基于q-RASPR方法的脂质归一化膳食生物放大因子(BMFL )预测模型：评估水生生态系统中有机化学品生物放大潜力的新框架

本研究针对有机化学品在水生食物链中的生物放大潜力评估难题，创新性地结合定量结构-性质关系(QSPR)与跨读(RA)技术，开发了q-RASPR预测模型。该模型以OECD 305指南实验数据为基础，实现了BMFL 的高精度预测(Q2 F1 =0.90)，为化学品环境风险评估提供了高效计算工具。

　　

随着工业化进程加速，大量有机化学品进入水生生态系统，通过食物链产生生物放大效应，威胁生态安全和人类健康。传统实验方法评估化学品生物放大因子(Biomagnification Factor, BMF)存在周期长、成本高等问题，而现有计算模型预测精度有限。如何建立高效可靠的预测体系，成为环境毒理学领域亟待解决的难题。

针对这一挑战，研究人员开展了一项创新性研究，通过融合定量结构-性质关系(Quantitative Structure-Property Relationship, QSPR)和跨读(Read-Across, RA)技术优势，首次将定量跨读结构-性质关系(quantitative Read-Across Structure-Property Relationship, q-RASPR)方法应用于脂质归一化膳食生物放大因子(BMF_L
)预测。研究采用OECD 305指南标准实验数据，构建了包含477种有机化学品的多质量等级数据集，通过特征选择获得14个关键分子描述符。

关键技术包括：(1)基于Arnot-Quinn数据库构建高/中/低质量三级数据集；(2)采用网格搜索和留一法交叉验证筛选7个核心描述符；(3)建立偏最小二乘(PLS)回归模型；(4)引入结构相似性和误差度量开发q-RASPR混合模型。

【Preparation of data sets】
研究团队从Bertalo等整理的数据库中获取经OECD TG 305标准验证的高、中、低质量BMF数据。通过脂质含量校正公式BMF_L
=[C]_predator
/[C]_prey
×L_diet
/L_fish
实现数据标准化，确保不同来源数据的可比性。

【Model development using Dataset 1 (D1)】
特征选择过程从143个预处理描述符中筛选出14个显著参数，最终建立包含7个描述符的多元线性回归模型。PLS模型显示关键参数X2v和C-026对LogBMF_L
预测贡献显著，模型方程LogBMF_L
=-1.29+0.077×X2v+0.242×C-026-0.57×MaxaaaC展现出优异拟合度。

【Conclusion】
该研究突破性地将q-RASPR方法应用于BMF_L
预测，最终模型展现出卓越的预测性能(Q²
_F1
=0.90，Q²
_F2
=0.89)，测试集平均绝对误差(MAE_test
)仅0.27。模型成功整合了低质量数据中可靠样本，显著拓展了适用范围。通过引入结构相似性度量，解决了传统QSPR模型对结构新颖化合物预测不准的缺陷。

这项研究的意义在于：首次建立可直接预测BMF_L
的计算模型，为评估化学品在食物链中的迁移风险提供量化工具；发展的q-RASPR框架实现了化学信息学方法与生态毒理学的跨学科融合；模型的高精度特性使其可支持OECD等国际机构的化学品管理决策，对实施《斯德哥尔摩公约》关于持久性有机污染物的管控具有重要实践价值。该成果标志着计算毒理学在环境风险预警领域取得重要进展，为发展新一代智能评估系统奠定方法学基础。