合的能力[457,458]。
目前,对PFAS在水生食物链中的生物放大效应报道较多。主要的食物链(网)包括淡水水生食物链[459];极地海洋哺乳动物、鸟类与鱼类食物链[460,461];河口海岸带水生食物网[454]等。包含的化合物主要有不同碳链长度的全氟羧酸、全氟辛烷磺酸等PFAS。研究结果表明,在大多数食物链/网上,PFAS均表现为食物链放大效应,也有个别化合物在一些食物链中未观察到食物链放大现象,如安大略湖湖鳟鱼[459]和加拿大地区环斑海豹、鲸鱼[461]中PFOA的生物放大因子(biomagnification factor,BMF)小于1,极地鳕鱼[460,461]对PFOS未表现出生物放大,鸟类和鳕鱼[460]对PFOA的BMF值位于0.04~0.3。陆生食物链上PFAS的食物链放大研究相对较少。Muller等[462]对加拿大北部陆地狼和驯鹿中含8~13碳链的全氟酸和PFOS的生物放大研究表明,狼和驯鹿对含8~13个氟代碳的全氟酸和PFOS均具有生物放大能力。Fremlin等[463]采用将生物群中全氟烷基类物质的浓度标准化为其相对生物化学组成(极性脂质、中性脂质、总蛋白、白蛋白和水)的方法,研究了加拿大温哥华市由库珀鹰、几种鸟类、甲虫和蚯蚓等构成的陆地食物网中PFAS的营养级放大潜力。结果表明:多数PFASs类化合物在食物网中生物放大;而PFOA、PFHxDA和PFHxS没有显示生物放大作用;PFBS表现为生物稀释作用。
有研究对PFAS和亲脂性POPs在相同生物体内或食物链(网)上的生物富集能力进行了比较。Tomy等[460]通过比较PFASs和PBDEs的BMF,发现极地地区哺乳动物(环斑海豹和白鲸)对PFASs的生物放大能力要高于对PBDEs的生物放大能力,而鳕鱼对PFAS的生物放大能力要远低于对PBDEs的生物放大能力;Kelly等[464]同时研究了PFAS、PBDEs(BDE 47和BDE 99)、PCBs(PCB153和PCB180)、灭蚁灵(Mirex)、DDT和HCHs在极地食物网上的生物放大效应,结果表明,除PFOS在高营养级野生动物(海豹、鲸鱼和北极熊)食物网上的生物放大能力和PCBs相近外,其他大部分PFAS在该食物网上的生物放大能力都低于PCBs、Mirex和DDTs,但高于PBDEs和HCHs。
PFAS在生物中的富集目前主要存在2个假说。一是认为细胞膜上的磷脂在PFAS的生物富集中起了决定性作用。磷脂对离子型的分子具有较高的亲和力,因而成为PFAS生物富集过程的重要载体。众多室内暴露实验及野外监测实验都表明组织中PFAS的含量与磷脂含量呈正相关关系[465⇓~467],支持了这一假说。另一假说认为PFAS与组织中的特定蛋白如血清白蛋白、肝型脂肪酸结合蛋白、有机阴离子转运蛋白等具有较高的亲合力[468,469],因此也相应的容易富集在含有这些蛋白的组织或器官中。Feng等[470]最近通过鸡的暴露实验发现全氟羧酸浓度总体与组织的磷脂含量正相关,但不同组织对特定碳链长度的全氟羧酸表现出特异性的亲和力,如脑组织对C14,肌肉、脂肪、心、肺对C18,血清和肝脏对C9、C10的PFAS都表现出特异性的亲和力。这一结果提示,与亲脂性化合物不同,不同碳链长度的PFAS可能与不同组织中的特定蛋白或其他大分子有特异性的结合能力。目前,PFAS与生物大分子间关系的研究更多集中在血清、肝脏的组织或器官,其他组织中是否存在特异性蛋白对PFAS有较高亲和力的问题的研究,目前相对较少。
利用14C标记的贻贝中CPs的生物富集潜力研究表明,MCCPs (C16, 34% Cl) 和SCCPs(C12, 69% Cl) 的BAF值分别为7000和13900[471]。5种CPs在大型蚤中的log BCF为6.7~7.0[472]。有关野外水生生物(贝类、蟹类、虾类、鱼类、中华鳖和浮游动物)中CPs的BAF值有较多报道[473⇓~475]。野外监测获得的SCCPs的BAF值大多高于1000。上述结果表明,CPs具有潜在生物富集能力。关于碳链长度与生物富集因子间的相关性,现有结果并不一致(图23),如安大略湖和密歇根湖[473]中的鱼类和浮游动物的BAF值随碳链的增长呈抛物线关系,C12为拐点,BAF值随着碳链长度先降低再升高(r2= 0.71,p<0.0001);而高碑店湖污水处理厂排污口附近[474]和辽东湾海域[475]的爬行动物、鱼类和无脊椎动物的BAF值与碳链长度没有明显关系。由于现有数据大部分都集中在SCCPs,尽管有文献报道了有关中链和长链CPs在生物体中的富集[472,476,477],但富集潜力与碳链长度及氯化程度的关系还不是非常清楚。
较多研究报道了SCCPs在水生及陆生食物链上的生物放大与食物链放大,如珠江河口水生食物链[478]、香港近海海豚食物链[479]、清远池塘水蛇-鱼食物链[379]、红点锦蛇-黑斑蛙食物链[480];而有些食物链中SCCPs显示为食物链稀释效应,如清远一电子垃圾池塘以鱼为主的水生食物链[379]、青藏高原草-兔-鹰食物链[481]、北极勾虾-鳕鱼食物链[482]。BMF与碳链长度或氯化程度的关系也有不一致的报道结果。大部分食物链或食物网中发现BMF随碳链长度或氯化程度的增加而增加[478,483,484]。但部分结果表明,其生物放大潜力与氯化程度有关,而与碳链长度无关[379],也有结果表明BMF随碳链长度的增加而下降[483]。
最近有关MCCPs和LCCPs的生物富集的报道逐渐增加。Du等[476]分析了中国长江三角洲稻田中9种野生动物中SCCPs、MCCPs和LCCPs的质量分数,分别为91~43000、96~33000和14~10000 ng/g;除猫头鹰和普通杜鹃外,大多数物种主要含有MCCPs(平均44%)。Yuan等[477]研究了纳维亚地区海洋和陆地生态系统低营养级和高营养级中SCCPs、MCCPs和LCCPs的生物积累:尽管SCCPs和MCCPs在大多数物种中占主导地位,但许多陆地物种的LCCPs浓度通常高于海洋物种。陆生猛禽尤其积累了更高浓度的LCCPs,游隼的LCCPs浓度最高且占主导地位(占总氯化石蜡的55%)。在黑斑蛙-红点锦蛇食物链上,SCCPs, MCCPs 和LCCPs的BMF值分别为2.2、1.8和1.7,表现为生物放大效应,表明这些CPs也可能存在生物放大效应[480]。
有关CPs生物富集的研究结果呈现出高度的不一致性,这与CPs组成的复杂性紧密相关。一般认为,CPs属于较低极性的亲脂类化合物,在生物中也主要富集在脂肪含量较高的组织中。但其性质随碳链长度、氯化程度的不同而不同。因此,不同碳链长度、不同氯化程度的CPs同族体在生物中的富集机制、组织分配可能并不相同。最近一项利用蛋鸡对长、中、短链不同氯化程度的CPs的暴露研究表明,高氯代程度的LCCPs主要在肝脏组织中,而低氯代程度的LCCPs则主要通过血液循环分布于不同组织,并且主要进入鸡蛋中;而SCCPs和MCCPs则在各组织中分布较均一[485]。目前有观点认为,CPs可能也有亲蛋白的特性[486,487]。因此纯亲脂性化合物的一些生物富集规律可能并不完全适用于CPs。CPs的亲蛋白性与亲脂性显然与碳链长度、氯化程度均相关,但由于该类化合物分析的复杂性,人们对其亲脂性与亲蛋白性随碳链长度、氯化程度的关系的了解极少,这也限制了对其生物富集与生物放大规律的认识。
综上所述,PFAS和CPs作为一类与传统亲脂性芳香族化合物性质不同的新污染物,其生物富集机制有其独特性。目前人们对这2类物质的生物富集规律的认识远不如传统亲脂芳香族化合物,需要开展更多的研究,以了解这2类化合物在不同生物中的富集、组织分布及代谢过程。
5 新污染物的环境迁移转化、源汇机制
5.1 水环境中新污染物的多介质过程与归趋
全球约30% 的可再生淡水资源被用于工业生产与人类活动,高强度人类活动背景下的工业和生活污水通常含有数以万计的毒害化学污染物,主要涵盖工业原料、农药、药物和个人护理品等各类新型化学物质[237]。我国生态环境部已登记生产和使用的化学物质超过4.5万种,其中许多具有致癌、致畸效应以及遗传发育毒性,对水生生物与人体健康构成潜在危害。污水排放是化学物质进入自然水体的主要途径,由于多数化学污染物暂未被纳入国家相关水质标准,现有污水处理工艺对其的处理效果不佳,造成我国主要流域均遭受不同程度的化学污染[488]。此外,由于地表水和地下水之间紧密的水力联系,越来越多的化学污染物在地下水中也被检出[489]。
5.1.1 水中新污染物的来源
由于在家庭、医院和工业部门广泛使用PPCPs、EDCs、PFAS,导致了这些新污染物在水环境中的广泛出现。以药品为例,不仅医疗行业依赖药物,抗生素等药物在水产养殖及畜牧业也有广泛的应用[490,491]。这些化学物质可通过粪便或尿液排泄,进入污水管道系统,最终汇入WWTPs。家庭、工业和医院等不同来源的废水含有数以万计的新污染物,常规的污水处理技术对部分新污染的去除效果并不理想。值得一提的是,持久、迁移性毒害污染物(persistent, mobile and toxic substances, PMTs)可以“穿透”污水处理流程,进入自然水体[492]。基于这个新的认识,2020年10月,欧盟委员会发布了着眼于2050年的《面向无毒环境的化学品可持续发展战略》,提出将PMT纳入欧盟REACH清单,并执行分类和标签制度[493]。
5.1.2 水中新污染物的迁移与分配
5.1.2.1 水动力条件
新污染物在地表水和地下水中的迁移主要受平流、扩散、弥散等物理过程控制。其中,平流是污染物运移的主要过程,控制着污染物在水流方向上的长距离运移;扩散由浓度梯度驱使,使污染物从高浓度向低浓度缓慢移动;弥散由分子扩散和机械弥散过程组成,在水流方向及垂直水流方向输送污染物[499]。地表水中新污染运移的水动力学受多种因素影响,如地形、河床面粗糙度、支流交汇等。在低流速缓流水体中,可能会积累新污染物。例如,在流径城市的区域,由于人类活动、水流迟缓和混合作用弱等特点,在流经中可能导致新污染物滞留和累积[500]。地下水中新污染物的分布和迁移主要受不同水文地质条件下吸附/解吸附、孔隙扩散和弥散混合过程影响。在流速较低的地下水环境中,污染物在多孔介质的孔隙扩散是控制其迁移的主导过程。新污染物在水中的扩散系数是预测其扩散及弥散行为的重要参数,目前相关数据匮乏,未来亟需开展扩散实验研究,为预测新污染物水环境中的迁移行为提供重要基础参数。
5.1.2.2 吸附和分配
吸附是影响新污染物运移的关键过程,在水环境中新污染物的吸附主要发生在水-沉积物界面。有机碳基吸附系数(Koc)和辛醇-水分配系数(Kow)是两个重要的分配系数,主要用于判别污染物的吸附性及水相迁移性的强弱。具体而言,在pH值为4~9时,lg Koc值低于4.0或3.0的化合物分别被指定为“迁移性(mobile)”和“高迁移性(very mobile)”。无法获得化合物的实验Koc值时,对于中性和非极性分子,采用 pH为4~9 内最小的辛醇-水分配系数值(lg Kow)作为替代指标;对于离子型或可电离物质,使用 pH 校正后的辛醇水分配系数(lg Dow)作为替代指标。对于中性分子,在 pH 4~9 情况下,其最小 lg Kow 值≤4.5 时,则表明物质可能具有迁移性[501]。
固-水分配系数(Kd)通常用来评价污染物在地下环境中的运移潜力。达到吸附平衡后,吸附等温线常用来定量解析污染物在固-水界面的分布。常见的吸附等温吸附方程包括线性等温线、Freundlich等温线和Langmuir等温线。地下水为多孔介质,由石英砂、碳酸盐岩、黏土等矿物组成。研究表明,固体介质的物理化学性质(矿物含量及类型等)可以影响多种有机污染物的运移。例如,PFOA在石灰石中比在石英砂中的保留率高,原因是石灰石表面负电荷较少,表面积较大[502]。除此之外,地下水中新污染物的吸附行为还与pH值、离子强度与类型等水化学要素相关。另外,新污染物的物理化学性质,包括官能团类型、碳链长度等,也会影响固-水界面的吸附行为。相对电中性新污染物,离子型新污染物的吸附行为研究将是未来工作的难点和热点[502,503]。
5.1.3 水中新污染物的生物与非生物转化
新污染物自然转化途径主要包括生物降解、光降解和水解等过程。微生物可以通过水解、氧化还原和矿化等方式分解新污染物,在此过程中新污染物可作为微生物生长的碳源、氮源。在地表水中微生物降解通常发生在水-沉积物界面,Gilevska等[504]结合了联用被动采样技术与单体同位素分析技术,原位示踪了异丙甲草胺在水-沉积物界面的转化过程。在地下水中,新污染物的降解受温度、氧化还原条件、营养物浓度等因素综合影响,研究表明,低浓度的新污染物生物降解缓慢,故能够长距离迁移。自然光照下的污染物转化是地表水中新污染物降解的重要途径之一。水中新污染物的光降解包括直接光降解和间接光降解。直接光降解是指污染物通过吸收太阳光引起化学键断裂反应,进而生成不同光降解产物;间接光降解则通过天然光敏剂(硝酸盐、亚硝酸盐和可溶性有机质等)吸收太阳光,从而生成羟基自由基等活性物质,进而与污染物发生反应[505]。新污染物在自然水体中的光降解速率与转化途径会受到水化学、水温、水深、日照时间等环境因素的影响[506]。
新污染物的水环境转化会生成不同代谢产物,部分代谢产物的毒性甚至超过了母体化合物。以三氯生的自然光降解为例,光降解产物包括氯代酚及氯代二口恶英等,其毒性和危害已超过母体化合物[507]。农药二氯苄腈的代谢产物二氯苯甲酰胺具有较弱的吸附性及更长的半衰期,与母体化合物相比,在地下水中呈现出更强的迁移能力,显著影响区域地下水水质[508]。基于这个新的认识,此类农药在丹麦等多个欧洲国家已被禁用。另外,新污染物的特定生物降解产物也可能限制微生物生长,从而影响降解机制。因此,为全面了解水中新污染物的自然衰减,应考察其转化产物的环境危害特征,包括持久性、生物累积性、水相迁移性及毒性等,从而准确评估新污染物的水环境风险。
5.2 新污染物在土壤-植物系统中的迁移转化
PFAS、OPFRs和MPs等新污染能够通过直接排放、大气干湿沉降、污水灌溉等多种方式进入土壤,并在土壤中吸附、老化、蓄积,令土壤成为新污染物在环境中的重要储库。植物作为初级生产者,是陆生生态系统最重要的组成部分,能改变新污染物土壤吸附解吸过程,经吸收、转化对新污染进行富集和代谢,通过根系分泌作用促进新污染物的生物、非生物降解。土壤-植物系统是影响环境中新污染物归趋的重要因子。新污染物在土壤-植物系统中迁移转化见图24。
5.2.1 新污染物在土壤-植物系统中的吸附与解吸
在土壤-植物系统中,与土壤稳定结合的新污染物缺乏活性,不易迁移且难以被生物利用,对环境影响小。游离于土壤的生物有效态新污染物则在环境中行为活跃,迁移能力强,是植物可吸收、转运、代谢的关键组分,其含量由土壤与新污染物间的吸附-解吸能力决定,是当前研究的热点。
土壤与新污染物间的吸附-解吸过程受新污染物性质及土壤理化特征控制。其中,新污染物化学结构和土壤有机质组成在此过程中发挥重要作用。例如,新污染物中的疏水性基团与土壤有机质(SOM)中的脂肪族或芳香族官能团等疏水区域相互作用,形成稳定结构[509]。新污染物上的羧基、羟基、磺酸基等基团上的氧原子能与SOM中的羟基相互作用,形成氢键[510]。新污染物与SOM间还能形成π-π键,提高其在土壤中的稳定性[511]。静电力亦是新污染物与SOM相互作用的重要方式。PFAS等具有极小解离常数值的新污染物在土壤中常以阴离子形式存在,与SOM中的羧基、酚基等负电基团间存在静电斥力,与氨基、酰胺基等正电基团间存在静电引力[510,512]。某些阳离子型污染物则具有相反效应。此外,新污染物上的羧基、磺酸基离子化后可与SOM中一些功能基团形成离子偶极键[513]。
与SOM类似,土壤矿物也能通过疏水作用、静电作用等方式与新污染物结合。不仅如此,新污染物的羧基、磺酸基等可与土壤矿物羟基官能团发生配体交换,而SOM还能通过占据矿物表面吸附位点竞争性影响新污染物的配位体交换过程[514]。土壤溶液中的Mg2+、Ca2+等金属离子则可以与SOM以及PFAS等污染物形成SOM-金属-PFAS阳离子桥,降低污染物水溶性[515]。土壤孔隙大小也是影响新污染物吸附解吸过程的关键因子,其中微孔吸附的污染物与土壤有很强的附着力,解吸能力弱;中孔或大孔吸附的新污染物解吸速度相对较快[516]。除了土壤的理化性质,土壤中一些生物死亡后的细胞残体也能通过静电作用、疏水作用吸附新污染物[517]。
植物残体是土壤中SOM的重要来源,能影响SOM的组成和丰度,改变土壤与新污染物间的吸附解吸过程。根系分泌的可溶性有机质还可以调节土壤pH、新污染物形态、土壤矿物竞争性吸附位点数量,重塑土壤与新污染物的结合能力。已有研究表明,根系分泌的草酸能促使土壤中金属离子、铁铝氧化物和有机质溶解,形成草酸-金属络合物,从而降低土壤组分对新污染物的吸附固持[518]。此外,植物根部表面电荷能影响土壤与新污染物间的静电力,根系发育导致的土壤孔隙变化也能改变新污染物在土壤中的附着能力。
5.2.2 新污染物的植物吸收
目前,植物对新污染物吸收机制的研究已较为透彻。新污染物进入植物主要有2大途径:质外体途径和共质体途径[519]。质外体途径是指新污染物经植物细胞之间的孔隙或细胞壁传输,共质体途径则是指新污染物从一个细胞的细胞质经过胞间连丝转移到另一个细胞的过程。植物从土壤中吸收新污染物后,经共质体或质外体途径进入植物内部,最终可装载至木质部或韧皮部,在植株体内转移、分配。其中质外体途径由于无需经过跨膜过程,传输速度明显高于需跨膜运输的共质体途径。新污染物的跨膜过程根据是否需要消耗能量可分为被动运输和主动运输[520]。其中被动运输不需要能量,主要依靠细胞膜两侧新污染物浓度差驱动。被动运输过程可以分为2类:1)新污染物直接通过磷脂双分子层进行扩散;2)新污染物在载体蛋白的协助下进行扩散。主动运输则需要消耗植物代谢产生的能量,借助转运蛋白完成跨膜运输。植物细胞膜上还存在一些蛋白通道,新污染物可以经由蛋白通道进行传输,如水通道、阴离子通道等[521,522]。需要蛋白协助的运输过程都存在饱和效应,该过程符合米氏方程。虽然新污染物的植物吸收转运的可能性途径已十分明确,但是对于特定新污染物在特定植物中的吸收转运机制及单一机制的贡献率解析依旧十分困难。研究人员[521,523]通过添加代谢抑制剂、通道蛋白抑制剂、数据拟合米氏方程等方法对可能性机制进行分析,发现新污染物的植物吸收过程存在多机制耦合现象。此外,还能通过手性特征等方式揭示转运蛋白参与植物吸收转运的可能性[524]。然而,抑制剂影响植物正常生理代谢,米氏方程拟合只能解析饱和效应,手性特征适用新污染物种类有限。因此,亟待开发无损新技术来解析新污染物的植物吸收机制及相对贡献率。
新污染物的植物吸收转运受到污染物浓度、结构、植物品种及生长阶段等因素的影响。研究表明,随着新污染物浓度的升高,植物体内的污染物浓度随之升高[525],原因为:1)土壤中污染物浓度升高能有效增加植物根部细胞内外浓度差,促进污染物扩散;2)高浓度污染物提高了转运蛋白的利用效率。然而过高浓度的污染物会抑制植物生长,且转运蛋白运输具有饱和效应,因此,浓度促进效应存在上限。新污染物的结构既能决定lgKow,影响其进入植物的效率[526],又可形成特殊的电子云结构,通过与植物根部表面电荷、基团相互作用调节植物吸收能力[527],还能影响污染物空间尺寸,改变其进入植物并转运的难易程度[528]。植物品种决定着根系组织结构,其细胞膜表面与新污染物吸收相关的转运通道蛋白种类、数量等均存在显著差异,以上因素均能改变新污染物的植物吸收转运能力。不同植物品种叶片气孔数量、生长状态导致植物蒸腾能力迥异,而植物蒸腾拉力是新污染物被动吸收及其在木质部转运的重要驱动力[529]。植物品种还与各组织中的蛋白和磷脂含量密切相关,影响着新污染物在植物体内的分配:蛋白含量高的组织偏好积累亲水性新污染物,脂质含量高的组织则偏好于积累疏水性新污染物[530]。此外,不同植物品种、不同生长阶段凯氏带的结构和完整性存在显著差异,而凯氏带是调控新污染物吸收最关键的植物因子之一[531]。
与一般的新污染物不同,MPs颗粒大,种类多样,结构复杂,如何表征其在植物体内的吸收转运过程是一大难点。近年来,MPs荧光标记技术得到广泛应用。借助该技术,研究人员成功证明小粒径MPs能够被植物吸收并转运至地上部,中粒径MPs主要富集于根部,而大粒径MPs则无法进入植物体[532]。然而,荧光标记存在生物组织自发荧光干扰和染料分子泄露等问题,稀土金属有机荧光配合物掺杂技术克服以上难题[533],并基于该技术证实MPs主要聚集在植物细胞间隙,经质外体途径和维管束由根转运到叶[534]。前期研究表明,质外体途径是MPs被植物吸收的关键途径,MPs能够通过不完整的凯氏带沿着维管束细胞壁向上运输[535]。但是,最新研究发现,共质体途径也可参与MPs吸收,有证据显示,藻类和烟草细胞能够通过内吞作用吸收MPs,且水通道也能强化MPs吸收[535]。
5.2.3 新污染物的植物转化
新污染物进入植物体后不仅可以富集积累稳定下来,还能被植物体内的酶代谢。植物对新污染物代谢过程可分为2大类:一类是直接对新污染物进行降解矿化;另一类是对新污染物进行修饰,增加水溶性,既能促进与其他酶类的接触,提高脱毒效率,又便于将其转移至液泡等区域进行固定。植物体内可参与污染物降解的酶种类较多,如细胞色素酶P450、过氧化物酶、漆酶、酸性磷酸水解酶等,通过加氧、水解等方式降解新污染物。其中,细胞色素酶P450[536]、漆酶[537]等酶类在不同植物中结构变化大,底物专一性低,具有多种有机污染物降解能力,研究广泛;酸性磷酸水解酶[538]等酶类则偏好于水解特定污染物,作用底物单一,研究较少。谷胱甘肽硫转移酶、葡糖基转移酶等则能够将谷胱甘肽、葡萄糖等连接到污染物上,增加污染物极性,帮助污染物转移至液泡进行固定或进一步降解[539]。
5.2.4 新污染物的根际降解
植物根际是土壤-植物系统的特殊微域,微生物数量丰富,代谢活跃,是新污染物微生物代谢的热点区域。已有大量研究表明,磺胺[540]、DOP[541]、OPEs[542]等新污染物在根际发生高效的降解与转化。原因为:1)植物可通过根系穿插提高土壤通气保水性能、促进土壤团粒结构的形成,为微生物提供栖身之所和良好的生长环境;2)大量根系分泌物能够提供微生物生长所需要的碳源、氮源等营养元素,提高功能微生物代谢活性与丰度,并缓解外界环境变化带来的生存压力[543,544];3)植物分泌的特定化合物能够富集特异性降解微生物在根际定殖[545];4)一些分泌物改变微生物群落多样性、增强微生物间网络连通性,促进降解微生物与其他微生物间互作[546,547];5)植物分泌的单糖提高降解微生物数量并促进降解质粒在不同微生物间转移548;6)植物分泌有机酸降低微生物受到的氧化胁迫,提高微生物活性[548];7)根系分泌物中的污染物结构类似物诱导微生物降解基因表达[549]。
与易降解污染物不同,PFAS化学稳定性高,难以被微生物降解。目前,PFOA、PFOS等传统氟化物的微生物降解能力存在很大争议,部分研究表明,其无法被微生物降解[550],但也有研究报道微生物能对其脱氟降解[551]。相比之下,氟化物的前体化合物微生物转化得到了普遍认可,在微生物作用下可生成多种PFAS[552,553]。与PFAS类似,非生物可降解MPs的微生物降解难度大。虽然日本Oda Kohei研究团队在2016年成功分离了具有聚对苯二甲酸乙二醇酯树脂降解能力的微生物[554],但MPs结构复杂,种类多样,一般仍然认为MPs难以被微生物降解,微生物更多参与MPs的老化过程[555]。遗憾的是,尚未有研究探讨植物在PFAS和MPs微生物降解转化过程中的作用。植物根际效应的多元性可能在这些难降解新污染物的代谢过程中发挥一席之地,相关研究有待展开。
5.2.5 植物介导新污染物的非生物降解转化
土壤中矿物组分在厌氧条件下可对卤代污染物进行还原脱卤,在有氧条件下能够参与自由基生成,促进新污染物的降解。植物具有泌氧能力,可将氧气携带至根部,导致根际圈氧化还原电位提高,形成好氧/厌氧界面,与矿物组分反应,加速污染物消减。例如,水稻在日间光合作用下根系泌氧与Fe/Mn氧化物相互作用产生·OH[556];黑麦草产生根系分泌物,通过刺激真菌、细菌生长,调控矿物Fe(Ⅲ)/Fe(Ⅱ)循环,产生O2·-,根系分泌物中的水溶性酚也可还原O2产生O2·-,O2·-通过歧化或水解作用生成H2O2,进而与Fe(Ⅱ)发生类芬顿反应产生·OH[557]。此外,根系分泌物能够扮演电子穿梭体,协助新污染物降解过程中的电子传输,提高污染物降解转化能力[558]。可见,植物能够通过多种方式介导土壤中的非生物过程,以改变新污染物的非生物降解转化能力。
经过多年研究,我们对新污染物在土壤-植物系统中的迁移转化过程有了初步认知。然而,人工合成的新污染物结构复杂、种类繁多,导致研究中还存在很多难点:1)现有研究常基于特定污染物和特定植物展开,难以形成普适性结论,如何综合植物基因组特征、土壤环境因子和新污染物自身特性,预测不同种类新污染物在土壤-植物系统中的行为,量化土壤-植物系统与新污染物间的作用关系,有待探索;2)自然土壤-植物系统中新污染物种类复杂,难以区分母体化合物和代谢产物,且产物多样性程度高,解析难度大,而系统中新污染物的迁移和转化过程耦合发生,使得原位环境新污染物行为规律研究结论具有偏差;3)多种新污染物共存时可存在多种相互作用,它们间的交互作用不易被量化,令新污染物在土壤-植物系统中迁移转化规律解析难度高。总之,在土壤-植物这一多元复杂系统中,新污染物环境归趋研究工作方兴未艾。
5.3 新污染物的大气环境过程
新污染物主要经一次和二次排放进入大气环境中,大气环境过程是其生物地球化学循环的重要环节,通常包括污染物的气-粒分配、大气迁移和转化、干湿沉降等4类环境过程,目前主要通过固定站点观测和数值模式模拟2条技术路线开展相关研究。近年来,全球学者在新污染物大气环境过程方面的研究主要围绕大型城市和背景地区展开,同时在基础理论、分析技术和数值模式等方面亦有所突破。
5.3.1 气-粒分配
新污染物在环境地球化学循环过程中,气态和颗粒态组分在干湿沉降、大气化学反应,以及进入人体的途径等方面均呈显著差异,即意味着气-粒分配将显著影响新污染物的大气环境过程。传统基于热平衡(thermodynamic equilibrium)理论认为,典型新污染物,如POPs在气相和颗粒相间发生热平衡配分,分配系数与正辛醇-水分配系数(lg Koa)或者饱和蒸气压(PL)线性相关,依此,挥发性较差的POPs,如BDE-209将主要赋存在颗粒物上,并随颗粒物发生长距离大气迁移[559,560]。但是,Li等[561]通过对全球大量观测数据的分析发现,POPs热平衡气-粒分配只是真实环境中的特例,并提出以增加干湿沉降过程的稳态模型(steady-state equation)来描述大气中半挥发性有机污染物(SVOCs)的气-粒分配行为。该模型表明,即使是极低挥发性的POPs(如BDE-209),主要是以气态形式进行大气远距离传输,而不是通常认为的借大气颗粒物迁移到达北极[562]。随后,Li等[55,563]将恒稳态气粒分配理论应用于三级、四级多介质逸度模型,以多溴联苯醚和多环芳烃为例,模拟了典型新污染物在大气中的气-粒分配行为和时空分布特征[564,565],发现污染物排放时的颗粒物占比显著影响其气-粒分配行为。
一些典型新污染物(如极性较高的OPFRs)在颗粒物中存在超富集现象,偏离了经典气-粒分配模型的预测[566]。由于缺乏系统观测,目前对导致该现象的原因,尚无定论[567]。以往研究大多集中于非极性或弱极性SVOCs的气-粒分配行为(如PBDEs和PAHs)[568,569],较少涉及极性SVOCs。自1990年起,针对非极性或弱极性的SVOCs,普遍认为颗粒物的吸附行为主要由有机质(OM)主导[570],随后,元素碳(EC)和矿物表面吸附也被发现亦有贡献。Arp等[571]把颗粒物分为不同极性的吸附相,提出多元线性自由能回归模型(pp-LFERs),考虑了多种可能的吸附相和化合物之间的分子作用[572],但是没有涉及极性OFPRs的这一特殊现象。同时,环境湿度(RH)促进一些OFPRs向颗粒物中富集的现象。研究表明,OFPRs在颗粒相/气相中的相对占比与RH的相关性,因化合物的极性和水溶性不同而存在显著差别[566]。然而,经典的气-粒分配模型理论,并不支持湿度增加会促进有机污染物在颗粒态上的分配的观点[573]。
以往的气-粒分配研究大部分集中于总悬浮颗粒(TSP),较少涉及PM2.5。但PM2.5和TSP在成因上和组成上,都有很大的差别,突出体现为城市大气PM2.5的高二次组分特征,而新生成的二次组分多为极性化合物,具有很强的吸湿性。目前,我国城市大气中的细颗粒物主要由二次气溶胶(SA)构成[574],有些可占PM2.5质量的50%以上,SA包括二次有机气溶胶(SOA)和二次无机气溶胶(SIA)两大类,将基于TSP的气-粒分配的模型,简单套用在PM2.5上,无疑会导致较大的认识偏差。而适其新生成,SA多为极性/吸湿物质。此外,一些烟雾仓模拟实验还证实,如PAHs,可被新生成的SOA“包埋”,从而难以再次释放回大气中[575,576]。在我国主要城市尤其是南方城市,SOA已约占PM2.5的50%[574]。
5.3.2 大气转化
目前,对于新污染物在真实大气环境中的反应速率、转化机制和氧化产物等,知之甚少[583]。量子化学计算研究[584]表明,HCB可以在环境空气中反应生成相对稳定的POPs类化合物PCP,而PCP也易于结合进入细颗粒物中;研究得较多的是PCBs,其可在大气中反应生成OH-PCBs,再与NO2反应,生成具SOA性状的硝基联苯[585]。目前,新污染物的大气转化研究主要是通过实验室人为控制条件下的烟雾箱、流动管模拟实验进行的。烟雾箱模拟证实,FTOH可转化为PFCAs[586],PCBs能转化为OH-PCBs[587]。基于流动管的·OH氧化实验确证,以颗粒态存在的OPFRs和液晶单体(LCMs)发生了大气转化,非均相氧化速率计算结果表明,其在大气中的持久性远高于仅基于气态形式的计算结果,且均具有远距离传输潜力[588⇓~590]。
5.3.3 大气长距离迁移
大气作为新污染物扩散和迁移最活跃的介质,也是新污染物发生迁移的主要载体。在迁移过程中,伴随着污染物的不断沉降和再次挥发迁移,这种现象也被称为“蚱蜢效应”。就全球尺度而言,温度和全球大气环流是新污染物发生转移的主要动力。新污染物的大气长距离迁移能力同它们自身的理化性质密切相关。对新污染物大气迁移的研究,主要通过综合对源区物质成分及其示踪物的探查、定位站的长期或加密观测,以及发展适用的数值模型来进行。对新污染物长距离大气迁移的定位观测主要在远离人类活动的背景点进行。由于大气流动性强,背景点新污染物的组成特征和变化趋势通常与源区的排放有较好的一致性。利用背景点观测可以搜集污染事件信息,结合气流轨迹分析、源区污染物成分谱、对应异构体比值进行来源定位。这种方法反应迅速、信息量大、分辨率高,是研究新污染物大气长距离迁移的重要手段之一。
南北极、青藏高原等背景站点的长期监测,为确证新污染物的长距离迁移提供了重要证据。在我国南极长城站,OPFRs在2014至2018年间增加了1倍,证实其远距离传输潜力[593];多溴联苯醚在2011至2019年间呈显著下降趋势,而新型溴代阻燃剂呈显著上升趋势,且在同一个样品中的浓度已远高于多溴联苯醚[594]。北极监测和评估项目(AMAP)于1991年启动,已稳定运行30余年。AMAP近20年的大气观测表明,PAHs浓度随着纬度升高而增加,主要来自森林野火排放,由于全球变暖促进了PAHs二次挥发,故北极大气中的PAHs浓度未如预期降低[595]。研究人员[596,597]对青藏高原不同环境介质中的POPs观测结果表明,青藏高原的POPs主要来自南亚和欧洲的输入。微塑料,亦在法国庇里牛斯山[598]、青藏高原[599]等远离人为活动的背景站点中被广泛检出,并可抵达自由对流层进行大气远距离传输[598]。
在观测的基础上,我们还可以通过数值模型示踪源区和估算排放量,评估影响新污染物大气迁移的因素。利用潜在源贡献分析,可以判断,我国腾冲背景点大气中多种POPs分别可以追溯到我国珠三角和印度地区[602];东部宁波背景点大气中POPs主要来自中国北方和日本[603]。结合污染物外场观测和模型反演的“top-down”方法,估算污染物在区域大气中的排放量,正日渐采用。该技术途径目前已应用于全球和区域尺度POPs、VOCs、温室气体的排放量估算和源区示踪[604⇓~606]。在POPs研究领域,苏黎世理工大学Martin Scheringer团队,基于北极Zeppelin站点长期大气观测数据,使用FLEXPART模型结合聚类分析(cluster analysis)反演了该地大气PCBs、甲基硅氧烷等典型POPs的主要源区[607,608];Tian等[609]在珠江三角洲将区域观测和反向模型数值模拟耦合,厘定了OCPs的区域大气排放通量,证实当前OCPs排放量已小于历史用量的1‰,表明管控十分有效。Yang等[610]近期在济南的工业园区、橡胶厂、垃圾填埋场,利用源区上、下风向上HCBD的浓度差值,估算了工业园区中HCBD的工业源排放量,最高为90 t/a。
5.3.4 干-湿沉降
大气沉降对新污染物尤其是其转化产物的清除,是新污染物大气环境命运的最后一幕。无论在区域尺度还是全球尺度,干湿沉降均是大气清除污染物的最重要路径,链接了大气和地表环境,属于跨介质物质迁移。新污染物的转化产物具有增加其溶解性的极性官能团、且可能结合于PM2.5颗粒物中,因此,降水、降尘等大气沉降机制将极大地塑造其在大气中的最终归宿,并依此影响地表尤其是偏远地区的地表环境质量(如饮用水源地)。最突出的例子,是PFAS在全球的降雨中的广泛检出,其主要来源之一即作为FTOH的大气转化产物[611⇓~613]。斯德哥尔摩大学Ian Cousins新近总结发现,全球各地雨水中PFOS和PFOA的浓度远远超过US EPA、丹麦饮用水标准,即便在西藏、北极这样的偏远地区,也不例外[614]。尤其是三氟乙酸(TFA),作为典型超短链全氟烷酸,它在地表水中的浓度在过去20年间增加了6倍[615]。同时,模型模拟研究也表明降雨是大气中PFAS去除的主要机制[616,617]。
微塑料的大气沉降也是当前的研究热点,大气环境是微塑料全球循环的重要组成部分,大气中的微纳塑料具有小颗粒和低密度特征,有利于它们随大气远距离传输,随后沉降至极地和偏远地区。研究表明,法国巴黎、英国伦敦和中国的微塑料沉降在175~1008个/(m2·d)[618⇓~620],即使在远离人为活动干扰的法国庇里牛斯山,微塑料的沉降通量也高达365 个/(m2·d),和一些城市地区浓度相当,主要受降水、风速和风向影响[621]。覆盖全美自然保护区的沉降观测研究表明,每年该区的沉降量相当于1.2亿~3亿个塑料瓶,主要来自城市和土壤、水体的再悬浮颗粒[622]。此外,微纳塑料有可能作为云凝结核(CCN)和冰核粒子(INPs),影响云雾的形成[623],同时,云内清除、光化学老化、降雨过程等,也会影响大气中微纳塑料的循环,但是目前鲜有相关研究报道。Xu等[624]在我国泰山的云雾水中发现了大量微塑料,浓度受云雾水含量、气团来源和气流高度影响。
5.4 新污染物区域环境归趋的数值模拟
新污染物的种类和数量繁多、性质各异,使用模型研究其区域环境归趋特征,可以较为迅速有效地定量描述不同新污染物的环境地球化学过程(如空间传输、跨界面迁移和降解转化等),从而明确其时空演变规律、多介质分布特征以及源-汇关系,并量化人类活动对新污染物区域环境浓度及归趋的影响,识别主要影响因素。
正因为不同新污染物的排放途径和物化性质差异极大,如以PPCPs及PFAS等为代表的可解离有机物,以非盐形式OPEs、CPs和PBDEs等为代表的非可解离半挥发性有机物,微塑料等刚性颗粒物,以及耐药菌等微生物和耐药基因等超大分子有机物等,其环境行为和关键的环境地球化学过程可能存在极大差异。针对不同污染物,目前可用于区域环境归趋研究的模式包括多介质环境归趋模型、大气模式、海洋模式、水质和水文模式,以及一些大型耦合模式等。随着人工智能的飞速发展,近年机器学习模型方法在污染物的环境污染及归趋模拟研究中的应用也逐渐增加。不同模式及应用总结如下。
5.4.1 多介质模型
Donald Mackay和 Sally Paterson最早于20世纪70年代底到80年代初提出多介质环境归趋模型,并引入逸度方法,即化学物质逃逸某介质/相的趋势[625,626]。开发此类模型的初衷就是研究化学品在环境中的行为进而对生态环境及人体健康的潜在风险。传统多介质模型也被称作箱式模型,通常指考虑了大气、土壤(或区分不同土壤类型)、地表水及沉积物和海水及沉积物等不同环境介质并重点关注跨介质迁移传输过程的模型。很多多介质模型也会考虑植被(如MUM、SESAMe、BETR、CoZMo-POP、SimpleBox、CHEMGL、G-CIEMS和ELPOS模型等,汇总结果见表7)。绝大部分多介质模型仅考虑表层土壤和地表水,极少数多介质模型囊括了地下水(如CHEMGL模型)。早期开发的多介质模型都是通用模型,即仅用于污染物环境行为规律的理论研究,不关注特定区域。而随着研究需求的提高,逐渐出现了针对特定区域的多介质模型,如ChemCan(加拿大)、ChemFrance(法国)、BETR North America(北美)、BETR Global (全球)、Globo-POP(全球维度带)和SESAMe(中国)模型等。极大程度丰富了模型的种类、功能和用途。
表7 多介质模型汇总Table 7 Summary of multimedia models |
| 模型名称 | 稳态/ 动态 | 方法 | 尺度 | 已有研究应用 | 介质 | 文献来源 |
|---|---|---|---|---|---|---|
| QWASI | 动态 | 逸度 | 区域尺度(湖泊和河流系统) | 多环芳烃、抗生素、全氟和多氟烷基物质、微塑料 | 空气、水、土壤、沉积物 | 627⇓⇓⇓⇓⇓⇓~634 |
| MUM(SO-MUM) | 动态 | 逸度 | 区域尺度(城市系统) | 多氯联苯、多溴联苯醚、邻苯二甲酸酯、有机磷酸酯 | 空气、高空、土壤、植被、地表水、沉积物、有机膜 | 635⇓⇓⇓⇓~640 |
| MUM-Fate | 稳态 | 逸度 | 区域尺度(城市系统) | 多环芳烃 | 低层和高层空气、地表水、沉积物、土壤、植被和覆盖不渗透表面的有机膜 | 641 |
| BETR/BETR-Urban-Rural/BETR North America/BETR Global/Evn-BETR | 稳态/动态 | 逸度 | 全球、大陆、区域尺度 | 毒杀芬、γ-六氯环己烷(林丹)、多溴联苯醚、多环芳烃、六氯苯、十溴联苯醚、多氯联苯、多氟或全氟辛烷磺酸、十甲基环戊硅氧烷(D5) | 空气(高空、低空)、植被、土壤、淡水、淡水沉积物、海水、海水沉积物(BETR-UR城市土壤、农村土壤、城市空气、农村空气) | 642⇓⇓⇓⇓⇓⇓⇓⇓~651 |
| Globo-POP | 动态 | 逸度 | 全球尺度 | 毒杀芬、多氯联苯、多溴联苯醚、DDT、α-六氯环己烷 | 空气、水、土壤、沉积物 | 652⇓~654 |
| POPsME | 动态 | 逸度 | 区域尺度 | 多环芳烃、多氯二苯并对二口恶英/二苯并呋喃 | 空气、水、土壤、沉积物 | 655,656 |
| ChemRange | 稳态 | 逸度 | 全球尺度 | 多氯联苯 | 空气、土壤、水 | 657,658 |
| ChemCAN | 稳态 | 逸度 | 区域尺度 | 2,2',5,5'-四氯联苯(PCB 52)、四氯乙烯、多氯联苯、α-六氯环己烷、苯并[a]芘、六氯苯、莠去津 | 空气、水、土壤、沉积物 | 659 |
| CHEMFrance | 稳态 | 逸度 | 区域尺度 | γ-六氯环己烷(林丹)、莠去津 | 空气、地表水、土壤、底部沉积物、地下水、沿海水 | 660⇓⇓~663 |
| CliMoChem | 动态 | 逸度 | 全球尺度 | 多氯联苯、四氯化碳、α-六氯环己烷、灭蚁灵、莠去津 | 空气、水、土壤 | 657,664⇓ ~666 |
| ChimERA | 动态 | 逸度 | 通用模型 | 多氯联苯、多溴联苯醚 | 水、沉积物、大型植物、总悬浮颗粒物、溶解有机物 | 667,668 |
| EQC | 稳态 | 逸度 | 区域尺度 | 多氯联苯、六氯苯 | 空气、土壤、水、沉积物 | 669 |
| TaPL3 | 稳态 | 逸度 | 区域尺度 | 多氯联苯、六氯苯 | 空气、土壤、水、沉积物 | 670 |
| CoZMo-POP 2 | 动态 | 逸度 | 区域尺度 | POPs | 空气、森林冠层、森林土壤、土壤、水、沉积物 | 671,672 |
| NEM(基于CoZMo-POP 2和BETR-Global) | 动态 | 逸度 | 全球尺度 | 多氯联苯 | 空气、水、土壤、沉积物、植被 | 673 |
| G-CIEMS | 动态 | 逸度 | 大陆尺度 | 苯、二口恶英、1,3-丁二烯、除 草剂 | 空气、淡水、森林冠层、七种土地利用类型的土壤、海水、沉积物 | 674,675 |
| PeCHREM | 动态 | 逸度 | 大陆尺度 | 农药 | 空气、水、土壤 | 676,677 |
| DynAPlus | 动态 | 逸度 | 区域尺度 | 杀虫剂、杀菌剂 | 空气、垃圾、土壤、水 | 678,679 |
| CHEMGL | 稳态/ 动态 | 逸度 | 大陆、区域尺度 | 莠去津、苯并[ a ]芘、苯、六氯苯 | 平流层、对流层、空气边界层、地表水和沉积物、土壤、植被、地下水 | 680 |
| SoilFug | 动态 | 逸度 | 区域尺度 | 农药(异丙甲草胺、特丁基噻嗪、杀虫硫磷)、除草剂(阿特拉津、呋喃丹、乐果、异丙隆、γ-六氯环己烷(林丹)、司马津和氟乐灵) | 土壤和地表水 | 681⇓~683 |
| SoilPlus | 动态 | 逸度 | 通用模型 | 农药 | 空气、土壤、水 | 684,685 |
| RSEMM | 动态 | 逸度 | 区域尺度(京津地区河网系统) | 抗生素 | 空气、水、土壤、沉积物 | 686 |
| SMURF | 稳态 | 逸度 | 区域尺度(城市系统) | 多溴联苯醚、邻苯二甲酸酯 | 空气、水、土壤、沉积物、城市表面、室内空气、室内垂直表面加天花板、地板 | 687,688 |
| IMPACT North America/IMPACT 2002 | 稳态 | 逸度 | 大陆、区域尺度 | 五氯二苯并呋喃、多环芳烃、六氯苯 | 空气、水、土壤、沉积物、植被 | 689 |
| Pangea | 稳态 | 浓度 | 大陆尺度 | 三氯生、阴离子表面活性剂直链烷基苯磺酸盐、个人护理品防腐剂对羟基苯甲酸甲酯、润肤剂十甲基环五硅氧烷 | 空气、淡水沉积物、海水、淡水、自然土地和农田 | 690,691 |
| SimpleBox(更新至v4.0) | 稳态/ 动态 | 浓度 | 全球、大陆、区域尺度 | 多氯联苯、α-六氯环己烷、苯并[a]芘 | 空气、淡水和海水、淡水和海水沉积物、自然、农业和其他土壤 | 692⇓⇓~695 |
| SimpleBox4Nano/SimpleBox4Plastic(SB4P) | 动态 | 浓度 | 全球、大陆、区域尺度 | 纳米和微塑料 | 空气、地表水、沉积物、土壤 | 696 |
| ELPOS | 稳态 | 浓度 | 区域尺度 | 多溴联苯醚、多环芳烃、多氯联苯 | 空气、土壤、水、植被、沉积物 | 697 |
| SESAMe/SESAMe-Veg | 稳态 | 浓度 | 大陆、区域尺度 | PPCPs、有机磷酸酯、苯并[a]芘、苊、三氯生、二苯并呋喃 | 空气、淡水、沉积物、三种土壤、两种植被 | 698⇓⇓~701 |
| MAMI | 动态 | 活度 | 通用模型 | 农药(2,4-二氯苯氧基乙酸)、芳香胺苯胺、抗生素(甲氧苄啶(TMP)) | 空气、三种土壤、淡水、海水、淡水沉积物、海水沉积物 | 702 |
基于模型构建原理和输出结果的性质,多介质模型可分为逸度模型、浓度模型和活度模型。但不论哪种模型的构建都遵循质量守恒原则。由于逸度模型开发得最早,且非常适用于早期环境领域重点关注的半挥发性、非可解离的POPs(如PAHs、PCB和OCPs等),此类模型在功能和数量上都得到了较大规模发展。如表7所示,保守估计目前开发的不同逸度模型约有23种,其中部分种类还有不同变体或版本,如BETR和IMPACT等。另有一些开发和应用没有给模型命名,仅笼统地称为III级或IV级多介质逸度模型。
浓度模型和活度模型种类较少,分别有5种和1种(表7)。其中除SimpleBox4Nano和Simplebox4Plastic模拟纳米和微塑料等颗粒物外,其他模型均适用于有机物[696]。绝大多数浓度模型和逸度方法在关键原理上没有显著差别。但因无法模拟解离态有机物的环境行为,这些模型在针对近年关注的一些可解离新污染物包括PPCPs、PFAS和一些农药等的研究中存在局限性,仅能通过校正分配系数(如KOW等),来修正对可解离有机物介质/相间分配的计算,且缺乏数据支撑对不同环境pH值条件下的修正,模拟误差较大。MAMI和SESAMe模型由于引入了活度方法,使模型可模拟不同解离形态有机物的相间分配,提高模拟精度,在解决此类有机物环境行为模拟上有独到优势。
然而如表7所示,MAMI模型为通用模型,不针对特定环境区域,且考虑的环境介质和过程有限[702]。SESAMe模型(最新版本为SESAMe v3.4)为首个引入了活度算法的高空间分辨浓度模型,其最新版本在模型中嵌入了0.5°分辨率的中国国家尺度环境参数,使模型可以针对真实的大尺度区域,开展空间分异的高分辨率的有机污染物多介质环境迁移归趋模拟。同时该模型开发团队也在构建更多的SESAMe模型版本,如在模型中增加植被相,并实现了可解离有机物在作物内部的传输模拟(SESAMe-Veg)[703]。此外,与其他多介质模型不同的是,SESAMe模型首次在多介质模型中加入灌溉这一人为活动,把污染物的环境地球化学过程和人为活动相连接,研究人类圈对污染的影响和关系[704]。该模型在环境地球化学过程的完善和发展方向日趋与下文将提到的多圈层的地球系统模式相接近,但更注重新污染物的特点,研究其环境行为。
相较于嵌入了更为复杂精密的物理化学过程的大气模型和水文/水质模式等,目前绝大多数多介质模型里的环境过程较为简洁。虽然在描述复杂精细的环境地球化学过程上存在局限,但较容易推广到不同的新污染物,使其在迅速推广应用到数量庞大的新污染物环境行为规律研究和预判上具有独特优势。
5.4.2 大气和海洋模式
由US EPA和全球多家机构的共同资助开发,大气模式在过去50多年得到充分发展,并较为广泛地应用于大气颗粒物、氮氧化物、硫氧化物和臭氧等“典型”大气污染物。海洋模式的最初开发是为了研究海洋对气象和气候的影响。将大气模式应用于痕量持久性有机物及其他新污染物的研究始于21世纪初,海洋模式用于污染物的迁移传输模拟起步更晚些,但在近5~6年发展较快,成为一个新兴的研究和应用领域。
大气模式CMAQ和CanMETOP目前均已应用于新型有机污染物的区域大气传输模拟。CMAQ是由USEPA开发的变尺度空气质量模型,早在2002年就被用于模拟农药(阿特拉津)在美国的迁移归趋[705,706],是较早用于新污染物模拟的大气模式。近年,不同研究分别通过在该模式加入26种PFAS构建CMAQ-PFAS新模式,以及与气候模式WRF、排放清单处理系统耦合构建WRF-CMAQ-SMOKE模式,用于模拟北卡罗来纳州PFAS生产企业附近的污染及OPFRs在我国渤海和黄海食物网中的行为[707⇓~709]。CMAQ-PFAS模式未考虑气相和非均相化学反应,也不考虑PFAS和非PFAS成分之间的气溶胶表面相互作用。WRF-CMAQ-SMOKE模式考虑了羟基自由基和OPFRs的氧化反应,来模拟大气中OPFRs的去除。CanMETOP模式是由加拿大环境署开发的大气、水和土壤耦合大气传输模式。该模式已经用于多环芳烃、有机氯农药、PCBs、OPFRs和CPs等有机污染物在大气中的迁移归趋及长距离输送,以及相应的环境健康风险评价[710⇓⇓⇓~714]。该模式不考虑污染物的化学反应。此外,另一种DEHM模式(Danish Eulerian Hemispheric model)是专门预测大气污染物向北极输送的空气质量模式。目前在新污染物方面的应用较少,Hansen等[715]将其应用于以往关注较多的13种POPs向北极的大气迁移及气候变化对其在北极环境归趋的影响的研究中。这些大气模式均可应用于更多的挥发及半挥发性新污染物。
对于微塑料的迁移归趋模拟,目前应用较多的大气模式为HYSPLIT模式[716⇓⇓~719]。该模式是美国国家海洋和大气管理局(NOAA)空气资源实验室开发的混合单粒子拉格朗日积分轨迹模式。但该模式主要用来模拟微塑料大气传输的反向及正向轨迹。基于WRF模式开发的WRF-PM模式和基于GEOS-Chem模式开发的GC-MP模式则更便于定量研究微塑料的大气传输迁移过程[720,721]。通过加入微塑料模块,GC-MP模式的开发团队还基于麻省理工学院开发的通用环流模式(MITgcm模式)构建了模拟海洋微塑料迁移输送的NJU-PM模式[722,723]。MITgcm模式以海洋为中心,涵盖大气、海冰及相应地球生物化学过程,是较为主流的海洋环流模式之一。因此,NJU-PM模式的构建为微塑料随全球或区域尺度海洋及大气环流迁移输送的模拟带来了便利。此外,MITgcm模式目前也已被用于研究PFAS和PCBs随海洋环流的输送[724,725],因此也可广泛应用于其他新型有机污染物。
