基于MLSE机器学习算法的消毒副产物水生毒性风险优先级筛查及其环境监管指导意义

本研究创新性地整合分子对接与多学习器堆叠集成（MLSE）模型，系统评估了833种消毒副产物（DBPs）的水生毒性风险，构建了覆盖三级水生生物（Scenedesmus sp.、Daphnia magna、Danio rerio）的毒性评价体系。通过特征可视化、分子动力学模拟和密度泛函理论（DFT）计算，揭示了高风险DBPs的分子结构特征（如疏水性、氢键数量）及其与毒性靶蛋白的相互作用机制（van der Waals力、静电作用），为新兴污染物优先级筛查与生态风险评估提供了关键方法学支持。

　　

Section snippets

The construction of DBPs structural sources and aquatic toxicity pathways—AOP, KEGG and Reactome databases

本研究从美国国立卫生研究院（NIH）的PubChem分子库下载了884种DBPs的3D结构（数据见表S1）。不良结局通路（AOP）描述了外源化合物在多个生物层级上的毒性效应，包括分子起始事件（MIEs）（即外源化合物与特定生物大分子的相互作用）、一系列关键事件...

The characterization for variables in the priority screening models of DBPs aquatic toxicity risk based on ElasticNet Regression method

本研究采用弹性网络回归（ElasticNet Regression）方法筛选出52个与DBPs水生毒性风险高度相关的分子特征（弹性网络回归系数β_j ≠ 0）。进一步以β_j = 1作为置信区间，筛选出17个关键分子特征作为DBPs水生毒性风险优先级筛查模型的自变量（表S7和图S2）。此外，通过多层...

Conclusion

本研究构建了涵盖水生食物链三级生物、六类毒性效应及22种毒性靶蛋白的ⅣⅣ层DBPs水生毒性风险评估体系。基于DBPs分子结构信息，采用分子结构导向的多学习器堆叠集成（MLSE）算法构建了四种优先级筛查模型，预测了884种DBPs的单体及复合水生毒性风险。

Environmental implication

本研究首次建立了DBPs水生毒性风险的ⅣⅣ层评估体系，构建了四种优先级筛查模型，实现了DBPs水生毒性的系统性筛查。此外，制定了DBPs水生毒性风险优先级清单，共识别出96种高风险DBPs。通过特征可视化方法分析了DBPs的结构特性及其与毒性靶蛋白的结合特性...

Funding

本研究未获得任何公共、商业或非营利部门资助机构的特定资助。

CRediT authorship contribution statement

Peixuan Sun: 评审编辑、可视化、软件、方法论、形式分析、数据整理。Ning Hao: 评审编辑、可视化、方法论。Jiapeng Liu: 评审编辑、可视化、方法论。Wenjin Zhao: 评审编辑、监督、项目管理。Xiaolin Wang: 评审编辑、初稿撰写、可视化、验证、软件、资源、方法论、调研、形式分析、数据整理...

Declaration of Competing Interest

作者声明不存在任何可能影响本研究的已知竞争性经济利益或个人关系。