5.4.3 水质和水文模式
水质和水文模式目前主要用于模拟易分布在流域地表水和土壤等陆面介质中的新污染物(如农药、抗生素和病原微生物等)。常见水质模式包括MIKE SHE、MHYDAS、 IBER、TELEMAC、 SWAT、GREAT-ER、CE-QUAL-W2、Delft3D以及HSPF、AQUATOX、WASP和EFDC等USEPA开发的一系列地表水质模式[726,727]。其中,SWAT、GREAT-ER、AQUATOX和HSPF模式用于农药及抗生素等新污染物流域模拟较为常见[728⇓⇓⇓~732]。此外,SWAT和HSPF还较为广泛地用于流域病原微生物的模拟。SWAT是由美国农业部开发的基于地理信息系统的用于模拟径流量和水质的流域尺度水文模式[733]。HSPF是流域水文和水质的综合模式,可模拟陆地和土壤污染物径流过程[734]。近十几年,2种模式在欧美尤其是美国较多地用于大肠杆菌在流域内的传输、沉积和从河床再悬浮等过程的模拟[733⇓⇓⇓~737]。
但不同的是,HSPF是集总参数模式,即把整个流域视作一个整体,不考虑流域内各部分流域特征参数的空间变化。而SWAT是分布式模式,即将流域划分成若干水文单元,不同单元的环境和气象参数各异,从而可以更精确地反映流域污染的空间差异。随着计算机的发展和算力的提高,以及研究需求的提高,分布式模式将有更大发展前景,可能越来越多地被应用到新污染物的流域环境归趋模拟中。
5.4.4 机器学习模式
随着人工智能的发展,机器学习方法也被应用到纳米材料、PFAS和抗性基因等新污染物的环境浓度及分布预测。其中,应用较多的是使用不同机器学习方法预测美国多个地区水井及饮用水源中PFAS的浓度和暴露风险[746⇓⇓⇓~750]。其次是基于宏基因等数据预测全球土壤抗性基因空间分布或水平转移[751,752]。此外,也有纳米工程材料的区域分布预测的应用[753]。使用较多的机器学习算法是贝叶斯网络法和随机森林法,此外也有提升回归树法、空间回归法和条件自回归法等的应用。机器学习模式不同于上述机理模式,可归为统计模型一类。在环境生物地球化学过程不明、转化机理不清时,机器学习模式在预测污染物的浓度分布上表现出独特优势。但该方法无法描述过程和机制,因此无法使用该方法研究污染物环境归趋的驱动机制等。
5.4.5 多圈层耦合模式
有别于上述多介质模型,将现有较为成熟的大气、水质或水文、海洋、生态系统甚至人体暴露等模式耦合,构建研究污染物在多环境介质中迁移传输、分配、转化和暴露的多介质模式,也可称为多圈层耦合模式或地球系统模式。此类模式一直是研究气候和环境变化的重要工具,近些年开始出现用于污染物(主要是汞和甲基汞)的生物地球化学过程的模拟[754]。Lohman等[755]用大气归趋和传输模式TEAM、流域归趋和传输模式R-MCM及人体暴露模式耦合,识别汞和甲基汞人体暴露的主控因素。南京大学环境生物地球化学模式研究团队在不同工作中使用其开发的耦合器(NJUCPL)将气候模式(GISS ModelE2、IGSM)、生态系统模式(DARWIN)、大气模式(GEOS-Chem)、陆地模式(GTMM)和海洋模式(MITgcm)中不同模式耦合,研究全球大气汞排放的健康影响以及进一步精确计算汞排放[756,757]。此外,该团队也基于地球系统模式CESM2中的陆地模式(CLM5)构建了CLM5-Hg模式,研究植被在汞的大气-陆地交换中的作用[758]。目前尚缺乏多圈层耦合模式或地球系统模式在新污染物环境归趋研究的应用,汞和甲基汞虽然不属于新污染物,但反映了此类模式应用于新污染物的可能性。
5.4.6 展望、局限和挑战
很多新污染物可能在不同环境介质间迁移分配,同时其排放和环境行为极大程度受人类活动影响,因此利用多圈层耦合的地球系统模式进一步耦合人类圈,考虑人类活动和地球系统的相互作用是该类模式的未来发展方向。但此类模式中缺少能够模拟不同新污染物迁移、分配和转化的模块。而多介质模型已较为广泛地应用于多种新污染物区域环境归趋的模拟研究,已具备部分新污染物,尤其是新型有机污染物的跨介质迁移、相间分配等算法。目前的开发方向也趋于描述真实地球系统环境中污染物的环境迁移归趋及区域差异,新开发模型中污染物环境地球化学过程也有日趋完善的趋势,并出现耦合了人类活动的多介质模型,如SESAMe v3.4。因此不同程度地耦合2种模式,可能是未来开展新污染物区域环境归趋模拟研究的可行方法及发展方向。
然而,不同于“典型”大气或水质指标污染物,污染物种类较明确,以往针对性研究较多也较为集中,新污染物种类数量繁复,性质差异大,又是当前新兴研究方向,关注时间较短,不同研究团队关注的新污染物差别较大,研究力量分散,导致很多新污染物在自然环境中的化学反应机理、产物种类及生成效率,以及(微)生物过程及其机理机制都不清楚。关于排放计算的相关参数,如排放因子等,也较为缺乏。这给新污染物区域环境归趋模拟的数值方法构建带来极大挑战,给对新污染物及其产物的同步模拟带来困难。因此亟需加强对新污染物尤其是高关注的新污染物的上述研究工作,以支持模式中新污染物环境生物地球化学过程的完善。此外,针对尚不清楚机理的过程,在上述机理模型中耦合机器学习模型进行预测,也是完善模型、提高模拟精度的可行方法。但该方法需要相关大数据积累及支撑。
综上,发展能连接人类活动和新污染物环境生物地球化学过程的模式,将是全面了解新污染物在环境中的排放、空间传输、跨界面迁移分配、降解转化和源汇关系等行为特点和规律的重要手段,是新污染物研究领域中不可或缺的重要方向。
6 新污染物的生态毒理效应
6.1 全氟及多氟烷基化合物生态毒理
6.1.1 研究背景及意义
早在19世纪,人类便合成出了最简单的一种PFAS,即四氟甲烷(CF4),至今仍用于各种集成电路的等离子刻蚀工艺;进入20世纪,PFOA、全氟辛酸酯(PFO)、PTFE等长链全氟化合物、含其他官能团的全氟化合物,以及全氟聚合物均被制造出来并投入广泛应用[202,759]。2021年,OECD与UNEP对PFAS做出了全新的、更广泛的定义,即“含有至少一个全氟甲基(—CF3)或全氟亚甲基(—CF2—)碳原子的氟化物质被称为PFAS”[760]。PFAS通常由非极性碳链和极性头部基团组成,这赋予了其类似表面活性剂的疏水性和疏油性[761];且由于C—F键具有极高的键能[762],使得PFAS拥有良好的稳定性,因而在生产生活的方方面面都得到广泛应用。在航空航天领域,PFAS可用于涂覆反应性金属粉末,以保护自燃成分,改变其燃烧行为,并增强其反应性和疏水性,涂有PFAS的铝纳米粉末已被用作固体火箭推进剂和飞机喷气燃料中的推进剂[763];在装修施工领域,PFAS已用于各种涂料产品中,以提高大理石、瓷砖、水泥等材料的光泽度、表面覆盖率、抗静电和防污性能;在日化用品领域,PFAS可在化妆品中用作乳化剂,也被用于护发素中以提高发质润滑性和疏油性,还可用作牙膏中的抗牙菌斑添加剂[759]。另外,PFAS在纺织、建筑、塑料橡胶生产、半导体制造等诸多领域都有所应用[764]。
研究表明,PFAS已在水体、大气、土壤等多种环境介质[765⇓~767]、野生动植物[768,769]乃至人体[770]中广泛检出,且具有肝毒性、神经毒性、胚胎发育毒性、内分泌干扰等多种毒性效应[771⇓⇓~774]。流行病学研究表明,PFAS的暴露可能与糖尿病[775]、生殖功能障碍[776]以及多种癌症[777]等疾病存在关联。考虑到PFAS潜在的生态毒性和健康风险,以及其在环境中的持久性、生物累积性、长距离迁移性和多种毒性,世界各国都已展开了对PFAS的使用限制和管控。2006年,美国环境保护署(USEPA)与8家国际公司签订了管理协议,到2010年将PFOA及相关化学品的排放量和产品含量减少95%[778];全氟辛烷磺酸(PFOS)、PFOA和全氟己烷磺酸(PFHxS)相继于2009年、2019年和2022年被UNEP列入《关于持久性有机污染物的斯德哥尔摩公约》;2023年,欧洲多国的环境保护署向欧洲化学品管理局(ECHA)提交提案,呼吁禁止工业化学品PFAS的使用[779]。
近年来随着长链PFAS的生产和应用受到限制,各种新型PFAS,如全氟聚醚羧酸、全氟聚醚磺酸等,已作为潜在替代品被研发出来,环境中已被检出的PFAS种类亦逐渐增多。考虑到PFAS对自然界生物存在的危害、对生态平衡存在的威胁,以及其通过饮食等途径[780]进入人体引发的健康风险,对PFAS的环境分布和毒理学研究显得尤为必要。本节主要总结了PFAS在环境中的分布状况和生态毒性,并对当前研究存在的困难和未来研究方向进行了讨论和展望,以期为PFAS的生态毒理学研究和环境污染风险评估提供参考。
6.1.2 PFAS的环境分布
6.1.2.1 水体
大量研究已证实,PFAS在全球各类水体中广泛分布。Guo等[781]在白洋淀水域的地表水中检出了包括PFOA和PFHxS在内的10种PFAS存在,总质量浓度为140.5~1828.5 ng/L。Breitmeyer等[782]在宾夕法尼亚州122条河流中均检测到PFAS,其中PFOA和PFHxA在河流中的检出率高达70%和60%。同时,全球海洋水体中也有PFAS分布。东海海域被检测到PFBS、PFHxS、PFHxA等7种物质,质量浓度为181~2658 pg/L[36];来自北太平洋至北冰洋的海水样本中也检测出含有总质量浓度为346.9~3045.3 pg/L的全氟烷基酸,其中PFBA的分布最普遍[783]。这一现象暗示PFAS具有从大陆淡水系统迁移到海洋、并随洋流长距离扩散的能力。
除传统PFAS之外,近年来多种新型PFAS也在水体中被检测出来。2015年,Heydebreck等[784]首次报道了六氟环氧丙烷二聚体(HFPO-DA)在中国小清河水体中的存在,其平均质量浓度高达271.4 ng/L。同时,北极的海水中也被检测到HFPO-DA分布,暗示HFPO-DA具有与传统PFAS类似的长距离迁移性[785]。2016年,Sun等[786]报道了美国开普菲尔河流域的7种新型PFAS,包括PFMOAA、全氟-3,5-二氧基己酸(PFO2HxA)、全氟-3,5,7-三氧基辛酸(PFO3OA)等。2022年,Yao等[787]在太湖上游的氟化学工业区首次检测到六氟环氧丙烷三聚体(HFPO-TA)的同系物C7-HFPO-TA和C8-HFPO-TA,前者以447 μg/L的高质量浓度在该厂区排水中存在,且在太湖中以5.6 ng/L的质量浓度被检出。
6.1.2.2 大气
大气中的PFAS会以附着在颗粒物上的形式存在。Yu等[788]收集了中国5座城市的大气颗粒物(APM)的样本,在检出PFOA、PFHxA等多种传统PFAS同时,首次报道了1∶n多氟烷基醚羧酸(1∶n PFECAs)、全氟烷基二酸(PFdiOAs)、氢取代全氟烷基二酸(H-PFdiOAs)和不饱和全氟醇(UPFAs)等多类新型PFAS在APM中的存在。FTOH被证实在德国大气中广泛存在,其在城市和郊区的质量浓度分别高达546 pg/m3和311 pg/m3[789]。N-甲基氟辛烷磺酰胺(NMeFOSA)和4∶2 FTOH 2种挥发性PFAS也在大气样品中被检出[789]。Yao等[790]曾在多个省份收集的室外粉尘中检测到FTOH和多氟烷基磷酸二酯(DiPAP)等,证实大气颗粒物可通过吸附来积累PFAS并通过干沉降将其带回地面。
6.1.2.3 土壤及沉积物
来自中国30个行政区的居民住宅区土壤样品的分析数据表明,PFOA在土壤中仍占主要地位,平均质量分数为354 pg/g,检出率为96.6%;而PFOS已被其替代品氯代多氟基磺酸(Cl-PFESAs)和短链同系物取代,其中碳链长度小于8的PFOS同系物的检出率高达100%[791]。
6.1.2.4 植物
6.1.2.5 野生动物
已有研究表明,多种PFAS,尤其是碳链长度大于7的长链PFAS,具有在生物体内蓄积并通过食物链放大的特性[798,799]。长江流域的鳊鱼(Parabramis pekinensis)等鱼类的肝脏、肌肉等组织中检出了PFOA、PFOS和PFHxS等物质存在,其生物累积因子(BAF)均 > 5000 L/kg,具有高生物累积性[800]。PFOS在亚特兰大市区的主红雀(Cardinalis cardinalis)血清中的浓度最高可达180 ng/mL[801],而在上海野生动物园的金丝猴血清中质量浓度为0.06~0.52 ng/mL[802]。同时,金丝猴血清中各种PFAS质量浓度以PFOA为首,最高可达4.08 ng/mL[802]。
6.1.3 PFAS的生物毒性
6.1.3.1 植物
水生植物方面,PFBA和全氟丁烷磺酰胺(FBSA)的混合暴露可使小球藻(Chlorella pyrenoidosa)的生长受到明显抑制,且光合作用、活性氧代谢和DNA复制等生物过程均受到不利影响[814]。Gonzales等[815]发现,低浓度的PFOA导致普通浮萍(Lemna minor)的叶片数量发生了变异,但叶绿素合成和活性氧代谢则没有受到显著影响。Li等[816]研究了PFOS对凤眼莲(E. crassipes)和互花米草(Cyperus alternifolius)2种湿地植物的毒性,发现低于0.1 mg/L的PFOS能促进植物的生长和叶绿素合成,但在10 mg/L的高质量浓度下,2种植物的叶绿素合成受到抑制,叶片膜和细胞结构遭到破坏,根细胞线粒体轮廓变得不完整。
6.1.3.2 无脊椎动物
无脊椎动物通常处于食物链的底层,对整个生态系统的物质循环和能量流动至关重要,PFAS在这些生物体内的累积和毒性很大程度上决定了其他动物的健康状况。
对于陆上的无脊椎动物,如蚯蚓和昆虫,PFAS也呈现出一定的毒性效应。PFOA等污染物的暴露可诱导蚯蚓体内产生过量的活性氧导致氧化应激,进而造成DNA的损伤[825]。以赤子爱胜蚓(Eisenia fetida)为对象的研究表明,120 mg/kg PFOA暴露14 d内蚯蚓的抗氧化反应相关酶活性有所升高,但42 d后显著降低,且DNA出现最大程度的损伤[826];而背暗流蚓(Aporrectodea caliginosa)在PFOS暴露后也产生了DNA损伤,但并无氧化应激表现,暗示PFOS可能通过抑制 DNA 修复途径等其他机制来造成DNA损伤[827]。欧洲蜜蜂(Apis mellifera)在食用含一定浓度PFOS的糖浆后,其死亡率提高、幼虫发育停止,以及集群行为、蜂巢维护行为和防御行为等均发生异常[828]。
6.1.3.3 脊椎动物
脊椎动物在食物链中的营养级一般较高,在捕食低营养级生物的过程中,PFAS在机体内逐级蓄积,产生生物放大现象,也可能表现出明显的毒性作用。
除鱼类外,蛙类、蝾螈等两栖动物近年也常被用作生态毒理的研究对象,这是由于其生活史较为复杂,需经历水生到陆生的变态发育,且皮肤通常具有良好的可渗透性,因此对环境污染物更加敏感。Flynn等[831]发现,在暴露96 h后,PFOS对美洲牛蛙(Rana catesbeiana)蝌蚪具有致死效应,最低半致死质量浓度(LC50)为144 mg/L。另外,PFOA、PFOS、PFHxS等物质使多种两栖动物均产生体质量降低、身体状况下降、发育延迟的效应[832],且毒性不仅因PFAS种类和物种而异,也因发育阶段而异[833],例如,蝾螈通常比蛙和蟾蜍对PFAS更敏感,且在幼体发育的早期阶段受到的影响更大。
6.1.4 结论与展望
目前,针对PFAS在各种环境介质中的分布情况和生态毒性效应,国内外已开展了较为全面的研究。综上所述,各类PFAS在水、空气、土壤等自然介质中广泛分布,在动植物等生物介质体内存在蓄积,并对生物体产生肝毒性、发育毒性、内分泌干扰等多种毒性效应,值得引起人们的关注。当然,已有研究也存在一些亟待攻克的难点。首先,同种污染物对生物的毒性存在物种差异[832],乃至同一物种间存在性别差异[838],在评估PFAS毒性时需拓展考量的角度,加强对背后的机理的研究,从机制出发,借助AOPs、计算机模拟等手段,实现物种间、性别间的危害外推。其次,相较于在标准实验条件下开展模式植物/动物毒性研究,在研究PFAS对自然状态下生物的毒理时难免会受到各种因素的干扰,因为从自然环境中获得的生物样本可能同时暴露在重金属等其他污染物下,研究得到的结论可能无法与PFAS的暴露建立起明确的因果关系[839]。
如今,某些PFAS替代品已被证实对生物体具有更强的毒性,对新型PFAS,尤其是潜在替代品的危害研究亟需开展。相关行业应当加快对替代品生产工艺或治理手段的开发,相关部门也应加紧对PFAS的治理和管控举措,在最大程度上减小PFAS对生态环境的危害。
6.2 有机磷酸酯生态毒理学
6.2.1 有机磷酸酯概述
OPEs是一类合成磷酸酯衍生物,其结构通式如图28所示。OPEs分子结构中心有一个磷酸基团,在酯化的过程中,磷酸的氢原子被不同的基团所取代。根据取代基上官能团的差异,OPEs可分为卤代OPEs、烷烃类OPEs和芳香类OPEs(表8,表9)[843]。随着具有持久性污染特性的传统溴代阻燃剂(如PBDEs和HBCD)被多国立法禁用,OPEs作为传统溴代阻燃剂的替代品,在全球范围内被广泛应用于塑料、家具、纺织品、建筑材料、汽车及电子设备中,以增加材料可塑性及阻燃性能[844⇓⇓~847]。据统计,2001—2018年,OPEs全球消费量从18.6万t急速增长到100万t。中国是全球OPEs主产区之一,截至2022年,中国OPEs的产量已达30万t[848⇓~850]。由于OPEs往往是以物理添加的形式存在于产品中,在生产和使用过程中容易通过挥发、浸出、磨损和溶解等方式释放到环境中,导致OPEs在全球各类环境介质中均有不同程度的检出,造成环境污染[851⇓⇓~854]。随着OPEs的使用量逐年增加,其环境浓度也不断上升,在部分地区的污染水平甚至已经超过传统的溴代阻燃剂[855,856]。OPEs作为一类新污染物,其生态健康风险已引起人们的广泛关注。OPEs暴露对生物体具有生长发育毒性、内分泌干扰效应、肝脏与代谢毒性、神经毒性等多种毒性效应。本节将对近5年OPEs的污染现状和毒理学研究进展进行重点阐述。
表8 传统有机磷酸酯(T-OPEs)基本信息Table 8 Basic information of conventional OPEs(T-OPEs) |
| classification | English name | Chinese name | abbreviation | CAS | scheme |
|---|---|---|---|---|---|
| 烷烃类 OPES | Trimethyl phosphate | 磷酸三甲酯 | TMP | 512-56-1 |  |
| Triethyl phosphate | 磷酸三乙酯 | TEP | 78-40-0 |  | |
| Tripropyl phosphate | 磷酸三丙酯 | TPrP | 513-08-6 |  | |
| Triisopropyl Phosphate | 磷酸三异丙基酯 | TIPP | 513-02-0 |  | |
| 烷烃类 OPES | Tributyl phosphate | 磷酸三丁酯 | TnBP | 126-73-8 |  |
| Triisobutyl phosphate | 磷酸三异丁酯 | TIBP | 126-71-6 |  | |
| Tris(2-butoxyethyl) phosphate | 磷酸三(2-丁氧基乙基)酯 | TBOEP | 78-51-3 |  | |
| Tris(2-ethylhexyl) phosphate | 磷酸三(2-乙基己基)酯 | TEHP | 78-42-2 |  | |
| 氯代 OPEs | Tris(2-chloroethyl) phosphate | 磷酸三(2-氯乙基)酯 | TCEP | 115-96-8 |  |
| Tris(2-chloroethyl) phosphate | 磷酸三(2-氯乙基)酯 | TCEP | 115-96-8 |  | |
| Tri(2-chloroisopropyl) phosphate | 三-(2-氯异丙基)磷酸酯 | TCIPP | 13674-84-5 |  | |
| Tris(1,3-dichloro-2-propyl) phosphate | 磷酸三(1, 3-二氯-2-丙基)酯 | TDCIPP | 13674-87-8 |  | |
| 芳香类 OPEs | Triphenyl phosphate | 磷酸三苯酯 | TPhP | 115-86-6 |  |
| Tritolyl phosphate | 磷酸三甲苯酯 | TCrP | 1330-78-5 |  | |
| 2-Ethylhexyl diphenyl phosphate | 磷酸二苯基异辛酯 | EHDPP | 1241-94-7 |  |
表9 新型有机磷酸酯(NOPEs)基本信息Table 9 Basic information of novel OPEs (NOPEs) |
| Classification | English name | Chinese name | abbreviation | CAS number | scheme |
|---|---|---|---|---|---|
| 2,2-Bis(chloromethyl)trimethylene bis(bis(2-chloroethyl) phosphate) | 2,2-二(氯甲基)-1,3-丙二醇双[双(2-氯乙基)磷酸酯 | V6 | 38051-10-4 |  | |
| 卤代 OPEs | Tris(2,3-dibromopropyl) phosphate | 三-(2,3-二溴丙基)-磷酸酯 | TDBPP | 126-72-7 |  |
| Tris(tribromoneopenthyl)phosphate | 三(三溴新戊基)磷酸酯 | TTBP | 19186-97-1 |  | |
| Cresyl diphenyl phosphate | 磷酸二苯甲苯酯 | CDP | 26444-49-5 |  | |
| 芳香类OPEs | 2-Isopropylphenyl Diphenyl Phosphate | 2-异丙基苯基二苯基磷酸酯 | IPDP | 64532-94-1 |  |
| Naphthalen-2-yl diphenyl phosphate | 磷酸-2-萘基二苯基酯 | NAPHP | 18872-49-6 |  | |
| tert-butylphenyl diphenyl phosphate | 磷酸叔丁基苯二苯酯 | BPDP | 56803-37-3 |  | |
| Isodecyl diphenyl phosphate | 磷酸异癸基二苯酯 | IDPP | 29761-21-5 |  | |
| Bis(2-ethylhexyl) phenyl phosphate | 磷酸二(2-乙基己基)苯酯 | BEHPP | 16368-97-1 |  | |
| 2-Biphenylylphenyl phosphate | 磷酸-2-联苯基二苯基酯 | BPDPP | 132-29-6 |  | |
| Bis(2-isopropylphenyl) Phenyl Phosphate | 二(2-异丙基苯基)苯基磷酸酯 | RBDPP | 69500-29-4 |  | |
| Bis(4-Tert-Butylphenyl) Phenyl Phosphate | 二(4-叔-丁基苯基)苯基磷酸酯 | B4TBPPP | 115-87-7 |  | |
| Tris(2-isopropylphenyl) phosphate | 三(2-异丙基苯)磷酸 | TIPPP | 64532-95-2 |  | |
| Tri-(4-Tert-Butylphenyl) Phosphate | 磷酸三(对-叔丁基苯)酯 | TBPP | 78-33-1 |  | |
| Resorcinol bis(diphenylphosphate) | 间苯二酚四苯基二磷酸酯 | RDP | 57583-54-7 |  | |
| Tris(2,4-di-tert-butylphenyl) phosphate | 三(2,4 -二-叔丁基苯基)磷酸酯 | TDtBPP | 95906-11-9 |  | |
| Bisphenol-A bis (diphenyl phosphate) | 双酚A双(二苯基磷酸酯) | BPA-BDPP | 5945-33-5 |  |
6.2.2 OPEs的环境污染现状
6.2.2.1 室内粉尘及大气
由于OPEs在使用过程中很容易从家用消费品中迁移、释放到室内环境中,因此室内环境被认为是人类暴露于OPEs的重要微环境[872,873]。近年来,室内粉尘中主要OPEs仍以传统OPEs(T-OPEs)为主,但新型OPEs(NOPEs)的检出率和检出浓度在逐年上升(表10)。在美国中西部的室内空气和粉尘中,OPEs总质量分数(ΣOPEs)高达736330 ng/g[857]。在英国的室内粉尘中,ΣOPEs质量分数高达1099519 ng/g,主要检出OPEs为EHDPP,TCEP,TBOEP,TDCIPP和TCIPP[860]。在希腊的室内粉尘中同样检出高质量分数的OPEs(189962 ng/g),以TDCIPP,TCIPP,TBOEP和TPhP为主。此外,在希腊室内粉尘中NOPEs的检出率为100%,且检出高质量分数IDPP(401 ng/g)[859]。在尼泊尔的室内粉尘中,ΣOPEs质量分数为12100 ng/g,以TCIPP,TPhP和EHDPP为主[861]。2019年,美国学者对全球12个国家室内粉尘进行OPEs检测,发现相比于发达国家(韩国:31300 ng/g;日本:29800 ng/g;美国:26500 ng/g),发展中国家室内粉尘中OPEs的质量分数水平较低(越南:1190 ng/g;中国:1120 ng/g;印度:276 ng/g)[862]。在我国广州市室内粉尘中,OPEs总质量分数达95230 ng/g,主要检出OPEs为TCIPP、TDCIPP、TPhP、TEHP、TBOEP和BPA-BDPP。值得关注的是,NOPEs的总质量分数高达16550 ng/g,已经接近华南地区室内粉尘中PBDEs的质量分数(27950 ng/g)[857,874,875],表明我国华南地区人群面临严峻的NOPEs暴露风险。2020年,我国学者针对全国25个省份44份室内粉尘样品的检测表明,室内粉尘颗粒中主要检出的OPEs为TCIPP、TCEP、TEHP、TDCIPP和TPhP。NOPEs的平均质量分数虽然只有十几ng/g,但其检出率均超过75%[858]。
表10 2018—2023年有机磷酸酯在室内粉尘和大气环境中的分布情况Table 10 Distribution of OPEs in indoor dust and atmospheric environments, 2018—2023 |
| environmental medium | country or region | minimum value | maximum value | main OPEs | ref | |
|---|---|---|---|---|---|---|
| indoor dust | 中国 | 广州 | 3040 ng/g | 47240 ng/g | TDCIPP, TEHP, TCIPP, TPhP, EHDPP, BPA-BDPPa | 857 |
| 东北地区 | 700 ng/g | 9536 ng/g | TEP, TEHP, TCEP, TCIPP, TDCIPP, EHDPP | 858 | ||
| 华东地区 | 293 ng/g | 7150 ng/g | TEHP, TCEP, TCIPP, TDCIPP | |||
| 华北地区 | 958 ng/g | 7915 ng/g | TEHP, TCEP, TDCIPP, TCIPP | |||
| 华南及华中地区 | 702 ng/g | 8900 ng/g | TEHP, TCEP, TCIPP | |||
| 西北地区 | 364 ng/g | 5060 ng/g | TCEP, TCIPP, TDCIPP, TPhP | |||
| 西南地区 | 900 ng/g | 3700 ng/g | TCEP, TCIPP, TDCIPP | |||
| 希腊 | 2034 ng/g | 189962 ng/g | TDCIPP, TCIPP, TBOEP, TPhP | 859 | ||
| 英国 | 19911 ng/g | 1099519 ng/g | EHDPP, TCEP, TBOEP, TPhP, TCIPP, TDCIPP | 860 | ||
| 尼泊尔 | 153 ng/g | 12100 ng/g | TCIPP, TPhP, EHDPP | 861 | ||
| 全球 | 中国 | 149 ng/g | 4740 ng/g | TCEP, TPhP | 862 | |
| 哥伦比亚 | 54.6 ng/g | 8130 ng/g | TBOEP, TCIPP, TPhP | |||
| 希腊 | 1690 ng/g | 90200 ng/g | TnBP, TBOEP, TCEP, TCIPP, | |||
| 印度 | 52.5 ng/g | 9650 ng/g | TBOEP, TEHP, TDCIPP | |||
| 日本 | 7720 ng/g | 238000 ng/g | TBOEP, TCEP, TCIPP, TDCIPP, | |||
| 韩国 | 3090 ng/g | 249000 ng/g | TBOEP, TCEP, TCIPP, TPhP, IDDPa | |||
| 科威特 | 633 ng/g | 44400 ng/g | TBOEP, TCEP, TCIPP, TDCIPP, | |||
| 巴基斯坦 | 49.4 ng/g | 473 ng/g | TBOEP, TPhP | |||
| 罗马尼亚 | 775 ng/g | 54900 ng/g | TnBP,TBOEP, TCEP, TCIPP, TPhP | |||
| 沙特阿拉伯 | 791 ng/g | 35000 ng/g | TBOEP, TCEP, TCIPP, TDCIPP, TPhP | |||
| 美国 | 1930 ng/g | 101000 ng/g | TBOEP, TCEP, TCIPP, TDCIPP, TPhP | |||
| 越南 | 228 ng/g | 79600 ng/g | TBOEP, TCIPP, TPhP, RDPa | |||
| 美国 | 22690 ng/g | 736300 ng/g | TBOEP, TDCIPP, TCIPP, TPhP, BPDPPa | 857 | ||
| atmosphere | 中国 | 1228 ng/g | 612668 ng/g | TPhP, TCEP, TCIPP, TDBPP | 863 | |
| 东北地区 | 257 ng/g | 2630 ng/g | TCEP, TCIPP, TDCIPP | 858 | ||
| 华东地区 | 99.8 ng/g | 5960 ng/g | TCEP, TCIPP, TDCIPP, TPhP | |||
| 华北地区 | 140 ng/g | 4070 ng/g | TCEP, TCIPP | |||
| 华南及华中地区 | 154 ng/g | 5700 ng/g | TCEP, TCIPP, TDCIPP, TnBP | |||
| 西北地区 | 120 ng/g | 1030 ng/g | TCEP, TCIPP, TDCIPP | |||
| 西南地区 | 147 ng/g | 972 ng/g | TCEP, TCIPP, TEHP | |||
| 香港 | 1294 pg/m3 | 8481 pg/m3 | TCIPP, TDCIPP, TnBP, TBOEP | 864 | ||
| 广州 | 4.01 ng/m3 | 75.2 ng/m3 | TCIPP, TPhP | 865 | ||
| 太原 | 3.1 ng/m3 | 544 ng/m3 | TCEP, TCIPP, TBP | |||
| 广州 | 262 pg/m3 | 421914 pg/m3 | TCEP, TCIPP, TnBP, RDPa | 866 | ||
| 珠江三角洲 | 91 pg/m3 | 2055 pg/m3 | TCEP, TCIPP, TnBP,TDCIPP | 867 | ||
| 美国 | 五大湖 | 41.2 pg/m3 | 1320 pg/m3 | TCIPP, TnBP, TEHP, TCEP | 868 | |
| 美国 | 纽约 | 1320 pg/m3 | 20700 pg/m3 | TCEP, TCIPP, TDCIPP, TPhP, EHDPP | 869 | |
| 南极 | 164.82 pg/m3 | 3501.79 pg/m3 | TCIPP, TCEP | 870 | ||
| 北极 | 231.56 pg/m3 | 1884.25 pg/m3 | TCIPP, TCEP | 871 | ||
注:a为NOPEs |
OPEs在大气中也广泛存在。在美国五大湖区域的大气中,ΣOPEs中位质量浓度为280 pg/m3,主要OPEs为TCIPP,TnBP,TEHP和TCEP[868]。在美国纽约机场的空气中,ΣOPEs质量浓度高达20700 pg/m3,以TCEP,TDCIPP,TCIPP和EHDPP为主。值得注意的是,在纽约机场的空气中检出高质量浓度的NOPEs(CDP: 182 pg/m3,BPDP: 622 pg/m3,TBPP:1790 pg/m3,V6:796 pg/m3)[869]。此外,OPEs在极地大气环境中亦有检出。例如,在南极洲的大气中,ΣOPEs质量浓度为165~3501 pg/m3,主要OPEs为TCIPP和TCEP[870]。在北极圈大气中,OPEs污染程度与南极洲相当(232~1884 pg/m3),且以TCIPP和TCEP为主[871]。2018年,我国学者对中国10个特大城市大气进行污染物检测,发现OPEs是大气环境中质量分数(612668 ng/g)最高的一类化合物,其质量分数比PBDEs和NBFRs高数个数量级。其中,TCEP、TDCIPP和TCIPP是大气中最主要的OPEs,且TDBPP的质量分数(866 ng/g)已高于美国家庭室内粉尘TDBPP的质量分数[863]。2016年,一项对中国香港的大气全年监测结果表明,中国香港地区的大气中年均ΣOPEs质量浓度为4936.1 pg/m3,传统含氯OPEs占总含量的82.7%[864]。在广州地区的大气中,ΣT-OPEs平均质量浓度为4591 pg/m3,其中TCIPP、TCEP和TPhP是主要的T-OPEs;ΣNOPEs平均质量浓度为600 pg/m3,其中以RDP(381 pg/m3)为主[866]。在珠江三角洲的大气中,ΣOPEs平均质量浓度为834 pg/m3,TCEP,TCIPP,TnBP和TDCIPP是主要OPEs[867]。以上环境监测数据表明,我国室内空气和大气环境普遍受到OPEs污染,其中TCEP和TCIPP是主要污染物。此外,值得注意的是,随着T-OPEs被NOPEs取代,我国大气环境中NOPEs的检出率和含量也逐年升高,我国居民正面临日益增长的NOPEs暴露风险。因此,在未来,需要重视我国NOPEs的大气污染问题及其带来的人体暴露风险。
6.2.2.2 水体及沉积物
大气中的OPEs通常以降水或沉积的方式进入到水环境中。此外,降雨冲刷、地表径流和污水处理后排放也是造成自然水体OPEs污染的重要来源[876⇓⇓~879]。目前在全球各类水环境中均检出OPEs(表10)。美国旧金山湾海水中ΣOPEs质量浓度为130 ng/L,TDCIPP,TBOEP和TPhP是主要OPEs[880]。越南河内的地表水中,ΣOPEs平均质量浓度为1412 ng/L,TCIPP为主要OPEs[881]。地中海马赛湾的海水中,ΣOPEs高达1013 ng/L,TCIPP和TCEP是主要OPEs[882]。在偏远环境中,如加拿大北冰洋海域,也检测出OPEs,但其浓度较低,ΣOPEs中位质量浓度仅为8.3 ng/L,以TEHP,TCIPP和TCEP为主[883]。我国研究人员在2023年对全国25个城市的50份城市污水进行检测。结果表明,我国中部和东部地区处理后的城市污水中ΣOPEs质量浓度较其他地区更高。其中,武汉污水处理厂的处理后污水中ΣOPEs平均质量浓度高达9030 ng/L[884]。此外,在自然水体中,例如黄河中下游流域的河水中ΣOPEs平均质量浓度为1280.06 ng/L,其中以TCEP、TEP和TCIPP为主[885]。在太湖水体中,ΣOPEs的平均质量浓度为800 ng/L,以TEP(620 ng/L)为主[886]。南京地表水和饮用水中ΣOPEs的平均质量浓度分别为3671 ng/L和719.83 ng/L[887]。我国香港地表水中ΣOPEs的平均质量浓度为637 ng/L[888]。在我国西部地区,水环境中ΣOPEs的平均质量浓度远低于我国其他地区。例如,我国学者对长江全流域进行OPEs检测,上游流域(青海、云南、四川和重庆)江水中OPEs的质量浓度显著低于中下游流域。但是,在不同江段江水中,TEP、TCIPP和TCEP均是主要的OPEs[889]。西藏地区的地表水中ΣOPEs平均质量浓度为289.28 ng/L,以TCEP和TCIPP为主[890]。重庆农村地区地表水中,ΣOPEs平均质量浓度为52.6 ng/L[891]。成都河流中ΣOPEs平均质量浓度为204 ng/L[892]。
在尼日利亚河流的沉积物中,ΣOPEs质量分数高达2110 ng/g(dw),TBOEP为主要OPEs[893]。我国学者在2019年对太湖流域中主要湖泊的沉积物进行检测,结果显示,太湖流域沉积物中ΣOPEs的平均质量分数高达1430 ng/g(dw),以芳香类OPEs和烷烃类OPEs为主。值得注意的是,所有沉积物样品中均检出TDtBPP和BEHPP,表明这2种NOPEs在沉积物中广泛存在[894,895]。我国辽河沉积物中检测到19.7~234 ng/g (dw)OPEs[896]。黄河中下游沉积物中ΣOPEs平均质量分数为136.05 ng/g(dw),以TEP、TCEP和TCIPP为主。黄河沉积物中虽然检出NOPEs(RDP、BPA-BDPP和V6),但其平均质量分数均低于1 ng/g(dw)[885]。珠江入海口沉积物中ΣOPEs质量分数为23.5~287 ng/g(dw),主要OPEs为TCEP,TCIPP和TPhP[897]。总体而言,我国水环境中OPEs主要以T-OPEs为主,且TCEP、TCIPP和TEP是占比最高的3种OPEs,需要重点关注。NOPEs虽有检出,但其污染水平较低。
6.2.2.3 野生生物
鱼类作为水生食物网中重要的一环,是研究人员长期监测的重点。例如,在我国莱州湾的鱼类中,检测出较高质量分数的ΣOPEs(平均:1630 ng/g(lw))。其中,烷烃类OPEs为主要的污染物。值得注意的是,底栖鱼类ΣOPEs平均质量分数(2120 ng/g(lw))显著高于中上层鱼类(1200 ng/g(lw))[900]。在珠江三角洲的鱼类中也检出了高质量分数的OPEs(ΣOPEs平均质量分数:431~771 ng/g(lw)),其中以TEHP、TCIPP、TBOEP和TCEP为主[901,902]。在北运河的鱼类中,ΣOPEs平均质量分数为822 ng/g(lw),主要的OPEs为TnBP、TCEP、TCIPP和TEHP[903]。在太湖的鱼类中,ΣOPEs的平均检出质量分数为6.68 ng/g (ww)。值得关注的是,与其他区域不同,太湖鱼类中质量分数最高的OPEs是TDtBPP(2.72 ng/g(ww))和TBOEP(8.66 ng/g(ww)),与此前在太湖流域沉积物中OPEs检测结果相同。这表明,在太湖流域,TDtBPP是在各环境介质中广泛存在的NOPEs[904]。在国外,加拿大学者一项长期监测结果显示,2001—2017年,五大湖湖鳟体内的ΣOPEs质量分数从122 ng/g(ww)降低至9.06 ng/g(ww)[905]。在偏远地区,如南极洲的南极鳕鱼中也检测出173 ng/g(lw)OPEs,TCEP和TDCIPP是主要的OPEs,这可能与其具有POPs特性有关[906]。
目前,针对水生食物网中高营养级生物OPEs的研究有限。近期的研究表明,水生哺乳类中OPEs污染水平远高于鱼类。据报道,西班牙海域中的短吻真海豚体内的OPEs质量分数高达24.7 μg/g(lw),与先前报道的海豚体内PBDEs浓度相当,其中IDPP、TnBP和三异丙苯基磷酸酯(IPPP)为主要OPEs。值得关注的是,在宽吻真海豚体内检出高质量分数的NOPEs(IDPP: 516 ng/g(lw);IPPP:142 ng/g(lw))[907]。在西印度洋中的3种海豚肌肉中ΣOPE的平均质量分数为1.045 μg/g(lw),TBOEP为主要OPEs化合物。此外,该研究结果表明,西印度洋区域中海豚体内的ΣOPEs质量分数要比PBDEs高2个数量级[908]。在冰岛海域捕获的长须鲸肌肉中,共检出7种OPEs,ΣOPEs的平均质量分数为985 ng/g(lw),以IPPP、TnBP和三苯基氧化膦(TPPO)为主[909]。1990—2018年,西班牙学者对条纹海豚体内OPEs污染特征进行长期监测。研究结果表明,地中海地区的条纹海豚体内ΣOPEs浓度始终维持在相对平稳的水平,但不同时期主要的OPEs化合物有所差异。1990年,条纹海豚体内OPEs主要是TBOEP。2004—2018年,条纹海豚体内主要OPEs均为TnBP。这在一定程度上反映了地中海地区水生生物历史OPEs暴露情况[910]。此外,在挪威北部海域的鲸类体内,检测出高质量分数的TEHP(164 ng/g(lw))和TCIPP(41 ng/g(lw))[911]。
6.2.2.4 人体
在日常生活中,OPEs可通过呼吸、饮水、进食和皮肤吸收等多种途径进入人体,在人体内积累并造成OPEs人体暴露[915⇓~917]。近年来,OPEs在多国人体样品中均有检出。由于人体医学研究的伦理规定,人体样品的获取具有局限性,用于OPEs检测的多为血清(液)、头发、母乳和尿液等样品。我国红安、杭州和绵阳的孕妇血清中的ΣOPEs(8.28~14.5 ng/mL)与其胎儿脐带血中ΣOPEs(5.822~11 ng/mL)平均质量浓度相当,高于北京成年人血清中ΣOPEs质量浓度(5.29 ng/mL)。不同地区的人体血清中,OPEs的组成也有所差异,这可能与当地的工业化程度相关[918⇓~920]。此外,我国济南老年人(60~69岁)血清中ΣOPEs平均质量浓度为6.739 μg/L,TnBP、TPhP和TCIPP是老年人血清中主要的OPEs。值得注意的是,在所有的血清样品中,均检出NOPEs(CDP、BPA-BDPP和RDP),平均质量浓度为0.008~0.117 μg/L[921]。我国北京妇女的乳汁中ΣOPEs平均质量浓度为26.6 ng/mL,其中TPhP的平均质量浓度达到15.1 ng/mL,其次是V6(6.04 ng/mL)[922]。在美国妇女的乳汁样品中,ΣOPEs平均质量浓度为3.61 ng/mL[923]。2018—2023年OPEs在水环境及生物体中的蓄积情况见表11。
表11 2018—2023年OPEs在水环境及生物体中的蓄积情况Table 11 Accumulation of OPEs in aquatic environment and organisms, 2018—2023 |
| medium | country or region | minimum concentration | maximum concentration | main OPEs | ref | ||
|---|---|---|---|---|---|---|---|
| 水环境 | |||||||
| 地表水 | 中国 | 602 ng/L | 9030 ng/L | TEP, TCIPP | 884 | ||
| 黄河中下游 | 97.66 ng/L | 2433 ng/L | TEP, TCEP, TCIPP, TDCIPP | 885 | |||
| 太湖 | 100 ng/L | 1700 ng/L | TEP | 886 | |||
| 南京 | 4.36 ng/L | 195269 ng/L | TDCIPP, TCEP, TDBPP | 887 | |||
| 香港 | 58.8 ng/L | 3090 ng/L | TCIPP, TBOEP | 888 | |||
| 长江流域 | 27.9 ng/L | 2531 ng/L | TEP, TCIPP, TCEP | 889 | |||
| 西藏 | 46.45 ng/L | 1744.73 ng/L | TCEP, TCIPP | 890 | |||
| 重庆 | 24.8 ng/L | 65 ng/L | TnBP, TCIPP, TCEP, TBOEP | 891 | |||
| 成都 | 19.1 ng/L | 533 ng/L | TCEP, TCIPP, TBOEP | 892 | |||
| 美国 | 35 ng/L | 290 ng/L | TDCIPP, TBOEP, TPhP | 880 | |||
| 北冰洋 | 6 pg/L | 440 pg/L | TCEP, TCIPP | 924 | |||
| 越南 | 46 ng/L | 3644 ng/L | TCIPP | 881 | |||
| 加拿大 | 2.9 ng/L | 67 ng/L | TEHP, TCIPP, TCEP | 883 | |||
| 地中海 | 9 ng/L | 1013 ng/L | TCIPP, TCEP | 882 | |||
| 沉积物 | 中国 | 太湖 | 12.8 ng/g(dw) | 9250 ng/g(dw) | TEHP, TDtBPPa, TCIPP | 894,895 | |
| 辽河 | 19.7 ng/g(dw) | 234 ng/g(dw) | TnBP, TBOEP | 896 | |||
| 黄河中下游 | 47.33 ng/g(dw) | 234 ng/g(dw) | TCEP, TCIPP, TEP | 885 | |||
| 珠江入海口 | 23.5 ng/g(dw) | 187 ng/g(dw) | TCEP, TCIPP, TPhP | 897 | |||
| 尼日利亚 | 13.1 ng/g(dw) | 2110 ng/g(dw) | TBOEP | 893 | |||
| 生物体 | |||||||
| 水生生 物 | 中国 | 南海 | 浮游生物 | 660 ng/g(dw) | 922 ng/g(dw) | TCIPP, TCEP, TBOEP | 898 |
| 太湖 | 浮游生物 | 9.4 ng/g(dw) | 10.8 ng/g(dw) | TEHP, TPhP, TCrPa | 899 | ||
| 莱州湾 | 底层鱼类 | 833 ng/g(dw) | 3150 ng/g(dw) | 烷烃类OPEs | 900 | ||
| 中上层鱼类 | 296 ng/g(dw) | 2120 ng/g(dw) | 烷烃类OPEs | ||||
| 珠江三角洲 | 虾 | 32.1 ng/g(dw) | 102 ng/g(dw) | TCIPP, TBOEP, TDCIPP | 902 | ||
| 蟹 | 30.3 ng/g(dw) | 88.4 ng/g(dw) | TCIPP, TBOEP, TDCIPP, EHDPP | ||||
| 鱼 | 8.35 ng/g(dw) | 40.9 ng/g(dw) | TCIPP, TBOEP, TDCIPP, TCP | ||||
| 浮游生物 | 660 ng/g(dw) | 922 ng/g(dw) | TCIPP, TCEP, TBOEP | ||||
| 太湖 | 草鱼 | 1.61 ng/g(ww) | 7.66 ng/g(ww) | TDtBPPa | 904 | ||
| 鲫 | 2.11 ng/g(ww) | 13.2 ng/g(ww) | TDtBPPa | ||||
| 鲤 | 0.833 ng/g(ww) | 6.95 ng/g(ww) | TDtBPPa | ||||
| 鳙 | 2.87 ng/g(ww) | 7.75 ng/g(ww) | TDtBPPa | ||||
| 鲢 | 3.7 ng/g(ww) | 32.3 ng/g(ww) | TDtBPPa, TBOEP | ||||
| 加拿大 | 五大湖 | 湖鳟 | 122 ng/g(ww) | 905 | |||
| 南极 | 鳕鱼 | 173 ng/g(lw) | TCEP, TDCIPP | 906 | |||
| 海豚 | 907 | ||||||
| 肌肉 | 69.5 ng/g(lw) | 2939 ng/g(lw) | TBOEP, IDPPa | ||||
| 肝 | 9.7 ng/g(lw) | 712 ng/g(lw) | TBOEP, EHDPP, IDPPa | ||||
| 西班牙 | 肾 | nd | 789 ng/g(lw) | TBOEP | |||
| 脂肪 | 27.2 ng/g(lw) | 2450 ng/g(lw) | TCIPP, TBOEP | ||||
| 脑 | nd | 24729 ng/g(lw) | TCIPP,TBOEP,TnBP,IDPPa,IPPPa | ||||
| 西印度洋 | 海豚 | 1630 ng/g(lw) | 31861 ng/g(lw) | TBOEP | 908 | ||
| 冰岛 | 长须鲸 | 31.9 ng/g(lw) | 10232 ng/g(lw) | IPPPa, TnBP, TPPO | 909 | ||
| 中国 | 珠江三角洲 | 鲮鱼 | 50 ng/g(lw) | 829 ng/g(lw) | TEHP, TCIPP, TCEP | 901 | |
| 罗非鱼 | 145 ng/g(lw) | 1086 ng/g(lw) | TEHP, TCIPP, TCEP | ||||
| 下口鲶 | 133 ng/g(lw) | 2321 ng/g(lw) | TEHP, TCIPP, TCEP | ||||
| 北运河 | 泥鳅 | 309 ng/g(lw) | 1973 ng/g(lw) | TCIPP, TCEP, TnBP | 903 | ||
| 鲫 | 274 ng/g(lw) | 1042 ng/g(lw) | TCIPP,TCEP,TnBP,TEHP,TPhP | ||||
| 麦穗鱼 | 265 ng/g(lw) | 1586 ng/g(lw) | TnBP, TCIPP, TEHP | ||||
| 陆生动 物 | 中国 | 长江中上游 | 鹭-鸟蛋 | 18 ng/g(ww) | 185 ng/g(ww) | TnBP, TIBPa, TCIPP | 912 |
| 美国 | 五大湖 | 白头海雕 | 913 | ||||
| 蛋 | 4.76 ng/g(ww) | 760 ng/g(ww) | TCIPP, TnBP, TPhP | ||||
| 血清 | 2.68 ng/g(ww) | 16.9 ng/g(ww) | TCIPP, TnBP | ||||
| 拉丁美洲及乌干达 | 灵长类-粪便 | 78 ng/g(lw) | 1200 ng/g(lw) | TBOEP, TCIPP | 914 | ||
| 人体 | 中国 | 杭州 | 孕妇血清 | 3.3 ng/mL | 51.4 ng/mL | TCEP, TCIPP, TPhP | 918 |
| 绵阳 | 1.66 ng/mL | 23.8 ng/mL | TnBP, TCEP, TPhP | ||||
| 湖北 | 孕妇血 | 1.06 ng/mL | 59.6 ng/mL | TCrP, TIBP, TnBP, TCIPP | 919 | ||
| 脐带血 | nd | 45.5 ng/mL | TCrP, TIBP, TnBP, TCIPP | ||||
| 济南 | 老年人血清 | 0.923 ng/mL | 26.55 ng/mL | TnBP, TPhP, TCIPP | 921 | ||
| 北京 | 母乳 | 14.2 ng/mL | 59.2 ng/mL | EHDPP, TPhP, V6a | 922 | ||
| 美国 | 0.67 ng/mL | 7.83 ng/mL | TIBPa, TnBP, TBOEP | 923 | |||
注:a为NOPEs |
6.2.3 OPEs的毒理学研究现状
6.2.3.1 生长发育毒性
一项研究表明,TDCIPP通过影响雌激素受体α(ERα)和过氧化物酶体增殖物激活受体γ(PPARγ)、CpG位点的去甲基化、降低胚胎内乙酰肉毒碱和胞苷-5-二磷酸胆碱含量,最终导致斑马鱼胚胎原肠胚发育缺陷和外包异常[925,926]。鲫长期暴露于环境相关质量浓度TDCIPP(2752、8064、47824 ng/L)后,可导致其F1代胚胎发育延迟和死亡[927]。此外,另一项研究表明,鲫暴露于5 μg/L或50 μg/L TDCIPP 90 d后,TDCIPP通过下调鲫的生长激素(ghs)、生长激素受体(ghr)和胰岛素样生长因子-1(igf1)基因表达;并通过结合生长激素释放激素受体蛋白干扰生长激素释放激素对ghs的调控,从而降低垂体中gh1和gh2的转录表达水平,最终导致鲫生长发育迟缓[848]。斑马鱼胚胎暴露于25 μmol/L或50 μmol/L TPhP 72 h后,TPhP通过减少斑马鱼胚胎中cyp26a1表达,拮抗核视黄酸受体(RAR)活性从而导致斑马鱼胚胎的发育延迟和死亡[928]。斑马鱼长期暴露于环境相关质量浓度(0.8、3.9、36.5 μg/L)磷酸二苯酯(DPhP)120 d后,DPhP通过抑制斑马鱼体内的氧化磷酸化,下调脂肪酸氧化和上调磷脂酰胆碱降解,降低肝脏中琥珀酸脱氢酶活性和肉碱O-棕榈酰转移酶1蛋白含量,从而降低雄性斑马鱼的体长体质量,导致其生长发育迟缓[929]。此外,斑马鱼胚胎暴露于高浓度DPhP(250、500、1000 μmol/L)72 h后,DPhP通过破坏线粒体功能和血红素生物合成相关通路,显著降低原位血红蛋白的水平,从而增加斑马鱼胚胎中静脉窦和球动脉之间的距离,诱发心脏发育毒性,导致斑马鱼胚胎发育异常[930]。另外一项研究表明,鲢暴露于环境相关质量浓度TnBP(100、1000 ng/L)60 d后,TnBP通过下调igf1基因的表达从而显著抑制鲢的生长发育[902]。
除了鱼类,秀丽隐杆线虫也被广泛应用于生态毒理学研究。例如,将秀丽隐杆线虫长期暴露于环境相关剂量TBOEP(50、500、5000 ng/L)21 d后,多组学联合分析结果表明,TBOEP干扰编码热休克蛋白、脂肪酶和硬脂酰辅酶A去饱和酶的相关基因表达,增加L-精氨酸在秀丽隐杆线虫体内的含量,并显著上调lethal-7家族的micro-RNA的表达,从而加速秀丽隐杆线虫衰老和死亡[931]。此外,秀丽隐杆线虫暴露于TDCIPP(0.1、1、10、100、1000 μg/L)72 h后,TDCIPP可通过抑制秀丽隐杆线虫的肿瘤抑制因子DAF-18/PTEN,激活胰岛素/胰岛素样生长因子信号通路(IIS),降低PIP3去磷酸化水平并造成磷脂酰肌醇3,4,5-三磷酸(PIP3)堆积,进一步促进丝氨酸/苏氨酸激酶里Akt/蛋白激酶B(PKB)家族的活化,从而诱导DAF-16/FoXO磷酸化并促进其封存在细胞质中,导致秀丽隐杆线虫寿命缩短[932]。
6.2.3.2 内分泌干扰效应
基于细胞和酵母双杂交技术对具有内分泌干扰特性的环境污染物进行筛查是一种方便、快捷和高效的方法。近期,我国学者采用离体暴露和计算毒理学相结合的研究方法,评估了TCEP、TDCIPP、TCP、TPhP、TBOEP、TEHP、TEP和TnBP在内的8种典型OPEs甲状腺内分泌干扰效应。重组受体基因酵母实验表明,T3与OPEs共暴露的条件下,TDCIPP、TEP、TPhP和TnBP与T3会竞争性结合甲状腺激素受体β(TRβ)[935]。此外,通过E-screen和MVLN试验,明确OPEs普遍存在抗雌激素活性。进一步分子对接实验表明,OPEs可能通过干扰ER中螺旋12的定位,导致抗雌激素效应。此外,具有大体积取代基团(如苯环)或长烷基链的OPEs,表现出更强的抗雌激素活性[935]。OPEs(1~50 μmol/L,TPhP、TMPP、IPPP、BPDP和TBOEP)暴露KGN人卵巢颗粒细胞后,促进细胞合成E2和孕酮、促进类固醇合成关键基因(STAR、CYP11A1、CYP19A1、HSD3B2和NR5A1)表达和抑制类固醇的生物合成。研究结果表明,OPEs可通过靶向调控类固醇合成酶和类固醇转运蛋白,干扰KGN人卵巢颗粒细胞合成类固醇[936]。
在活体实验中,研究人员将青鳉幼鱼暴露于EHDPP(29.9、104、434 ng/L)中100 d后,所有暴露组雄鱼雌化率显著增加。其中,434 ng/L暴露组雄鱼血清中睾酮(T)和11-酮基睾酮(11-KT)含量显著下降,104 ng/L和434 ng/L暴露组雄鱼中17β-E2、vtg1和vtg2表达量显著上升。此外,酵母双杂交实验表明,EHDPP及其代谢产物(5-OH-EHDPP和3-OH-EHDPP)具有抗雄激素效应,在雄鱼雌性化发育的过程中发挥重要作用[937]。将斑马鱼暴露于环境相关质量浓度TCEP(0.8、4、20、100 μg/L)120 d后,其子代(F1)血清中甲状腺素(T4)和下丘脑-垂体-肾上腺轴(HPT轴)相关基因显著下调,诱发斑马鱼甲状腺功能紊乱[938]。
6.2.3.3 肝毒性及脂代谢干扰效应
肝脏是生物体内解毒和脂质代谢的重要场所,被视为有毒化学品的主要靶标。近年来,OPEs对肝脏的毒性逐渐引起研究人员重视。研究表明,磷酸三己酯(THP)(800 mg/kg(体质量))暴露会诱发小鼠肝细胞产生空泡样病变和谷丙转氨酶升高。进一步研究发现,THP通过影响内质网应激、凋亡、细胞周期和糖酵解信号通路诱发急性肝损伤[941]。此外,我国学者对TPhP及其代谢产物DPhP开展肝毒性研究,结果表明,TPhP和DPhP暴露显著抑制人肝细胞摄取胞外葡萄糖和合成胞内糖原,造成胰岛素抵抗。小鼠暴露于TPhP(40、80 mg/kg (体质量))8周后,小鼠肝脏出现细胞质空泡、中心静脉和血窦充血和炎症细胞浸润病变,伴有餐后血糖显著升高。与内质网应激拮抗剂4-PBA共暴露后,小鼠餐后血糖水平有部分回落,表明TPhP通过诱导小鼠肝脏内质网应激,破坏肝脏胰岛细胞正常功能,诱发胰岛素抵抗和肝毒性[942]。高质量浓度TCEP(0.5、5 μg/L)暴露斑马鱼28 d后,暴露组斑马鱼肝脏中天冬氨酸转氨酶(AST)、丙氨酸转氨酶(ALT)、碱性磷酸酶(ALP)和超氧化物歧化酶(SOD)活力显著下降,诱发肝脏炎症。此外,TCEP暴露还导致斑马鱼肠道内菌群失衡,肠道中类杆菌比例显著升高,通过肝-肠轴激活肝脏内的促炎症因子表达,进一步促进肝脏损伤[943]。
研究表明,内分泌干扰物会破坏生物体的能量平衡和基础代谢率,促进体重的增长和相关代谢疾病的发生。先前的研究成果表明OPEs是一类广泛存在的内分泌干扰物[944],因此,近年来OPEs对生物体代谢的影响引起研究人员的广泛关注。研究表明,OPEs能够显著促进脂质沉积,引起脂代谢紊乱。例如,在离体实验中,TCrP通过激活孕激素X受体(PXR)和PPARγ促进脂质在人体细胞中堆积[945,946]。研究人员对2种芳香类OPEs(TCrP和TPhP)和3种含氯OPEs(TDCIPP、TCIPP和TCEP)的脂代谢影响作用开展研究。研究结果表明,目标OPEs在10 μmol/L浓度条件下均能通过影响线粒体正常功能,导致脂质在AML-12细胞中沉积。此外,芳香类OPEs能够引起更显著的脂质沉积现象,表明芳香类OPEs具有更强的脂质代谢干扰效应[947]。国外学者利用人3D肝细胞球进行研究时发现,暴露于1 μmol/L和10 μmol/L的EHDPP 7 d后,EHDPP通过改变ACAT1、ACAT2、CYP27A1、ABCA1、GPAT2、PNPLA2、PGC1α和NRF2基因的表达,引起人3D肝细胞球中脂类,包括类固醇脂、鞘磷脂、甘油三酯、甘油磷脂和脂肪酰基的代谢失调[948]。斑马鱼暴露于高质量浓度TCIPP(5~25 mg/L)后,TCIPP通过诱导脂肪合成相关基因过表达、抑制脂肪酸β氧化相关基因转录、影响脂质代谢和凋亡信号通路,导致斑马鱼肝脏脂质堆积[949]。研究人员将6月龄斑马鱼暴露于EHDPP(5、35和245 μg/L)21 d后,斑马鱼出现异常的摄食行为,包括平均摄食量、摄食频率和摄食率显著增加,导致其体质量、血浆总胆固醇、甘油三酯和体脂含量显著增加[950]。小鼠暴露于TCEP(20 mg/kg(体质量)和60 mg/kg(体质量))9周后,TCEP通过直接结合法尼醇X受体(FXR)上Lys335和Lys336两个氨基酸残基,抑制FXR活性,导致小鼠出现高甘油三酯血症、肝脂肪变性和体质量增加[949]。C57小鼠暴露于亚慢性浓度(1 mg/(kg·d))TCrP 12周后,小鼠肝脏中不饱和脂肪酸和类固醇激素合成受到干扰,出现肝脏脂质异常沉积,导致小鼠肝功能受损、甘油三酯和总胆固醇升高。此外,在高脂喂食组中,TCrP暴露通过改变细胞色素P450酶亚家族的活性,损害小鼠肝脏线粒体和内质网的功能,进一步加剧脂质代谢紊乱[951]。
6.2.3.4 神经毒性
此外,近期研究表明,OPEs对生物体的神经毒性具有性别差异性。例如,早期斑马鱼胚胎暴露于TDCIPP中至成年,TDCIPP暴露性别特异性地减少雌鱼大脑中多巴胺含量、下调多巴胺能信号转导相关基因转录和增加神经发育关键基因启动子区域的DNA甲基化程度,导致成年雌性斑马鱼出现焦虑行为[959]。另一项研究表明,青鳉幼鱼长期暴露于环境相关质量浓度(29.9、104、434 ng/L)EHDPP至性成熟,EHDPP会导致雄鱼出现雌化,特异性地抑制了雄鱼的追逐、求偶和交配等行为[937]。研究人员利用小鼠开展研究时发现,怀孕雌鼠经口暴露于TDCIPP、TCrP和TPhP混合物中,F1代中雄鼠下丘脑中神经元发育相关基因转录异常,并出现焦虑行为[960,961]。在武汉产妇及新生儿群体开展的研究表明,孕妇体内含氯OPEs暴露水平与新生男婴的神经发育指标呈负相关[962]。
6.2.4 展望
综上所述,OPEs的污染已经引起广泛的关注和重视。由于OPEs的使用量巨大,OPEs仍然广泛存在于产品中,在使用和回收的过程中,OPEs会持续向环境中释放,造成持久性的环境污染。此外,面对NOPEs的投入使用,许多科学问题有待深入阐明。综合已有研究结果,提出以下展望。
1)随着研究深入,一些T-OPEs(如TCEP、TCIPP、TDCIPP和TPhP等)被证实具有POPs特性,使得NOPEs大量被投入使用,这使得NOPEs在环境介质、野生动物以及人类体内的含量持续升高。与T-OPEs相比,NOPEs具有高分子质量、高疏水性和高生物富集系数的特点,意味着可能更强的生物的蓄积能力和环境持久性,以及更复杂的代谢转化过程。然而,目前关于NOPEs的环境行为和毒理学研究极其有限。因此,我们需要密切关注NOPEs的环境污染问题及其对生态系统和人类健康的潜在风险,开展NOPEs的溯源、转化和代谢等环境行为以及毒理学效应和作用机制方面的研究。鉴于作为替代品的NOPEs的急性毒性大概率一般较低,所以研究思路上应从相对高风险急性暴露损伤向长期暴露的风险转变,需要关注能其可能引起代谢紊乱相关疾病及远期或跨代毒性效应,研究分子靶点-细胞水平损伤-代谢扰乱等传统常规毒理学手段不易发现的毒性效应和机制。
2)一些OPEs进入生物体内,经过复杂的生物体内代谢过程,产生的代谢产物对生物体造成的毒性可能比母体化合物更强,因此,需要关注OPEs在生物体内的生物转化过程和代谢产物解析,以及代谢产物引起的效应和机制分析与验证,更加深入揭示其致毒机制。从尺度上,有必要开展生态学水平的研究,探究食物链毒性传递规律。
3)OPEs种类众多且持续增加,为其环境健康风险评估带领巨大挑战。已有研究积累了海量的关于OPEs暴露的组学、表型和生化指标数据,但缺乏数据深度挖掘和分析的工具,导致数据利用率低,限制了我们对OPEs的风险评价。近年来,随着大数据和人工智能技术的发展,从传统统计学向机器学习转变已成为时代的必然趋势。在未来研究中,我们要借助机器学习,高通量精准识别模式生物在OPEs暴露条件下重要组织或器官的形态特征,耦合组学大数据集,精准识别OPEs的特定靶点毒性效应。建立深度学习和复杂网络分析方法和技术,整合环境大数据和毒理学大数据,综合评估其环境健康风险。
6.3 蜜源作物中新型烟碱类农药的整合暴露评估
6.3.1 研究背景及意义
昆虫传粉媒介保护了生物多样性,促进了粮食生产,是健康生态系统中物种相互作用错综复杂的网络中的关键环节[963,964]。蜜蜂是最重要的传粉昆虫[965],在世界范围内大约有25000种野生或养殖蜜蜂为花朵授粉,帮助植物繁殖[963,964,966]。然而从2006年开始,全球蜂群损失和蜜蜂疾病增加的现象不断增加,许多长期从事商业养蜂的人认为内吸性杀虫剂的大规模使用是导致蜂群崩溃障碍最重要的一个因素[967⇓⇓⇓⇓⇓~973]。已有研究表明新型烟碱类农药会对包括传粉媒介在内的非目标生物造成潜在风险[974⇓~976]。同时,也有研究已经确定了环境介质中新型烟碱类农药残留与蜜蜂等昆虫传粉媒介种群的下降及蜂群崩溃失调病(colony collapse disorder, CCD)的发生具有直接相关性[977⇓⇓⇓⇓~982]。
如何评估传粉媒介接触农药的风险是一个持续存在的问题[997]。环境中发现的杀虫剂很少单独存在[997⇓~999],常在各环境介质中检出的新型烟碱类农药有6种,Mitchell等[1000]的研究显示,在北美地区有50%的蜂蜜样本至少检出3种及以上该类农药(包括吡虫啉、噻虫嗪和噻虫胺)。环境中多农药联合暴露严重影响蜜蜂的个体水平和群体水平性状[1001],但现有研究往往缺少对新型烟碱类农药整合暴露的评价。WHO的国际化学品安全规划(international program on chemical safety,IPCS)中提出,累积暴露可以通过多种化学品的整合暴露(Cumulative exposure)来量化[1002,1003]。本文对全球范围内蜜蜂通过蜜源作物暴露于新型烟碱类农药主要方式及该农药的残留的特征进行回顾,以期通过评估整合暴露浓度(IMIRPF)量化蜜蜂的暴露水平,为该农药的生态风险评估和合理施用提供理论依据。
6.3.2 文献来源和数据提取流程
本文围绕以下问题展开:1)蜜蜂通过蜜源植物暴露新型烟碱类农药的方式是什么?2)新型烟碱类农药在花粉、花蜜及蜂蜜中积累到什么程度?3)新型烟碱类农药对蜜蜂的暴露风险要怎样合理评估?检索流程参考系统综述和元分析首选报告项目(PRISMA)指南[1004]及Impellizzeri[1005]和Zhang等[1006]的研究,使用Web of Science对2023年9月1日之前发表的文章进行系统地文献检索。将“‘Honey’或‘Nectar’或‘Pollen’”和“Neonicotinoid”作为关键词进行识别,共计得到1783篇相关文献。通过查阅所有相关文献的题目和摘要,以确定它们是否适合本综述。具体的排除及筛选流程见图29。
图29 2023年之前发表的纳入和排除研究的流程图。在Web of Science上用于搜索的关键词包括“花粉、花蜜或蜂蜜”和“新型烟碱类化合物”,研究数量显示在括号中Fig. 29 Flow diagram of included and excluded studies published prior to 2023.Keywords used to search in the Web of Science included“Pollen, Nectar, or Honey”and “Neonicotinoid”. The numbers of studies are shown in parentheses |
6.3.3 基于相对效能因子法(RPF)整合暴露评估
6.3.3.1 相对效能因子法(RPF)
通过审查后,纳入本文的研究分别报告了花粉、花蜜及蜂蜜中的新型烟碱类农药含量。其中不乏存在不同新型烟碱类农药复合污染的情况,但这些研究均缺少对新型烟碱类农药总暴露量的评价。当同一样本中毒性较强的新型烟碱类农药与毒性较弱的新型烟碱类农药同时存在时,进行简单的算术求和会低估真实暴露风险[1006]。因此,选择一种通过考虑单个新型烟碱类农药的毒性差异来整合所有新型烟碱类农药残留量的方法极为重要。
表12 7种新型烟碱类化合物的CAS号、化学结构式、无可见有害作用水平(LOAEL)及相对应的相对效价因子(RPF)Table 12 CAS numbers, Chemical structures, No observed adverse effect levels (LOAELs) and Relative potency factors (RPF) of 7 neonicotinoid insecticides |
| CAS Number | Neonicotinoid | Chemical structure | LOAEL/[mg/(kg·d)] | RPF | |
|---|---|---|---|---|---|
| 135410-20-7 | Acetamiprid (ACE) | 啶虫脒 |  | 17.5 | 0.97 |
| 210880-92-5 | Clothianidin (CLO) | 噻虫胺 |  | 31.2 | 0.54 |
| 165252-70-0 | Dinotefuran (DIN) | 呋虫胺 |  | 991 | 0.001 |
| 138261-41-3 | Imidacloprid (IMI) | 吡虫啉 |  | 16.9 | 1.00 |
| 111988-49-9 | Thiacloprid (THIAC) | 噻虫啉 |  | 2.5 | 6.76 |
| 153719-23-4 | Thiamethoxam (THIAM) | 噻虫嗪 |  | 1.8 | 9.39 |
| 105843-36-5 | Imidaclothiz (IMID) | 氯噻啉 |  | — | 1.00 |
6.3.3.2 全球范围内花粉、花蜜及蜂蜜中新型烟碱类农药的残留研究
表13 在全球范围内研究中不同蜜源作物花粉中六种新型烟碱类农药残留概述及IMIRPF值Table 13 Overview of neonicotinoids in pollen reported in the peer-review literature and the calculated IMIRPF |
| Location | N sample7 | Compound (Mean or Range) | LOQ8/ (ng/g) | IMIRPF9/ (ng/g) | ref10 | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Continent | Country | IMI1 | THIAM2 | ACE3 | CLO4 | THIAC5 | DIN6 | |||||
| Asia | China | 22 | 20.12 | -11 | 4.36 | 3.93 | — | 9.41 | 0.6~1.5(LOD) | 26.48 | 1053 | |
| China | 483 | 20.3 | 39.6 | ND | ND | ND | ND | 0.47~2.13 | 392.14 | 1025 | ||
| China | 69 | ND~3.2 | ND~2.03 | ND~3.26 | ND~0.28 | ND~1.56 | ND~2.9 | 0.031~0.074 | 0~36.12 | 1016 | ||
| Thailand | 6 | 22 | — | — | — | — | — | 1 | 22.00 | 1054 | ||
| 3 | ND12 | — | — | — | — | — | (LOD) | 0.00 | ||||
| 11 | 3.9 | — | — | — | — | — | 3.90 | |||||
| Africa | Egypt | 33 | 6.15 | 12.35~15.50 | 13.63 | 4.53 | — | 7.61 | 0.1~2.1 | 137.79~167.37 | 1055 | |
| Europe | U.K. | 13 | ND | ≤0.1213 | — | ≤0.12 | 0.06±0.22 | — | 0.12~0.48 | 0.5814 | 1021 | |
| 13 | ND | ≤0.12 | — | 0.16±0.58 | 0.15±0.36 | — | 1.27 | |||||
| 19 | ≤0.16 | 0.58±1.64 | — | ≤0.10 | 1.47±4.41 | — | 15.42 | |||||
| 23 | ≤0.16 | 4.96±11.29 | — | ≤0.12 | 0.08±0.31 | — | 47.15 | |||||
| 7 | 0.31±0.82 | ≤0.12 | ≤0.04 | ND | 1.34±3.52 | — | 9.54 | |||||
| 13 | ND | ≤0.12 | ND | ND | ND | — | 0.17 | |||||
| 11 | ND | ND | ≤0.04 | ND | ≤0.04 | — | 0.05 | |||||
| 11 | 1.13±3.34 | ≤0.12 | 0.14±0.42 | ND | ≤0.04 | — | 1.48 | |||||
| 22 | ≤0.16 | ≤0.12 | ≤0.04 | ND | ≤0.04 | — | 0.24 | |||||
| U.K. | 11 | <0.36 | 5.7 | <0.02 | 3.8 | 19 | — | 0.07~2.2 | 184.07 | 1023 | ||
| 8 | <0.36~<1.1 | 2.8 | <0.02 | <0.72 | 0.6 | — | 30.46~30.57 | |||||
| 10 | <0.36 | 0.13 | <0.02 | 0.5 | 0.3 | — | 3.58 | |||||
| 25 | 0.2 | 0.15 | <0.02~<0.07 | <0.72~<2.2 | 0.9 | — | 7.75~7.88 | |||||
| 19 | <0.36~<1.1 | <0.12~<0.36 | <0.02 | <0.72 | <0.07 | — | 0.36~0.80 | |||||
| U.K. | 18 | 6.9±16 | 11.0±16 | 0.45±0.23 | 11.0±9.3 | 0.78±1.1 | — | 0.14~5.9 | 121.84 | 1056 | ||
| Greece | 10 | 72 | ND | ND | 6.1~69.04 | ND | — | 0.2~0.6 | 75.29~109.28 | 1057 | ||
| 4 | 73.9 | 14.4 | ND | 308.3~1273 | <0.4 | — | 376.00~896.94 | |||||
| Germany | 16 | ND | — | ND | ND | 2 | — | 0.1~2.0 | 13.52 | 1058 | ||
| 39 | ND | — | 3.42 | ND | 42.37 | — | 289.74 | |||||
| 24 | ND | — | 2.08 | 0.425 | 99.8 | — | 676.90 | |||||
| 22 | ND | — | ND | ND | 18.13 | — | 122.56 | |||||
| 30 | ND | — | ND | ND | 43.18 | — | 291.90 | |||||
| 20 | 0.11 | — | ND | ND | 57.4 | — | 388.13 | |||||
| 9 | ND | — | ND | ND | 3.24 | — | 21.90 | |||||
| 20 | ND | — | 1.76 | ND | 24.94 | — | 170.30 | |||||
| 12 | 0.17 | — | ND | 0.24 | 55.18 | — | 373.32 | |||||
| 19 | ND | — | ND | ND | 21.94 | — | 148.31 | |||||
| 27 | ND | — | ND | ND | 26.68 | — | 180.36 | |||||
| 16 | ND | — | 0.13 | ND | ND | — | 0.13 | |||||
| 27 | ND | — | ND | ND | 17.7 | — | 119.65 | |||||
| Ireland | 12 | — | — | — | <0.13 | ND | — | 0.07~0.29 | 0.02 | 1033 | ||
| 8 | — | — | — | ND | 4.43±0.06 | — | 29.95 | |||||
| Italian | 238 | 2 | 2 | — | — | — | — | 0.25 | 20.78 | 999 | ||
| 152 | 2 | 1 | — | — | — | — | 11.39 | |||||
| 164 | 2 | 1 | — | — | — | — | 11.39 | |||||
| Italy | <67 | 17.9~32 | ND | 10.5~33.1 | ND | 6±2 | — | 5.69~6.12 | 104.67~64.11 | 1059 | ||
| Luxembourg | 154 | 0.44~0.79 | 0.36~0.84 | — | 0.39~1.40 | 0.57~133.05 | — | 0.28~0.42 | 7.88~908.85 | 1060 | ||
| Poland | 53 | 3.1 | ND | — | — | 61.3 | — | 0.8~8.9 | 417.49 | 1061 | ||
| N. Am15 | Canada | 6 | 4.96 | — | — | — | — | — | 0.02~0.063 | 4.96 | 1062 | |
| 6 | 18.4 | — | — | — | — | — | (LOD) | 18.40 | ||||
| Canada | 86 | 6.0±7.2 | 6.5±2.0 | 9.9±9.2 | — | 1.4 | — | ND | 86.10 | 1063 | ||
| USA | 219 | <0.1~43.1 | <0.1~2.5 | <0.1~4.36 | <0.1~8.09 | <0.1~40.8 | <0.1~4.94 | 0.1 | 0.28~350.99 | 1021 | ||
| USA | 38 | 2.5 | 53.9 | ND | 17.3 | — | — | 2 | 517.96 | 1064 | ||
| 35 | 3.9 | ND | ND | ND | — | — | (LOD) | 3.90 | ||||
| 31 | 2.9 | 3.9 | 1.6 | 4.4 | — | — | 43.45 | |||||
| USA | 170 | 0.41±0.05 | 3.65±0.36 | — | 0.80±0.05 | — | — | 0.33 | 35.12 | 1065 | ||
| 144 | 1.37±0.17 | 2.30±0.13 | — | 1.24±0.08 | — | — | 23.64 | |||||
| USA | 13 | 0.2~2.2 | ND | ND | ND | 0.1~0.3 | ND | 0.1 | 0.88~4.23 | 1032 | ||
| USA | 25 | 1.2 | 2.1 | 14.3 | — | — | ND | 0.2~0.5 | 34.79 | 1066 | ||
| 24 | 1.1 | 2.6 | 2.1 | — | — | 0.4 | 27.55 | |||||
| USA | 32 | ND | ND | 27 | ND | ND | — | 0.5~20 | 26.19 | 1067 | ||
| USA | 275 | 1.66 | — | 1.09 | — | 0.52 | — | 1~2 | 6.23 | 1068 | ||
| 273 | 8.6 | — | ND | — | ND | — | 1 | 8.60 | ||||
| 190 | 5.79 | — | ND | — | 1.1 | — | 13.23 | |||||
| 124 | 2.8 | — | ND | — | ND | — | 2.80 | |||||
| USA | 7 | 0.4~2.3 | ND | ND | ND | ND | ND | 0.1~0.5 | 0.40~2.30 | 1069 | ||
| Oceania | New Zealand | 6 | 0.2~1.2 | ND | ND | 0.2~2.6 | 0.1~3.3 | ND | 0.1~0.5 | 0.98~24.91 | 1069 | |
Note:1.Imidacloprid; 2. Thiamethoxam; 3. Acetamiprid; 4. Clothianidin; 5. Thiacloprid; 6. Dinotefuran; 7. Number of samples; 8. Limit of Quantitation; 9. Imidacloprid equivalent relative potency factor(ng/g); 10. Reference; 11. Not mentioned in the references cited; 12. No detected; 13. Less than limit of quantitation (LOQ); 14. Calculated using 1/2LOD for data less than LOQ; 15. North America. |
表14 在全球范围内文献中报道的花蜜中六种新型烟碱类农药残留概述及IMIRPF值Table 14 Overview of neonicotinoids in nectar reported in the peer-review literature and the calculated IMIRPF. |
| Location | N sample | Compound (Mean or Range) | LOQ/ (ng/g) | IMIRPF/(ng/g) | ref | ||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| Continent | Country | IMI | THIAM | ACE | CLO | THIAC | DIN | ||||
| Asia | China | 34 | 2.40 | ND | 7.81 | 2.16 | ND | 2.83 | 0.6~1.5 | 11.14 | 1053 |
| China | 391 | 30.3 | 31.2 | 16.9 | — | — | — | 0.80~2.37 | 339.66 | 1025 | |
| Europe | U.K. | 8 | ND | ≤0.10 | ND | ND | ND | — | 0.08~0.4 | 0.14 | 1021 |
| 7 | ND | 0.26±0.68 | ND | ND | ND | — | 2.44 | ||||
| 14 | ≤0.14 | ≤0.10 | ND | ND | ND | — | 0.17 | ||||
| 13 | ND | 0.2±0.51 | ND | ND | ND | — | 1.88 | ||||
| 5 | ≤0.10 | 0.76±1.52 | ND | ND | ND | — | 7.15 | ||||
| 13 | ND | ≤0.10 | ND | ND | ND | — | 0.14 | ||||
| 10 | ND | ≤0.10 | ND | ND | ND | — | 0.14 | ||||
| 12 | ND | ND | ≤0.14 | ND | 0.05±0.13 | — | 0.36 | ||||
| 19 | ND | ≤0.10 | ≤0.14 | ND | 0.09±0.15 | — | 0.77 | ||||
| Europe | Ireland | 12 | — | — | — | < 0.09~0.95 | ND | — | 0.09 | 0.01~0.51 | 1033 |
| 8 | — | — | — | < 0.09 | ND | — | 0.01 | ||||
| N. Am | USA | 224 | 0.85 | 1 | 1.08 | ND | 0.52 | — | 1~2 | 14.80 | 1068 |
| 264 | 0.53 | ND | ND | ND | ND | — | (LOD) | 0.53 | |||
| 193 | 0.62 | ND | ND | ND | ND | — | 0.62 | ||||
| 87 | ND | ND | ND | ND | ND | — | 0.00 | ||||
表15 在全球范围内文献中报道的蜂蜜中6种新型烟碱类农药残留概述及IMIRPF值Table 15 Overview of neonicotinoids in honey reported in the peer-review literature and the calculated IMIRPF |
| Location | N sample | Compound (Mean or Range) | LOQ/ (ng/g) | IMIRPF/ (ng/g) | ref | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Continent | Country | IMI | THIAM | ACE | CLO | THIAC | DIN | ||||||
| Asia | Azerbaijan | 1 | <0.03 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04 | 1000 | ||
| Burma | 2 | 0.021~0.135 | <0.02~0.092 | <0.008~0.084 | <0.03~0.044 | <0.002 | — | 0.008~0.03 | 0.05~1.11 | ||||
| China | 3 | <0.03~0.151 | <0.02~0.298 | <0.008~0.89 | <0.03 | <0.002~0.094 | — | 0.008~0.03 | 0.04~4.45 | ||||
| China | 639 | 5.01 | 1.75 | 4.78 | 4.36 | 0.896 | — | 0.1~0.15 | 34.49 | 1040 | |||
| China | 483 | 1.8~21.5 | 2.0~55.9 | 2.0~64.2 | ND | ND | — | 0.67~2.22 | 22.52~608.68 | 1025 | |||
| China | 10 | ND~2.59 | ND~0.63 | ND | ND~0.14 | ND | ND~1.71 | 0.031~0.074 | 8.58 | 1016 | |||
| India | 3 | <0.03~0.171 | <0.02~0.044 | <0.008~0.109 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04~0.69 | 1000 | |||
| Indonesia | 6 | <0.03~0.037 | <0.02~0.046 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04~0.47 | ||||
| Iran | 2 | 0.081~0.089 | <0.02 | <0.008~0.057 | <0.03 | <0.002 | — | 0.008~0.03 | 0.11~0.18 | ||||
| Israel | 2 | 2.516~2.652 | <0.02 | 0.011~0.443 | <0.03 | 0.064~0.375 | — | 0.008~0.03 | 2.99~5.65 | ||||
| Israel | 2 | 0.7~0.8 | ND | 0.2 | ND | ND | ND | 0.1~0.5 | 0.89~0.99 | 1069 | |||
| Japan | 3 | 0.030~2.198 | <0.02~1.195 | 0.125~21.786 | 0.018~1.829 | <0.002~0.002 | — | 0.008~0.03 | 0.19~35.55 | 1000 | |||
| Lebanon | 2 | 0.037~0.041 | <0.02~0.020 | 0.019~0.231 | <0.03 | <0.002 | — | 0.008~0.03 | 0.09~0.46 | ||||
| Malaysia | 1 | 0.095 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.13 | ||||
| Nepal | 2 | 0.047~0.635 | 0.026~0.095 | <0.008~0.524 | <0.03 | <0.002 | — | 0.008~0.03 | 0.30~2.04 | ||||
| Philippines | 1 | <0.03 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04 | ||||
| Saudi Arabia | 2 | 0.086~0.148 | <0.02~0.061 | 0.045~0.405 | <0.03 | <0.002 | — | 0.008~0.03 | 0.16~1.12 | ||||
| Sri Lanka | 1 | <0.03 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04 | ||||
| Thailand | 2 | 0.182~0.383 | <0.02~0.117 | 0.049~0.501 | <0.03 | <0.002 | — | 0.008~0.03 | 0.26~1.97 | ||||
| Turkey | 2 | <0.03~0.124 | <0.02 | 0.080~0.788 | <0.03 | <0.002~0.660 | — | 0.008~0.03 | 0.11~5.38 | ||||
| Vietnam | 1 | 0.079 | 0.111 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 1.13 | ||||
| Yemen | 2 | <0.03 | <0.02~0.099 | <0.008~0.041 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04~0.98 | ||||
| Africa | Burkina Faso | 1 | <0.03 | <0.02 | <0.008 | 0.099 | 0.003 | — | 0.008~0.03 | 0.11 | |||
| Cameroon | 2 | <0.03 | 0.067~0.598 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.64~5.63 | ||||
| Central African Republic | 1 | <0.03 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04 | ||||
| Egypt | 2 | <0.03~0.159 | <0.02 | <0.008~0.102 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04~0.29 | ||||
| Egypt | 45 | 0.5~1.7 | ND~18.8 | 1.7~4.9 | ND | ND | — | 0.1~2 | 178.68~192.38 | 1070 | |||
| Egypt | 37 | 0.87 | 18.84 | 4.5 | ND | — | 0.57 | 0.1~2.1 | 182.14 | 1055 | |||
| Eritrea | 1 | <0.03 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04 | 1000 | |||
| Ethiopia | 1 | <0.03 | 0.046 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.44 | ||||
| Ghana | 2 | <0.03~0.029 | <0.02~0.027 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04~0.29 | ||||
| Ivory Coast | 1 | <0.03 | 0.097 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.92 | ||||
| Kenya | 3 | <0.03 | <0.02~0.080 | <0.008 | <0.03 | <0.002~0.003 | — | 0.008~0.03 | 0.04~0.78 | ||||
| Madagascar | 3 | <0.03 | <0.02~0.033 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04~0.32 | ||||
| Morocco | 3 | <0.03~0.104 | <0.02 | <0.008~0.066 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04~0.20 | ||||
| Mozambique | 2 | <0.03~0.096 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04~0.13 | ||||
| Nigeria | 1 | <0.03 | 0.211 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 1.99 | ||||
| Guinea | 1 | <0.03 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04 | ||||
| Malawi | 1 | 0.328 | 0.142 | <0.008 | 0.091 | <0.002 | — | 0.008~0.03 | 1.71 | ||||
| Senegal | 2 | <0.03 | 0.136~0.411 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 1.29~3.87 | ||||
| South Africa | 2 | 2.388~2.445 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 2.42~2.48 | ||||
| Tanzania | 2 | <0.03~0.166 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04~0.20 | ||||
| Tunisia | 1 | 0.072 | <0.02 | 0.139 | <0.03 | 0.5 | — | 0.008~0.03 | 3.62 | ||||
| Uganda | 1 | <0.03 | 0.047 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.45 | ||||
| Europe | Austria | 32 | ND | <0.6 | 2.2~15.2 | ND | 5.0~27.4 | ND | 0.6~2.0 | 36.78~200.81 | 1071 | ||
| 9 | ND | ND | ND | ND | <0.6~2.1 | ND | 0.6~2.0 | 0.61~14.20 | |||||
| Belgium | 1 | 0.280 | 0.266 | 2.898 | 0.134 | 15.458 | — | 0.008~0.03 | 110.16 | 1000 | |||
| Bulgaria | 2 | <0.03 | <0.02~0.033 | <0.008~0.128 | <0.03 | <0.002~0.259 | — | 0.008~0.03 | 0.04~2.19 | ||||
| Croatia | 1 | 0.075 | 0.03 | 0.015 | <0.03 | 0.194 | — | 0.008~0.03 | 1.69 | ||||
| Cyprus | 1 | <0.03 | <0.02 | 0.056 | <0.03 | 0.087 | — | 0.008~0.03 | 0.68 | ||||
| Czech Republic | 2 | 0.054~0.055 | 0.083~0.252 | 0.864~1.126 | 0.029~0.037 | 1.307~5.874 | — | 0.008~0.03 | 10.52~43.24 | ||||
| England | 2 | <0.03~0.0168 | <0.02~0.350 | <0.008~0.512 | <0.03~0.216 | <0.002 | — | 0.008~0.03 | 0.04~3.92 | ||||
| Finland | 1 | <0.03 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04 | ||||
| France | 12 | <0.03~0.301 | <0.02~0.038 | <0.008~0.445 | <0.03 | <0.002~0.770 | — | 0.008~0.03 | 0.04~6.30 | ||||
| Georgia | 1 | 0.021~0.135 | <0.02 | 0.013 | <0.03 | 0.012 | — | 0.008~0.03 | 0.15~0.26 | ||||
| Germany | 2 | <0.03 | <0.02 | <0.008~4.579 | 0.197~0.951 | 0.647~46.767 | — | 0.008~0.03 | 4.51~321.13 | ||||
| Greece | 3 | <0.03~0.029 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04~0.06 | ||||
| Greece | 5 | ND | ND | ND | ND | ND | — | 0.4~1.1 | 0.00 | 1057 | |||
| 1 | ND | ND | ND | ND | ND | — | 0.00 | ||||||
| Hungary | 1 | <0.03 | <0.02 | 0.688 | 0.051 | 3.378 | — | 0.008~0.03 | 23.56 | 1000 | |||
| Irish | 30 | 11 | ND | ND | <3 | <3 | ND | 3 | 14.29 | 1041 | |||
| Italy | 4 | <0.03~1.199 | ND~0.021 | <0.008~0.080 | <0.03 | <0.002~1.677 | — | 0.008~0.03 | 0.01~12.81 | 1000 | |||
| Latvia | 1 | <0.03 | 0.136 | <0.008 | 0.421 | 0.142 | — | 0.008~0.03 | 2.47 | ||||
| Liechstenstein | 1 | <0.03 | 0.035 | <0.008 | 0.421 | <0.002 | — | 0.008~0.03 | 0.56 | ||||
| Lithuania | 1 | <0.03 | 0.291 | <0.008 | 0.197 | 0.019 | — | 0.008~0.03 | 2.97 | ||||
| Norway | 1 | 0.074 | <0.02 | <0.008 | <0.03 | 0.647 | — | 0.008~0.03 | 4.48 | ||||
| Poland | 2 | 0.05~0.153 | 0.087~1.420 | 1.583~29.312 | <0.03~0.128 | 0.704~25.340 | — | 0.008~0.03 | 7.16~213.29 | ||||
| Portugal | 3 | <0.03~0.149 | ND~<0.02 | <0.008 | <0.03 | <0.002~0.012 | — | 0.008~0.03 | 0.01~0.26 | ||||
| Macedonia | 1 | <0.03 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04 | ||||
| Romania | 2 | 0.081~0.104 | <0.02~0.030 | 0.380~0.442 | <0.03 | 0.001~0.066 | — | 0.008~0.03 | 0.49~0.82 | ||||
| Russia | 6 | <0.030.108 | <0.02~0.048 | <0.008~0.087 | <0.03 | <0.002~0.006 | — | 0.008~0.03 | 0.04~0.69 | ||||
| Slovakia | 2 | <0.03 | <0.02~0.390 | <0.008 | <0.03~0.106 | 0.157~8.263 | — | 0.008~0.03 | 1.1~59.58 | ||||
| Slovenia | 1 | <0.03 | <0.02 | <0.008 | <0.03 | 0.010 | — | 0.008~0.03 | 0.10 | ||||
| Slovenia | 60 | — | ND | ND | — | <0.005~0.018 | — | 0.005 | 0.01~0.12 | 1072 | |||
| Slovenia | 51 | ND | ND | <0.008~2.0 | ND | <0.06~9.6 | — | 0.19~2.84 | 0.06~66.84 | 1073 | |||
| Spain | 7 | <0.03~0.529 | ND~0.065 | <0.008~0.255 | <0.03 | <0.002~0.026 | — | 0.008~0.03 | 0.01~1.56 | 1000 | |||
| Switzerland | 3 | <0.03 | <0.02~0.123 | <0.008~0.008 | <0.03~0.327 | <0.002 | — | 0.008~0.03 | 0.04~1.35 | ||||
| U.K. | 21 | 0.05 | 0.1 | — | 0.28 | — | — | 0.10~0.38 | 1.14 | 1074 | |||
| 109 | 0.03 | 0.04 | — | 0.11 | — | — | 0.06~0.17 | 0.47 | |||||
| U.K. | 22 | <0.1 | ND | <0.01~0.70 | <0.02~0.74 | ND | ND | 0.01~0.1 | 0.02~1.09 | 1075 | |||
| Ukraine | 1 | 0.036 | <0.02 | <0.008 | <0.03 | 0.997 | — | 0.008~0.03 | 6.81 | 1000 | |||
| N. Am | Canada | 7 | <0.03~0.043 | 0.125~1.280 | <0.008~0.061 | 0.069~0.932 | <0.002~0.060 | — | 0.008~0.03 | 1.22~13.03 | |||
| Curaçao | 1 | 0.035 | <0.02 | 0.016 | <0.03 | <0.002 | — | 0.008~0.03 | 0.08 | ||||
| Mexico | 3 | <0.03~0.610 | <0.02~0.040 | <0.008~0.021 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04~1.01 | ||||
| United States | 15 | <0.03~6.325 | <0.02~2.674 | <0.008~0.034 | <0.03~0.917 | <0.002 | — | 0.008~0.03 | 0.04~31.96 | ||||
| USA | 8 | 0.1~1.3 | 0.4 | ND | 0.1~0.5 | ND | ND | 0.1~0.5 | 3.91~10.73 | 1069 | |||
| USA | 53 | <0.1~14.7 | <0.1~0.5 | <0.1~0.3 | <0.1 | <0.1~0.1 | <0.1~14.5 | 0.1 | 0.28~20.38 | 1017 | |||
| Oceania | Australia | 7 | <0.03~0.091 | <0.02~0.045 | <0.008 | <0.03 | <0.002~0.190 | — | 0.008~0.03 | 0.04~1.80 | 1000 | ||
| Fiji | 1 | <0.03 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04 | ||||
| France (New Caledonia) | 1 | <0.03 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04 | ||||
| New Zealand | 4 | <0.03~0.071 | <0.02~0.344 | <0.008~0.034 | <0.03 | <0.002~0.018 | — | 0.008~0.03 | 0.04~3.46 | ||||
| Niue | 1 | <0.03 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04 | ||||
| S. Am | Peru | 3 | <0.03~1.618 | <0.02~0.103 | <0.008~2.573 | <0.03 | <0.002~0.003 | — | 0.008~0.03 | 0.04~5.10 | |||
| Uruguay | 1 | 0.076 | 0.091 | 0.009 | <0.03 | 0.023 | — | 0.008~0.03 | 1.10 | ||||
| Argentina | 4 | <0.03~0.398 | <0.02~0.077 | <0.008~0.016 | <0.03~0.032 | <0.002~0.200 | — | 0.008~0.03 | 0.04~2.51 | ||||
| Brazil | 8 | <0.03~1.114 | <0.02~0.282 | <0.008 | <0.03~0.048 | <0.002 | — | 0.008~0.03 | 0.04~3.79 | ||||
| Chile | 2 | <0.03 | <0.02~0.271 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04~2.55 | ||||
| Colombia | 1 | <0.03 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04 | ||||
| Costa Rica | 2 | <0.03 | <0.02 | <0.008 | <0.03 | <0.002 | — | 0.008~0.03 | 0.04 | ||||
| Peru | 3 | <0.03~1.618 | <0.02~0.103 | <0.008~2.573 | <0.03 | <0.002~0.003 | — | 0.008~0.03 | 0.04~5.10 | ||||
| Uruguay | 1 | 0.076 | 0.091 | 0.009 | <0.03 | 0.023 | — | 0.008~0.03 | 1.10 | ||||
图30 2023年之前出版的纳入本综述数据分析的论文在每个出版年份中的数量分布图。图中,P表示花粉,H表示蜂蜜,N表示花蜜Fig. 30 The distribution of the number of the number of peer-review literatures published before 2023 that were included in the data analysis of this review is shown. In the figure, P means pollen, H means honey, and N means nectar. |
具有内吸性的新型烟碱类农药通过任何方式(例如拌种、叶面喷洒和他土壤处理等[995])应用于作物都将会被作物组织吸收[988,995,1018,1019],会通过木质部和韧皮部被输送到开花植物的花朵[974],存在于花粉和花蜜中[1020,1021]。花粉是蜜蜂的主要食物来源[1022,1023],花粉和花蜜中发现的农药残留是蜜蜂暴露的关键途径[1024]。此外,蜜蜂还可能通过食用受污染的蜂巢产品及吸入农药喷洒时产生的粉尘暴露于农药残留物[1025,1026]。鉴于蜜蜂实际接触杀虫剂的不确定性[1027,1028],一般建议评估蜜源作物产品(花粉、花蜜)及蜂巢产品(蜂蜜)的农药残留对蜜蜂的暴露风险[1025,1029]。
已有研究充分验证了农药在蜂巢产品(蜂蜜、蜂蜡、蜂面包等)中残留积累的生态毒理学影响[1037⇓~1039]。一项有关全球性的最为全面的新型烟碱类农药在蜂蜜中的残留调查结果[1000]显示,75%的蜂蜜样本中含有至少一种新型烟碱类农药,且北美(86%)、亚洲(80%)和欧洲(79%)最高,吡虫啉的检出率最高(51%),噻虫胺的检出率最低(16%)。一项来自中国的研究[1040]表明,67.9%的样本中含有一种新型烟碱类化合物,31.8%的样本含有2种或3种新型烟碱类化合物,其中啶虫脒的检出率最高(23.1%),吡虫啉的检出浓度最高。Kavanagh等[1041]2014年对欧洲蜂蜜中的新型烟碱类农药的残留量进行检测,结果显示农村有70%的样品中至少含有一种该农药,其中吡虫啉同样是检出率最高的一种(43%),即使当时欧盟已颁布禁令。
6.3.3.3 新型烟碱类农药的整合暴露浓度(IMIRPF)及其分布
表13、表14和表15统计总结了花粉、蜂蜜中新型烟碱类农药的残留研究数据,其中包括亚洲、非洲、欧洲、北美洲、南美洲和大洋洲。接着我们对收集的研究数据进行了统计计算,整合成了作物类花粉、蜂蜜和花蜜的IMIRPF,见图31。可以看出,大多数研究来源于欧洲、亚洲和北美的少数几个国家。就花粉而言,欧洲地区的IMIRPF(0.05~908.85 ng/g)远高于亚洲地区(最大值为392.14 ng/g)和北美地区(0.28~350.99 ng/g)。可能由于研究者们对花蜜的关注度较对蜂蜜和花粉的低,对于花蜜的研究相对较少,其中亚洲地区花蜜中的IMIRPF最高,达11.14~339.66 ng/g。当涉及欧洲和北美以外国家的研究时,地理分布偏差的分析存在潜在问题[1042]。Tang等[1043]根据联合国粮食及农业组织(Food and Agriculture Organization of the United Nations, FAOSTAT)的数据库资料分析得出,大量的风险区域位于生物多样性高的地区和淡水供应不足的脆弱地区,而5个需重点关注的国家中有4个国家属于高收入和中上收入经济体国家。对于研究区域覆盖范围最广的蜂蜜而言,亚洲地区蜂蜜的IMIRPF在0.04~608.68 ng/g,非洲地区为0.04~3.87 ng/g,欧洲地区为0.01~321.13 ng/g,北美地区为0.04~31.96 ng/g,大洋洲地区为0.04~3.46 ng/g,南美地区为0.04~5.10 ng/g。可以看出,蜂蜜中的整合暴露浓度存在地区差异,农业相对发达且人口较多的亚洲、欧洲和北美洲的蜂蜜中的IMIRPF相对较高,而非洲蜂蜜中的IMIRPF较低,可能与当地的发展水平和农业规模有关。与一些研究结果[1042,1044,1045]相似,与高收入国家相比,中高收入国家的农药使用通常更为密集,而一些农药在低收入国家的监管更为薄弱,也可能与教育水平有关[1045]。这些都可能是造成全球范围内新型烟碱类农药的整合暴露浓度存在地理性差异的原因。
图31 在世界范围内所研究的花粉、蜂蜜和花蜜中新型烟碱类化合物的总分布。图中括号内数字分别表示各洲花粉、蜂蜜和花蜜的样本量。参考文献及数据在表13~15中。地图审批号:GS(2014)2081,引用时仅进行颜色的改动未对洲边界线进行改动Fig. 31 Distributions of total neonicotinoid insecticides in pollen, honey, and nectar reported in studies conducted worldwide. Which (n=a:b:c) means (n=number of pollen samples: number of honey samples: number of nectar samples).References were included in Tables 13~15 |
在先前的研究中,多为对单种新型烟碱类农药的风险进行评估,缺少对整合暴露浓度的风险评估(表13~15中的引用文献),也少有研究采用了RPF法对蜜源作物种的新型烟碱类农药残留评估对蜜蜂的整合暴露浓度。Tang等[1016]采用这种基于相对效能因子法连续3个月对中国浙江省花粉和蜂蜜样品中新型烟碱类农药进行整合暴露浓度计算,结果显示在花粉和蜂蜜中的最高整合浓度IMIRPF分别为34.93 ng/g和8.51 ng/g。Wood 等[1046]使用欧洲食品安全局(European Food Safety Authority,EFSA)提供的75项野外研究数据(包括噻虫胺、噻虫嗪和吡虫啉)以及授权的最高和最低最大施用量[1047⇓~1049],计算了研究作物花粉和花蜜中的预期残留。其结果与其他的一些研究结果[1016,1034,1050,1051]相似,各种类的新型烟碱类农药在各个国家地区检出水平不同,而花粉中的检出水平始终高于花蜜中的水平。本文统计结果也与之相似:花粉的最高整合暴露浓度为908.85 ng/g,花蜜的最高整合暴露浓度为339.66 ng/g,蜂蜜的最高整合暴露浓度为608.68 ng/g。
对农业害虫控制的需求因地理区域、作物类型和季节变化而异[1039],因此本文预计对新型烟碱类农药全球残留的统计会与真实情况有所差异。考虑到新型烟碱类农药的使用量可能在全球范围内继续增加,可以预期其将在蜜源作物中无处不在。尽管如此,目前已有研究中报告的新型烟碱类农药在花粉、蜂蜜和花蜜(特别是非洲、南美洲级大洋洲等地区)中的残留数据还不足以进行更加准确的整合暴露量评估,以反映蜜蜂在觅食过程中基本的摄入量。而为了解决这一潜在的重要生态环境问题,迫切需要更多相关基质中新型烟碱类农药的残留数据,以对新型烟碱类农药潜在生态健康风险进行合理准确的评估。
6.3.4 未来新型烟碱类农药对蜜蜂及其他生物的研究前景
1)吡虫啉等3种新型烟碱类农药自其在田间实际应用以来到欧洲户外禁令数年后,在蜜源作物(花粉、花蜜)和蜂巢产品中持续存在,但蜜源作物和蜂箱基质之间各种农药残留水平的相关性鲜有研究。并且没有在长时间维度上和相同农业条件下评估施用新型烟碱类农药后蜜源作物的花粉和花蜜中的残留差异的研究。因此,有必要持续监测新型烟碱类农药在以上介质中的残留和归趋。
3)尽管有科学证据表明新型烟碱类农药的使用对生态系统有负面影响,但目前大多数害虫管理仍然依赖于使用此类农药。因此,有必要对该类农药联合存在时的真实残留风险进行更细致和全面的评估,为蜜蜂等传粉媒介创造一个更健康的生存环境。这需要更多的全球性研究协同发展,为监管机构及政策制定者提供公正和严谨的研究结果。
6.4 PPCP类污染物的生态毒理
PPCPs作为一种新兴污染物,其在进入环境中后,由于其理化特性使其能够在水性环境中持久存在,而传统的水处理方法不能有效去除这些化合物,通过迁移转化,生物累积,给生物和人类带来不同程度的生态毒理效应。
6.4.1 分子水平
国内研究发现,PPCPs在分子水平表现出明显的毒理效应(表16),具体表现为PPCP类污染物对多类蛋白和基因的表达和合成影响。在以蛤蜊为实验模型的研究发现,咖啡因、卡马西平和氟西丁都可显著降低乙酰胆碱酶(AchE)的活性,其中,卡马西平的毒性最强,仅在0.1 μg/L的水平上就表现出负面影响[1076⇓~1078]。多种消炎止痛药和β-抗阻剂,如IBU、吲哚美辛、对乙酰氨基酚、酪洛芬、比索洛尔和普萘洛尔,在无脊椎动物和藻类身上都表现出对多种不同酶活性有明显的调节作用[1079⇓~1081]。此外,曲马朵(40 mg/kg)和可待因(80 mg/kg)可诱导小鼠体内丙二醛/亚硝酸盐的产生和造成SOD缺乏[1082],而且,可待因在4 mg/kg 浓度下即可诱导雄兔的睾丸酶升高,抑制睾丸激素水平和循环[1083]。研究还发现,左氟沙星质量浓度大于50 mg/L时,可以显著降低绿豆植物体内的硝酸盐还原酶活性,而增加植物抗氧化酶活性[1084]。最近,Zhang等[1078]对地下水微生物的研究还发现,仅10 μg/L的四环素在蛋白质水平上明显降低了反硝化酶活性。其次,部分PPCPs还对蛋白质的合成展现一定的诱导效应。Yamamoto等[1085]对于对羟基苯甲酸甲酯进行了青鳉鱼卵黄蛋白原试验,并发现在630 μg/L的对羟基苯甲酸甲酯条件下,雄性青鳉鱼的卵黄蛋白显著诱导产生,而佳乐麝香也可引起斑马鱼体内总三碘甲状腺原氨酸(TT3)升高和总四碘甲状腺原氨酸(TT4)的显著降低[1086]。三氯生在0~100 μmol/L的浓度水平可以抑制脂肪酸合成和引起蛋白质聚集,增加了雌二醇和孕酮水平[1087,1088]。除此之外,多种PPCPs还表现出一些其他毒理效应,比如,二苯甲酮和氟西汀可影响激素水平包括睾酮水平和雌二醇水平[1089⇓~1091],可待因和阿普唑仑对神经分子物质表现出干扰效应[1092],IBU可影响花生四烯通路[1093],而双氯芬酸可改变藻类叶绿素a、脂质积累和抗氧化酶功能,从而影响生长[1094]。
表16 PPCPs 在分子水平的毒理效应Table 16 Toxicity effect of PPCPs in molecular level |
| Classification | Species | PPCPs chemicals and effective concentration | Toxicity effect | ref |
|---|---|---|---|---|
| Enzyme effect | Clams | Caffeine (50 μg/L) | AChE acetylcholinesterase activity decreased by 56% | 1076 |
| Carbamazepine (0. 1 μg/L) | AChE acetylcholinesterase activity decreased by 56% | |||
| Clams | Fluoxetine (1 μg/L & 5 μg/L) | Acetylcholinesterase (AChE) activity decreased significantly | 1077 | |
| Groundwater microorganism | Tetracycline (10 μg/L) | Decreased denitrifying enzyme activities at the protein level | 1078 | |
| Daphnia magna | Indomethacin (1 mg/L); Ibuprofen (1 mg/L) | Reduced feeding rate and modulated activities of key enzymes like Alkalineand acid phosphatases, lipase, peptidase, β-galactosidase, and glutathione Stransferase | 1079 | |
| Chlorella vulgaris, Desmodesmus armatus. | Bisoprolol (100 mg/L), Ketoprofen (100 mg/L) | Regulation of antioxidant enzyme activity and chlorophyll content | 1080 | |
| Male rabbits | Codeine (4 mg/kg) | Elevated testicular enzymes inhibit testosterone levels and circulation in the testicles | 1083 | |
| Rat | Tramadol (40mg /kg); Codeine (80 mg/kg) | Induces malondialdehyde/nitrite production and superoxide dismutase (SOD) deficiency | 1082 | |
| Vigna radiata | Levofloxacin (≥50 mg/L) | The activity of nitrate reductase decreased significantly, and the activity of antioxidant oxidase increased | 1084 | |
| Mytilus galloprovincialis | Propranolol (11 μg/L); Acetaminophen (23 & 403 μg/L) | Modulates antioxidant enzyme activity | 1081 | |
| Protein synthesis induction | Vallisneria natans | Sulfadiazine (-) | Alternation of α- and β-D-glucopyranose polysaccharides and the increased content of autoinducer peptides and N-acylated homoserine lactones | 1102 |
| Human ovarian granulosa cells | Triclosan (0~10 μmol/L) | TCS increased estradiol and progesterone levels with upregulated steroidogenesis gene expression | 1087 | |
| Groundwater microorganism | Tetracycline (10 μg/L) | Decreased the concentration of electron donors (nicotinamide adenine dinucleotide, NADH), electron transport system activity, at the protein level | 1078 | |
| Rat | Oxytetracycline (200 mg/kg) | Erum urea and creatinine increased significantly, and creatinine clearance decreased | 1103 | |
| Chlorococcum sp | Triclosan (100 μmol/L) | Affect algae primarily by inhibiting fatty acid synthesis and causing protein aggregation | 1088 | |
| Medaka (Oryzias latipes) | Methylparaben (630 μg/L & 10 μg/L) | Induction of significant vitellogenin in male medaka at 630 μg/L, the expression levels of genes encoding proteins such as choriogenin and vitellogenin increased in concentrations (10 μg/L) | 1085 | |
| Danio rerio | Galaxolide (HHCB) (0.005 mmol/L) | Cause an increase in total triiodothyronine (TT3) and a significant decrease in total tetraiodothyronine (TT4) | 1086 | |
| DNA damage | Danio rerio | Ethylparaben (20 mg/L) | Inhibition of gene expression related to myocardial contraction | 1095 |
| Oxidative stress and antioxidation | Human | Sulfamethoxazole (40 μmol/L) | Significantly reduced the low level of TAthione, resulting in decreased immunity | 1096 |
| Rat | Triclocarban (300 nmol/L) | Non-protein mercaptan (glutathione) was significantly reduced | 1097 | |
| Amino acid | Tonalid (500 μmol/L) | Acts as a photosensitizer to significantly increase photo-induced oxidative damage to amino acids. | 1100 | |
| Rat hepatocytes | Acetaminophen (10 mmol/L 24 h) | Decreased the levels of both intracellular ATP and GSH, and GSH-conjugated APAP (APAP-GSH) were formed. | 1098 | |
| Mytilus galloprovincialis | Propranolol (11 μL); Acetaminophen (23 & 403 μg/L) | Induces oxidative stress | 1081 | |
| Brachionus rotundiformis | Acetaminophen, oxytetracycline | Production of reactive oxygen species (ROS) and increased glutathione S-transferase activity trigger oxidative stress | 1099 | |
| Danio rerio | Fluoxetine (5、16 and 40 ng/L) | Resulted in elevated levels of protein carbonyl content (PCC) and hydrogen peroxide (HPO) in various organs of Danio rerio, including the liver, gut, brain, and gills, following oxidize proteins and alter their functionality by forming new low molecular weight aggregates through oxidative stress. | 1101 | |
| Others | Rat | Benzophenone-2 (100 mg/kg) | Significant reduction in testosterone levels and an increase in 17β-estradiol levels in the blood | 1089 |
| Rat | Benzophenone-2 | Reduces circulation of triiodothyronine (T3) and thyroxine (T4) | 1090 | |
| Gobiocypris rarus | Alprazolam (10 ng/L) | Interfering effect of GPC, CHOP, Met and other neurosubstances | 1092 | |
| Lorazepam (100 ng/L) | Interfering effect of Cho, 5-HT, Trp, 5-HIAA and other neurosubstances | |||
| Oryzias latipes | Fluoxetine (100~500 μg/L 28 d exposure) | Affects estradiol concentrations in fish. | 1091 | |
| Chlorella pyrenoidosa | Diclofenac (>100 mg/L) | Alteration of chlorophyll a, lipid accumulation, and antioxidant enzyme function, thereby affecting growth | 1094 | |
| Mytilus galloprovincialis | Ibuprofen (250 ng/L) | Affects the arachidonic pathway | 1093 |
同时,PPCPs可造成基因表达水平的异常和DNA损伤。对羟基苯甲酸乙酯被发现可抑制与心肌收缩相关的基因表达[1095],对乙酰氨基酚、土霉素、磺胺甲口恶唑和三氯卡班各自在一定浓度下能够降低谷胱甘肽基因的表达水平[1096⇓⇓~1099],从而降低免疫力。而普萘洛尔、对乙酰氨基酚、吐纳麝香和氟西汀可诱导产生活性氧(ROS)、过氧化氢(HPO)等,在一定程度上诱导鱼类和无脊椎动物的氧化应激,造成氧化损伤,并引起多种疾病指示相关基因的改变[1099⇓~1101]。对parabens进行了青鳉鱼DNA微阵列分析,10 μg/L质量浓度水平下,parabens能够诱导基因编码蛋白(卵黄原蛋白和卵黄磷蛋白)的基因的表达水平增加[1085],而三氯生在0~100 μmol/L的浓度水平,显著上调了类固醇生成基因的表达[1087,1088]。
6.4.2 细胞及亚细胞水平
根据以往的研究,PPCPs 对细胞及亚细胞结构均可产生一定程度的干扰和影响(表17)。就细胞水平来看(图32),对哺乳动物的研究发现,儿茶酚胺会损害心肌细胞并增加心肌梗死的风险[1104],而高浓度的咖啡因和氨苯砜可造成或增加细胞死亡[1096,1105],二甲苯麝香和17β-雌二醇可引起细胞形态的变化,如形成不规则的梭形、突起和多核细胞,或者细胞肥大[1106,1107],同时,二甲苯麝香还可导致细胞的无限增殖[1106]。对于斑马鱼实验的研究发现,妊娠期咖啡因暴露引起的毛细胞损伤[1108],四环素和恩诺沙星可导致巨噬细胞和中粒细胞的数量显著减少[1109,1110],且50~200 μg/mL的恩诺沙星可诱导细胞凋亡并降低了线粒体膜电位。此外,一些PPCPs 可引起微藻细胞的应激,从而改变细胞成分[1111],酪洛芬、比索洛尔可调节藻类的细胞形态[1080],而磺胺甲口恶唑可导致细胞能量分配减少来抑制藻类的生长[1112]。而以无脊椎动物为实验模型的研究表明,咖啡因,IBU,卡马西平,新生霉素、阿莫西林和磺胺甲口恶唑等在微克升的不同浓度水平上会表现出降低血细胞活力,引起细胞外酸中毒和提高细胞凋亡的毒理效应[1113⇓~1115]。
表17 PPCPs 在细胞和亚细胞水平的毒理效应Table 17 Toxicity effect of PPCPs in cellular and subceullar level |
| Classification | Organism | Species | PPCPs chemicals and Effective concentration | Toxicity effect | ref |
|---|---|---|---|---|---|
| Cellular level | Mammal | Human | Catecholamines | Damage heart muscle cells and increase the risk of heart attack | 1104 |
| Aminophenylsulfone (0.5 mmol/L) | Cause epidermal keratinocyte death | 1096 | |||
| Caffeine (1 mmol/L) | Abrogates the cell cycle arrest and increases cell death | 1105 | |||
| Musk xylene (10, 100, and 1000 μg/L) | Cause some irregular fusiform, protuberances and multinucleated cells, indefinite cell proliferation, ability of anchorage-independent proliferation and increase of migration and invision | 1106 | |||
| Rat | 17β-Estradiol (10~50 mg/kg) | Central lobular hepatocyte hypertrophy | 1107 | ||
| Fish | Danio rerio | Caffeine (25 μmol/L) | Induced significant hair cell damage during gestation period | 1108 | |
| Enrofloxacin (10 μg/L, 100 μg/L) | Significant reductions in macrophage and neutrophil populations and biomarkers of immunosuppressive effects | 1109 | |||
| Tetracycline (100 μg/L) | Neutrophil counts were significantly reduced in offspring zebrafish | 1110 | |||
| Grass carp | Enrofloxacin (50, 100 and 200 μg/mL) | Increased the lactic dehydrogenase release and malondialdehyde concentration, induced cell apoptosis, reduced the mitochondrial membrane potential | 1120 | ||
| Algae | Chlorella vulgaris, Desmodesmus | Chlorella vulgaris, desmodesmus (100 mg/L) | Regulation of cell morphology | 1080 | |
| Raphidocelis subcapitata | Sulfamethoxazole (8.3 μmol/L) | Inhibited growth by causing a decrease in cellular energy allocation (CEA) | 1112 | ||
| Microalgae | PPCPs | Cause the stress in microalgal cells, thereby altering cellular composition | 1111 | ||
| Invertebrate | Clam | Amoxicillin (400 μg/L) | Cause extracellular acidosis | 1113 | |
| Corbicula fluminea | Sulfamethoxazole (1, 10 and 100 μg/L) | Enhance cell apoptosis | 1114 | ||
| Manila Clam | Caffeine (15 μg/L); Ibuprofen (10 μg/L); Carbamazepine (1 μg/L); Neomycin (1 μg/L) | Decrease in blood cell viability | 1115 | ||
| Subcellular level | Mammal | Male rabbits | Codeine (4 mg/kg) | Testicular DNA breakage and caspase-dependent apoptosis | 1083 |
| Rat | Tramadol (40 mg /kg); Codeine (80 mg/kg) | The activity of mitochondrial respiratory chain complex I was inhibited in the prefrontal cortex and midbrain of mice | 1082 | ||
| Human | Homosalate (1000 μmol/L) | Induced micronucleus formation and cleavage inducing to cells | 1116 | ||
| Triclosan (1~10 μg/mL) | Depolarizes the mitochondria and increases the rate of glucose consumption in the cells, inducing metabolic acidosis | 1117 | |||
| Plant | Duckweed | Diclofenac (1, 10, 100 and 1000 μmol/L) | Induced oxidative stress in isolated duckweed chloroplasts | 1121 | |
| Algae | Chlorella spp | Triclosan (≥0.2 mg/L) | Inhibiting the increase of photosynthetic pigment content in Chlorella cells | 1118 | |
| Invertebrate | Tetrahymena thermophilus | Triclosan (1000 μg/L) | Damaged cell membrane and affected the lysosomal activity | 1121 |
6.4.3 组织器官水平
同样的,PPCPs 在一定程度上对生物的组织器官产生影响(图33和表18)。首先,在基于哺乳动物的研究发现,4-辛基酚和四环素在一定的水平可导致动物和人类的睾丸尺寸及功能障碍,精子的活力、数量减少及形态异常,产生不良病变[1122,1123]。17β-雌二醇和二苯基甲酮可导致小鼠的子宫重量增加,以及子宫内膜和子宫内膜腺体肥大[1107,1123,1124],且17β-雌二醇还可以诱导垂体和乳腺增生,并使卵巢中囊性卵泡数量增加[1107]。三氯生可明显抑制大鼠肝脏和脂肪组织脂肪酸合酶活性,影响脂肪组织合成[1125],而佳乐麝香和吐纳麝香也会引起肝脏相对重量增加和肝脏肿大,并形成肝损伤[1126,1127]。普萘洛尔、阿替洛尔和美沙拉嗪也被发现会诱导过量产生活性氧ROS及线粒体损伤,对大鼠造成心脏毒性[1128,1129]。其次,对家禽和鱼类的研究发现,双氯芬酸可使家禽表现出痛风的迹象,在肾脏、肝脏、心脏和脾脏都发现有尿酸盐沉积[1130],它还可以影响鱼类肾脏和鳃的完整性,引起肝脏和性腺抗氧化防御,诱发造血毒性[1131⇓~1133]。噻呋酰胺可以明显降低胆固醇和甘油三酯水平,诱发鱼体肝毒性[1134],三氯生可使仔鱼心包积液增加以及心脏结构改变[1135],阿司咪唑使斑马鱼出现血细胞堆积, 心囊水肿, 全身无血流现象[1136]。而对多种PPCPs暴露研究还显示,IBU和ETM在雌鱼脑组织中的生物积累量最高[1137]。乙酰氨基酚、卡马西平、吉非罗齐和文拉法辛还可导致鱼类胚胎产量的显著下降,雌性卵巢中卵母细胞闭锁的增加以及肾脏的组织学改变[1138]。同时,多种PPCPs(10 μg/L)的混合暴露可明显导致肠道组织的形态学变化[1139]。磺胺甲口恶唑、三氯生和ETM可干扰甲状腺内分泌,造成甲状腺破坏[1140⇓~1142]。萘普生和吐纳麝香也被发现会引起肾组织脂质过氧化和肾造血增生增加,从而引起明显的肾脏毒性[1143,1144]。最后,基于植物的毒理研究表明,17种PPCPs(对乙酰氨基酚、咖啡因、甲丙氨酯、阿替洛尔、甲氧苄啶、卡马西平、地西泮、吉非罗齐、扑米酮、磺胺甲口恶唑、苯妥英钠、双氯芬酸、萘普生、IBU、阿托伐他汀、三氯生、三氯卡班)混合暴露可改变叶片叶绿素含量使叶片坏死增加,同时也使根活性力明显下降[1145]。土霉素、磺胺嘧啶、四环素被发现对植物根系存在很大的影响,包括可降低根鲜重,改变跟朝向,使侧根生长,还可以下调根分生组织区同源重组相关基因,抑制有丝分裂[1146⇓~1148]。
表18 PPCPs 在组织器官水平的毒理效应Table 18 Toxicity effect of PPCPs in tissue and organ level |
| Organism | Species | PPCPs chemicals and effective concentration | Toxicity effect | ref |
|---|---|---|---|---|
| Mammal | Human | 4-octylphenol (1000 μg/L) | After 1~22 days of exposure, the average testicular size decreased slightly but significantly. | 1122 |
| Rat | Benzophenone 2 (BP-2) (1000 mg/kg) | Increased uterine weight | 1123 | |
| 17β-Estradiol (10~50 mg/kg) | Diffuse Pituitary hyperplasia; breast hyperplasia: increased number of cystic follicles in the ovaries; endometrial andendometrial glandular hypertrophy | 1107 | ||
| 17β-Estradiol (-) | Uterine response: increased uterine weight due to water retention and cell proliferation | 1124 | ||
| Triclosan (30~250 mg/kg) | Decreased fatty acid synthase activity in liver and adipose tissue, inhibited fatty acid synthesis, and lowered triglyceride of serum, liver and adipose tissue | 1125 | ||
| Propranolol and atenolol (5, 10, and 20 μg/mL) | Induction of reactive oxygen species and mitochondrial damage to cardiac tissue | 1128 | ||
| Tetracycline (28.6 mg/kg) | Causing testicular dysfunction and spermatogenesis disorders in animals and humans | 1149 | ||
| Mesalazine (25, 50 and 100 μmol/L) | Triggers overproduction of mitochondrial ROS, releases cytochrome c, and causes cardiotoxic effects | 1129 | ||
| Galaxolide fragrance (HHCB) (150 mg/kg) | The liver became swollen | 1126 | ||
| Toxalide fragrance (AHTN) (100 mg/kg) | Increased liver weight and liver injury was formed | 1127 | ||
| Birds | Domestic fowl | Diclofenac (9.8 mg/kg) | Showed signs of gout with deposits of urates in the kidney, liver, heart and spleen | 1130 |
| Fish | Danio rerio | Triclosan (40~400 μg/L) | Increased pericardial effusion and changes in heart structure in fish | 60 |
| PPCPs (10 μg/L) | The similar histomorphological changes in the gut tissues of male and female fish in terms of considerably reduced VL length and size | 1139 | ||
| PPCPs (acetaminophen, carbamazepine, gemfibrozil and venlafaxine) (0.5 μg/L and 10 μg/L) | Significant decrease in embryo yield, increased oocyte atresia in female ovaries, and histological changes in kidneys | 1138 | ||
| Astemizole (1, 4, 10 and 20 μmol/L) | Occurred blood cell accumulation, pericardial edema and no blood flow in the whole body | 1136 | ||
| PPCPs (1 and 10 μg/L) | Ibuprofen and erythromycin exhibited the highest bioaccumulation in the brain tissues of female fish | 1137 | ||
| Erythromycin (0.1, 1, 10 and 100 μg/L) | Thyroid disruption | 1140 | ||
| Sulfamethoxazole (5.6 μg/L) | Thyroid endocrine disruption | 1141 | ||
| Thifluzamide (0.019, 0.19 and 1.90 mg/L) | Decreased cholesterol and triglyceride levels, induced hepatotoxicity | 1134 | ||
| Rhamdia quelen | Diclofenac (0.2, 2 and 20 μg/L) | Hepatic & gonadal antioxidant defenses | 1131 | |
| Salmo trutta | Diclofenac (0.1~100 μg/L) | Hematopoietic toxicity | 1132 | |
| Salmo trutta | Diclofenac (5~50 μg/L) | Affect the integrity of kidneys and gills. | 1133 | |
| Gasterosteus aculeatus | Naproxen (299 and 1232 μg/L) | Increased renal hematopoietic hyperplasia | 1143 | |
| Oncorhynchus mykiss | Toxalide fragrance (AHTN) (854 and 8699 μg/kg) | Lipid peroxidation in caudal kidney tissue | 1144 | |
| Cyprinodon variegatus | Triclosan (20, 50 and 100 μg/L) | Thyroid disruption | 1142 | |
| Plant | Cucumber | PPCPs (acetaminophen, caffeine, Mirton, atenolol, trimethoprim, carbamazepine, diazepam, gemfibrozil, primidone, sulfamethoxazole, phenytoin sodium, diclofenac, naproxen, ibuprofen and atorvastatin, triclosan and triclocarban) (50 μg/L; 5 μg/L and 50 μg/L) | Increase of leaf necrosis; Root activity decreased by 15.4% and 28.2% | 1145 |
| Wheat | Oxytetracycline (0.01~0.08 mmol/L) | The fresh weights of wheat roots decreased. | 1146 | |
| barley | Tetracycline (10, 100, and 200 mg/L) | Down-regulated genes related to homologous recombination in the root meristem zone and inhibited the mitosis index | 1147 | |
| Corn | Sulfadiazine (10 mg/kg) | Promoted abnormal root apical orientation in maize | 1148 | |
| Willows | Sulfadiazine (200 mg/kg) | A large increase in the number of lateral roots |
6.4.4 个体水平
PPCPs进入到生物个体后,一定浓度的暴露将在个体水平上造成不程度和类别的负面影响(表19)。其毒性效应主要通过急性和慢性实验研究获得。
表19 PPCPs在个体水平的毒理效应Table 19 Toxicity effect of PPCPs in individual level |
| Effects | Toxicity | Organism | Species | PPCP chemicals and effective concentration | Toxicity effect | ref |
|---|---|---|---|---|---|---|
| Sublethal effect | Acute toxicity | Algae | Pseudokirchneriella subcapitata | Methyl-paraben (80000 μg/L 72 h); Ethyl-paraben (52000 μg/L 72 h); n-propyl-paraben (36000 μg/L 72 h); i-propyl-paraben (48000 μg/L 72 h); n-butyl-paraben (9500 μg/L 73 h); i-butyl-paraben (4000 μg/L 73 h); Benzyl-paraben (1200 μg/L 74 h) | EC50 in growth inhibition | 1085⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓~ 1150 |
| Chlorella vulgaris | Acetophenone (1000 μg/L); Benzophenone (6.855 mg/L 96 h); Diethyltoluamide (270.72 mg/L 96 h) | EC50 in growth inhibition/EC50 | 1152,1153 | |||
| Anabaena sp. | Erythromycin (0.022 mg/L 72 h); Ciprofloxacin (0.01 mg/L) | EC50 | 1154,1155 | |||
| P. subcapitata | Ciprofloxacin (2.97 mg/L 72 h) | EC50 | 1156 | |||
| Erythromycin (0.35 mg/L 72 h) | EC50 | 1154 | ||||
| Dunaliella tertiolecta | Carbamazepine (53.2 mg/L) | EC50 in growth inhibition | 1157 | |||
| Phaeodactylum tricornutum | Nano-TiO2 (167.71 mg/L) | EC50 in growth inhibition | 1158 | |||
| Ulva pertusa | Isobutylparaben (15650 μg/L 96 h) | EC50 in sporulation inhibition | 1151 | |||
| Synechococcus sp. | Erythromycin (0.23 mg/L 144 h) | EC50 | 1159 | |||
| Invertebrate | Daphnia magna | Methyl-paraben (34000 μg/L 48 h); Ethyl-paraben (7400 μg/L 48 h); n-propyl-paraben (2000 μg/L 48 h); i-propyl-paraben (3500 μg/L 48 h); n-butyl-paraben (1900 μg/L 48 h); i-butyl-paraben (3300 μg/L 48 h); Benzyl-paraben (2100 μg/L 48 h) | EC50 in the number of immobilized bodies | 1085, 1150 | ||
| Tetracycline (617.2 mg/L 48 h); Diclofenac (68.0 mg/L); Ibuprofen (101.2 mg/L); Naproxen (166.3 mg/L); Erythromycin (0.94 mg/L 48 h) | EC50 | 1160⇓~ 1162 | ||||
| Ceriodaphnia dubia | Erythromycin (0.22 mg/L 7 d); Propranolol (1.51 mg/L) | EC50 | 1163,1164 | |||
| Brachionus calyciflorus | Propranolol (2.59 mg/L) | EC50 | 1164 | |||
| Fish | Danio rerio | Ciprofloxacin (100 mg/L) | EC50 | 1165 | ||
| Pimephales promelas | Ciprofloxacin (>100 mg/L) | EC50 | ||||
| Floating plant | Lemna gibba | Chlortetracycline (114 μg/L); Lomefloxacin (38 μg/L); Sulfamethoxazole (37 μg/L) | EC25 in growth inhibition | 1166 | ||
| Reproductive toxicity | Fish | Juvenile | Estradiol (0.05~0.5 mg/kg) | Affects spawning | 1167 | |
| Diclofenac (10 mg/L) | Reduced egg hatchability | 1168 | ||||
| Ibuprofen (0.0001 mg/L) | Reduced hatchability, yolk proteins content | 1169 | ||||
| Pimephales promelas | Fluoxetine (1 μg/L) | Impacted mating behavior in male fish, specifically nest building and defending | 1171 | |||
| Fadrozole (2 μg/L 21 d exposure) | Decline in reproduction rate | 1172 | ||||
| Dicentrarchus | Estradiol (10 mg/kg) | Affect reproduction | 1170 | |||
| Invertebrate | Daphnia magna | Propranolol (0.128 mg/L) | Reduce the fecundity and reproductive rate | 1173 | ||
| Chironomus riparius | Carbamazepine (0.625 mg/kg 28 d exposure) | Inhibit pupa to be formed | 1174 | |||
| Developmental toxicity | Plant | Lactuca sativa | Erythromycin (0.1~300 mg/kg) | Inhibition of bud development | 1175 | |
| Solanum lycopersicum | Sulfadiazine (0.1~300 mg/kg) | Inhibition of bud development | ||||
| Brassica rapa chinensis | Chlortetracycline (2.5~20 mg/kg) | Inhibition of bud development | 1176 | |||
| Oenanthe javanica | Oxytetracycline (0.5~10 mg/kg) | Inhibition of plant height | 1177 | |||
| Fish | Danio rerio | Musk xylene (33 μg/L) | Significant impact in early life stages | 1178 | ||
| Muscone (33 μg/L) | Reduced fish mass and length of females and reduced fecundity | 1179 | ||||
| Amitriptyline (0.001~1000 μg/L) | Inhibition of growth and development; alteration of ACTH concentration level | 1180 | ||||
| Pimephales promelas | Propranolol (3.4 mg/L) | Reduced body weight and egg hatchability | 1181 | |||
| Algae | Scenedesmus obliquus | Ibuprofen (107.91 mg/L); aspirin (103.05 mg/L); ketoprofen (4.03 mg/L) | Inhibition of algal growth | 1182 | ||
| Amphibian species | Bufo americanus. | Acetaminophen (100 μg/L 28 d exposure) | Survival rates are affected | 1183 | ||
| Endocrine disruption | Invertebrate | Mytilus spp. | Gemfibrozil (1000 μg/L) | Endocrine disruption | 1184 | |
| Fish | Danio rerio | Galaxolide(-) | Endocrine disruption | 1086 | ||
| Neurotoxicity | Fish | Oryzias latipes | Acetaminophen (30 + 30 mg/kg, 4 h apart) | Decline in memory, learning ability and cognitive flexibility | 1186 | |
| Gambusia affinis | Fluoxetine (0.05~5 μg/L) | Sleeping time expanded | 1187 | |||
| Mammal | mice | Triclosan (1000 mg/kg, 2000 mg/kg, 4000 mg/kg) | Cause certain behavioral disorders in mice | 1185 | ||
| Amphibian species | Rana pipiens | Acetaminophen (1 μg/L 14 d of exposure) | Behavior affected | 1183 | ||
| Cardiovascular toxicity | Mammal | Human | Caffeine (-) | Correlation with cardiovascular disease (CVD) | 1188 | |
| Beagle dogs | Sibutramine (30 mg/kg) | Increasing Heart Rate and Blood Pressure in Beagles | 1189 | |||
| Lethal effect | Fish | Medaka (Oryzias latipes) | Methyl-paraben (63000 μg/L 96 h); Ethyl-paraben (14000 μg/L 96 h); n-propyl-paraben (4900 μg/L 96 h); i-propyl-paraben (4500 μg/L 96 h); n-butyl-paraben (3100 μg/L 96 h); i-butyl-paraben (4600 μg/L 96 h); Benzyl-paraben (730 μg/L 96 h) | LC50 in lethality | 1085, 1150 | |
| Danio rerio | Galaxolide (0.037 mmol/L 96 hpf); Tetracycline (406.0 mg/L 96 h); Diethyltoluamide (109.67 mg/L 96 h); Benzophenone (14.73 mg/L 96 h) | LC50 in lethality | 1086, 1153, 1160 | |||
| Carassius auratus | Ttetracycline (322.8 mg/L 96 h) | LC50 in lethality | 1160 | |||
| Invertebrate | Daphnia magna | Diethyltoluamide (40.74 mg/L 24 h); Cefoperazone (141.11 mg/L); Amoxicillin (129.3 mg/L); Aztreonam (29.3 mg/L); Benzophenone (7.63 mg/L 24 h) | LC50 in lethality | 1190 | ||
| Lumbriculus variegatus | Benzylidene-camphor (44.2 μmol/L) | Substantial reduction in fertility and significant increase in mortality | 1191 |
6.4.4.1 亚致死效应
多种PPCPs在一定浓度上表现出明显的亚致死效应。较高质量浓度的一些PPCPs对藻类、鱼类、无脊椎动物和植物都表现了相应的急性毒性。Yamamoto等[1085,1150]对7种parabens在大型水蚤和月牙藻进行了常规急性/慢性毒性试验,发现其抑制藻类生长和使大型蚤身体固化的最低EC50值为1200~80000 μg/L,最低和最高分别为对羟基苯甲酸苄酯1200 μg/L于大型水蚤和对羟基苯甲酸甲酯80000 μg/L于月牙藻,而对羟基苯甲酸异丁酯抑制藻类孢子形成的EC50为15650 μg/L 96 h暴露[1151]。避蚊胺、二苯甲酮、苯乙酮、ETM、环丙沙星、卡马西平和Nano-TiO2等也对多种藻类表现出生长抑制效应,其EC50分布在0.01~270.72 mg/L[1152⇓⇓⇓⇓⇓⇓~1159]。多种抗生素、消炎止疼药和β-抗阻剂对无脊椎动物的EC50也都在毫克升水平[1160⇓⇓⇓~1164]。环丙沙星在≥100 mg/L 的质量浓度上可对多种鱼类造成半数效应[1165]。而金霉素、洛美沙星和磺胺甲口恶唑分别在114、38和7 μg/L可达到对浮萍生长抑制的半数效应[1166]。
除急性毒性外,PPCPs 也给生物体带来多种不同类型的慢性毒性。首先,多种PPCPs对鱼类和无脊椎动物表现出生殖毒性。IBU、双氯芬酸、17β-雌二醇可影响鱼类产卵,降低卵的孵化率,影响生殖[1167⇓⇓~1170];氟西汀可直接影响雄性鱼的交配行为,特别是筑巢和防御[1171];而法屈唑在2 μg/L 21 d的暴露能导致繁殖率的明显下降[1172]。普萘洛尔和卡马西平也被证明可降低大型蚤的繁殖力和繁殖率或抑制水螟蛹的形成[1173,1174]。其次,一些PPCPs具有一定的发育毒性。抗生素和消炎药,如土霉素、ETM、金霉素和磺胺嘧啶,可抑制植物牙的发育及株高[1175⇓~1177]。二甲苯麝香、麝香酮、阿米替林和心得安可以抑制和降低鱼类体重和体长,对早期生命阶段造成显著影响[1178⇓⇓~1181]。而止痛消炎药IBU,阿司匹林和酪洛芬分别在107.91、103.05和4.03 mg/L表现出对藻类生长抑制[1182]。研究还发现,对乙酰氨基酚可以影响两栖类动物美国蟾蜍的存活率[1183]。再者,部分PPCPs对个体可产生内分泌干扰效应。比如,吉非罗齐可对无脊椎动物产生明显的内分泌干扰[1184],佳乐麝香会造成鱼类胚胎甲状腺激素分泌和调节的紊乱[1086]。此外,多种PPCPs还表现出神经毒性和心血管毒性。对乙酰氨基酚和三氯生可影响动物行为,导致行为障碍[1183,1185];且对乙酰氨基酚还可导致鱼类记忆力、学习能力和认知灵活性的下降[1186];氟西汀在0.05~5 μg/L浓度水平可导致鱼类睡眠时间延长[1187]。而西布曲明和咖啡因可影响哺乳动物的心率和血压,与心血管疾病具有一定的相关性[1188,1189]。
6.4.4.2 致死效应
基于急性毒性实验研究结果,高浓度的PPCPs 暴露可对鱼类和无脊椎动物造成致死毒性效应。Yamamoto等[1085,1150]研究发现,7种parabens对青鳉鱼medaka(Oryzias latipes)的最低LC50为730~63000 μg/L,其中,对羟基苯甲酸甲酯具有最低毒性。佳乐麝香、二苯甲酮、避蚊胺和四环素对鱼类的毒性依次降低,其96 h暴露的LC50依次为 0.046 mmol/L、14.73 mg/L、109.67 mg/L、322.8 mg/L(或406.0 mg/L)[1086,1153,1160]。而且,避蚊胺、二苯甲酮、头孢哌酮、阿莫西林、氨曲南对水生大型蚤的24 h 或48 h暴露的LC50在7.63~129.3 mg/L,毒性最高为二苯甲酮[1153,1190]。Schmitt等[1191]研究还发现,防晒霜成分3-亚苄基樟脑在44.2 μmol/L浓度水平会造成淡水无脊椎动物斑地蚓的生殖率大大降低和死亡率明显提高。
6.4.5 种群、群落及生态系统水平
在个体水平基础上,PPCPs对种群、群落以及生态系统也会造成相应程度的毒理效应(表20)。基于种群的研究表明,当暴露于高浓度的甲氰咪胍时,会显著降低无脊椎动物Gammarus fasciatus的生长和生物量,同时会降低Psephenus herricki的存活率[1192]。防晒霜可诱发珊瑚物种白化[1193],三氯生不仅可以减少藻类的生长,还可以抑制和干扰甲壳类动物的繁殖[1194,1195]。而以印度城市的环境废水质量浓度232 μg/L的咖啡因暴露鱼类、藻类和大型水蚤发现,咖啡因对3个种群都具有高风险,其中,与水蚤和鱼类相比,咖啡因对藻类的风险最高[1196,1197]。17α-雌二醇和氟西汀被发现可以降低蜗牛种群的生长率[1198]。去甲羟基安定在1.8~2 μg/L的浓度水平可以改变野生欧洲鲈鱼的行为和摄食率,但它对蜉蝣的行为没有直接影响[1199,1200]。此外,三唑酮在0.25 μg/mL时对斑马鱼种群数量具有一定的抑制作用,同时还具有抑制生长的现象,而在0.5 μg/mL 浓度暴露后,斑马鱼种群出现雄性化的现象[1201]。
表20 PPCPs 在种群、群落和生态系统水平的毒理效应Table 20 Toxicity effect of PPCPs in population, community and ecosystem level |
| Classification | Species or community | PPCPs chemicals and effective concentration | Toxicity effect | ref |
|---|---|---|---|---|
| Population | Gammarus fasciatus,Psephenus herricki | Cimetidine(0.07~70 μg/L) | Reduced growth and biomass of G. fasciatus, low survivorship of P.herricki when exposed to high concentrations | 1192 |
| Millepora complanata,Stylophora pistillata,Acropora sp. | Sunscreen UV filter (10~100 μg/L 2~48 h) | Induction of coral bleaching | 1193 | |
| Algal | Triclosan(400 and 200 ng/L) | Algal growth toxicity | 1194 | |
| Crustacean | Triclosan(600 and 340 ng/L) | Crustacean reproduction toxicity | 1195 | |
| Fish,alge,daphnid | Caffeine(232 μg/L ) | RQ value of caffeine against algae was calculated to be very high, i.e., 5800, whereas against fish and daphnid, it was 25.4 and 8.2, respectively | 1196 | |
| Physa pomilia | 17α-ethynylestradiol (1.0 μg/L or 100 μg/L); Fluoxetine (1.0 μg/L or 100 μg/L) | Lower population growth rate | 1198 | |
| Perca fluviatilis) | Oxazepam (1.8 μg/L) | Alters behavior and feeding rate of wild Perca fluviatilis at concentrations encountered in effluent-influenced surface waters | 1199 | |
| Perca fluviatilis,Coenagrion hastulatum | Oxazepam (2 μg/L) | Increased predator activity of perch, no behavioral effects on mayflies (direct) | 1200 | |
| Danio rerio | Triadimefon(0.25 μg/mL,0.5 μg/mL) | Triazolone at 0.25 μg/mL had an inhibitory effect on zebrafish population and growth;The zebrafish population appeared to be androgynous after treatment at a concentration of 0.5 μg/mL | 1201 | |
| Community | Stream benthic communities | Amphetamine(1 μg/L) | Suppression of gross primary production on autotrophic biofilms, compositional shift of bacterial and biofilm communities, increased dipteran (stream insect) emergence | 1202 |
| Triclosan(0.1~10 μg/L) | Increase in abundance of triclosan resistant bacteria and stimulation of periphyton growth | 1203 | ||
| Benthic bacterial communities | Triclosan(17.3 μg/g) | Triclosan Exposure Increases Triclosan Resistance and Influences Taxonomic Composition of Benthic Bacterial Communities | 1204 | |
| Algal and invertebrate benthic communities | Fluoxetine(20 μg/L); Citalopram(20 μg/L) | Suppression of primary productivity and community respiration on biofilms (algae). Increased stream insect emergence | 1205 | |
| Algae | Caffeine(5 μg/L); Acetaminophen(5 μg/L); Diclofenac(5 μg/L) | Decreased biofilm (algal) biomass (indirect) | 1206 | |
| Helisoma trivolvis,Elimia livescens | Carbamazepine(2000 ng/L) | Change biomass | 1207 | |
| Ammonia-oxidizing Archaea | Enrofloxacin(1 μg/L) | Reducing the abundance of ammonia-oxidizing archaea in a lake system | 1208 | |
| Sediment bacterial community | Ciprofloxacin(200 μg/L) | Altering the composition of sediment bacterial communities and reducing the ability to metabolize pyrene | 1209 | |
| Chlorella vulgaris,Microcystis | Ser-HCL(25~200 μg/L) | Altered the composition of photosynthetic community | 1224 | |
| Algae | Nano-TiO2 | Decrease the abundance of Acutodesmus dimorphus, Gomphonema clavatum, and Gomphonema lagenula, and increase the abundance of Oscillatoria and Chaetophora sp. | 1210 | |
| Phytoplankton | Norfloxacin | Norfloxacin can inhibit community formation and thus reduce phytoplankton abundance. These changes can disrupt trophic relationships between zooplankton and plants | 1211 | |
| Soil microbial community | Sulfamethoxazole | When 100 mg/kg sulfamethoxazole was added for 7 d, the soil microbial population density decreased significantly (p<0.05), and the utilisation rate of sugars decreased by 20.4% | 1212 | |
| Sulfamethazine; Sulfamethoxazole;Chlortetracycline;Tetracycline;Tylosin | The maximum inhibition of soil microbial respiration by sulfadiazine, sulfamethoxazole, chlortetracycline, tetracycline, tylosin, and methicillin reached 34.3%, 34.4%, 2.71%, 3.08%, 7.13%, and 38.1% | 1213 | ||
| Difloxacin | Soil denitrification rates were inhibited by 10 mg/kg of difloxacin, and this inhibition lasted for more than 30 days, suggesting that the presence of difloxacin altered the function of the soil microbial community | 1214 | ||
| Oxytetracycline | 5 μmol/L oxytetracycline or 20 μmol/LCu alone can reduce the diversity of soil microbial populations by about 25% and 15%, respectively | 1215 | ||
| Ecosystem | Amphetamine;Methamphetamine; Ketamine;Ephedrine; Cocaine;Benzoylecgonine; Methadone;Morphine; Heroin;Codeine; Methcathinone, etc | 11 drugs and their metabolites were detected in the water samples, with RQs ranging from 0 to 0.047 | 1217 | |
| Enoxacin;Chloramphenicol; Lincomycin, etc | RQ value of enrofloxacin was >1, which was at high ecological risk, while the RQ values of chloramphenicol and lincomycin were >0.1 | 1218 | ||
| Enoxacin;Ciprofloxacin; Sulfamethoxazole, etc | RQ values of enrofloxacin, ciprofloxacin, and sulfamethoxazole were >1, which showed high ecological risks to aquatic organisms | 1219 | ||
| Gale Musk,;Tuna Musk | Relevant studies have shown that the biodegradation coefficients of Galle musk and Tuna musk are 0.071 and 0.023, respectively | 1220 | ||
| Xylene Musk;Ketone Musk | The bioconcentration factors (BCF) for xylene musk, ketone musk and galax musk were 3800, 760 and 1584, respectively | 1221 | ||
| Germicides;Disinfectants | Germicides and disinfectants are widely added to all types of household cleaning products and can enter the food chain from the environment and accumulate in plants, animals and humans | 1225 | ||
| Sulfadimethoxine(50 μg/kg) | 50 μg/kg sulfadimethoxine reduces soil nitrification | 1222 | ||
| Caffeine;Carbamazepine; Ibuprofen | Three pharmaceuticals posed risk to aquatic organisms, with PI values of 10.3, 1.3, and 0.3, respectively. The maximum RQ value for caffeine was 10.3, RQ values of carbamazepine and ibuprofen ranged from 0.63~1.86, 0.25~1.48, respectively | 1223 |
基于群落的研究结果表明,PPCPs对许多生物群落表现出毒理效应。对溪流底栖生物群落研究发现,苯丙胺可抑制自养生物膜的总初级产量,诱导细菌和生物膜群落的组成变化,增加双翅目(溪流昆虫)的出苗率1202;而暴露于三氯生会增加三氯生耐药性并影响底栖细菌群落的分类组成,如增加三氯生耐药菌的丰度和刺激周围植物生长[1203,1204]。氟西汀和西酞普兰可抑制藻类和无脊椎底栖动物群落里生物膜(藻类)初级生产力和群落呼吸,且增加溪流昆虫出苗率[1205]。而咖啡因、对乙酰氨基酚和双氯芬酸可明显减少生物膜(藻类)生物量[1206],卡马西平可改变无脊椎动物群落蜗牛的生物量[1207]。恩诺沙星和环丙沙星能降低湖泊系统中氨氧化古细菌的丰度,改变沉积物细菌群落组成,降低代谢芘的能力[1208,1209]。诺氟沙星和Nano-TiO2具有抑制群落形成,降低种群丰度,破坏浮游动植物之间的营养关系的毒理效应[1210,1211]。此外,氧四环素、双氟沙星、磺胺甲嘧啶、磺胺甲口恶唑、氯四环素、四环素和泰乐菌素都对土壤微生物群落产生抑制微生物呼吸和改变微生物群落结构组成的现象[1212⇓⇓~1215]。
PPCPs能引起细菌和硅藻群落的改变,还会扰乱和改变水生无脊椎动物群落的进程,而这些扰乱或改变反过来又会扰乱其他生态系统功能[1216]。对于PPCPs 在生态系统水平的研究不多,或者说,很难清楚的界定。目前为止,关于PPCPs在生态系统的毒理效应大多是以风险熵数(RQ)来表示。Hu等[1217]研究北运河中11种药物及其代谢物(如安非他命、脱氧麻黄碱、氯胺酮、麻黄碱、可卡因、苯甲酰爱康宁、美沙酮、吗啡、海洛因、可待因和甲卡西酮)的残留水平,水样中多种药物被检出,其RQ值为0~0.047,对水生生物表现为低等生态风险。董莞莞等1218分析了大连市碧流河水库及其入库河流水体中23种抗生素的分布特征,通过RQ值研究发现,依诺沙星的RQ值>1,处于高生态风险,氯霉素和林可霉素的RQ值>0.1,表现中等生态风险。Zhang等[1219]研究了莱州湾处13种抗生素的残留情况并基于RQ值评价了其生态风险,发现13种抗生素均有检出,依诺沙星、环丙沙星和磺胺甲口恶唑的RQ值>1,对水生生物表现较高的生态风险。此外,还有研究表明,多种麝香,如加乐麝香、吐纳麝香、二甲苯麝香和酮麝香具有较高生物富集系数和较低生物降解系数[1220,1221]。还有研究报道,抗生素暴露已被证明有可能影响生态系统的关键功能,例如,50 μg/kg磺胺二甲氧嘧啶可降低土壤硝化作用[1222]。在太湖生态系统中,咖啡因、卡马西平和IBU 3种药物对水生生物构成风险,优先指数(PI)值分别为 10.3、1.3 和 0.3,其中,咖啡因的最大 RQ 值为 10.3,居三者中最高[1223]。
6.4.6 总结与展望
PPCPs作为近年来被高度关注的一类新兴污染物,虽然已有许多研究,但目前对PPCPs生态毒理效应及人体健康风险方面的了解还远远不够全面。现有的大量研究主要集中在水生环境中PPCPs的检测、风险评估等方面,在以往的研究基础上,未来的研究还需要突出表现在以下几个方面:
1)PPCPs污染物群体在日渐扩大,目前对于PPCPs 还比较集中在几类主要化合物的研究上,未来需扩大对更广泛的PPCPs化合物进行研究来补充研究盲点。
2)目前对于PPCPs生物毒性研究多为选取高试验浓度进行急性毒性和亚急性毒性研究,这与实际环境暴露情况不符,今后的毒性研究应更基于接近实际环境浓度。
3)环境中的污染物都不是独立存在和单一毒性,未来研究应关注PPCPs种类间及与其他污染物之间的联合毒性和环境效应协同作用。
7 新污染物的人体暴露与健康风险
7.1 基于人体健康风险导向的环境污染物筛查
环境污染物众多,如何有效地识别和评估环境中的有害新污染物对于保护公共健康和环境安全至关重要。本节重点介绍了基于人体健康风险导向的环境污染物筛查的方法,具体涵盖暴露评估、毒性评估以及风险评估的新污染物筛查策略。
7.1.1 暴露评估
环境暴露评估是环境健康风险评估的一个关键组成部分,它涉及评估人体通过吸入、摄入和皮肤接触等途径接触到的污染物的量。暴露评估可以分为外暴露评估和内暴露评估。外暴露评估主要关注人体与环境污染物的接触,即测量或估计人体在特定时间段内从环境中接触到的污染物的量。常见的评估方式为实地环境监测,通过直接测量空气、水和土壤样本中污染物的浓度进行人体外暴露量评估。此外,还可以使用数学模型间接估计人体可能暴露的污染物量,但计算模拟的方式主要基于环境监测数据和人体活动模式。内暴露评估关注污染物在人体内的分布和积累,即测量或估计污染物在人体内各个器官或组织中的浓度。其中,生物监测作为一种常用的方法,通过测量人体组织或生物样本(如血液、尿液)中的污染物或其代谢产物的浓度来表征人体的内暴露量,而生理药代动力学模型被用于定量描述污染物在人体内的吸收、分布、代谢和排泄过程。
7.1.1.1 典型高通量外暴露评估模型
近年来,随着化学品种类的增多,对于如何评估这些化学品对人体健康的潜在风险引起了各界广泛的关注,暴露预测模型应运而生。在各类模型的发展更迭中,US EPA启动了ExpoCast“暴露预测”项目[1226],拟通过建立高通量暴露(high-throughput exposure, HTE)模型,表征数千种化学品造成的潜在暴露风险。HTE模型的工作原理是基于暴露机制和暴露事件的描述来进行化学品摄入量的定量预测,且模型描述了从化学品的源头到人体的多个暴露途径。例如,一个途径可能涉及化学物质从家用产品释放,然后在环境介质(如空气、水、室内灰尘)表面发生交互作用,最后到达人体内部。为了提高预测的准确性,ExpoCast还结合了其他相关的化学指标,如现有的监管暴露量评估或化学品生产量。
为了进一步整合、评估和校准这些暴露预测因子,基于ExpoCast开发了“模型的系统性经验评估”(systematic empirical evaluation of models, SEEM)的方法[1227],用于暴露模型预测因子的共识建模。其核心思想是使用一个“中间相遇”的方法,将“正向”HTE模型的预测化学摄入率与疾病控制和预防中心(Centers for Disease Control and Prevention, CDC)的国家健康和营养检查调查(NHANES)中的生物标志物数据使用的“反向”模型进行比较。这种方法的优势在于结合不同数据源获得的信息,提供一个更全面、准确的暴露预测。在SEEM中,可用的预测变量被组合成一个共识的贝叶斯回归元模型,用于通过与人类生物监测数据比较来进行人口暴露的中位数。这种方法不仅提供了对每种化学物质的暴露预测,还为每种预测提供了不确定性分析。
上述2种模型的起点和纳入参数存在差异,ExpoCast是一个用于预测化学物质在环境中暴露水平的模型[1226],SEEM3是基于人体健康风险导向的环境暴露模型[1227]。前者主要考虑化学物质的生产、使用和处置过程;在参数中纳入了大量的分子描述符表征化学品的物理和化学特性;并使用了一系列的数学公式来描述化学物质从来源到接受的传输过程,充分考虑了化学物质在环境中的归趋,从而实现对人体健康潜在风险的量化评估。后者则偏向考虑污染物的多种来源,包括大气、水和土壤;以及人体通过吸入、摄入和皮肤接触三种途径的暴露;在使用多种参数描述污染物的物理和化学特性的同时,考虑人体的生理和行为特性,以及它们对暴露风险的影响;在此基础上,借助一系列的数学公式描述污染物从来源到接受者的传输过程。
具体来说,SEEM3框架使用线性回归将相关暴露预测因子整合成一个共识的贝叶斯回归元模型。当给定路径预测和其他输入时,这个元模型可以提供一个共识预测。这种方法类似于定量结构-性质预测器,该框架将贝叶斯方法用于估计可能的参数,使得暴露预测因子与NHANES生物监测数据推断的114种化学物质的摄入率一致。暴露预测因子和NHANES化学物质都被分配到一个或多个路径。对于没有NHANES数据的化学物质,通过机器学习方法训练并用于根据结构将化学物质分配到路径,之后使用式(3)为大型化学物质结构库做出预测。
式中:Ri为化学物质i的吸收速率;a0为所有化学物质的“总平均”摄入率,这是未被暴露预测因子解释的部分;δi,j为一个布尔值(0/1),表示化学物质i是否通过途径j发生暴露;aj为通过途径j的所有化学物质的额外平均摄入率,这部分也是未被预测因子解释的;wj,k为预测因子k对化学物质i通过途径j的加载(“权重”)(πi,k),如果一个暴露预测因子与途径j不对应,那么wj,k为零。
对于SEEM3,化学品的结构和理化性质被用来预测一种化学物质可能与4种暴露途径相关的概率,这些途径从源头——消费者(近场)、饮食、远场工业和远场农药——通向普通人群。这些基于源头的暴露途径模型的平衡准确率在73%~81%,识别阳性化学物质的错误率在17%~36%。SEEM框架创建了一个共识的元模型,在该模型中,暴露的预测因子按途径组合,并根据预测化学物质摄入率的能力进行加权,这些摄入率是基于114种化学物质的人体生物监测数据推断出来的。在预测的准确度方面,共识模型的R2和均方根误差(RMSE)可分别达到0.82和0.9(图34)。SEEM3的相关详细介绍和代码可在 https://github.com/HumanExposure/SEEM3RPackage获得。然而这个模型仅针对整个美国人口进行了校准,未来可以根据需要,根据目标人群对模型进行详细优化。
图34 SEEM模型预测能力。注:NHANES生物监测数据推断的摄入率与SEEM元模型预测之间的相关性;虚线表示同一性(完美预测变量),而实线表示中位数的最小二乘回归(灰色阴影区域表示标准误差)Fig.34 SEEM model predictive capacity. Note: This figure illustrates the correlation between intake rates inferred from NHANES biomonitoring data and predictions made by the SEEM meta-model. The dashed line represents identity (perfect prediction variable), while the solid line denotes the median least squares regression (with the gray shaded area indicating standard error) |
随着全球化学品数量和种类的增加,暴露评估的重要性日益凸显。高通量暴露预测模型如ExpoCast为我们提供了一个有效的工具来估算大量化学物质的暴露风险。然而,当前的预测模型仍面临着许多挑战。首先,数据的质量和完整性是一个关键问题。虽然我们有大量的环境和生物监测数据,但这些数据可能存在偏差或不完整,这可能影响模型的准确性。其次,随着新的化学物质和新的暴露途径的出现,需要不断地更新和改进现有模型,以确保它们能够准确地预测未来的暴露风险。此外,我们还需要更好地理解化学物质在人体内的行为,以及它们与其他化学物质的相互作用,这需要跨学科的合作和研究。总的来说,虽然我们在暴露评估方面已取得了很大的进展,但未来仍然有很多工作要做,以期望优化后的模型能够克服上述问题,满足预测暴露评估的需求。
在环境健康风险评估的研究领域,除了上述的外暴露评估方法外,科学家们还开发了一系列专门的暴露预测模型,用于精确预测特定环境或人群的暴露风险。这些模型通过综合考虑多种因素,如环境条件、人类活动、生理特性等,提供了对暴露风险的深入理解和准确预测。比如室内PM2.5浓度预测模型[1228],该模型专门设计用于预测室内颗粒物的浓度。考虑到室外空气质量、通风效率、建筑物的特性以及居住者的活动模式等因素,此模型在台湾等热带和亚热带地区得到应用,并通过多元线性回归模型进行了验证。这一工具对于评估室内空气质量并制定相应的改善措施具有重要意义。
外暴露预测模型的开发和应用,显著提高了我们对环境暴露风险的评估能力。通过精确模拟和预测暴露水平,这些模型不仅为环境健康研究提供了强有力的工具,也为制定有效的环境保护和健康预防措施提供了科学依据。随着技术进步和数据分析方法的不断发展,预计这些模型将在未来的环境健康领域中发挥更加重要的作用。
7.1.1.2 基于大数据和毒代动力学的人体内暴露特征预测评估
如何将污染物的环境暴露浓度与其在生物体内的靶点浓度进行定量关联,一直是对污染物进行生态和健康风险评估的一个难题。传统的房室模型仅仅通过一个或多个房室来模拟生物体,模型的参数往往是基于实验数据的拟合结果,且缺乏对生物体解剖学信息的考虑,因此无法准确描述污染物在不同组织中的特异性富集过程。与传统房室模型不同,基于生理学的毒代动力学(PBTK)模型在很大程度上考虑了生物体的生理特征,是由一系列与实际生理器官相对应的房室组成,房室之间通过血液循环系统连接。每个房室都使用与特定物种相关的生理参数来进行精确描述,如组织体积、血流量等。此外,PBTK模型使用与化合物相关的参数来代替传统房室模型中仅仅基于拟合实验数据获得的通用速率常数,具有广泛的应用前景。PBTK模型的结构见图35。常用的PBTK模型的生理参数总结在表21中。
图35 基于生理的全身药代动力学模型。注:Qpul、Qca、Qre、Qbo、Qmu、Qsp、Qha、Qhv、Qgu、Qth、Qsk、Qfa分别代表流向肺、心脏、肾脏、骨骼、肌肉、脾脏、肝脏、肝静脉、肠道、胸腺、皮肤和脂肪的血流量。输入部位可以是身体的任何部位。此模型只展示了肝脏和肾脏的清除过程,而某些药物或污染物也可以在其他部位发生清除[1229]。Fig.35 Physiologically-based whole-body pharmacokinetic model. This model illustrates blood flow to various organs including the lungs (Qpul), heart (Qca), kidneys (Qre), bones (Qbo), muscles (Qmu), spleen (Qsp), liver (Qha), hepatic vein (Qhv), intestines (Qgu), thymus (Qth), skin (Qsk), and fat (Qfa). The site of entry can be any part of the body. The model exclusively shows clearance processes in the liver and kidneys, though clearance of certain drugs or pollutants may also occur at other sites[1229]. |
| Item | Mouse | Rat | Monkey | Human |
|---|---|---|---|---|
| Ventilation | ||||
| Alveolar/[L/(h·kg)] | 29.0 | 15.0 | 15.0 | 15.0 |
| Blood flows | ||||
| Total/[L/(h·kg)] | 16.5 | 15.0 | 15.0 | 15.0 |
| Muscle/unitless, the same below | 0.18 | 0.18 | 0.18 | 0.18 |
| Skin | 0.07 | 0.08 | 0.06 | 0.06 |
| Fat | 0.03 | 0.06 | 0.05 | 0.05 |
| Liver (arterial) | 0.035 | 0.03 | 0.065 | 0.07 |
| Gut (portal) | 0.165 | 0.18 | 0.185 | 0.19 |
| Other organs | 0.52 | 0.47 | 0.46 | 0.45 |
| Tissue volumes | ||||
| Body weight/kg | 0.02 | 0.3 | 4.0 | 80.0 |
| Body water/unitless, the same below | 0.65 | 0.65 | 0.65 | 0.65 |
| Plasma | 0.04 | 0.04 | 0.04 | 0.04 |
| RBCs | 0.03 | 0.03 | 0.03 | 0.03 |
| Muscle | 0.34 | 0.36 | 0.048 | 0.33 |
| Skin | 0.17 | 0.195 | 0.11 | 0.11 |
| Fat | 0.10 | 0.07 | 0.05 | 0.21 |
| Liver | 0.046 | 0.037 | 0.027 | 0.023 |
| Gut tissue | 0.031 | 0.033 | 0.045 | 0.045 |
| Other organs | 0.049 | 0.031 | 0.039 | 0.039 |
PBTK模型的快速发展使其在新污染物研究中得到应用,如用于模拟在啮齿动物、猴子和人体中的PFOS或PFOA的毒代动力学,甚至有些研究还将这些模型扩展到妊娠和哺乳阶段的模拟[1235,1236]。例如Loccisano等[1237⇓~1239]开展一系列针对PFOS和PFOA的PBTK模型研究。他们首先基于Andersen等[1240]和Tan等[1241]的模型构建了PFOS和PFOA在猴子和人体中的PBTK模型,描述了PFOS和PFOA经肾脏的饱和重吸收过程,模拟它们经静脉注射和经口暴露后在血液和尿液中的浓度[1237]。之后,Loccisano等[1238]在模型中考虑了PFAS肾脏重吸收过程的性别差异。Worley等[1242]进一步使用模型探讨了与性别相关的有机阴离子转运蛋白在PFOA的肾脏重吸收和排泄中的作用,证实了PFOA血清半衰期的性别差异主要受肾脏中转运蛋白表达的影响。随后Loccisano等[1239]通过加入乳腺组织、胎盘、胎儿室和母乳室将模型拓展到了人类和大鼠妊娠和哺乳期暴露于PFAS时的模拟。还有一些研究利用PBTK模型阐明了PFAS暴露与某些不良结局之间的关系。比如,Ngueta等[1243]基于一个已开发的PBTK模型来模拟从出生到参与者当前年龄(18~44岁)期间PFOA和PFOS的血浆水平。基于模拟结果发现,PFAS水平与子宫内膜异位症之间的关系可归因于不同避孕方法的使用。Wu等[1244]建立了一种基于蒙特卡洛方法的PBTK模型,以模拟2~20岁女性人群血浆PFAS水平,该模型可以解释PFAS与月经初潮年龄之间的关系。Verner等[1245]通过对现有PBTK模型的修改,实现了对母体和脐带血浆中PFAS浓度的模拟,发现肾小球滤过率可以很好地解释产前PFAS含量和出生体重之间的相关性。最近,Zhu等[1246]通过构建PFAS的多途径暴露PBTK模型实现了PFAS长期经口、经鼻和经皮途径进入人体后在人体血液中的毒代动力学的准确预测,发现PFAS的经鼻吸收过程吸收迅速,而经皮吸收存在明显的滞后效应(图36)。这将有助于从内暴露的角度识别不同PFAS暴露人群的主要暴露途径,评估不同途径的暴露风险,同时有助于为降低PFAS的暴露风险制定合理的措施。
图36 PFAS的动力学曲线与动力学参数。通过模型模拟的小鼠1 mg/kg单次暴露后的PFHxS(A)、PFOS(B)和PFOA(C)在小鼠血浆中的浓度-时间曲线,以及PFAS达到峰值的时间(Tmax)(D)、最大浓度(Cmax)(E)、消除半衰期(T1/2)(F)和生物有效性(G)。相对Cmax(经口或经皮或经鼻Cmax与静脉注射Cmax的比值)与生物有效性(H)之间的线性拟合,虚线表示95%置信区间[1246]Fig.36 Kinetic Curves and Parameters for PFAS. Concentration-time curves for PFHxS (A), PFOS (B), and PFOA (C) in mouse plasma following a single 1 mg/kg exposure, modeled to show the time to peak concentration (Tmax) (D), maximum concentration (Cmax) (E), elimination half-life (T1/2) (F), and bioavailability (G). A linear fit between relative Cmax (the ratio of oral, dermal, or nasal Cmax to intravenous Cmax) and bioavailability (H) is shown, with dashed lines representing the 95% confidence interval[1246] |
在毒理学领域,体外实验结果的转换问题尤为突出,鉴于动物实验正逐渐被淘汰,越来越多的实验将被替代试验所取代。但体外实验获得的结果往往不能直接用于预测生物体在体内接触化学品后的生物反应。因此,建立一种从体外到体内的一致、可靠的外推方法极为重要。
体外-体内外推(in vitro to in vivo extrapolation, IVIVE)的概念是使用从体外实验获得的数据并合理外推以预测内暴露浓度结果。21世纪的毒理学研究中,强调使用体外试验来确定环境和工业化学品的潜在生物学目标。然而,为了使这些体外发现与人体健康风险评估相关,IVIVE方法至关重要。将体外生物活性浓度转化为给药剂量,这一过程通常被称为“反向剂量测定”。对于药物化合物,IVIVE一直是标准做法。它涉及参数化毒理动力学(TK)模型,将血液和组织浓度与临床研究的治疗剂量相关联。这些方法通常包括有限的体外测量,如肝清除、血浆蛋白结合和化学结构导出的组织分配预测。该模型被参数化,并使用Simcyp软件进行模拟,以基于体外数据预测体内动力学。模型中主要考虑2种消除途径:代谢和肾脏。模拟是基于1 mg/(kg·d)的剂量进行的,并使用Monte Carlo分析来模拟20~50岁的100名健康个体(包括男性和女性)的人群变异性。模型的输出是稳态浓度(Css)的中位数、上限和下限百分位数,这些值随后被用作生成口服等效剂量的转换因子(图37)。
式中:ko为剂量速率,mg/(kg·h);Fub为血液中未结合的化合物比例;Qliver为每kg体质量的肝门静脉血流量,L/(kg·h);ηGFR为每kg体质量的肾小球滤过率,L/(kg·h);ηCL,int,h为在一级代谢条件下每kg体质量的整个肝脏内在清除率,L/(kg·h)。该模型相当于一个三室(肝脏、肠道和体内血液)模型中的稳态浓度。因为该模型是一个稳态模型(即经过足够的时间后,血浆中的游离化学物质浓度与所有组织会达到平衡),所以在上述公式中不包括组织分配。该模型包括生理参数(GFR和Qliver)和化学特异性参数(Fub和ηCL,int,h)。当化学特异性估计的Fub和ηCL,int,h可用时,该模型可以为该化学物质进行参数化。
使用IVIVE方法对药物进行的预测通常是被低估的,预测值相较于体内实测值而言处于3~10倍的误差范围内,但这种误差在该领域被认为是可以接受的。HTS数据的一个主要挑战是将体外生物活性浓度与相关的体内剂量值相关联,特别是考虑到需要评估的化学品数量庞大。IVIVE过程中有几个假设,尽管它们可能不完全符合现实情况,但也被认为是合理的。这些假设包括:污染物在人体内可以达到一个稳态。这意味着,尽管环境暴露可能是间歇性的,但可以假设存在一个平均暴露水平,这个水平可以作为评估风险和影响的基础。其次,假设污染物的吸收是100%。这意味着,所有暴露于化学物质的量都被完全吸收进入体内,没有考虑到可能的吸收率差异或物质在体内的分布、代谢和排泄。尽管IVIVE方法是基于药物开发,但目前的已经被应用到化学品的高通量毒理动力学(HTTK)模型。这些模型估计产生与体外试验中诱导生物活性相当的稳态血浆浓度所需的剂量。通过将最低生物活性剂量与最大预期暴露进行比较,IVIVE为HTS数据提供了一个基于风险的评估,可用作优先考虑额外化学品测试的指标。
总之,IVIVE是毒理学家工具箱中的一个关键工具,适用于高通量筛选活动,其中大量的化学物质需要被评估和优先考虑进行传统的体内测试。它弥合了体外数据和潜在体内效应之间的差距,确保通过HTS生成的大量数据被放入与人体健康相关的背景中。
由于外源性污染物在人体血液中的浓度远低于药物以及内源性物质的浓度,常以纳摩尔、皮摩尔甚至更低的水平存在,高通量分析人体血液中外源性污染物的难度较大,因此针对血液中存在的高风险物质的筛选以及监测成为暴露组研究的一大难题。
为实现高通量的由外暴露计算人体血液浓度,Zhao等[1252]开发了人体内暴露浓度预测模型(HExpPredict),该模型可以通过生物转化半衰期、表观分布容积、外暴露量以及暴露途径、lg Kow和lg Koa等参数对人体的血液浓度进行预测。该研究基于数据库及文献搜索整合的人体血液中污染物的浓度数据以及实测数据,通过3种常用的机器学习模型(随机森林、人工神经网络、支持向量机)来构建血液预测模型(图38)。结果发现随机森林模型具有最好的预测表现(图39),其预测能力如表22和表23所示。该模式对多氯联苯、多环芳烃、邻苯二甲酸酯、二口恶英、全氟化合物、OPEs阻燃剂、VOC、多溴联苯醚、有机磷农药等类物质均具有很好的预测。
图38 人体内暴露浓度预测模型(HExpPredict)的构建Fig. 38 Construction of the human exposure prediction model (HExpPredict) |
图39 人体内暴露浓度预测模型(HExpPredict)的预测能力Fig. 39 Predictive capacity of the human exposure prediction model (HExpPredict) |
表22 机器学习模型的预测能力Table 22 Predictive capacity of machine learning models |
| Model Types | Training Set (n = 172) | Test Set (n = 44) | ||||||
|---|---|---|---|---|---|---|---|---|
| RMSE | MAE | MAPE | R2 | RMSE | MAE | MAPE | R2 | |
| Random Forest | 1.66 | 1.28 | 0.29 | 0.80 | 2.07 | 1.56 | 0.23 | 0.72 |
| Artificial Neural Networks | 2.83 | 2.13 | 0.39 | 0.41 | 3.07 | 2.56 | 0.35 | 0.39 |
| Support Vector Machine | 3.52 | 2.81 | 0.69 | 0.08 | 3.79 | 3.22 | 0.47 | 0.06 |
表23 随机森林模型对不同种污染物的预测能力Table 23 Predictive capacity of the random forest model for different pollutants |
| Classtimes | N | RMSE | Mean RMSE |
|---|---|---|---|
| PCBs | 86 | 0.64 | 0.91 |
| PAHs | 10 | 0.70 | |
| PAEs | 5 | 0.71 | |
| Dioxins | 11 | 0.73 | |
| PFCs | 8 | 0.83 | |
| OPFRs | 7 | 0.85 | |
| VOCs | 15 | 0.86 | |
| PBDEs | 31 | 0.94 | |
| PPCPs | 29 | 1.18 | |
| OCPs | 14 | 1.68 |
最终Zhao等[1252]采用随机森林模型构建了HExpPredict污染物人体血液浓度预测模型。并成功的应用该模型高通量的预测了ToxCast中7858个污染物在人体血液中的浓度。并结合ToxCast的受体结合活性测试结果计算了等当量生物效应。最终发现了除了内源性物质和药物外,食品添加剂具有较高的暴露风险。
7.1.2 毒性评估
毒性评估是判断污染物对人体健康影响的关键步骤。它涉及使用各种生物学和化学方法来测试和分析污染物的潜在危害。毒性评估的结果有助于确定哪些污染物是有害的,以及它们可能对人体健康造成的风险程度。
7.1.2.1 QSAR
QSAR模型是一种计算工具,被广泛用于化学、生物学和环境科学,以预测化合物的特性和行为。这些模型依赖于化合物的分子结构与其生物活性或其他属性之间的关联。在环境科学领域,QSAR被用作工具来估算化合物的潜在毒性,为化学物质的风险评估提供依据。虽然QSAR的研究方法有所不同,但它们都遵循相似的核心原则。主要的研究步骤包括:1)建立精确和可靠的数据集;2)从数据集中选择适当的分子结构和活性参数;3)建立结构参数与活性参数之间的关系模型;4)对模型进行验证和优化,并确定其适用范围和误差;5)将模型应用于预测和预报有机污染物的活性。
QSAR模型的建立的关键点如下。
1)活性数据的获得。QSAR研究致力于从众多已知数据中挖掘化合物结构与其活性之间的联系,进而预测未知化合物的潜在活性。为此,需要大量的准确数据。这些数据通常来源于3个主要渠道:权威的数据集、经典的学术文献和研究者自行收集的实验数据。
2)结构参数的筛选。在QSAR研究中,选择恰当的分子结构参数至关重要。现有的结构参数主要分为3类:物理化学属性、拓扑属性和量子化学属性。为了得到更为稳健的模型,研究者可能会综合考虑这些参数。尽管传统的QSAR研究依赖于物理化学属性,但这种方法存在一定的局限。拓扑属性为QSAR研究提供了新的视角,它利用图论技术来描述分子的结构特征。而量子化学属性则能够深入揭示分子的内部结构和电子特性。
3)应用数学技术。在QSAR研究中,基于实验数据构建数学模型是关键步骤。首先,研究者会通过实验获取一系列化合物的性质数据,接着选择适当的结构参数,并利用数学工具建立预测模型。其中,回归分析是最常见的技术,尤其是多元回归分析。除此之外,偏最小二乘法和人工神经网络等先进技术也在QSAR中得到了广泛应用。
QSAR研究起初是为了药物设计而发展的一个子领域,它随着生物活性分子设计的需求而逐渐壮大。这种研究方法在有机化学、药学和毒理学中,特别是在药物分子的设计、筛选和毒性预测方面,都起到了关键作用。随着化学产业的扩张,大量的有害有机物质进入了我们的生态环境,对生态平衡和人类健康产生了威胁。在环境科学中,QSAR被用作危险化学物质的评估工具,QSAR模型常用于急性毒性LD50、生物累积因子 (BCF)、发育毒性和致畸性等毒性终点的预测。Zhu等[1253]通过化学描述符来量化化合物的相似性,并基于这些描述符来建立QSAR模型来预测大鼠的急性毒性LD50。该模型预测方法被美国EPA应用于TEST的预测软件中。EPA的EPI Suite软件包中的BCFBAF(生物富集因子生物累积因子)模块(v. 3.00)得出的R2值为0.766,平均绝对误差(MAE)为0.50(对于能够被共识方法预测的相同化学物质)[1254]。EPA的TEST预测软件应用QSAR模型对发育毒性和致畸性的预测精确度分别为0.85和0.79 (https://clowder.edap-cluster.com/datasets/61147fefe4b0856fdc65639b#folderId=6352a8a6e4b04f6bb13cec84)。
7.1.2.2 机器学习预测污染物毒性
随着机器学习技术的快速发展,其在毒性预测领域的应用已经成为化学和药物研究的一个重要分支。机器学习,特别是深度学习方法,因其在处理复杂数据和发现潜在模式方面的高效性,已被广泛应用于预测化学物质的毒性。
机器学习(machine learning, ML)方法已预测了多种毒性终点,包括急性口服毒性、肝毒性、心脏毒性、内分泌干扰以及12个Tox21受体活性终点。显然,根据终点数据的不同,当毒性被视为有/无活性问题时,如Tox21终点的情况,使用分类模型;而在寻求定量预测时,例如LD50预测,使用回归模型。表24展示了最近研究中用于构建每个毒性终点的ML模型的不同数据来源,以及公共毒理学数据库及毒性终点的最佳表现机器学习模型。由于数据集的复杂性、类别分布或覆盖的化学空间不同,ML方法在不同数据集上表现不同,这使得比较不同毒性终点上算法的性能变得困难。由于不同的评估指标,比较也变得困难,评估指标的确定主要取决于ML方法和使用的数据库。评估指标的选择也是ML模型构建中的一个关键步骤,已被广泛研究。
表24 公共毒理学数据库及毒性终点的最佳表现机器学习模型Table 24 Best performing machine learning models for public toxicology databases and toxicity endpoints |
| Toxicity Endpoints | Database Name | Machine Learning Model Ref |
|---|---|---|
| Cardiac Toxicity (hERG Binding) | PubChem bioassay, CHEMBL bioactivity | 1255⇓⇓⇓~1259 |
| Acute Oral Toxicity (LD50) | Li et al. set, admetSAR, MDL Toxicity, EPA Toxicity Estimation Software Tool, SuperToxic | 1260,1261 |
| Hepatotoxicity (DILI) | Liver Toxicity Knowledge Base (LTKB), LiverTox, Hepatox | 1262,1263 |
| Nuclear Receptor and Stress Response | Tox21 | 1264⇓⇓~1267 |
| Mutagenicity | Ames data collection | 1268⇓~1270 |
| Carcinogenicity | Carcinogenic Potency Database (CPDB) | 1271 |
| General Toxicity | TOXNET, Toxin and Toxin Target Database (T3DB), SIDER | 1260, 1272,1273 |
7.1.3 新污染物的高通量毒性筛选:ToxCast体外高通量筛选和ToxPI分数
ToxCast和Tox21是为响应2007年美国国家研究委员会(NRC)报告“21世纪的毒性测试:愿景与策略”而设计的高通量化学筛选计划。该报告呼吁使用体外实验来确定数千种大多未经测试的化学物质对“毒性途径”的影响。ToxCast(毒性预测器)计划由US EPA下的计算毒理学和暴露中心(CCTE,前身为国家计算毒理学中心)运行。根据EPA随后的出版物《体外筛选环境化学物质以优先化定向测试:ToxCast项目》,该计划的总体目标是识别与体内毒性相关的体外实验和反应,开发基于多个实验和化学物质属性结果的预测模型,并使用这些实验和模型筛选几乎没有或没有可用毒性数据的环境化学物质,并将它们优先排序进行进一步测试。Tox21这个术语通常用来描述21世纪的毒性测试概念,但它也是为解决开发新的毒性测试策略而建立的正式合作的名称。
ToxCast使用自动化地化学筛选技术,称为高通量筛选(HTS)实验,主要将活细胞、分离的蛋白质或其他生物分子暴露于化学物质,然后对这些细胞或蛋白质的生物活性变化进行检测,以筛选可能潜在毒性效应的化合物。这些创新性方法可限制所需的实验室动物基础毒性测试的数量,同时快速高效地筛选数千种化学物质的潜在健康影响。
ToxCast数据的生成涉及化学物质、实验和结果处理与分析。这些数据可公开获取,用于探索ToxCast数据。ToxCast使用超过700种高通量实验,涵盖广泛的高级细胞反应和大约300个信号传导途径。ToxCast实验包括基于细胞的体外实验,使用完整细胞来测量对测试物质暴露后的细胞变化,例如使用人类原代细胞和细胞系以及大鼠原代肝细胞。还包括生化体外实验,测量生物大分子(如纯化蛋白质或核酸)的活性。
在ToxCast计划中,化学物质测试由CCTE协调,数据由外部供应商收集,然后由CCTE分析和共享。ToxCast数据由实验室生成并由US EPA处理后,可从网站下载(https://epa.figshare.com/articles/dataset/ToxCast_Database_invitroDB_/6062623/11)。ToxCast计划可分为3个阶段:第1阶段、第2阶段和进行中的第3阶段(图40)。从2010年第1阶段数据发布开始,每个阶段都为数据库增加了新的独特化学物质和实验终点数据。截至2018年第3阶段完成时,ToxCast已经筛选了超过4500种化学物质,在超过700个高通量实验中,涵盖了许多高级细胞反应和300多个信号传导途径。ToxCast化学物质清单包括目前正在处理中的化学物质和已经筛选过的化学物质,可以从FTP站点下载。ToxCast仪表板总结了化学物质的信息,包括它们的结构和理化性质。用户可以使用多种过滤器选择感兴趣的化学物质,包括化学文摘服务登记号(CASRN)、化学物质名称、化学物质类别、使用类别以及理化性质,如辛醇-水分配系数(lg Kow)。
在评估环境污染物的毒性时,通常采用多种实验方法和模型。毒性计算是评估化学物质对生物体毒性效应的一个重要步骤。面对ToxCast的HT的多毒性终点数据,毒性的计算方法至关重要。Reif等[1274]开发了一种基于ToxPi (Toxicological Priority Index)的毒性计算方法。ToxPi是一个综合性的指标,结合了多种数据来源,如实验数据、模型预测、文献数据等,对化学物质的毒性进行评估和排序。通过整合和可视化多种数据来源的信息,从而全面评估化学物质的潜在毒性,这种方法提供了一个直观的方式来比较和优先考虑不同的化学物质,为环境管理和决策提供了有价值的信息[1252]。具体而言,ToxPi为每种化学物质提供了一个无量纲的指数得分,该得分是所有数据来源的加权组合,代表了来自不同领域的信息的正式化、合理化的整合。在视觉上,ToxPi被表示为单位圆的组件切片,每个切片代表一个信息片段(或相关片段)。每个ToxPi切片的距离(从原点或中心)与归一化值(例如,测定效力或预测生物利用度)成正比。如图41所示,18个切片在整体ToxPi计算中都被赋予了相等的权重,因此所有切片的图形宽度都等于角度θ,由2π弧度分为18个部分得到,即2π/18 = 20°。例如,在这种表现形式下,双酚A的强雌激素受体活性十分显著。另外可通过使用ToxPi得分来确定哪些化学物质可能对生态系统和人类健康产生更大的风险,从而为进一步的研究和管理提供方向。
基于ToxCast的数据,Dong等1275采用毒性等效因子(TEF)对室内灰尘中的511种化学物质进行了毒性的评估。研究人员通过广泛的文献检索,确定了室内灰尘中511种常见污染物,其中355种化学物质的浓度已被记录。这些化学物质的浓度是通过计算每项研究的加权中位数来估算的。为了评估人体对室内灰尘中化学物质的日常暴露,Dong等[1275]主要考虑了非饮食性灰尘摄入和皮肤吸收,使用Agency for Toxic Substances and Disease Registry的公共健康评估指导手册中的方程式来计算每种化学物质的人体日常剂量(μg/(kg·d))和估算非饮食性灰尘摄入和皮肤吸收的暴露量(μg/d)。该研究中提到的化学品i的毒性等效因子( )是从其相应的A 与美国环保环保署(EPA)iCSS ToxCast Dashboard检索到的最有活性的阳性对照(QAC50, min)之间的关系来计算的(式(5))。
式中: 为等效因子;QAC50, min为最有活性的阳性对照; 为与毒性等效因子相应的阳性对照。
7.1.4 高通量暴露组学数据库(HExpMetDB)
在环境科学领域,对人类暴露于各种化学物质的风险进行评估是至关重要的。为了更好地理解和量化这些风险,研究人员可使用综合性数据库HExpMetDB(human exposome and metabolite database),该数据库可专门为化学物质的风险评估提供一个全面的资源。HExpMetDB的建立是通过整合和策划现有的化学物质数据库和文献来实现的。这一过程不仅涉及原始的化学物质,还包括了它们在人体内可能的代谢物。这种综合方法确保了数据库的全面性和准确性,为研究人员提供了一个宝贵的资源,以更好地理解化学物质如何在人体内代谢,以及这些代谢物可能对人体健康产生的影响。HExpMetDB整合了毒性数据库、人体检测数据库、政府管控清单以及文献中各个介质中监测的污染物等。
为了使这个数据库更加用户友好,研究人员还为其提供了一个图形用户界面(GUI)(图42)。这个界面允许用户通过多种方式(如CASRN、分子式或m/z)进行化学物质搜索,并能够检索到相关的元数据。这些元数据包括化学物质的标识符、结构、预测的HLBs、暴露水平和大鼠口服LD50等信息。此外,用户还可以进一步搜索化学物质的代谢物,这为研究人员提供了一个方便的工具,以更好地理解化学物质如何在人体内代谢。在整合过程中,研究人员成功地将20756种化合物映射到了优先考虑的人类暴露组数据库中。这意味着这个数据库不仅包括了大量的化学物质,还包括了它们的代谢物。为了进一步为暴露生物标志物的开发和识别提供可能性,研究人员还开发了一个生物转化预测的代谢物数据库。这个数据库包括了从最初使用的20756种异质体衍生出的95976种代谢物。总的来说,HExpMetDB为环境科学领域的研究人员提供了一个宝贵的资源,帮助他们更好地理解和量化化学物质的风险。这个数据库的建立和应用无疑将为未来的研究提供一个坚实的基础,帮助科学家们更好地保护人类健康和环境安全。
7.1.5 基于风险评估的新污染物筛查策略
新污染物的识别通常基于液相色谱(LC)或气相色谱(GC)串联高分辨率质谱(HRMS)的非靶向筛查过程,但该方法产生的数据量庞大且数据解谱复杂,使研究人员在数据处理方面面临巨大的挑战。为了实现从成千上万个分子质谱特征峰中快速有效筛查和识别基于风险评估的高关注化合物,逐渐衍生出一系列的优先筛查策略,下面选取4种经典策略进行介绍。
7.1.5.1 非靶向分析中快速自动表征化合物毒性的优先级框架
随着大量质谱数据库的出现,未知化合物的鉴定变得越来越简单,例如,US EPA毒性预测数据库(toxicity forecaster database, ToxCast),Chemspider,Pubchem和其他公开可用的数据库已在人类生物监测项目中得到广泛应用[1276]。此外,US EPA的分布式结构搜索毒性数据库(distributed structure-searchable toxicity database, DSSTox)中的化学品清单也被用作建立计算机二级谱库协助化合物的鉴定[1277]。同时,基于定量结构保留关系(quantitative structure-retention relationship, QSRR)的保留时间预测模型也被用于化合物的初步鉴定[1278,1279]。数据库检索与保留时间预测相结合是目前广泛采用的化学筛选方法,但在自动化执行方面还有待改进,尤其是在把大量质谱数据缩小到可管控的高关注物质方面具有明显不足。
因此,一些研究学者提出了利用毒性预测确定优先级以快速发现最有害污染物的分析策略,例如使用ToxCast数据库中的毒理学优先指数(toxicological priority index, ToxPi)可将一份超过300000个候选物的可疑物清单缩减至818个候选物[1280],以及利用深度学习方法识别可代表常见毒性的特定MS/MS碎片来确定毒性优先级排序,从而得到值得进一步识别的有毒化合物的优先级列表[1281]。但大部分使用此策略的研究在处理不同毒性终点的方面仍略显不足,造成部分化合物因单一毒性终点的评估而存在优先级偏差。鉴于此问题,Yang等[1282]开发了R包应用程序,即“NTAprioritization.R”,建立了一个结合质谱碎片信息、色谱保留行为和毒性评价的高通量筛选可疑物的优先级平台,以保证对置信度高且潜在毒性大的化合物进行优先关注。
这种快速自动表征化合物毒性的优先级框架主要包括5个步骤:1)样品制备和HRMS分析;2)数据预处理;3)保留时间预测和二级质谱匹配排序;4)毒性预测和ToxPi评分;5)基于毒性评价和保留时间及二级质谱排名的最终优先级排序(图43)。该平台经过加标环境样进行验证,发现其能够在添加农药、除草剂、药品和个人护理品的污泥水样中实现高风险化合物的优先排序,有效提高研究人员识别潜在危害物的效率。
7.1.5.2 结合效应导向分析和特征指示碎片的有毒污染物筛查
EDA是可以分析“已知”和“未知”未知物的强大工具,可在数千个质谱峰中准确“标记”一小部分可疑的生物活性物质1285⇓~1287]。这种策略主要是结合微分馏后的生物测定及可获得精确质量的LC-MS来实现的。每个微分馏的部分对应色谱的一个保留时间窗口,根据对微分馏部分的生物活性测定,标记出具有效应的化合物所在的保留时间窗口。然后,关联到具有相同保留时间的LC-HRMS的原始数据集,实现有毒污染物的率先识别。基于此,Loewenthal等[1288]进一步提出了双重标记法,旨在通过结合某类化合物的特征碎片离子和特有的生物活性反应,将具有潜在毒性的某类物质从复杂基质中标记出来。他们将这种方法应用于筛选有机磷乙酰胆碱酯酶抑制剂,即通过质谱碎片中有机磷指示离子的存在及微分馏组分中乙酰胆碱酯酶抑制作用(实验分析流程见图44),成功从土壤和全血样中筛选出多种低浓度的神经毒剂和农药。这种工作流程可以通过大大减少感兴趣的质谱峰数量,促进研究人员对未知有机磷胆碱酯酶抑制剂的精准识别和快速鉴定。同时,这种双重标记方法可以容易地扩展到其他不同的化合物家族和感兴趣的生物活性物质。
7.1.5.3 基于MS/MS谱的分子描述符预测模型
QSAR方法基于相似性原理,把化合物的结构和性质紧密连接在一起,通过化合物分子特征的信息(如化学官能团、分子指纹描述符等)对目标化合物的理化性质和生物效应进行预测,是评估化合物的常用方法[1289]。尤其是随着ML技术的发展,QSAR能够处理根据化学结构计算出的更多描述符,极大地拓展了应用范围及增强预测性能[1290,1291]。但无论是传统的QSAR还是基于ML的QSAR方法,均要求目标化合物的结构已知,并且需要转换为分子描述符。这些要求导致对PubChem数据库中分布在环境中的化学品的性质和毒性的预测受到限制,仅14%的化合物的结构信息可用[1292]。因此,QSAR在预测环境中化学品的性质和毒性方面可能面临局限性,尤其是基于高分辨率质谱筛查的环境样品中大多数化合物在结构识别上的挑战性,进一步阻碍了对这些物质的危险和风险评估。
为了解决这一难题,一些学者提出如果直接使用质谱等测量数据进行预测,而不进行化合物的结构识别过程,即使无法获得有关结构的确切信息,也有可能扩大危害和风险评估中涉及的化学品范围。例如,Zushi等[1293]开发了一种基于XGBoost机器学习的QSAR方法,即通过气相色谱-质谱法获得的质谱和保留指数的分析描述符来预测化合物的性质和毒性,而无需精确的结构信息。这一方法的预测性能已经过标准品验证数据集及真实样品的检验和评估,并实现了开源化共享方法,使任何在线用户都可以通过名为Detective-QSAR (http://www.mixture-platform.net/Detective_QSAR_Med_Open/)的Web应用程序执行该模型。通过质谱和机器学习相结合获得分析描述符的QSAR方法有助于评估环境中各种未知物的危害和环境风险,从而确定它们的优先级以进行后续的详细评估。
7.1.5.4 基于机器学习的风险驱动下特征碎片优先的非靶向筛查应用
为了解决这个挑战,Arturi和Hollender开发了基于xboost机器学习的MLinvitroTox框架,利用来自二级谱的分子指纹进行快速分类,将数千个未知的HRMS/MS特征根据来自ToxCast/Tox21的近400个特异性靶点和100多个细胞毒性终点划分为有毒/无毒[1299]。与传统基于结构的分子指纹预测活性的QSAR不同,MLinvitroTox是在质谱的分子结构上进行训练,主要应用于通过CSI:FingerID/SIRIUS从实验测量的MS2谱图预测的分子指纹[299]。并且使用invitroDB毒性数据库训练了数百个可用毒性终点的监督分类模型,以确保MLinvitroTox的机器学习组合框架可实现广泛毒理学覆盖。该模型的开发和验证的工作流程如图45所示,MLinvitroTox首先通过开发定制的结构和毒理学数据管理,对以前未开发的invitroDB端点进行建模,解决模型化脏数据、稀疏数据和不平衡数据集的问题。开发结果显示,使用定制的分子指纹和模型,超过1/4的有毒终点和大部分相关的机制靶点可以准确预测,灵敏度超过0.95。值得注意的是,使用SIRIUS分子指纹和xboost模型,以及用于处理数据不平衡的SMOTE(合成少数类过采样技术)在建模配置中普遍成功且稳健。然后利用MassBank谱库对模型进行验证,表明可以从来自MS2的分子指纹中预测毒性,平均平衡准确率为0.75。进一步通过将MLinvitroTox应用于实际环境样品,证实了靶向分析得到的实验结果[1300],并将分析焦点从数万个检测到的信号缩小到与潜在毒性相关的783个特征峰,其中包括确认毒性活性的109个匹配的质谱和30个化合物。但MLinvitroTox框架也存在一些限制,目前该模型的预测仅针对在invitroDB测试的浓度范围内表现出不良影响的有毒物质有意义[1301],且预测的准确性受到实验数据中MS2谱图质量的影响。需要明确的是,MLinvitroTox是为了确定识别未知化合物的优先级而开发的,即它应该作为深入分析的基础,而不是最终决策的基础。
7.2 新污染物在人体内的ADME过程与构效关系
7.2.1 新污染物在人体内的ADME过程
人体通过摄入受污染的饮用水和食物、吸入室内空气,以及与其他受污染介质接触而暴露于新污染物,其中,饮食和饮水是人体主要的暴露途径[1302]。据报道,海鲜和肉类分别占人类摄入PFOS和PFOA总量的78.9%和93.2%[1303]。在不同人群中,如海鲜消费者、普通居民、孕妇和渔业雇员,海鲜消费频率与人体血清中PFAS浓度之间存在很强的相关性[1304,1305]。POPs可能会在消化过程中从食物基质中释放出来,但只有一部分能够被吸收到体循环中。研究显示脂质的存在有助于提高大多数POPs(如PBDEs、PAHs、DDTs等)的生物可及性[1306⇓⇓~1309]。然而,关于新污染物在不同环境介质中生物有效性方面的研究还不充足[1310]。Zhu等[1309]的研究表明高脂食物消化过程中形成的脂肪酸-胆汁酸混合胶束对PFAAs的增溶作用以及乳糜微粒对PFAAs的载带作用都会提高其生物可及性。通常,人类暴露PFAS的风险评估均基于食物中污染物的总浓度,而没有考虑其生物有效性。未来的风险评估应该充分考虑污染物在不同介质中的生物有效性,以避免高估暴露风险。
新污染物通过多途径进入生物体后随体循环进入各个器官或组织中,但不同污染物主要富集的组织因污染物性质不同而存在差异(图46)。PFAS因具有较强的蛋白结合能力,主要富集于肝脏、肾脏等蛋白含量相对较高的组织中[1314,1315]。多项动物实验表明,包括含醚键的PFAS(如6∶2 Cl-PFESA 和HFPO-TA)以及氟调聚类PFAS(如diPAPs和PFPiAs)等新型PFAS具有更强的肝脏、肾脏富集倾向[1314,1316]。OPEs则因其较强的疏水性通常富集于肠道和肌肉组织中,同时OPEs普遍与细胞色素P450等酶具有较强的亲和力,因而在肝脏中也具有相对较高的浓度[1317⇓~1319]。相似地,SCCPs在肌肉和脂肪组织中分布较多[1320,1321],然而其分配受链长、异构体、氯化程度等因素影响,仍需要进一步研究。
在生物转化方面,因C-F键具有极高的键能而使得PFAS的全氟烷基链具有优异的热稳定性与化学稳定性,因此传统PFAAs几乎不发生生物转化[1323]。而具有磺胺衍生基团、氟调聚基团的新型PFAS则会降解成相同或更短链长的PFAAs,其生物转化率为2%~8%[1324⇓~1326]。OPEs则与之相反,极容易发生水解、羟基化、酯键断裂等相I反应和葡萄糖苷酸化、硫酸盐结合、甲基化等相II反应,其转化产物可达10余种且生物转化率通常在50%左右[1327,1328]。不同结构的OPEs生物转化率略有差异,反应活性总体上遵循含苯环OPEs > 烷基链OPEs > 氯代OPEs的顺序[1328,1329]。SCCPs则表现出更强的生物转化潜力,质量平衡实验发现生物体摄入的SCCPs有60%以上发生了生物转化[1330]。进一步的研究表明SCCPs在生物体内会发生氧化生成CO2、断链、脱氯与重排、羟基化等多种反应,且转化速率随氯化程度的降低而升高,最高可达到96%[1321,1330]。
PFAS作为典型的POPs,其在人体内的半衰期长达数年之久(PFOA为2.1 a,PFOS为6.2 a),且半衰期随碳链长度增加而增加[1331]。而一些新型PFAS具有更长的半衰期,如PFOS的替代品6∶2 Cl-PFESA半衰期长达15.3 a[1332]。PFOA的替代品HFPO-TA在小鼠体内半衰期为58.6 d,明显高于PFOA(24.4 d)[1333]。OPEs具有较快的清除速率与生物转化速率,烷基链与含苯环的OPEs在人体内的半衰期小于10 d,而氯代OPEs半衰期相对较长,可达到53.8 d[1334]。目前尚未有针对SCCPs半衰期的实际测量结果,但一项基于PBTK模型的研究发现SCCPs因具有较高的表观分布容积,其半衰期可达5.1 a,明显高于中链(1.2 a)与长链氯化石蜡(0.6 a),说明SCCPs的暴露风险相对较高[1335]。
7.2.2 新污染物的化学结构对ADME过程的影响
新污染物的化学结构直接影响污染物的理化性质,进而影响其在生物体内的生物过程。因此,通过体内、体外实验手段或者计算毒理学的方法,探究新污染物的化学结构与其生物过程之间的关系及规律,对新污染物的生物过程评估和毒性预测具有重要意义。定量结构性质关系(quantitative structure-property relationship, QSPR)模型可以模拟新污染物的分子结构参数与各个性质以及生物活性之间的相关性,建立定量构效关系,进而系统预测其药代动力学特征[1336]。此外,基于污染物的化学结构进行的机器学习、分子对接模拟以及体外模拟等实验也被广泛用于更深入地了解污染物的生物过程与分子结构之间的关系[1337],这对探索新污染物对人体健康的负面影响具有重要作用[1338]。
已有研究证明,一些新污染物与蛋白质之间的相互作用是影响其在生物体内蓄积的一个重要因素[1339]。例如,PFAS会与血清白蛋白、有机酸转运蛋白、脂肪酸结合蛋白等蛋白质结合进入到生物体中,并通过血液循环到达各种组织[1340,1341]。探究PFAS与蛋白的结合亲和力能够解释它们在体内的分布和ADME行为,并可以解释其产生生物毒性效应的机制[1341]。大量研究证明,PFAS的疏水氟化碳链占据了靶蛋白的结合腔,而PFAS的酸性基团与氨基酸残基形成氢键[1341]。Liu等[1342]的研究结果显示,6∶6和8∶8 PFPiA均能在鲤鱼体内快速积累,且6∶6 PFPiA的生物蓄积潜力高于8∶8 PFPiA。体外平衡透析实验和分子对接结果进一步显示6∶6 PFPiA与血清和肝脏蛋白的结合亲和力高于8∶8 PFPiA,这说明PFPiAs的组织特异性分布高度依赖于与其特异性蛋白的结合亲和力。此外,Chen等[1343]利用3D-QSAR模型发现PFAS与甲状腺素运载蛋白(ttr)的结合亲和力与末端基团的性质有关。Ren等[1344]利用QSAR模型研究了16种结构不同的PFAS与人体ttr的结合相互作用,发现长度大于10的氟化烷基链和酸性端基是ttr结合的最佳选择。对于PFAS的替代品,它们的各种结构特征,例如,氯原子取代、氧原子插入和支链结构,可能会改变PFAS替代品与内源蛋白质的亲和力[1341]。例如HFPO-DA和6∶2 Cl-PFESA已被证明与传统PFAS对内源性蛋白质具有相似或更高的亲和力[1345,1346]。Cao等[1347]结合QSAR模型与分子动力学模拟,发现PFOS的新型替代品全氟十烷-2-磺酸(PFDecS)的刚性和环状结构通过更稳定的疏水相互作用增加了与肝脂肪酸结合蛋白(LFABP)的结合亲和力;而N-二全氟丁酸(N-diPFBS)由于其他极性基团将磺酸基取代到分子结构的中间,显著减少有利的静电相互作用,直接降低其与LFABP的结合亲和力,从而降低其在肝脏中的蓄积(图47)。
EDCs通常与生物体内的受体蛋白具有较强的结合作用,会通过直接或间接干扰激素系统对人体造成不良影响[1348]。例如,Tan等[1349]的研究证明发现7000多个EDCs主要通过12种经典的核受体(NRs)对生物体的内分泌系统产生破坏作用,并引起严重症状。EDCs与受体蛋白等之间的结合作用,在一定程度上影响其在生物体内的蓄积和分布。例如,Verreault等[1350]探究了氯代化合物(PCBs和氯丹CHLs)、多氯联苯的代谢衍生物(甲基磺酰MeO-和羟基化OH-PCBs)、溴代阻燃剂(PBDEs、PBBs、HBCD)、PBDEs代谢物以及具有类似结构的天然化合物(MeO-/OH-PBDEs)在生物体内的积累情况,发现污染物与蛋白质的结合能力及脂溶性是影响其归趋和毒代动力学的重要因素。氯代、溴代和其他苯基取代基(如OH-)等的存在可以直接影响化合物的结构和性质,进而影响其在生物体内的分布。此外,Yang等[1351]发现,EHDPHP及其转化产物5-OH-EHDPHP在斑马鱼体内的组织特异性分布与其与转运蛋白、组蛋白等之间的亲和力有关,并且产物5-OH-EHDPHP由于羟基的存在增强了其与体内蛋白之间的亲和力而具有较高的生物蓄积。类似地,Cao等[1352]发现PBDEs/OH-PBDEs与潜在新靶点雌激素相关受体γ(Estrogen-related receptor γ,ERγ)的结合受分子大小、芳香族原子的相对比例、氢键供体和受体等因素的影响,且OH-PBDEs与ERγ比母体化合物PBDEs具有更强的结合能力(图48)。在生物体内积累能力较强的污染物将具有更大的潜在健康风险,在一定程度上解释了OH-PBDEs往往比PBDEs表现出更强的毒性。
图48 (A)多溴联苯醚及其羟基化代谢物对雌激素相关受体γ(ERRγ)的结构依赖性活性研究,(B)分子对接得到的化合物与ERRγ结合口袋中配体的结合构象[1352]Fig. 48 (A) Structure-dependent activity of polybrominated diphenyl ethers and their hydroxylated metabolites on estrogen-related receptor γ (ERRγ), (B) Binding conformations of the compounds with ligands in the ERRγ binding pocket obtained by molecular docking[1352] |
了解新污染物的化学结构与在人体内的ADME过程的关系对于评估其毒性和制定防控策略至关重要。通过深入研究和分析,可以提高对新污染物的认识,为保护人体健康和环境安全提供科学依据。目前在新型污染物的研究上已经取得一些成果,但是由于环境污染物新型污染物层出不穷,且环境污染物的结构复杂多变,目前对于部分污染物的毒性效应还了解的不够全面。另外,随着计算机技术的发展和普及,利用机器学习等方法代替传统QSAR模型,对新型环境污染物的生物活性和效应进行快速高通量筛查和预测将成为新的发展方向。
7.3 新污染物的环境健康风险
7.3.1 对生殖系统的影响
许多PFAS具有类雌激素效应,可竞争性结合相应受体,使激素分泌紊乱进而影响下丘脑-垂体-卵巢轴功能,诱发生殖毒性。啮齿动物研究表明,PFAS暴露可导致卵泡闭锁和卵泡发育过程中黄体数量减少,或者通过激活过氧化物酶体增殖物激活受体,或破坏颗粒之间的间隙连接细胞间通讯等方式,影响卵子的发生和卵母细胞[1353]。PFAS暴露显著促进大鼠体内活性氧的产生,干扰线粒体呼吸链中复合物I、II、III的活性,导致卵母细胞凋亡[1354,1355]。流行病学研究表明,接触PFAS与月经初潮推迟[1356]、月经规律紊乱[1357]、多囊卵巢综合征[1358]和早产风险增加存在关联[1359]。PFAs对雄性生殖系统的生殖毒性,主要通过影响脑-垂体-性腺轴功能,导致雄性生殖系统细胞凋亡[1360⇓~1362]、血睾屏障通透性增加[1363,1364]、睾酮水平降低等[1365]。男性流行病学研究表明,PFAS暴露与总睾酮和游离睾酮的水平降低有关[1366,1367],高浓度PFAS暴露会导致雌二醇水平升高[1368],较高PFAS暴露与成年男性形态正常精子的比例呈负相关[1369,1370]。
孕妇和胎儿是环境污染物的易感人群,妊娠期OPEs暴露可能会造成生育能力下降,引起胎儿早产、畸形、流产等不良妊娠结局[1371⇓~1373];孕期OPEs暴露可通过跨胎盘母婴传输至胎儿并导致其代谢异常,影响胎儿的生殖发育[1371⇓~1373]。流行病学证据表明,孕期OPEs暴露呈现性别特异性的早产风险,从而增加女婴早产风险,但降低男婴早产风险[1374]。近期一项出生队列研究指出,产前OPEs暴露促进后代生殖发育偏向女性化,降低新生幼儿肛殖距[1375];其中BBOEP对女性幼儿肛殖距降低的贡献最大,而BCIPP对男性幼儿肛殖距的贡献最大[1375]。另外一项研究表明,尿液中OPEs代谢物水平较高的女性在接受辅助生殖技术后的受精率、着床率、成功妊娠率和活产率均显著降低[1376]。此外,OPEs暴露还与男性精子质量降低相关。例如,较高的BBOEP暴露能降低精子的运动水平,而较高暴露水平的DPHP导致男性精子总数更低[1377]。动物实验表明长期暴露于 TMPP(≥ 200 mg/(kg·d))后,成年 Long-Evans 大鼠表现出卵巢组织学异常,卵泡和黄体总数增加[1378]。暴露于磷酸三邻甲苯酯(TOCP)会降低小鼠的着床率,部分可能通过诱导胎盘毒性来实现[1379]。较长时间暴露于TOCP(4周,≥100 mg/(kg·d))会导致所有发育阶段的卵巢重量和卵泡计数显著减少,高剂量时闭锁卵泡比例增加,卵巢组织结构严重受损[1380]。一项斑马鱼研究发现,TPHP和TDCPP 在环境相关浓度下可以影响下丘脑-垂体-性腺(HPG)轴[1381,1382]。OPEs可以拮抗某些激素与特定受体的结合,如雌激素受体、雄激素受体、孕烷X受体,进一步影响生殖系统;或通过调节基因表达在内分泌轴或其他代谢通路中发挥作用。
众多流行病学研究发现,PAEs暴露对女性(青春期提前、原发性卵巢功能不全、子宫内膜异位症、早产或体外受精)和男性(精子质量、肛门生殖器距离、隐睾、尿道下裂和变化)的发育和生殖产生不利影响。Hashemipour等[1385]发现87名早熟女孩血浆中DEHP 代谢物(MEHP、5OH-MEHP 和 5oxo-MEHP)显著高于对照组。Cobellis等[1386]首次发现35名患有子宫内膜异位症的女性血浆 DEHP 浓度显著高于24名正常女性对照组。后续更多研究证实PAEs(主要是 DEHP)可能是子宫内膜异位症的危险因素[1387⇓~1389]。同时,大量流行病学研究表明PAEs 暴露可能导致精子质量下降[1390⇓~1392]。Swan等[1393]发现85名男性婴儿(2~36个月)的肛门生殖器距离与其母亲尿液中4种 PAEs(MEP、MBP、MBzP 和 MiBP)浓度呈负相关,其后续研究再次表明,母体尿液中PAEs代谢物(MEP、MnBP、MEHP、MEHHP 和 MEOHP)浓度与肛门生殖器距离之间存在显著负相关,同时还发现阴茎宽度和睾丸下降与DEHP的一种或多种代谢物之间呈负相关[1394]。一项前瞻性队列研究指出,宫内男性胎儿暴露于高分子量邻苯二甲酸酯浓度(DEHP和DNOP)与其在10岁时睾丸体积增大以及在13岁时生殖器和阴毛发育较早之间存在相关性;而宫内女性胎儿暴露于高分子量邻苯二甲酸酯(DEHP和DNOP)则与其在13岁时阴毛发育较早相关[1395]。在一项西班牙研究中,产前接触某DiBP、DnBP 和 DEHP,与 7~10 岁的青春期发育有关,导致正常体重的男孩和超重/肥胖的女孩的青春期提前[1396]。PAEs诱发生殖毒性的机制主要包括,PAEs 诱导下丘脑-垂体-性腺(HPG)轴功能障碍[1397];通过干扰HPG轴参与促性腺激素释放激素和促性腺激素的异常释放、性激素受体和类固醇激素合成和分泌,影响生殖过程[1398];或通过干扰 HPG 轴诱导卵母细胞凋亡、升高氧化应激、降低vtg蛋白和ER表达,影响生殖过程[1398]。
7.3.2 对内分泌系统的影响
内分泌系统是人体一个复杂而精密的生理系统,负责调控和协调身体的各种功能维持稳态。该系统由多个内分泌腺组成,这些腺体产生和释放激素,并通过血液传播到身体的各个部位,影响细胞活动和生理过程。内分泌系统主要由3个轴控制:HPG、下丘脑-垂体-肾上腺(HPA)和下丘脑-垂体-甲状腺(HPT)轴[1399]。激素分泌过度活跃和不足,都不可避免地导致疾病,其影响可能延伸到许多不同的器官和功能,并且常常使人衰弱或危及生命。
实验室研究表明,青春期雌性小鼠长期接触低剂量PFAS可导致小鼠促性腺激素水平下降,雌激素分泌减少[1400],PFAS在较低浓度时表现出抗雄激素作用[1401],降低血清睾酮水平,抑制睾丸间质细胞的增殖和分化,导致体内雄激素分泌降低[1361,1402]。急性毒性和重复剂量毒性研究表明,PFAS暴露与血清三碘甲状腺原氨酸和甲状腺素水平下降有关[1403]。流行病学研究表明,随着PFAS暴露浓度的增加,甲状腺疾病的患病危险也随之增加[1404]。体外研究结果表明,接触PFAS会降低β细胞的细胞活力和胰岛素释放能力。同时,流行病学研究发现高浓度PFAS暴露与老年人产生胰岛素抵抗风险增加存在显著关联[1405]。
OPEs已被证明对HPG、HPT和HPA产生不利影响,具有内分泌干扰毒性[1406]。体外和体内研究表明,OPEs可以通过破坏激素的合成和与核受体结合而对这些控制轴产生不利影响。例如,TPHP通过上调H295R细胞中甾体生成酶CYP11A1、CYP11B2、CYP19A1和3β-HSD2的表达,增加E2、T的浓度和E2/T比值[1407]。成年雌性小鼠暴露于TCrP 4周后,血清E2浓度升高,黄体酮浓度升高,导致卵巢重量下降、卵巢结构紊乱、卵泡发育延迟等一系列生殖问题[1380]。OPEs能干扰皮质醇、醛固酮的产生,以及破坏皮质激素受体和糖皮质激素受体等活性,影响正常的肾上腺功能[1408]。此外,动物实验中观察到OPEs能破坏甲状腺激素的稳态[1409]。流行病学研究表明,OPEs代谢物DNBP、BBOEP、DoCP以及DpCP与甲状腺激素水平失调有关[1410⇓⇓~1413]。孕妇尿液中DoCP、DpCP、BBOEP、DNBP的水平与新生儿促甲状腺激素呈现正相关性,而DPHP则呈现负相关性(图49)[1371,1413]。妊娠26周时母体尿液中DNBP水平与婴儿脐带血中总三碘甲状腺原氨酸(T3)浓度和游离T3浓度呈负相关[1412]。另一项前瞻性研究指出,美国青少年(12~19岁)尿液中 BCEP 水平与空腹胰岛素之间存在负相关,表明 BCEP 可能影响胰岛素稳态和抵抗[1414]。同时,女性(18~45岁)尿液中 BCEP 水平与血清胆固醇和总脂质含量呈负相关[1415]。
人体SCCPs暴露可能导致内分泌功能紊乱。一项研究发现,中国北京人群中母血清SCCPs质量分数与促甲状腺激素(TSH)浓度呈显著正相关,该研究虽未发现与T3的关联,但观察到随SCCPs质量分数增加显示出T3浓度下降的趋势,说明SCCPs可能会影响人体循环甲状腺激素水平[1417]。一些毒理学研究证明SCCPs会破坏雄性动物的内分泌系统功能。例如,胚胎暴露于SCCPs会抑制雄性幼鸟和大鼠的腺体总甲状腺素(T4)并减少T3,导致雄性甲状腺功能减退[1418⇓~1420],以及改变斑马鱼下丘脑-垂体-甲状腺轴的基因表达[1421]。基于体外模型的研究表明几种SCCPs能通过核受体介导和非受体介导两种途径干扰内分泌,C10-CP(40.4%氯)、C10-CP(66.1%氯)和C11-CP(43.2%氯)3种SCCPs能通过ERα发挥潜在雌激素活性,其中C11-CP(43.2%氯)表现出糖皮质激素受体介导的拮抗活性[1422],导致肥胖、Ⅱ型糖尿病和甲状腺癌等疾病的发生。
研究表明,PAEs会干扰人体内分泌系统。一些PAE物质可以作为转录因子的配体与内分泌分子信号系统相互作用,导致不良健康影响。部分PAEs已被确定为弱 ER 激活剂和 AR 拮抗剂,对PPARs产生不同程度的影响,而PPARs与乳腺癌、胰岛素敏感性、Ⅱ型糖尿病以及PPARγ介导的其他不良生理过程的发生密切相关[87,1423]。体外研究也表明,DBP、BBP 和 DEP 具有弱雌激素活性,如DBP 和 DEHP 分别诱导 ERα 30% 和 5% 的转录活性, DBP 增加大鼠睾丸中 ERα 活性并降低 ERβ 活性,表现出 ERβ 拮抗活性[1424]。与人类相比,小鼠 PPARα 或 PPARβ 通常在较低浓度的邻苯二甲酸酯单酯下被激活[1425]。大量的人群流行病学也证明,PAEs暴露会影响儿童及成人甲状腺的生长发育,如成年男性血液中T4和T3水平与DEHP代谢物浓度呈负相关[1426]。孕妇尿液中DBP代谢物的浓度与血清中游离T4和总T4水平呈负相关[1427]。Malene Boas通过调查丹麦845位4~9岁的儿童发现,尿液中PAEs与甲状腺激素、胰岛素样生长因子-1和儿童的健康生长呈负相关[1428]。
7.3.3 对生长发育的影响
研究表明孕期PFAS暴露可能危害胎儿的生长发育,并对后代健康产生长期不良影响。充分的流行病学证据和确凿的毒理学证据表明产前PFOA暴露影响新生儿生体质量[1429],导致胎儿生长受限、出生身长缩短、腹围缩小以及头围缩小[1430,1431]。孕期PFAS暴露与儿童肥胖也密切相关,在中国上海进行的一项前瞻性研究发现,脐带血中的PFBS与5岁女孩的肥胖发病率呈正相关[1432]。尽管研究揭示了PFAS对生长发育存在危害,但对于这些危害的确切机制仍存有一定的争议。一些研究指出,PFAS可能通过扰乱内分泌系统、干扰脂质代谢以增加脂肪储存、影响甲状腺功能或引起细胞氧化应激等途径对生长发育产生影响。PFOA和PFOS暴露与DNA胞嘧啶甲基化水平降低、Line-1 (Long interspersed nuclear elements)甲基化水平升高以及涉及胆固醇代谢的基因表达变化有关[1433⇓~1435]。PFOA和PFOS能够结合并激活过氧化物酶体增殖物激活受体(PPAR-α/γ),从而促进脂肪细胞分化并增加体脂[1436⇓~1438]。此外,PFOA、PFOS和PFHxS抑制11β-羟基类固醇脱氢酶-2,以增加糖皮质激素浓度,从而影响生长和脑部发育[1439]。
OPEs对生长发育产生多方面的影响,包括体型(体质量和身长)变化、早产、肥胖、器官发育异常,以及染色体异常等[1371,1374,1406]。产前OPEs暴露可能与新生儿的出生体重和身长密切相关,高水平OPEs暴露可能导致体重减轻、身长降低,甚至引发早产[1371]。以不同妊娠期孕妇尿中BDCIPP、BBOEP、4-HO-DPHP和DPHP为例,其浓度水平与新生儿的出生体重呈负相关,尤其在妊娠晚期,胎儿更容易受到BDCIPP和BBOEP的发育毒性影响[1440]。尿液中BDCIPP水平高于中位数的孕妇的早产概率是正常孕妇的4倍,且BCEP和DPHP浓度升高与妊娠期延长和早产风险降低相关[1440,1441]。产妇尿液中BCEP水平还被报道与男婴肩胛下皮褶厚度,以及不同性别婴儿的大腿皮褶厚度呈正相关[1442]。一些研究还表明,人体内OPEs浓度的增加与儿童肥胖和超重患病率增加相关[1371,1443]。DPHP与氧化应激、内分泌干扰作用和发育毒性显著相关,能诱导高血糖,并对婴儿体型和脑发育产生负面影响[1371]。
尽管产前孕期PAEs暴露与出生体质量之间的关联,在不同流行病学研究中存在不一致的结果,但大部分研究表明产前PAEs暴露与新生儿出生体重呈负相关[1446,1447]。萨利纳斯母婴健康评估中心进行的一项研究表明,孕期母亲的DEP、DnBP、BBzP 和 DEHP暴露水平与不同年龄段(5~12岁)后代的身体质量指数、腰围和体脂百分比密切相关。特别是在12岁儿童中,DEP、DnBP 和 DEHP 代谢物的产前浓度与超重或肥胖呈正相关[1448]。Wang等[1449]的一项横断面研究发现,259 名中国学童尿液中PAEs代谢物(MEHP 和 MEP)与身体质量指数或腰围呈正相关。Xia等[1450]发现,149 名儿童尿液中 MnBP 浓度与超质量/肥胖之间存在正相关,而MMP、MEP、MEHP、MEOHP和MEHHP 水平与肥胖间无相关性。在一项针对242名6~18 岁伊朗儿童的研究中发现,尿液中PAEs代谢物(MBzP、MBP、MMP、MEHP 和 MEHHP)浓度与儿童肥胖呈现显著正相关[1451]。
7.3.4 对神经系统的影响
体外研究表明,PFAS进入大脑存在两种潜在机制:一是破坏脑内皮细胞的紧密连接,增加血脑屏障的通透性;二是通过结合转运蛋白来穿过质膜[1452]。2018年Liew等[1453]回顾了21 项流行病学研究发现,PFAS暴露对神经发育的影响并不一致。一项针对218对母婴的前瞻性研究表明,产前PFOS暴露水平较高与后代执行功能较差有关[1454]。另一项前瞻性研究也表明,产前PFOS和PFOA暴露水平的增加分别导致脑瘫风险增加了70%和110%[1455]。同时,儿童血清 PFAS 浓度与注意力缺陷障碍(attention deficit hyperactivity disorde,ADHD)或控制ADHD 的药物使用率增加有关[1456,1457]。但也有研究发现,产前PFAS暴露与儿童神经行为之间存在正关联或无关联[1458⇓⇓⇓~1462]。老年人PFAS 暴露与更好的语言学习能力和认知灵活性相关,并且PFAS可能对记忆障碍产生保护作用[1463]。PFAS暴露可能破坏钙稳态和引起神经递质功能障碍[1452],而钙离子参与介导神经元增殖、突触发生、细胞凋亡和神经递质分泌等过程。多项研究报道了PFAS对多巴胺、谷氨酸、乙酰胆碱和胆碱能系统等神经递质的影响[1464⇓⇓⇓⇓~1469]。鉴于神经系统的复杂性以及评估仪器和方法的异质性,需要更多的研究来探讨PFAS暴露对神经系统的影响。
OPEs可能对神经发育产生不良影响,包括对婴儿神经系统和认知功能的负面影响。Hall等[1470]通过挪威母亲、父亲和儿童队列研究的嵌套病例对照调查指出,孕期暴露于特定的OPEs,如DNBP和BDCIPP,与儿童学龄前ADHD的风险增加相关。一项中国研究显示,孕妇平均尿液BDCIPP浓度增加2倍,其后代(≥2岁)的精神运动发育指数(PDI)评分和心理发展指数(MDI)评分均下降,表明BDCIPP可能损害儿童的认知、语言和社交技能[962]。一项美国研究表明,产前尿液中 OPE 代谢物的浓度与 2~3 岁时的儿童认知和行为发展相关,如较高的 BDCIPP 浓度与儿童中更多的退缩和注意力问题相关,而较高的 DPHP 浓度与更大的多动和注意力问题相关[1471]。值得注意的是,OPEs对于神经发育的影响存在性别差异性,例如,随着BBOEP暴露的增加,女孩患ADHD的概率降低,而男孩的几率略有增加[1470];另外一项研究表明,母体BDCIPP暴露只与男孩的神经发育评分呈负相关,而对女孩无显著影响[962]。
研究表明,PAEs能够渗透血脑屏障,广泛的与神经受体结合,通过竞争性结合和配体介导调节来阻断神经信号的传递,从而影响智力和神经功能,如影响注意力缺陷/多动障碍和智力表现[1474]。美国NHANES于2001—2004年在包括1493名儿童的一项横断面研究中发现,儿童注意力缺陷障碍与其尿液中PAEs(DEHP、MBzP、MCPP、MEHP、MEHHP和MEOHP)浓度呈正相关[1475]。Engel等[1476]基于病例对照研究证明,母体尿液中 DEHP 浓度与挪威儿童多动障碍风险增加相关。此外,还有队列研究显示儿童多动障碍症状的风险与儿童尿液中 DEHP 和 BBzP 代谢物浓度呈正相关[1477]。Kobrosly等[1478]进行的一项队列研究,结果表明较高的产前尿液 MBzP 浓度与男孩的对立/挑衅问题和品行问题得分较高呈正相关。Li等[1479]研究发现MBP和MiBP浓度与儿童智商较低呈正相关,然而,更多研究表明PAEs浓度与儿童智商表现呈负相关[1479,1480]。如Choi 等[1481]对667名韩国儿童的一项横断面研究显示,智商分数和儿童词汇分数与 MEOHP、MEHP 和 MBP 呈负相关。
7.3.5 对慢性病发生发展的影响
研究表明,PFAS暴露可能与高血压、糖尿病和高尿酸血症相关。基于2003—2012年美国NHANES数据库中6509名成年人的数据研究发现,与最低四分位数浓度相比,最高四分位数血清PFOA浓度和PFOS浓度能显著增加高血压发生风险[1482]。Bao等[1483]对1612名成年人的横断面调查发现,血清PFAS浓度(尤其在女性中)与高血压患病风险显著相关,同时还发现支链PFAS异构体比直链PFAS异构体表现出更强的效应,提示PFAS暴露是高血压发生的重要危险因素。PFAS暴露还可能与糖耐量异常和糖尿病发生有关。Su等[1484]在中国台湾一项病例对照研究中发现,PFOS暴露与糖耐量异常和糖尿病患病率增加相关,PFOA、PFNA和PFUA对预防糖耐量异常和糖尿病存在潜在保护作用。此外,一项病例对照研究结果表明PFAS暴露增加高尿酸血症患病风险,且中介分析结果表明肌酸、肌酐及磷脂类等介导了25%~68%的暴露与疾病风险关系[1485]。
OPEs混合暴露与心血管疾病风险增加之间存在潜在联系。Guo等[1486]基于2011—2018年NHANES数据库中5067名受试者的研究数据发现,尿液中OPE代谢物的最高分位数与心血管疾病(CVD)风险呈正相关,但这种关系没有达到统计学意义。另一项研究通过2013—2014年 NHANES的数据调查了美国普通成年人中OPEs暴露与慢性肾脏疾病(CKD)之间的关系,发现BCEP,BDCIPP和DnBP均与CKD有关[1487]。OPEs暴露也被报道与儿童和青少年的血压升高有关,导致高血压等疾病[1486]。除此之外,流行病学证据还表明,暴露于OPEs可能与青少年或老年人患Ⅱ型糖尿病风险增加有关[921,1411]。分子起始事件(例如胰岛素受体和4型葡萄糖转运蛋白)的触发因素以及随后的关键事件,包括信号转导途径的破坏(例如磷脂酰肌醇3-激酶/蛋白激酶B和胰岛素分泌信号传导)和生物学功能(葡萄糖摄取和胰岛素分泌),可能诱发OPEs的致糖尿病作用[921]。
人类暴露于SCCPs可能增加患糖尿病、肝损伤和慢性肾病等健康风险。中国华东地区一项巢式病例-对照研究表明,C10-CP和C11-CP与患Ⅱ型糖尿病风险增加相关,并且男性暴露于SCCPs后患Ⅱ型糖尿病风险比女性高4倍,体现了不同性别间存在显著差异[1488]。济南一项研究也表明,SCCPs以性别依赖方式干扰肝脏生物标志物[1489],这种特异性关联可能归因于男性和女性间SCCPs的不同毒性机制,例如扰乱雌激素或雄激素受体信号传导改变代谢调节机制[1490]。毒理学研究证明,SCCPs也可能通过扰乱雄性大鼠脂质稳态来促进Ⅱ型糖尿病的发展,引起雄性大鼠炎症因子浓度显著升高[1491,1492],导致肝损伤等慢性疾病。SCCPs与过氧化物增殖激活受体α(PPARα)作用可能破坏雄性大鼠脂肪酸代谢[1493,1494],PPARα在糖尿病患者心脏中过度特异性表达可能导致更严重的心肌病[1495]。在中国济南男性中,暴露于SCCPs与肾小球超滤风险增加相关意味着可能存在早期肾损伤[1496],而SCCPs浓度升高与白细胞减少相关表明男性免疫功能可能遭受破坏[1497]。雄性大鼠长期暴露于SCCPs会导致肾脏重量增加和慢性肾炎,高剂量暴露下还会出现肾小球增生、氧化应激增加等现象,说明SCCPs可能通过诱导雄性大鼠α2u球蛋白的特异性表达导致肾脏损伤[1498⇓~1500](图50)。
美国NHANES于2003—2008年和2009—2012年对6~19岁儿童进行的横断面研究发现,化妆品和个人医疗用品中的PAEs浓度与血压呈负相关。同样,在伊朗对 242名 6~18岁儿童进行的一项研究中发现,MBP浓度与血压升高显著相关[1451]。一些研究[1501]表明,PAEs 暴露可引起氧化应激和胰岛素抵抗,增加Ⅱ型糖尿病患病风险。MnBP、MiBP、MBzP、MCPP 和 ΣDEHP 浓度较高的女性患糖尿病的风险高于浓度较低的女性[1502]。PAEs 代谢物具有生化活性,包括激活周体增殖物受体和抗雄激素作用,从而增加致肥胖风险[1503]。Xia等[1504]发现,与正常体重儿童相比,超重肥胖儿童尿样中邻苯二甲酸单丁酯(MnBP)浓度较高[1450]。一项横断面研究表明,成人尿中BBzP代谢物(MBzP)浓度与哮喘之间存在关联。同时,PAEs(DnBP、BBzP、DEHP、MEHP)与儿童哮喘、鼻结膜炎或特应性皮炎之间也可能存在正相关关系[1505⇓~1507]。
7.3.6 对癌症发生发展的影响
PFAS暴露可能与肾癌、睾丸癌、前列腺癌和乳腺癌等风险升高相关,但目前仍没有确切的结论。Vieira等[1508]在美国俄亥俄州和西弗吉尼亚州进行的一项研究表明血清PFOA水平升高可能与睾丸癌、肾癌、前列腺癌、卵巢癌和非霍奇金淋巴瘤风险增加有关。Girardi等[1509]评估PFAS暴露与死亡率之间的关联,发现与无PFOA职业暴露的工人相比,职业暴露工人患肝癌、淋巴和造血组织的恶性肿瘤死亡风险增加。一项丹麦的病例对照研究(77例乳腺癌病例和84例对组)发现,PFCAs、PFSAs、PFNA、PFDA、PFOA、PFOS均在一定浓度范围与乳腺癌风险呈正相关[1510]。但在另外一项病例对照研究(902例乳腺癌病例和858例对组)中未发现女性暴露于PFOA和PFOS与罹患乳腺癌之间存在关联[1511]。值得注意的是,PFAS暴露对乳腺的影响可能在生命早期就已经发生。一项病例对照研究结果表明,母亲PFOS暴露导致女性后代乳腺癌患病风险增加。PFAS暴露对人群罹患癌症的影响还需进一步研究[1512]。
OPEs暴露可能与甲状腺癌、胃肠道癌、乳腺癌、宫颈癌等风险升高相关[939,1513,1514]。Liu等[1514]对4种女性特异性肿瘤的患者血浆中的OPEs进行了分析,发现EHDPP浓度与乳腺癌发病风险相关,而TnBP、TMPP、TPHP和EHDPP浓度与宫颈癌风险相关。来自中国武汉的一项研究表明胃肠道癌症患者血液中TEP、TCIPP、TPHP、TMPP、TEHP和EHDPP的浓度与胃癌发生显著相关,TEP、TCIPP、TPHP、TMPP和TEHP浓度与结直肠癌发生显著相关[1513]。并且,老年男性胃癌患者对EHDPP暴露更为敏感,而相对年轻的胃肠癌患者则对TEP暴露更为敏感[1513]。这些发现表明,OPEs可能在胃肠道癌症的发生中发挥作用。另外一项来自中国山东的病例对照研究发现,OPEs(如TPrP、TCPP、TDCPP、TBEP)暴露与男性和女性甲状腺癌之间均存在显著的高风险关联[939]。OPEs暴露可能会导致甲状腺功能的改变,从而增加甲状腺癌的风险。
目前,仅有一项流行病学研究表明SCCPs暴露可能会增加患胆道癌风险。该研究针对暴露于金属加工液的汽车工人,发现SCCPs暴露可能会增加患胆道癌风险,但由于病例数较少导致置信区间较宽[1515]。一些体内/体外及计算机模拟研究对SCCPs的致肝、肾小管、甲状腺和乳腺癌机制作出了解释[1516]。美国国家毒理学项目对大鼠及小鼠长达2年的灌胃实验结果显示,SCCPs的长期暴露增加了肝细胞、肾小管及甲状腺腺癌的发病率[1517]。体外研究证明暴露于环境剂量相关的SCCPs会使人肝癌HepG2细胞活力降低和代谢物谱紊乱导致肝毒性[1518],SCCPs也具有通过干扰T4和ttr的结合破坏甲状腺的潜力[1519]。而基于计算机模拟的分子对接技术表明SCCPs与ERα具有很强的结合能力,有助于乳腺癌的扩散[1520]。目前关于SCCPs致癌风险的流行病学研究十分有限,但SCCPs(尤其是C12-CP(60%氯))已被国际癌症研究机构列为2B类致癌物[1521],其致癌风险不容忽视。
8 新污染物治理
8.1 新污染物治理难点
8.1.1 新污染物迁移转化、毒性机理研究难度大
新污染物,如POPs、抗生素、内分泌干扰物和微塑料等,通常是半挥发性物质,能够挥发进入大气或吸附在大气颗粒物上,在特定的环流条件下随大气进行远距离传输,并进入土壤、地下水、空气和生物群等不同的环境介质。部分新污染物具有生物蓄积性、致癌和致突变性,可能会对生态系统和人类健康造成不利影响。迄今为止,关于POPs等部分新污染物在环境中的迁移转化和毒性机理研究已经取得了一定的成果。然而,新污染物的复杂性和隐蔽性使得其迁移转化和毒性机理研究较为困难,目前仍需要大量的基础研究和探索。由于新污染物具有不同于传统污染物的特性,其环境行为和毒性机制可能涉及多种复杂的物理、化学和生物学过程。
新污染物在大气、水体和土壤中的吸附与解吸行为对其迁移转化起着决定性的作用,因此深入了解有机物的物化参数对于理解其迁移转化机制至关重要。预测天然和工程系统中有机碳分配的研究主要集中在开发一些方法上,这些方法依赖于利用已有的分配数据对单个有机碳分子的各种特性进行训练,包括化学式、官能团、大小、构象、极性以及利用量子化学计算预测的其他特性。然而,对现有方法的交叉验证和基准测试结果表明,对于官能度稀疏的弱溶性化合物,这些方法在水-气分配和相关性质(如饱和蒸气压)方面的预测结果与实验结果之间存在高达1个数量级的差异。此外,对于可溶性较高、官能度较高的化合物(许多新污染物的共同特性),不同预测方法的偏差达10个数量级,为新污染物迁移转化的预测带来了很大的不确定性。因此,目前对新污染物物化参数的研究方法尚不够成熟,为新污染物的迁移转化和毒性机理研究带来了极大的困难[1524]。
全面识别新污染物并评估其暴露水平,是准确评估其健康危害的先决条件。以PAHs衍生物为例,其主要存在于空气中,是一类从母体PAHs结构中衍生出来的新污染物。尽管这些PAHs衍生物的环境浓度可能低于其相应的母体PAHs,但取代基团大大增加了其致癌、致畸和致突变的可能性。例如,硝基PAHs中的1,8-二硝基芘的致突变性是毒性最强的PAHs之一苯并[a]芘(B[a]P)的3倍。7,12-二甲基苯并[a]蒽(7,12-DMBA)是PAHs的烷基衍生物,其毒性当量因子比母体化合物高20倍,是苯并[a]芘的2倍,这表明低浓度的7,12-DMBA可能会显著增加接触后的毒性效应。此外,氧基PAHs作为环境细颗粒物的主要成分会诱发炎症效应。一些极性取代基(如氧基和硝基)可能会增强PAHs衍生物在土壤和沉积物等环境介质中的长距离迁移特性。然而,不同于人们对典型PAHs的高度关注,关于NPAHs、氧基PAHs(OPAHs)、卤代PAHs(XPAHs)和烷基PAHs(APAHs)等PAHs衍生物的研究相当匮乏[1525]。同时,新污染物的复合毒性问题也有待进一步研究,多种污染物的综合潜在毒性比简单叠加毒性要大得多。EDA是一种强大的工具,可用于评估综合化学品的生物有效毒性,这种方法同时依赖于体内/体外生物测定和靶标/非靶标仪器分析。然而,目前我们在有效馏分获取和未知污染物鉴定方面仍然面临着巨大的挑战[1526]。此外,阻燃剂等广泛分布于生活环境中的新污染物对人类的暴露水平和频率很高,其无嗅或无刺激的特性降低了人们对它们存在的意识,从而导致慢性、长期的暴露。灰尘和细颗粒物也会成为新污染物的重要贮存库[1527],颗粒物与新污染物的复合毒性也有待进一步研究。因此,下一步需要综合运用多学科的研究方法和技术手段,包括化学分析、环境监测、生物试验、模型模拟等,深入了解新污染物的物化参数、环境分布、转化途径、生物效应等是阐明新污染物迁移转化规律和毒性机理的关键。
8.1.2 新污染物种类多、数量大、分布广,其生产、使用和环境污染底数不易摸清
化学品生产和人类活动造成的污染无处不在,在杀虫剂、表面活性剂、阻燃剂、抗菌消费品和防水材料等日常产品中都有新污染物的存在[1528],对人类健康、全球生态系统和生物多样性可能造成巨大威胁。研究发现,废水、地表水、饮用水和地下水中均存在大量新污染物,这些新污染物种类繁多冗杂,其造成的环境和健康风险尚待进一步研究。
近期的一项调查研究在美国多地区的生物固体中发现了500多种新污染物,这些新污染物通常在生物固体中积累并在土地应用过程中产生生态毒理影响,、具有亲脂性、疏水性和非离子性、环境持久性和生物累积性,可能对人体肝脏、血液和生殖系统健康构成潜在风险[1529]。抗菌剂是生物固体中发现的一类新污染物,能够使微生物失活,最常见的抗菌剂是三氯生、三氯卡班和季铵化合物等,它们是阳离子表面活性剂,其中三氯生和三氯卡班使用量最大,在生物淤泥中的浓度高达百万分之一(ppm,1 ppm=1×10-6)。在生物固体中有机污染物种类多、数量大,因此其潜在的生态毒理学效应需要更高成本、高通量的方法来确定,这为新污染物的监管和毒性研究增加了困难1529。
液晶设备在我们的日常生活中有着广泛的应用,液晶单体是液晶设备显示器的主要成分,LCMs与一些POPs,如PCBs、多溴二苯醚等具有非常相似的骨架结构,导致其持久性、生物累积性和毒性。研究发现,鸡胚肝细胞在暴露于液晶单体后,部分基因转录活性发生改变。目前液晶单体环境赋存现状已获得广泛关注和研究。有研究于2022年建立了一个包含1173种液晶单体的数据库,并估算了1173种液晶单体潜在的POPs特性,结果将LCM确定为优先化学品[1530]。然而目前对于这些具有POPs长距离迁移特性的液晶单体在偏远地区(如高山、极地)的环境赋存和行为研究仍处于相对空白的阶段。
8.1.3 新污染物管控,既要大尺度区域协同防控,又要精准管理
20世纪中期,人们首次在南极野生动物体内检测到有机氯杀虫剂,此后,一些研究表明,由于长距离迁移,极地地区存在POPs[1533],如六氯环己烷、二氯二苯三氯乙烷和PCBs[1534]。除了传统的POPs外,目前在北极地区的人体中检测到越来越多的新污染物,包括溴代阻燃剂(多溴二苯醚等)、全氟烷基和多氟烷基物质(全氟辛烷磺酸(PFOS)、全氟辛烷等)。多溴联苯醚、全氟辛烷磺酸和全氟辛基磺酰氟等已在北极野生动物中被发现[1531,1535]。据2009年北极监测评价方案报告显示,在消费品较少的偏远地区,通过食物链传递是接触多溴联苯醚的主要来源[1536]。然而,有关新污染物向极地迁移的全球性研究较少,对新污染物在原始环境中的变化和行为缺乏机理层面的了解。评估新污染物在全球生态环境中的归宿对于评估人类健康或生态风险至关重要。在过去几十年中,由于商业和工业活动(海上交通、煤矿开采等)等造成的新污染物人为排放通常是局部的,但新污染物的长距离迁移性为空气污染物在全球范围内的重新分布提供了途径,因此需要在广泛的空间尺度上关注污染物的动态变化,以评估监测计划的覆盖范围并实现大尺度区域内的协同防控。连续的空间监测成本和北极等地区环境新污染物分析可行性过低,“原位”基础数据的缺乏等问题使区域协同控制成为难题。尽管存在这些挑战,我们仍需要努力评估新污染物在全球范围内的归宿,以更好地预测其对环境和人类健康的影响。在这方面,可以考虑使用先进的模型和计算方法来模拟污染物的迁移和转化过程。同时,加强与国际组织和科研机构的合作,共同推进全球范围内的污染物监测和控制工作,将有助于解决这一难题。
传统上,对于环境中污染物的监测主要依赖于通过定向分析方法对不同基质(水、沉积物、土壤等)中的潜在污染物进行分析。分析仪器的进步提高了靶向方法的灵敏度,水中化合物的常规测量值甚至低至万亿分之一。此外,高分辨率仪器在环境监测中的广泛应用使得非靶标分析方法得以实施,在某些情况下,可检测到数百至数千种化合物,并可初步确定数十至数百种化合物。尽管检测环境中污染物的能力在不断提高,但人们对接触这些化合物所产生的生物影响的认识却没有跟上步伐。因此,虽然可以识别和量化环境中的化学物质,但对于成百上千种单个污染物的潜在生物影响认知不够[1537]。由于不同类型的污染物在生态系统中的表现各不相同,对不同种类的新污染物需要精准管理。新污染物氟代芳烃与氯代芳烃结构相似,但不像氯代芳烃那样广为人知或广泛使用。据估计,2000年最重要的氟代芳烃的全球生产能力为每年35000 t,而过去的趋势表明,自2000年以来,氟代芳烃的生产和使用量进一步增加。氟代芳烃在氟化学工业中用作中间体,会通过工业泄漏或废水排放进入环境。经检测发现,在一个废弃工业场地附近的地下水中发现的氟苯质量浓度高达700 μg/L,而在污水处理厂的进水和出水中也经常检测到含氟药品。由于C—F键的高度稳定性,它们在环境中具有更强的持久性,难以被降解。因此无法直接照搬已有的传统POPs的管控方案,更适合新污染物结构特性的防控机制亟待研究[1538]。
8.1.4 替代品和替代技术不易研发
2023年,我国生态环境部、工业和信息化部、农业农村部等六部门共同发布了《重点管控新污染物清单(2023年版)》,其中明确了14种新污染物的重点管控措施,包括禁止、限制和限排等环境风险管控措施。针对受管控新污染物的用途,有针对性地研发替代品和替代技术成为控制新污染物产生与使用的重要途径。然而,绿色替代品的研发往往会落入“新污染物造成环境污染-替代-再污染”的怪圈。例如,PFAS由于其高热稳定性、化学惰性和电绝缘性被广泛应用于工业生产,但长链PFAS(含有8个或更多碳)如PFOS和PFOA的使用受到限制后,短链PFAS替代物如PFBS、PFHxS和PFHxA开始大量使用[1539,1540]。目前,持久性较低的短链PFAS替代物已成为各种环境样品中PFAS的重要组分。然而,研究表明短链PFAS替代物同样存在生物蓄积性和与长链PFAS类似的生物毒性机制[1541]。研究显示,PFBS有可能引起各种毒性,如细胞毒性[1542],发育毒性[1543],内分泌干扰[1544],免疫毒性[1545],生殖毒性[1546],肝毒性[1547]和神经毒性[1548];PFHxS暴露可能引起神经毒性和氧化应激[1549],并影响胚胎发育[1550];血清中一些PFHxA的半衰期甚至长于长链PFASs,生物毒性是PFOA的3~5倍,并可能通过破坏肠道菌群的多样性而对各种组织造成不同程度的损伤[1539,1551]。20世纪70年代以来,F-53B和对全氟壬氧基苯磺酸钠(OBS)是中国市场上广泛使用的新型PFOS替代品,前者被认为具有中度毒性,而后者被证明与PFOS具有类似的急性毒性[1552,1553]。自2009年以来,六氟氧化丙烯二聚酸(GenX)成为PFOA的典型替代物,然而最近的研究表明,GenX的毒性和生物累积性与PFOA相当或甚至更高,并且更难被传统的净化设施降解[1554,1555]。
得克隆(DP)是一种不受管制的高度氯化阻燃剂,最初于20世纪60年代首次作为阻燃剂BDE-209和灭蚁灵的替代物被引入市场[1556]。由于其成本较低,密度低,热和光化学稳定性高于其他溴化阻燃剂,因此被优先用于工业聚合物、塑料、树脂、电线、电缆等领域[1557]。得克隆在过去40年一直广泛使用,但在2006年才首次报道它在环境中的存在,并于2023年被正式列入《斯德哥尔摩公约》。研究表明,DP具有氧化损伤的能力,并且可能诱导神经行为缺陷[1558]。DP还可能是一种潜在的内分泌干扰素,在分子水平上干扰下丘脑-垂体-甲状腺轴,对人体健康的危害不容忽视[1558]。DBDPE作为BDE-209的另一种替代品广泛应用于工业生产中。我国是溴系阻燃剂生产和使用大国,自2012年以来,我国DBDPE的年产量(25000 t)就已经超过BDE-209[1559]。部分城市粉尘中DBDPE检出浓度已超过所有多溴联苯醚的总和,其大规模使用可以导致人体积累水平的快速增长[1560]。DBDPE在斑马鱼体内的半衰期和毒性机制与BDE-209近似,可能与内分泌干扰、神经发育和行为影响、肝脏毒性、基因表达变化以及癌症等健康风险有关[1561,1562]。研究表明,DBDPE比BDE-209具有更强的抗紫外线辐射能力,在自然光暴露的224 d后,热塑性聚合物中的DBDPE没有明显变化,而BDE-209的光解半衰期为51 d[1563]。
自20世纪40年代发现和应用青霉素以来,抗生素在预防、控制和治疗人类和动物的传染病方面发挥了无与伦比的作用。然而,抗生素在畜牧业中的广泛使用导致了抗生素耐药性细菌、耐药因子的出现,这对人类和动物的健康构成重大风险。为了确保人类、动物和环境的安全,多个国家禁止在有机农业中使用抗生素、激素、除草剂和杀虫剂,采用多种替代物减少细菌性疾病的出现和传播,包括抗菌疫苗、免疫调节剂和抗菌肽等[1564]。传统疫苗一般分为减毒活疫苗和灭活疫苗。减毒活疫苗的主要缺点是它们在动物体内存在时间较长,具有恢复到完全毒力的风险[1565]。灭活疫苗相对安全且成本较低,但缺乏保护性抗原和广谱保护。DNA疫苗能够诱导更广泛范围的免疫反应类型的能力,但疫苗接种效率低下、免疫反应较弱[1566]。开发一种既实用又便宜的疫苗,使其能够在贫穷国家大量使用,这仍然是一个关键问题。虽然疫苗可以减少畜牧业对抗生素使用的依赖,但它们不能全面替代抗生素。免疫调节剂,能够非特异性地增强宿主的先天免疫功能,提高宿主对疾病的抵抗力[1567]。免疫调节剂在不同动物体内表现出不同的作用,并且使用免疫调节剂的时机十分关键。对免疫系统未完全形成的动物进行免疫调节可能会对正常免疫反应的发展产生不利影响[1568]。目前,还没有统一的标准来评价免疫兴奋剂的有效性和安全性,免疫调节剂只能作为抗菌的辅助手段[1569]。抗菌肽对细菌具有广谱高效杀菌活性,有望成为一类新型抗生素。但是,高昂的生产成本限制了抗菌肽的大规模使用。目前,传统的抗菌肽通过野生菌株培养生产,产量低,纯化过程复杂,而新兴的基因工程技术合成的抗菌肽无法达到天然抗菌肽的活性[1570]。除了上述替代物和替代技术之外,噬菌体、细胞内溶素、合生素、植物提取物等产品也被用于预防和治疗畜牧疾病,但均未被广泛应用[1564]。
除了上述新污染物之外,还存在着其他有机物,如短链氯化石蜡、HCBD、二氯甲烷、三氯甲烷、壬基酚(NP)等,它们作为精细化工的重要原料和中间体,目前很难找到合适的替代品。理想的新污染物替代品应该具备多个特征:1)对动物和人体无毒无害,不产生副作用;2)能够在生物体内快速分解,不易在生物体内蓄积;3)具有短半衰期,降低对环境造成的危害;4)成本低廉,易于推广。然而,目前尚未有一种能够完全满足这些要求的新污染物替代品。现有的替代品和替代技术往往缺乏全面的安全评估,这增加了环境和健康风险的不确定性。
严格执行化学品管理,加强新污染物绿色替代品和替代技术的研发与推广应用是重要的关键。同时,需要加强对替代物使用前的安全评估,减少有毒化学品的使用并强化去除,尽可能减少其进入环境。这需要政府、企业和科研机构共同努力,采取综合性措施来推动替代品的发展和应用,以减轻对环境和人类健康造成的负担。只有如此,才能实现可持续发展的目标,建设更清洁、更健康的生态环境。
8.1.5 部分新污染物是无意产生的物质或代谢产物,生成机理和减排技术研究难度大
新污染物主要有4大类:一是POPs;二是内分泌干扰物;三是抗生素;四是微塑料。《关于持久性有机污染物的斯德哥尔摩公约》在附件C中列出了人为来源无意形成和排放的POPs,包括多氯二苯并对二口恶英/多氯二苯并呋喃(PCDD/Fs)、PCBs、PCNs、PeCBz、六氯苯(HxCBz)、HCBD。附件C中PCDD/Fs是唯一从未为任何用途或目的生产过的POPs,其余所有其他POPs过去都有意生产过[1571]。典型工业热过程,包括垃圾焚烧、金属冶炼、电子垃圾回收过程无意排放的POPs被广泛关注,而有机合成工业中的副产物鲜少被关注。研究表明,在商业化学品生产中,不仅在最终产物中存在与产物具有相同前驱体的POPs副产物[1572,1573],在化学品的整个生产过程中(从原材料到最终产品)都可能无意排放POPs[1574],因此,有必要在生产过程中跟踪副产品的形成来控制环境风险。
针对POPs的日常监测和分析方法开发费用相当高昂,监测所有POPs的排放将造成巨大的财政负担[1575,1576]。为降低监测成本,可以基于单个POPs的数据作为指标,建立多种POPs总体排放风险的定量关系或预测模型。目前,已有研究报告了在特定工业过程中产生的POPs的定量相关性,包括PCDD/Fs和HxCBz之间的相关性,以及PCDD/Fs和PCN之间的相关性[1577,1578]。然而,由于工业热过程中有机污染物的成分十分复杂,到目前为止,尚缺少阐明多种POPs之间的定量相关性的研究。因此,有必要对POPs的所有工业来源进行大样本量的广泛实地调查和统计分析,甄别出重点管控的POPs的指示物。目前,已有研究表明,2,3,4,7,8-PeCDF是PCDD/Fs TEQ的指示物[1579],CB-118是PCBs TEQ的指示物[1580],CN50、CN27/30、CN52/60、CN66/67可以作为PCN的指示物[1581]。然而,现有指示物仍不能满足监测多种POPs的需求。因此,需要对各种工业来源进行广泛的研究,以确定多种POPs总体毒性当量的潜在指标,并澄清这些指标与总排放量之间的数量相关性。
内分泌干扰物,是由摄入的特定化合物经过身体的代谢过程而产生的。壬基酚聚氧乙烯醚(NPEO)是一类广泛应用于洗涤剂、清洁剂、塑料、纸张和农用化学品等产品中的主要非离子表面活性剂。NP是NPEO的最终降解产物,已被确认为内分泌干扰物,可干扰生殖激素功能[1582]。DDT的主要持久性代谢物p,p'-DDE(1,1-二氯-2,2-二(氯苯基)乙烯)是一种雄激素受体拮抗剂。p,p'-DDE能够抑制发育期、青春期和成年雄性大鼠的雄激素与雄激素受体的结合、雄激素诱导的转录活性,导致雄性性发育异常[1583]。乙烯硫脲(ETU)是乙烯二硫代氨基甲酸酯类杀菌剂的主要代谢产物之一,在橡胶和杀菌剂生产工人中暴露量较高。ETU被认定为一种内分泌干扰物,ETU暴露可导致内分泌紊乱、甲状腺功能减退、致畸、致癌和诱导遗传损伤[1584]。长期暴露于低浓度的ETU可能引起肾脏功能和结构的损害,并增加肾脏囊肿的形成[1585,1586]。深入了解特定有毒代谢产物的形成机制、生物转化途径,揭示代谢过程中前体物的关键环节,是减少有毒代谢物暴露的关键方法。识别与特定有毒代谢产物有关的潜在风险源,包括工业排放、农药、药物、个人护理品、食品等,以及这些源头与特定代谢产物的关联性;建立监测体系,对有毒代谢产物的前体物进行监测和调查;根据研究和监测结果,制定减排策略,包括改进工业生产工艺、规范药物和农药使用、推广绿色化学品、加强废物处理与处置等措施可以有效降低有毒代谢产物前体物的暴露,保障公众健康和生态环境的安全。
8.2 新污染物治理技术
2022年5月24日,国务院办公厅印发《新污染物治理行动方案》,提出采取“筛、评、控”和“禁、减、治”的总体工作思路,本文针对“筛、评、控”分别罗列了现有的相应的技术。
8.2.1 非靶向筛查技术
非靶向筛查技术在环境污染物分析中是一项热门技术,其通过气相或者液相联用高分辨质谱仪、核磁共振等分析仪器对样品进行检测,通过辅助分析技术对数据进行解析,利用图谱数据库或碎片预测来获得化合物信息。非靶向筛查技术具有高通量的优势,拓展了传统靶向分析的广度。目前,应用于非靶向筛查的分析技术主要为GC-HRMS和LC-HRMS[1587]。
GC-HRMS是非靶向筛查中最常用技术之一,具有检测速度快、分析灵敏度高、分离效能高、重复性好等特点,但其样品必须能够气化,对小分子化合物、挥发性物质、半挥发性等热稳定性物质具有较好的分析效果;而对于强极性、非挥发性物质需要经衍生转化为相应的挥发性衍生物后进行气相色谱-质谱分析。非靶向筛查研究常用的仪器为GC-TOF-MS和GC×GC-MS。TOF-MS是利用动能相同而质荷比不同的离子在恒定电场中运动,通过恒定距离所需时间的不同来对化合物结构进行分析的质谱方法。近年来,TOF-MS的分辨率可达55000(半峰全宽,FWHM)[1588],具有高通量、高灵敏度和选择性强的特点,对于复杂基质中有机物的检测有很大优势。GC-TOF-MS可在Scan模式下对样品进行全扫描,可一次筛查上百种化合物。GC-TOF-MS近年来在环境介质非靶向筛查中广泛应用于PAHs、卤代化合物、有机磷化合物、农药类等非极性和中等极性化合物的分析[1589]。Lee等[1590]利用GC-TOF-MS平台构建了一个包含215种POPs的数据库,并利用该数据库对北极地区的环境样品进行分析,发现主要污染物类型有硅氧烷、PCBs、PAHs、OPFRs、邻苯二甲酸盐和合成麝香类化合物。全二维气相色谱-质谱也是非靶向筛查中有力的工具。当复杂样品的组分超过百种时,传统的一维气相色谱已经不能很好地分离,GC×GC则具有强大的分离能力、很高的分辨率和峰值容量,比一维GC更能够满足复杂样品的分析要求[1591]。其将分离机理不同却又相互独立的2根色谱柱串联,样品经第1根色谱柱分离后,通过调制器以脉冲的方式进入第2根色谱柱进一步分离,利用极性和温度的不同实现气相色谱分离特性的正交化。全二维色谱具有更大的峰值容量和分离能力,结合质谱高分辨率、高灵敏度的特点,对一维色谱无法分离的物质有更强的优势。Hoh等将全二维GC×GC-MS与直接自动进样系统结合[1592],分析了鱼类油脂中的有机污染物。Skoczyńska等对易北河(捷克)沉积物进行提取净化后[1593],采用GC×GC-TOF-MS极性分析,从3个馏分中初步筛查得到400多种化合物,包括有潜在毒性的氯代PAHs、烷基化PAHs、醌类、二萘酚类和硫芳烃等。
LC-HRMS将高效、快速分离的LC与高灵敏度、高准确度的MS或MSn联用,对于难挥发或热稳定性差的化合物具有分离度好、分析速度快和检测灵敏度高等的优点,是当前应用最广泛的非靶向筛查技术之一[1594]。Meng等[1595]利用LC-Orbitrap-MS对淀山湖地表水中的药物和个人护理品进行筛查,通过数据库匹配到4大类:农药、药物、塑化剂和表面活性剂等共95种化合物,并对其中检出较高、风险较大的19种物质进一步确认及量化。Hernández等利用LC-TOF-MS分析农药及代谢物[1596],包括377种杀虫剂、40种代谢物、47种抗生素、20种其他产物及7种新污染物,为食品和水中农药及其代谢物的筛查提供参考。Martínez等采用超高效液相色谱-四极杆串联飞行时间质谱(UPLC-QTOF-MS)对河水中残留药物进行筛查[1597],确认了酮咯酸、曲唑酮、氟康唑、二甲双胍、文拉法辛等药物成分,并结合超高效液相色谱-三重四极杆串联质谱法(UPLC-QQQ-MS)确定了质量浓度为14~677 ng/L。研究显示,LC-TOF-MS与LC-QQQ-MS等定量分析仪器结合是环境样品中未知污染物定性定量分析的有效方法。
8.2.2 风险评估技术
8.2.2.1 毒理基因组学技术
毒理基因组学整合基因组学、生物信息学和毒理学的理论与技术,通过测试不同暴露剂量和时间条件下生命基因组对污染物的反应动态,现已经成为研究环境污染物对人体健康影响的重要工具。毒理基因组学具有全基因组覆盖、通量高、支持大数据分析等优势,为开发创新性的污染物毒性测试与筛查方法提供了历史性机遇。目前被应用于环境领域更广泛的毒理基因组学技术主要涉及基因组、转录组、蛋白组、代谢组,它们能够识别生物体在有毒污染物暴露下从分子到群落多生物学水平的响应变化,为污染物的风险评估提供了至关重要的基因组学特征[1600]。有研究通过使用毒理基因组学数据构建的内分泌干扰物预测模型,其测试准确率大于90%,比基于体外高通量测试数据的预测模型准确率(69%~85%)高[1601]。总之,毒理组学技术有助于有毒污染物筛查与风险评估方法的开发,具有明显优势。
获取高通量生物学通路机制信息。基于组学的生物测试大幅增加了受试靶点数量,通过批量检测受污染物不同暴露剂量暴露后生物体内基因、蛋白、代谢物的变化情况来研究污染物的潜在毒性。测试涉及的基因、蛋白或者代谢物数量可以包括几乎所有该生物体内的基因、蛋白以及代谢物。Wang等[1602]使用转录组学、蛋白质组学和代谢组学分析了TPhP引发的肝毒机制,揭示了TPhP肝毒性对不同生物功能的影响。剂量效应依赖的简化转录组学测试实现了高通量定量分析污染物干扰生物学通路信息。污染物对基因表达的影响,往往表现在生物学通路受到干扰,生物学通路受干扰情况可通过对少量能够代表整个生物学通路的关键基因进行检测[1603]。基于这一原理,简化转录组测试可以获取大量样品转录组表达剂量效应的关系。Zhang等[1604]开发了一种简化转录组图谱的方法,这些基因表征着斑马鱼的神经发生和早期神经元发育,以确定环境化学物质的潜在神经发育毒性。
多生物层次的系统毒理学评估。多组学技术可从不同生物层次识别与有害结局相关的生物学通路。建立有害结局路径中关键事件与组学测试结果之间的联系是解析有害污染物毒性效应的关键。多组学联用可以实现多尺度、综合性的生物网络分析。Lee等[1605]通过蛋白质组学和代谢组学的组合分析发现,全氟辛烷磺酸暴露对斑马鱼幼鱼神经系统的影响主要是由于轴突变形、神经炎症刺激和钙离子信号传导失调导致的,而单组学仅能显示,全氟辛烷磺酸暴露在神经功能、氧化应激和能量代谢的途径中引起扰动。有害结局路径网络将有毒污染物从分子到个体及以上生物学水平引发的有害结局联系起来,有助于更加系统地识别有毒污染物的生物效应机制并基于此开展生态和人类健康风险评估。
针对个体易感性的精准毒理学。由于人群存在易感性差异,易感人群面临着更大有毒污染物引发的健康风险,针对个体易感性进行精准毒理学研究是当前遇到的瓶颈问题。全基因组-环境关联研究是利用全基因组范围内筛选出的高密度分子标记对所研究的群体进行扫描,分析扫描所得的分子标记数据与表型性状之间关联关系的方法。Traglia等[1606]的一项孕妇和胎儿遗传学研究阐明了PBDEs和PCBs暴露影响母体和胎儿代谢功能障碍的遗传分子机制,全基因组关联分析确定了与异物和脂质代谢相关的基因CYP2B6、PRKCDBP、SUMF1和NDUFS4是有机卤素暴露下母体和胎儿患代谢性疾病的遗传决定性因素。Dai等[1607]利用全基因组关联研究研究了1557名高PAHs暴露人群(焦炉工人)血液的基因变异情况,阐明了与DNA损伤修复相关基因ANRIL的SNPs可能是PAHs促进肺癌发生的关键事件。
复合污染效应评价。实际环境中,我们接触到的是化学物质混合物,而目前只有一小部分被识别出来,大量化学物质是未知的。通过效应导向分析可以按分子量、疏水性等物化特性通过色谱或物理法分馏,将分离的组分进行包括组学在内的生物测试,每个生物活性组分被进一步分馏,直到鉴定出一个或多个生物活性亚组分,从这些亚组分识别出关键致毒物质。Xiao等[1608]基于效应导向分析,使用荧光蛋白的方法检测环境污染物胁迫下RTL-W1细胞中脱乙基酶的活性,识别了三峡大坝沉积物激活AhR的关键致毒组分为4~5环的PAHs、苯并噻唑等。Qi等[1609]基于效应导向分析,使用荧光蛋白、钼酸铵法等方法,检测10 d内摇蚊5种酶的效应,综合评价珠江沉积物的毒性,发现氯氰菊酯、烯酰吗啉、小珠螨和苯基氯的氧化应激效应是沉积物引发摇蚊死亡的重要原因。
8.2.2.2 计算毒理技术
环境污染物通过干扰生物大分子、天然小分子之间的相互作用来扰乱细胞正常功能的相关分子路径,从而导致不同生物学水平有害效应的发生。然而,现有的实验研究手段受限于方法灵敏度,难以测试获得相关分子毒理的信息,生物测试也难以涵盖所有污染物的毒性效应。而计算毒理整合了生物信息学、化学信息学、构效关系乃至系统生物学等方法,为污染物环境生物效应的机制探索和快速预测提供了科学、便捷的途径,计算毒理工具正逐渐成为获取化学物质危害筛查所需数据的重要途径。典型的计算毒理方法包括了分子对接、分子动力学模拟、机器学习建模等。
分子对接是一种通过探究生物大分子和小分子之间的相互作用,进而预测其结合模式与结合亲和力的成熟分子模拟方法。分子对接能基于生物大分子与小分子配体的结构特征而给出多样化的分子结合模式信息,并利用这种结合信息给出配体与生物大分子相互作用的机制信息[1610]。目前,分子对接由于高通量、模拟配体-受体静态结合过程的优点,已在环境新污染物的虚拟筛查研究中发挥了重要的作用。同时,分子对接也存在着受体刚性、采用近似评分函数、采样不足等技术问题[1611],导致其在环境污染物-生物大分子相互作用的构效机制研究方面存在较为“疲弱”的能力。Liang等[1612]利用分子对接研究了parabens与TRα/β的结合过程,发现所有的parabens都以正确的结合模式进入TRα/β的结合口袋,且结合亲和力为-6.36~-6.01 kcal/mol(1 kcal=4.186 kJ),证明parabens-TRα/β存在明显的结合活性。Li等[1613]利用分子对接研究了OPEs与膜甲状腺激素受体(mTR)和TRβ的结合过程,发现目标OPEs的结合位点与参考配体一致;并依据结合亲和力将OPEs进行毒性效力排序,其模拟结果与体外实验结果显示出强烈的正相关关系(R2=0.94)。
分子动力学可以模拟环境污染物-生物大分子的柔性结合过程,以及复合物的动态变构过程,提供更为全面的相互作用机制信息[1614]。因此,分子动力学模拟代表了一种识别并评估环境污染物-生物大分子复合物结构稳定性的有效分子模拟工具。虽然分子动力学模拟能尽可能地探究配体-受体结合的动态过程,为环境污染物提供致毒机制信息,但仍然存在2个方面的问题。1)低通量。当分子模拟技术逐渐深入探究化学品与蛋白在分子水平的动态交互过程时,伴随着机制信息挖掘程度提升的是逐渐降低的通量和逐渐升高的时间消耗。如何平衡深入挖掘致毒机制和维持较高通量是目前分子动力学模拟遇到的关键挑战之一。2)基于通路的毒性预测。分子动力学针对某一关键事件进行模拟和研究。在有害结局路径理论框架下,环境污染物是通过影响生物大分子调控的通路活性进而导致个体水平的毒害效应。然而,分子动力学无法基于通路模拟预测环境污染物的毒害效应。
机器学习建模主要利用公开的结构信息和化学、体外、体内生物活性数据,在机器学习算法的基础上构建QSAR模型,并利用QSAR模型迅速提高靶向分子靶点环境污染物的虚拟筛查效率,且进一步加深复杂生物背景下污染物-生物大分子的作用机制解析[1615,1616]。因此,机器学习建模是一种与分子模拟完全不同的新型计算毒理技术。因此,机器学习建模是一种与分子模拟完全不同的新型计算毒理技术。机器学习以往对线性数据具有优良的预测能力,但是已无法面对爆炸式发展的生物大数据。巨大的数据量和复杂的生物学过程导致更为先进的非线性类数据深度学习算法。高度非线性的决策边界和超参数依赖预测问题使得机器学习建模同时有着高预测精度和低可解释性的特性。机器学习/深度学习无法解释网络中每个节点的生物学意义,以及每个特征对模型预测性能的重要性占比。目前,在环境污染物-生物大分子互作研究中,研究人员试图应用许多方法(如基于树的随机森林特征重要性(针对随机森林算法)和特征交互网络分析框架算法(针对深度神经网络算法)),去弥补机器学习预测模型的“黑箱”缺陷[1617,1618]。Lomana等[1619]首先收集了与甲状腺激素平衡相关的8个关键分子靶点,并针对每一个靶点构建了基于机器学习的定性模型,实现了环境污染物是否可能通过干扰某一个分子靶点而产生潜在甲状腺激素紊乱的综合虚拟筛选。Cheng等[1620]利用26类活性数据结合5种监督性的算法(逻辑回归、随机森林、人工神经网络和两种图神经网络),首先对1012种全氟和多氟烷基化合物进行QSAR建模。然后,基于高精确度的预测模型发现大多数具有生物活性PFASs的全氟烷基链长小于12。
8.2.3 新污染物控制技术
8.2.3.1 物理去除技术
物理去除手段包括了过滤、吸附、脱附等手段。物理去除技术是通过物理转移来降低污染物在环境介质中的浓度,从而减少新污染物对环境和人体的危害,然而这并没有彻底破坏和消除污染物。针对不同环境介质中的不同新污染物,可采用不同的物理去除技术。
过滤法可用于具有粒径大小的新污染物的去除,如水体中的微塑料等。超滤是使用孔径为1~100 nm的不对称超滤膜,去除水体中蛋白质、细菌、悬浮固体等微粒和大分子。Ma等[1621]使用铁基混凝剂,通过超滤和混凝工艺处理饮用水中的聚乙烯微塑料。使用单一混凝工艺对微塑料的去除率低于15%,而加入聚丙烯酰胺提高混凝性能后,小颗粒聚乙烯(d<0.5 mm)的去除率从13%提高至91%。超滤与其他技术相结合虽然可以较好的去除水中的微塑料,但是需要考虑塑料颗粒对滤饼层的形成以及随后的结垢的影响。膜生物反应器(MBR)是由生物催化剂与膜分离系统耦合而成的系统,在微塑料的处理过程中,MBR的作用是通过生物降解降低溶液的复杂性,有利于将微塑料进行纯化和进一步处理。预处理的水流进入生物反应器后,在此进行生物降解和有机物的分解,然后在膜的作用下将产生的混合液进行分离,因为膜的过滤作用,微塑料被浓缩在污泥中。MBR工艺与传统三级处理工艺相比具有明显优势,对微塑料的去除率高达99.9%,并对比了MBR工艺与常规活性污泥处理工艺(CAS),发现MBR工艺出水中微塑料含量仅为0.4个/L,低于CAS工艺的1.0个/L。由此可见,MBR工艺能够较好地去除水中微塑料污染(图51)。
吸附法是利用多孔性固体(吸附剂)吸附环境介质中某种或几种污染物以回收或去除这些污染物,从而使环境介质得到净化的方法。吸附法具有成本低、效率高、操作简便的优点,可广泛应用于各种环境介质中的各类污染物的去除。一些研究人员提出将多孔材料应用于吸附水中的微塑料,吸附剂与微塑料之前的静电相互作用、氢键相互作用和π-π相互作用,能够有效去除微塑料,Chen等[1623]利用镁/锌改性磁性生物炭来去除水体中的微塑料,去除率分别为98.75%,99.46%,同时通过热再生保持了吸附能力。Deng等[1624]通过碳纳米管吸附全氟化合物,揭示了全氟化合物在碳纳米管上的吸附机理。目前,国内外吸附材料由泥炭、沸石等常规吸附材料转向树脂颗粒、高分子复合物等新型吸附材料(图52)。Liu等[1625]通过构建磁性双功能β-环糊精纳米复合材料对双酚A进行吸附。Murray等[1626]测试了亚微米尺寸的树脂颗粒(SMR)对4种内分泌干扰物的去除率分别达到98%、80%、87%和97%。Song等[1627]制备了磁性中孔三聚氰胺-甲醛复合物(Fe3O4-mPMF),对双酚A、NP和4-叔辛基苯酚的吸附能力主要归因于π-堆积、氢键和疏水相互作用。
热脱附是一种破坏污染物结构的物理分离技术,主要应用于土壤中污染物的修复。通过加热将水分和有机污染物从土壤中分离,并由载体气体或真空系统输送到尾气处理系统。针对非均质污染、污染较深、开挖难度大、低渗透性黏性土等难处理场地时采用原位热脱附技术具有很大的优势[1628]。根据加热温度的不同,热脱附可以分为低温(100~300 ℃)热脱附和高温(300~500 ℃)热脱附。低温原位热脱附技术对氯苯、六六六等半挥发性有机物也具有良好的修复效果[1629]。迟克宇等[1630]在北方某退役试剂厂场地修复的中试试验中采用低温原位电热脱附技术对以氯乙烯、氯苯等为污染物的场地进行修复,加热土壤温度为100 ℃左右,污染物的去除率达到99.3%。赵涛等[1631]利用电加热回转窑热脱附技术处理污染土壤,发现在处理10 min条件下350 ℃与500 ℃时总PAHs的去除率分别为98.83%和98.94%,土壤中PAHs可达到修复目标值。单独土壤热脱附技术仅仅使污染物从固相转移到气相中,并没有使污染物消除,因此必须结合尾水尾气处理系统才能达到污染物的彻底降解[1632]。
8.2.3.2 化学去除技术
高级氧化法(AOPs)主要通过产生大量·OH,·OH是水体系下氧化性仅次于氟的自由基,通过氧化破坏大分子有机化合物结构,达到去除水体中目标污染物的目的。高级氧化法去除效率高、处理时间短、反应条件温和,缺点是用药量较多,处理成本较高。高级氧化法通过自由基生成的方法可以分为化学、电化学和光化学高级氧化法[1633,1634]。最常见的自由基生成系统/催化系统包括芬顿反应体系(Fe3+、Fe2+)、过氧化氢、臭氧、紫外光/太阳辐射、光催化剂以及以上体系的结合[1635]。Le等[1636]用1 g/L的钯/铁纳米颗粒在9 h内将水中99%的六溴环十二烷(15 mmol/L)降解,并提出腐殖酸的加入可提高钯/铁纳米颗粒对六溴环十二烷的降解效果。Monteoliva-García等[1637]利用光化学高级氧化法去除城市废水中的卡马西平、环丙沙星和IBU,发现在中性pH、20 ℃和不同过氧化氢浓度中,环丙沙星在20 min内可以完全降解,IBU的降解率为90%~100%,卡马西平的降解率为80%~100%。Sani等[1638]以γ-Al2O3纳米颗粒作为催化剂,在臭氧条件下研究了废水中环丙沙星的催化氧化作用,当pH值为9.5时,合成废水中环丙沙星的去除率可达93%,而且γ-Al2O3纳米颗粒的添加对环丙沙星的降解率具有促进作用。Wei等[1639]先通过表面活性剂改性的零价锌使2,2',4,4'-四溴二苯醚(BDE47)还原脱溴,然后通过芬顿反应产生的·OH攻击脱溴产物低溴BDEs,使其完全氧化分解为短链羧酸(图53)。高级氧化法对于微塑料的降解仍处于实验室研究阶段,通过热活化的过硫酸盐体系对去离子水中的聚苯乙烯和聚乙烯微塑料进行处理,处理后80%以上微塑料的粒径减小了50%[1640],但是对于实际含卤素离子的污水,过硫酸盐体系产生的强氧化性的活性物种极易与卤素离子反应生成有毒卤代副产物,引起二次污染。此外,近年来电化学高级氧化技术迅速发展,已成为高级氧化技术中最具有应用前景的技术之一。相关研究表明,电化学高级氧化法能高效去除水中包含多种内分泌干扰物在内的各种难降解有机污染物,甚至完全矿化有机污染物[1641]。
光催化降解法是一种有效的新污染物处理工艺,具有氧化能力强,反应条件温和的优点,能够将多种有机污染物矿化为H2O和CO2(图54)。光催化降解是一个氧化还原过程,其中半导体光催化剂吸收适当波长的光子和在价带中的电子,激发到导带,留下正空穴。电子和正空穴与吸附水和氧气反应,产生自由基例如超氧化物自由基和羟基自由基,这些活性物质进一步与有机聚合物反应分解它们,导致聚合物链的断裂,甚至完全矿化。Chinnaiyan等[1642]以TiO2为催化剂、125 W低压汞蒸汽灯为光源,研究了阿莫西林和盐酸二甲双胍在合成医院废水中的光催化降解,在初始浓度为10 mg/L,初始pH值为7.6,TiO2剂量为563 mg/L,治疗时间为150 min时,可去除90%阿莫西林和98%二甲双胍。同时还发现,阿莫西林和盐酸二甲双胍的矿化率可达到60%以上。Wang等[1643]用芘与氯甲基甲醚乳液共聚合成了聚芘微球(PPMPs),然后将其作为催化剂来光催化降解罗丹明B,降解效率达到63.2%~98.43%。TiO2作为应用最广泛的光催化剂之一,已被用于去除水中的各种新污染物。而TiO2只能吸收波长为387 nm的紫外光,在可见光照射下没有光催化活性。可见光光催化法是一种很有前途的环境友好、低成本和高效的工艺。高生旺[1644]利用原位化学沉淀法在室温条件下制备了磁性纳米Fe3O4BiOI复合材料,在可见光下催化降解BPA、BPS、TBBPA。研究结果表明,在催化剂量为1000 mg/L,pH=9.0时,BPA、BPS、TBBPA的去除率最高分别达到92.0%,90.6%,98.5%。Ong等[1645]采用低温溶胶-凝胶法制备了ZnO/rGO纳米复合材料(NCs),在可见光照射下,NCs对水溶液中PFOA的矿化率达到90.91%。Uheida等[1646]以玻璃纤维为载体,在流动系统中用可见光照射氧化锌纳米棒(ZnO-NRs),光催化降解悬浮在水中的聚丙烯球形颗粒,在可见光下辐照2周后,聚丙烯的平均颗粒体积减小了65%。上述研究表明,光催化可以有效降解新污染物,除了光催化剂之外,不需要额外添加化学药剂,此外,自然充足的太阳光可用于矿化过程,但是也存在光腐蚀、催化剂再生难等问题,对于微塑料,光催化还存在降解效率低等问题,限制了光催化的广泛应用。
热降解技术目前主要用于去除气相或固相中的POPs,热降解技术不是简单的转移污染物,而是将污染物彻底破坏分解,并生成无毒物质排放至环境中,具有高效的优点。如通过水泥窑协同处置、垃圾焚烧协同处置技术来处置有机污染物。以水泥窑协同处置技术为例,该技术具有高温、停留时间长、碱性气氛等优点,能够控制POPs的生成,并保证其充分降解。Yan等[1648]用水泥窑处理DDT试剂以及含DDT试剂的污染土,发现水泥窑对DDT的销毁率达到了99.9%以上。但是在处理含氯含溴的污染物时,可能会由于不完全燃烧二次生成PCDD/Fs或溴代二口恶英(PBDD/Fs)。Ebert等[1649]发现热处置含有溴代阻燃剂特别是含有PBDEs塑料时通常会形成PBDD/Fs,水以及其他一些金属和金属氧化物可作为PBDD/Fs生成的催化剂。Yang等[1650]发现利用水泥窑协同处置PBDEs污染土壤对PBDEs的去除率达到99.999%以上,且PBDD/Fs排放量明显高于PCDD/Fs。由此可见,热处置过程中易二次生成POPs,因此,在后续需要对烟气中二次生成的污染物进行脱除。在烟气净化过程中,低温催化降解POPs是一种有效的方法,但低温高效催化剂的开发是一个挑战,常用的催化剂包括贵金属催化剂和非贵金属催化剂,贵金属催化剂在低温下能高效的催化降解氯代芳烃类有机物,但稳定性差、价格昂贵及极易氯中毒。过渡金属催化剂具有较高的热稳定性,成本低,且易形成高比表面积的多孔结构。Everaert等[1651]利用SCR催化剂V2O5-WO3/TiO2来催化降解二口恶英,结果表明在210~230 ℃时,在实际垃圾焚烧厂中对二口恶英脱除效率达到95%以上。Yu等[1652]研究了V2O5/CeO2-TiO2催化剂在180 ℃时催化降解二口恶英的性能,结果表明,在180 ℃、氧含量11%条件下,二口恶英的催化降解效率为67.6%(图55)。但是目前将热降解技术应用于其他新污染物的研究比较缺乏,考虑到不同污染物存在环境介质的不同,不是所有介质中的污染物都适用于热处置。
化学阻滞技术目前主要应用在工业热过程中,在燃烧前预混区以及燃烧后尾部区喷加阻滞剂,以破坏二口恶英等POPs的生成条件,从而达到源头抑制的目的。常用的阻滞剂主要有碱性阻滞剂、硫基阻滞剂、氮基阻滞剂等[1654,1655],它们主要通过吸收卤族元素,或者降低过渡金属催化剂的催化活性来抑制POPs的生成。Lin等[1656]利用CaO作为阻滞剂,在以PAHs为前驱体、CuCl2为催化剂的体系中抑制了POPs的生成,对PCDD/Fs、PCBs和PCNs的抑制率可达97%、93%、97%,与此同时,对反应过程中生成的环境持久性自由基的抑制率也达85%以上,实现了POPs与环境持久性自由基的协同抑制(图56)。Ma等[1657]在垃圾焚烧厂中投加磷酸氢二铵((NH4)2HPO4)和硫脲(CH4N2S)作为阻滞剂,对二口恶英的抑制效率为45.7%~58.5%。然而,使用硫基和氮基阻滞剂可能会增加烟气后续脱硫脱硝的净化压力[1658,1659],若掌控不好添加量和温度反而会促进UPOPs的生成[1660,1661]。
8.2.3.3 生物去除技术
生物法是利用微生物(主要是细菌和真菌)、植物和动物等将各种污染物降解或转化为二氧化碳、水、无机盐和其他副产品的处理技术,具有处理能力大、运行费用低、净化效果好、能耗小等优点,能用于多种新污染物的降解,但是处理时间较长,处理效率较低。生物法降解新污染物主要有微生物、植物、动物修复技术。目前动物和植物修复新污染物的研究很少,且达不到完全降解新污染物的目的,因此存在很大局限性。
微生物修复技术包括了活性污泥好氧法、厌氧法和生物酶法等[1662]。活性污泥法是一种典型的好氧生物处理法,它主要利用污泥的生物混凝、吸附和氧化来去除介质中的污染物,该方法的处理效果受处理温度、污染物类型等因素的影响。Gani等[1663]研究了活性污泥对邻苯二甲酸二乙基酯的去除效果,在混合液悬浮固体(MLSS)质量浓度为3461~4972 mg/L时,总去除率为23.9 μg/(g·d)(92%±6%)。Kasonga等[1664]在序批式反应工艺上附着了5种南非真菌,发现复合了南非真菌的序批式反应工艺在1 d后对卡马西平、双氯芬酸、IBU的去除率分别为89.8%、95.8%和91.4%。Becker等[1665]发现,低浓度的酶可以对激素和内分泌干扰物进行降解,在废水处理中,雌激素最佳去除率为82%,雄激素活性的最佳去除率为99%。Xiong等[1666]研究了微藻和植物微藻对磺胺丙嗪在水中的生物降解,结果表明,单独使用微藻能去除25.8%的磺胺丙嗪,而植物微藻对磺胺丙嗪的去除率可达到74%。Peng等[1667]发现了1株新分离的红球菌-菌株P52,将二苯并呋喃作为该菌株唯一的碳源和能源,在500 mg/L的条件下48 h内能完全脱除二苯并呋喃,菌株P52还能在96 h内对100 mg/L的2-氯二苯并呋喃去除率达到70%,并能代谢多种芳香族化合物。
生物法降解微塑料包括几个阶段,初级阶段,微生物在微塑料表面定植,但这会受到塑料聚合物和微生物表面疏水性的强烈影响。定植后,表面上的微生物会分泌与塑料表面结合的胞外酶,胞外酶含有氧化还原酶,在氧气、金属和紫外线照射下,氧化还原酶可以氧化聚合物的化学键,降解产生单体或其他低聚物,进而微生物利用这些单体作为能量和碳源,将单体进一步分解为CO2、H2O和无机分子[1668]。Paço等[1669]开发了海洋真菌Zalerion maritimum来降解聚乙烯颗粒,在培育7~14 d对微塑料的降解率最高,微塑料的质量减少了56.7%。Park等[1670]采用中温混合菌培养的方法研究芽孢杆菌对聚乙烯微塑料的降解,在孵育60 d后,聚合物的分子量降低了14.7%,同时平均粒径减少了23%。由此可以见,微生物法去除微塑料的效率要远低于内分泌干扰物、POPs等其他新污染物。
8.3 我国新污染物环境管理政策
随着污染防治攻坚战的深入,曾经的“雾霾”、“黑臭”等感官指标治理取得瞩目的成效,重视新污染物治理,向具有更加长期、隐蔽性危害的新污染物治理阶段发展已是必然的选择。开展新污染物治理既是污染防治攻坚战向纵深推进的必然结果,也是生态环境质量持续改善进程中的内在要求。
《行动方案》采取“筛、评、控”和“禁、减、治”的总体工作思路,开展环境风险筛查评估,动态发布重点管控新污染物清单,采取禁止、限制、限排等环境风险管控措施,对新污染物实施源头管控、过程控制和末端综合治理。
通过立法加强法律法规制度建设,建立完善技术标准体系,建立健全新污染物治理管理机制。建立化学物质环境信息调查制度、新污染物环境调查监测制度,开展筛查工作。
建立化学物质环境风险评估制度,动态发布重点管控新污染物清单。在管控方面,实行源头禁限、过程减排、末端治理。在保障措施方面,加大科技支撑力度,拓宽资金投入渠道;加强基础能力建设,强化监管执法;加强组织领导,加强宣传引导。各省市新污染物环境管理需要根据自身情况,形成政策特色,关注特定的监测领域、新污染物种类和特定的行业,依据产业结构特点,提出了需重点关注的行业。
8.4 国际新污染物环境管理经验
新污染物的治理重在源头,核心是化学物质风险管控和防治[1671]。自20世纪90年代起,许多国家和国际组织开始启动针对新污染物现状、危害等方面的调查和研究工作,通过不断地探索和实践,构建起基于“风险”的全生命周期管理、优化分级理念为核心的新污染物风险防范与治理体系,并形成了一系列的成功经验和做法,对我国新污染物治理具有很好的借鉴意义。
8.4.1 建立新污染物治理法律法规和标准体系
制定法律法规。在化学物质管理方面,欧盟是当前世界上对化学物质控制和管理体系最为完善的区域,通过化学物质管理基本法《关于化学品注册、评估、授权与限制的法规》,在欧盟境内全面实施注册、评估、许可和限制制度,对于法规不适用的产品将分别参照专项法令进行管理[154]。
修订相关标准。日本于2015年修订饮用水水质标准,在水质指标中新增五种内分泌干扰物物质,并作出较为严格的限值规定。欧盟于2018年修订生物农药内分泌干扰物标准,对内分泌干扰物的判定和使用提出更为严格的要求;2023年3月,新修订的《欧盟物质和混合物的分类、标签和包装法规》正式发布,引入内分泌干扰特性、持久蓄积迁移性物质等新的危害类别,适用于工业化学品、日用化学品原料、农药等多类化学产品,以确保在人类健康和生态环境方面形成更高水平保护。
8.4.2 构建多方统筹协调机制
建立国家层面和国际组织间的合作协调机制。1996年,美国国家环境保护局创立了内分泌干扰物筛选和监测顾问委员会,该委员会成员来自国家和社会各界,共同协调内分泌干扰物筛选与监测工作。同年,OECD成立了化学品测试导则国家协调员工作组和内分泌干扰物测试与评估顾问组等组织,以协调成员国展开内分泌干扰物风险防范工作。1997年,日本成立了内分泌干扰物委员会,以协调国内内分泌干扰物研究工作。2014年,UNEP设立了内分泌干扰物环境暴露与影响咨询组,由政府和非政府组织共同参与,负责进行内分泌干扰物跨国防控的战略与政策研究。而在微塑料治理方面,2010年,阿根廷与乌拉圭联合成立了海上前线技术委员会,旨在加强对微塑料源头的跨界管控。这些国家层面以及国际组织之间的合作协调机制有助于确保系统性地监测和应对新污染物的工作,保障公共健康和环境的安全。
8.4.3 开展新污染物多级风险评估与监测
建立筛选、评估和监测框架。自20世纪90年代以来,OECD、欧盟、美国、日本等先后建立了内分泌干扰物筛选监测基本框架,并构建了两级评估框架。OECD自2002年起构建“现有信息采集—体外实验—简单的体内实验—信息验证—复杂的体内实验”五级内分泌干扰物评估框架,指导各成员国评估内分泌干扰物风险。2001年5月,国际社会通过《公约》,对POPs(POPs)类有毒有害化学物质采取全球行动。《公约》现有的POPs物质评估机制,包括POPs物质审查标准、审查流程、审查委员会等,为建立新污染物筛选审查标准和程序提供了参考,从而可在此基础上快速建立一套可行有效的新污染物评估机制[1672]。
发布测试导则和清单。美国国家环境保护局于2008年发布14种测试导则用于实施层级筛选,又分别于2009年、2013年发布化学品测试清单。
制定监测计划并开展实际监测。在欧洲监测及评估项目(EMEP)框架下形成并于1988年生效的欧洲《远程跨界空气污染公约》(LRTAP)的43个成员国中,已有24个成员国设立了共计100个新POPs监测点并开展监测,以了解新POPs在欧洲的发展趋势;欧盟委员会于1999年制定了内分泌干扰物战略计划,其中包括建立监测计划,以估计优先列表中内分泌干扰物的暴露和效应。
8.4.4 重视新污染物治理的科学研究
长期以来,美欧等发达国家和地区已开展了多项针对内分泌干扰物的研究工作,涉及内分泌干扰物识别、筛选、危害测试等各个方面。近年来,国际机构和发达国家将研究重点转向持久性有毒物质(PTS,包括POPs、有毒有机金属化合物和典型重金属等),开展其生态毒理、健康危害、环境风险、形成机理、迁移转化及减排、控制、处置和替代技术等研究。
8.5 我国新污染物环境管理存在的问题及建议
2020年11月,党中央、国务院《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》提出,要持续改善环境质量,重视新污染物环境治理。近年来,我国针对新污染治理,提出了明确要求并作出一系列重大决策部署,全面开展了新污染物筛查监测、精准识别、科学评估和环境风险管控等一系列治理措施。新污染物环境治理已经成为当下以及今后一个时期环保工作的重点。然而,总体来看,我国对新污染物的治理起步较晚,仍处在发展阶段,存在诸多短板。未来应积极借鉴国际经验,针对我国新污染物治理过程中出现的切实问题,结合污染水平和治理水平推动新污染物环境管理进程,进一步在新污染物治理的政策、技术和科研等方面健全一系列监管措施,全面部署新污染环境治理工作。
8.5.1 强化顶层设计,完善法律法规与标准建设
2022年全球环境绩效指数(Global Environmental Performance Index,EPI)报告分析显示,在参与评估的180个国家和地区中,我国年度得分28.4(以100分为满分),排名第160名(https://epi.yale.edu/)。EPI是对国家政策中环保绩效的量化测度,我国排名靠后,这在一定程度上凸显了我国目前对环境管理的薄弱性和实施污染物环境治理的严峻性。此外,EPI得分和人均GDP之间还存在较强的正相关性,这表明各国不必为了经济繁荣而牺牲环境可持续性。良好治理的指标包括完善的法律和公平的法规执行与高EPI分数有着密切的关系。然而,目前对于持久性污染物、内分泌干扰物、抗生素、微塑料等新污染物治理的立法缺失,仍然缺乏行业排放标准和完善的法律法规。因此,建议首先开展新污染物环境信息调查,应在国家层面的战略规划上,尽快进行新污染物现状、生产、使用和排放清单调查,掌握其分布情况,加快制定和补充新污染物相关的管理名录,并鼓励各地区因地制宜制定适合本地区治理新污染物的补充清单和管理方案;第二,尽快颁布新污染物管理专门法律法规,如在有关大气、水、和土壤污染防治法中添加新污染物防治相关条款,并对新污染物的强制性淘汰和限用措施赋予法律授权,通过法律手段依法开展新污染物防控,为后续治理和监管新污染物提供优先顺序。第三,健全排污许可制度和清洁生产审核制度,明确排放限定标准和排放总量,探索建立新污染物环境监测分析方法和监测网络,在涉及化工、农药、养殖、塑化制品的重点行业和地区设立新污染物环境调查监测试点,从源头高度重视新污染物排放,建立健全国家和地方政策标准,推动完善的生产、使用和排放行业标准的制定。
8.5.2 明确职责分工,建立跨部门跨区域协作机制
近年来,生态环境部门一直在开展新污染物治理的相关工作,例如新污染物治理系统谋划、二口恶英及氯化石蜡等POPs统计、汞或汞化合物等化学品环境国际条约管控物质生产、饮用水源地及海水养殖区等重点区域展开抗生素调查等。然而,新污染物的环境管理是一项系统工程,涉及多个部门协调配合,产业链长,职能交叉,目前各部门间仍旧缺乏统筹协调能力,职责分工不明确,监管不到位。因此,新污染物的跨区域协作治理首先是要加强国家和地方各级人民政府的总体统筹领导,设立“新污染物治理协调小组”,建立生态环境部门牵头,国家发展改革委、农业农村部、科技部、工业和信息化部、财政部、国家卫生健康委、市场监管总局、海关等相关部门共同参与的新污染物治理跨部门协调机制,明确各部门职责分工,统筹推进新污染物治理与产业发展等工作,构建从制度、技术到社会层面层层监管的新污染物环境风险防控社会管理机制与模式,形成上下统一、内外结合、横向衔接、多方参与的新污染物管控治理体系。二是充分发挥各省市或地区优势,按照国家统筹、省负总责、市县落实的原则,建立跨区域新污染物治理管控机制,坚持“共抓大保护、不搞大开发”,强化新污染物联防联控治理,例如四川省生态环境厅、重庆市生态环境局、生态环境部固体废物与化学品管理技术中心在2023年6月联合签署了全国第一个跨省域的新污染物治理联防联控机制——《关于建立川渝新污染物环境风险联防联控机制协议》,有效发挥各方技术资源优势,共同推进新污染物治理联合调查,不断共享和优化跨区域管控成果,提高新污染物环境管理系统化、精细化水平。三是市、县作为新污染物的监测主体,技术能力存在巨大短板,要加强市、县等环保监测部门与研究院所和高校等生力军的合作,充分发挥科研平台优势,提高市、县的监测技术能力。
8.5.3 加强监测评估,摸清新污染物污染底数
近年来,全国性或全域性的污染源普查均未涉及新污染物。目前新污染物含量低且分布分散,新污染物包括其替代品不断涌现,监测种类需要不断动态拓展,且同一类别中不同化合物的理化性质差异较大,需要更为先进的检测技术,监测成本较高,导致我国目前新污染物污染底数不清,风险不明,仍然无法全面掌握我国新污染物的基本情况、生产数量和排放现状。因此提出如下建议。一是开展全域性新污染物摸底调查,了解各流域、区域和行业的污染源情况,摸清涉及工业生产、农业活动和生活中的典型新污染物的类型、数量和用途等基本信息。相关部门需明确重点区域,根据国家列入的新污染物优先评估计划,编制出优先评估化学物质清单,进一步开展有关生产、加工使用、环境排放数量及途径、危害特性、敏感人群等详细信息调查。二是有关部门要结合摸底调查的数据,绘制污染负荷空间分布图,对新污染物的污染与扩散特点进行梳理和分析。依托现有生态环境监测网络,构建专门的服务于污染源调查的空间数据库,进而实现污染源信息从前端输入、网络传输、数据存储和后台管理的全链条式监测,动态发布重点管控新污染物清单。三是要研究开发新污染物治理相关技术,合理配置典型新污染物监测设备,扩大监测覆盖范围,有效提高新污染物监测水平,加快建设新污染物治理重点实验室,开展新污染物监测专业技术人员培训,解决新污染物监测和治理“卡脖子”的关键技术瓶颈。
8.5.4 重视基础研究,为精准科学治污提供技术支持
我国对于新污染物治理的研究基础相对薄弱,特别是在新污染物环境健康风险及危害机理、非靶向环境监测技术、本土毒性生物参数以及绿色替代等方面存在不足,严重制约了我国新污染物治理工作的开展。因此,应做好以下4个方面工作。1)要遵循全生命周期环境风险管理理念,加快对POPs、内分泌干扰物、抗生素及微塑料等新污染物的迁移转化、污染特征与生态毒性以及人体暴露与健康风险等方面的深入研究,强化相关领域的基础科学研究,全面提升对新污染物危害的认知,实现基础研究同应用研究良性互动、融通发展。2)进行新污染物环境排放特征与源排放量测算方法研究,展开暴露场景构建与风险评估技术研究,构建基于我国人群特征的新污染物暴露模型(包括暴露场景、接触浓度以及暴露途径等参数),明确典型新污染物的健康风险阈值和环境健康基准。3)加快治理与绿色替代技术的研发。以去除危害严重的新污染物水平为导向,展开典型新污染物环境降解过程与机理研究,推动重点管控新污染物的协同去除和绿色替代技术的开发和应用。4)充分运用科技手段,例如构建以计算毒理学为基础的高通量虚拟筛选技术,通过大数据的多源协同分析,对各区域新污染物进行实时追踪溯源和动态监测,实现精准管控和科学治理新污染物。
8.5.5 加强宣传教育,激发公众参与环境治理热情
目前,我国对新污染物的治理仍处于起步阶段,国家和地方政府对于新污染物治理的认识和重视不足,导致公众参与不够。因此,首先是加强对新污染物的宣传工作。尤其是针对新污染物的类型、危害、来源、防治措施等进行多方面、立体化的宣传,充分利用好传统媒体和新媒体,做好政策法规培训工作,积极开展新污染物治理科普宣传教育,充分发挥社会舆论监督作用,引导公众科学认识新污染物环境风险。二是在学校和社区等组织新污染物治理活动,以植树节、环境日等节日为契机开展“新污染物治理”主题日的系列宣传活动,通过拍摄宣传视频、制作新污染物治理主题展板、发放宣传资料等方式,营造人人参与环境治理、支持环境治理的良好氛围,切实推动新污染治理工作。三是建立和完善参与新污染物治理的奖励制度,例如政府可以与一些企业和社会公益组织合作,设立与新污染物治理相关的环保基金,采取经济补贴等措施激发公众参与热情,切实推动和规范公众投身到新污染治理工作中。
总之,新污染物治理是一项具有长期性、动态性和复杂性的任务,是建设人与自然和谐共生的美丽中国的主要难点,但也是高水平保护和高质量发展的驱动器。面对新形势新挑战,要坚持把新污染物治理中的突出问题作为检验工作成效的有力抓手,始终坚持用最严格制度、最严密法治保护生态环境,加强配套制度建设和科技创新,加快完善相关法律法规体系建设,切实推进新污染物治理,全面开启美丽中国建设新征程。
9 关键科学问题及展望
9.1 新污染物底数不清
目前国内尚未开展关于新污染物的污染现状和污染源排放量等全域性摸底调查[1676],无法全面认知我国新污染物的环境分布特征,难以为新污染物治理提供数据支撑,尤其是大数据的支撑,对我国新污染物清单调查研究带来挑战[1676,1677]。一方面,新污染物在环境中多以微、痕量级存在,对检测技术和方法的灵敏度要求较高,涌现并进入环境的新污染物及其替代品,需要方法和技术的持续更新和升级,以满足动态拓展新污染物监测种类的现实需求,这些原因导致新污染物检测难度大、成本高昂。另一方面,新污染物识别检测方法标准体系尚未建立,仅部分新污染物有地方或国家标准,大部分新污染物的监测方法均为实验室自行建立,方法参数差异大,普适性不强[1678⇓~1680],无法开展大范围、系统性监测工作[1679,1680]。
目前,亟待开展化学品环境信息调查,健全新污染物监测体系,构建信息共享平台,加强监测协作、分工,助力解决新污染物“底数不清、情况不明”难题,以支撑新污染物精准治理[1681]。首先组织筛选正在生产使用、环境介质中浓度和检出率较高、具有较大潜在环境和健康风险的新污染物种类,重点针对国内外高关注、高产(用)量和高危害的新污染物,查清各类污染源[1682]。二是开发检测技术并根据我国新污染物现状对某些技术进行自主升级,建立统一的检测方法和标准,培养专业技术人才并进行合理分配,将典型新污染物纳入常规环境监测,定期开展监测,制定检测能力检验检测认证制度,加强对新污染物检测机构认证,提高监测能力,开展高通量、高覆盖度的非靶向分析技术研究[1681]。三是开展新污染物的摸底调查工作,针对新污染物排放量和排放源底数不清的问题,选取重点区域和主要流域,开展试点性的新污染物摸底调查工作,重点摸清工农业生产和居民生活中含有新污染物的相关产品生产、销售和使用情况;在此基础上,总结梳理试点经验,逐步开展全国性的摸底调查,分地区、流域或行业查清污染源的基本情况、典型新污染物排放数量、污染治理情况等,绘制污染负荷空间分布图,建立重点污染源档案和污染源信息数据库,建立数字化、智能化全过程追踪溯源与监管体系,打造新污染物治理专业服务平台,为跨行业、跨区域全链条综合治理提供支撑[1683]。四是制定重点行业含新污染物产品的全产业链检查制度,制定并完善相关产品质量检测标准,建立新污染物风险评估方案,加强重点新污染物环境风险评估,动态更新重点管控新污染物清单[1684]。
9.2 低剂量长时间暴露的环境与生态毒理效应
新污染物在环境中的分布浓度普遍较低,且大多数新污染物具有环境持久性和生物累积性,在环境中难以降解,可长期累积在环境和生物体[1682,1685],对生物生殖系统、神经系统、内分泌系统、免疫系统以及多种脏器官可能产生较大危害。然而,目前对于低剂量长时间暴露于新污染物导致的健康风险尚不清楚,仍未确定毒性阈值。以PFAS为例,其可在环境中持久残留并引起生物毒性效应,造成健康风险。如山东小清河下游水体中HFPO-TA的浓度最高为68.5 ng/mL,其鱼体内的浓度明显高于其他河流,随着HFPO-TA在水生生物体内的逐渐蓄积,可对生物体产生多种毒性效应[1686]。对山东某氟化物生产工厂周边典型PFAS的暴露风险研究表明,通过饮用水、室内灰尘及食物对C4-7全氟羧酸类化合物,PFOA,HFPO-DA和HFPO-TA的日暴露平均水平(以bw计)分别为1605、457、52.1、和231 ng/(kg·d)[1687]。环境中的氟化物暴露可引起生物毒性效应,PFOS对哺乳动物和两栖动物具有生殖、发育和神经毒性等多种毒性效应,对高暴露人群存在潜在致癌性。低剂量长时间暴露于PFOA能够诱发啮齿类动物能量代谢紊乱、诱导过氧化物酶体过度增殖,产生肾脏毒性,还可对免疫系统产生抑制作用,干扰线粒体代谢,导致肝细胞损伤[1688⇓~1690]。此外,全氟化合物暴露可能与睾丸癌、乳腺癌、肝肿和胰腺瘤有关[1674,1691,1692]。针对新污染物在环境中低浓度水平、持久残留的特征,在未来的研究中应进一步明确低剂量长时间暴露条件下新污染物的生物毒性效应,以准确认知并评估新污染物环境暴露的人体健康风险。
新污染物生态健康影响的目前研究也日益增多,如具有遗传信息的DNA片段的ARGs,能通过染色体的自我复制遗传进行细菌亲代的垂直传递,最终实现垂直基因转移。除此之外,ARGs的生态健康风险也可由基因跨物种的水平迁移造成的,不同生物间可以利用一些质粒、转座子和整合子等可移动遗传元件作载体,通过转化、接合、转导等方式使ARGs在不同物种间相互传播,导致ARGs通过基因水平迁移的方式广泛传播[1693]。再如虽然低浓度的环境雌激素可以促进藻类生长,但是浓度较高时则会降低藻类细胞中光合色素的含量,破坏胞内氧化平衡,促使产生细胞毒性和遗传毒性,最终干扰藻类的群落结构和生产力,除此之外,藻类有机代谢物的释放量及微囊藻毒素均会增加,从而影响整个水生生态系统安全[1694]。
9.3 新污染物的复合效应及人体暴露的组学研究
多数情况下,环境中的污染物并非单独存在,而是多种污染物共存,并产生复合效应[1695,1696]。如微塑料,除其本身作为一种环境污染物外,还可作为其他污染物的载体,所承载的污染物一方面可来自塑料制造过程中加入的化学添加剂,另一方面来自吸附累积的其他环境污染物[1697]。微塑料作为一种微小颗粒,可以与其他化学污染物“合为一体”,当被摄入至生物体内,其本身及负载的多种污染物可能被解吸到生物体内而产生复合效应[1698⇓⇓~1701]。已有研究表明,微塑料在个体、细胞和分子水平上均具有负面效应,由于微塑料本身与其添加剂和吸附物质的协同作用,可诱导生物氧化应激、捕食和行为反应下降、能量代谢降低和有关生长发育、神经免疫、肠道损伤等多种不良反应[1686]。新污染物与传统污染物之间的复合效应也不容忽视。研究表明四环素与Fe(Ⅲ)、Cu(Ⅱ)配合后对发光细菌Vibrio fischeri的毒性增强,与Al(Ⅲ)配合后毒性减弱,而土霉素与3种金属离子配合后毒性均表现为增强[1695]。此外,环境污染物双酚A和邻苯二甲酸二丁酯共同暴露情况下,可加速HepG2细胞的死亡,增加氧化损伤和DNA损伤[1702]。
关于新污染物复合效应研究逐渐引起关注,但是目前仍然存在诸多问题:1)新污染物种类繁多,不同种类甚至同一种类不同异构体与其他污染物甚至其他非污染物之间都能产生完全不同的复合效应;2)复杂的外界条件可能对污染物之间的复合效应产生显著影响,比如天然有机质、温度,光照条件,pH值等会影响污染物的吸附、水解、光解及氧化还原反应等,进而影响到不同的复合效应;3)生物因素也会干扰复合效应,比如土壤中某些微生物,会参与一些污染物的降解,从而减少或者改变复合效应。仍以微塑料为例,其具有3种可能的毒性作用:塑料颗粒本身的特性(尺寸效应),及吸附在塑料上的污染物释放,最后是塑料添加剂的浸出。有研究表明,微塑料颗粒对生物肠道具有潜在毒性作用[1682],但对可能产生的纳米颗粒及与其他污染物产生的复合效应研究还很有限。未来可以在单独污染物毒性效应的基础上,从实际环境污染物情况出发,综合考虑污染物浓度水平、混合暴露、复杂环境因素等,通过构建定量效应关系模型等方法深入研究新污染物暴露下的复合毒性作用机理。
人体暴露于新污染物的方式和途径复杂多样,且新污染物对健康的影响尚未被系统认知,这为准确评估人体暴露和健康风险带来了诸多挑战。总结目前人体对新污染物暴露的组学研究主要面临以下难点[1703]:1)数据不足或不准确,对于新污染物,目前还缺乏系统的毒理学数据或环境监测数据,无法为后续暴露组学研究提供足够的数据支撑;2)新污染物来源与种类不明,人体同时暴露于来自食物、水、空气和土壤等多个环境介质的多种污染物,而不同污染物的毒理学效应各异,且可能发生相互作用,增加了暴露组学研究的复杂性;3)暴露途径与剂量不清,人体暴露于污染物的途径多种多样,主要包括摄食、呼吸、皮肤接触等,不同途径的暴露剂量和生物有效性差异较大,也为新污染物的人体暴露的组学研究增加了困难;4)暴露人群存在个体差异,性别、年龄、生活习惯及健康状况等因素都会影响其对污染物的暴露和吸收,个体差异同样为人体暴露的组学研究带来了很多不确定性;5)内外暴露结合不够紧密,缺乏相互验证的关键信息等。
通过对普通志愿者(n = 20)的配对血液和尿液,以及其相应7 d重复饮食、饮用水和灰尘中24种全氟和多氟化合物的研究发现[1704],PFOA是主要成分,其次是6∶2氯化多氟烷基醚磺酸盐(6∶2 Cl-PFESA)。通过同分异构体分析以及毒物动力学模型表明,人体内约19%的PFOS是由其前体产生的。通过比较和测量的血液浓度,6∶2 Cl-PFESA在食物基质中的生物利用度系数为0.186,与我们常用的经验系数相比,人体的暴露量或许被高估。
面对人体暴露的组学研究挑战,未来可从以下几个方面着手强化该方向的研究深度:着重基础研究,深入研究新污染物的理化性质、明确毒性效应及剂量-反应关系;在此理论基础的前提下,继续完善污染物人体暴露的组学研究方法,开发更精确的监测和分析方法,准确量化人体暴露于污染物的剂量和速率;考虑个体差异和环境因素,提高评估的准确性;联合多学科力量,包括但不限于环境科学、毒理学、流行病学及大数据联合机器学习模拟等,多手段联合揭示污染物对健康的综合影响,为污染物人体暴露的组学提供全面视角。
9.4 高风险化学品管控与绿色开发策略
除了对于已经产生的化学品进行严格动态管控外,更需要鼓励优化生产工艺,从源头环节减少新污染物关联毒害化学品的使用或产生。研制能从源头减少新污染物排放的替代材料,在重点行业、重点工业园区与企业推广和应用各类污染控制技术和替代材料,从源头削减污染排放。
绿色开发策略可为高性能、低风险替代化学品的研发提供支撑,从最初设计阶段充分考虑分子的重要内在特性,以确定生产过程和生产出的化学品是否可再生、是否具有毒性、是否具有持久性[1708,1709]。利用该手段研制出的替代品,往往对环境更加友好,但其中部分替代品由于与被替代物分子结构和理化性质相似,存在保留类似毒性效应的可能。例如,PFOS的替代物仍保留类似PFOS的毒性效应特征[1682,1710,1711]。因此,需要持续加强自主开发能力,倡导绿色生产,激励科技创新,集中多方力量研发高效低毒、环境友好、经济合理的替代品和替代技术,在重点行业、重点工业园区与企业推广和应用各类污染控制技术和替代材料,从源头削减污染排放,加快推进高风险化学品的限制淘汰[1712,1713]。
9.5 基于机器学习的环境样品及人体暴露数据库建设
建立完备智能的新污染物环境安全数据库是开展环境健康风险评估和管控的基础。20世纪80年代起,美国、欧盟、日本等发达国家和组织相继开发了生态毒理数据库(ECOTOX)、风险评估信息系统(RAIS)、农药人体健康基准数据库(HHBP)、农药水生生物基准数据库(OPPALB)、化学品风险信息平台(CHRIP)、eChemPortal数据库和QSAR数据库等一系列化学品管理及健康风险相关数据库,涵盖超过几万种甚至几十万种化学品信息,收录其理化性质、生态毒性、环境归趋、毒代动力学及暴露风险等数据资料,为我国数据库构建提供了重要的基础数据支撑[1714⇓⇓⇓⇓⇓~1720]。但考虑到国外数据库是基于其当地环境样品及人体暴露特征所建立,不完全符合我国实际情况,若直接借用可能会带来较大误差,同时存在数据有限且更新滞后等问题,反而不利于我国新污染物风险管控工作的开展。因此,亟需获取与收集本土研究对象的样品及健康风险毒性数据,改进与整合相关参数,建立一个由国家层面统筹、适合我国国情的新污染物健康风险及样品数据库平台[1721⇓~1723]。其中,结合大数据分析的机器学习方法可以为此提供重要的技术支撑,将现有数据库中与实际监测获得的大量数据通过机器学习的相关算法进行模型的建立与优化,以便于更精准地预测与判断,让新污染物风险预警和污染防控的动态化与高效化水平得到显著提升[1724,1725]。
9.6 我国新污染物治理行动的科技支撑能力建设
新污染物环境风险管控难度高,这对科技支撑能力提出了更高的要求。新污染物种类与排放来源多样、毒性机制复杂、在环境中迁移转化和归趋过程多元、污染控制难度大、对相关化学品的替代、治理、减排技术研究基础薄弱。如果科技支撑力度不足,在国际谈判、国内工农业替代技术发展中就较为被动,容易被发达国家“卡脖子”,严重制约我国新污染物环境风险的科学评估和精准管控[1684,1706]。因此,需进一步加大资金投入,加强新污染物相关科研平台和基地建设,增强科技支撑能力。开展符合我国国情和产业特点的新污染物生态风险防控基础研究,特别在追踪溯源、环境归趋、危害识别、暴露预测、健康风险评估、绿色替代、污染控制与监测检测技术研究方面发力,以提升我国新污染物科学研究水平,这既是推动我国生态环境保护与绿色科技发展的基础和动力,也是实现我国社会经济绿色可持续发展的重大需求[1714,1724]。
9.7 生态环境监测能力的协调发展,新污染物治理的精细化支撑,及有针对性地新污染物风险防范和污染防治体系的构建
我国新污染物环境和健康风险形势复杂,不仅面临着国际新污染物的共性问题,还具有我国新污染物的特殊问题,目前新污染物治理的精细化支撑不够。因此,亟待构建中国特色的新污染物风险防范和污染防治体系1724。首先是完善法律法规与标准体系。在环境保护相关法律法规中逐步增加新污染物治理条款,涉及其生产使用规定、排放标准与监测规范等。其次是加强新污染物防治的战略规划,制定并落实新污染物防治行动方案,明确减排目标和治理措施。同时,完善相关名录。根据不同新污染物风险评估情况,动态更新《优先控制化学品名录》《中国严格限制的有毒化学品名录》《有毒有害大气污染物名录》《有毒有害水污染物名录》以及《重点控制的土壤有毒有害物质名录》等。最后是建立新污染物预警体系。当新污染物排放量超过一定阈值时启动预警,责令其排放相关企业限产停产,助推新污染物环境和健康风险监测预警体系建设[1713]。
随着综合国力的提升和人民群众对美好生活的日益向往,我国已经到了重视新污染物治理的新阶段。2022年5月,国务院办公厅发布《新污染物治理行动方案》后,新污染物治理工作迅速在全国范围内推进。但不容否认的是,我国新污染物治理仍处于起步阶段,面临着治理难度大、技术复杂程度高、科学认知不足等困难和挑战,亟须建立一套较为完善的科技创新机制,促进新污染物治理技术的研发和应用,提高新污染物治理效果,为建成健康中国、美丽中国提供有效保障。