微纳塑料与环境污染物联合毒性的集成机器学习解析及分子机制研究

为解决微纳塑料(MNPs)与污染物联合毒性机制不明、传统实验方法效率低的问题，研究人员通过集成机器学习(Ensemble ML)和分子动力学(MD)模拟，系统解析了污染物浓度、物种类型等关键影响因素，预测模型R2 0.84，揭示MNPs-污染物复合物通过范德华力(

　　

在塑料污染席卷全球的今天，微纳塑料(Micro(nano)plastics, MNPs)已成为无处不在的环境威胁。这些直径小于0.5 mm的塑料颗粒不仅存在于海洋和土壤，甚至悄然侵入人体血液和器官。更令人担忧的是，这些"塑料小偷"会吸附环境中的有毒物质如溴化阻燃剂BDE-47，形成"毒物特快专列"进入生物体。然而现有研究多聚焦单一污染物毒性，对MNPs与污染物的"组合拳"效应认知严重不足。传统毒理学实验面对多维影响因素时力不从心，而零散的研究数据又可能造成认知偏差。

针对这一难题，中国研究团队在《Journal of Hazardous Materials》发表创新研究，首次将集成机器学习(Ensemble Machine Learning)与分子动力学(Molecular Dynamics, MD)模拟相结合，破解MNPs-污染物联合毒性密码。研究人员从41项研究中整合351组数据，构建包含9个特征参数的预测模型，涵盖污染物浓度、塑料粒径(100 nm-0.5 mm)、物种类型等关键变量。通过随机森林(Random Forest)、XGBoost等算法融合，开发出预测精度R²

0.84的集成模型，并借助SHAP值解析特征重要性。MD模拟则从原子层面揭示MNPs吸附BDE-47后，通过强范德华力(?1
)破坏细胞膜的分子机制。

【数据挖掘】
通过文献挖掘构建包含351个数据点的毒性数据库，生存率作为核心毒性终点，涵盖9类特征参数。

【模型构建】
集成模型整合随机森林、XGBoost等算法，5折交叉验证R²
达0.84以上，显著优于单一模型。SHAP分析显示污染物浓度、物种类型(鱼类/微生物等)、塑料直径(纳米级vs微米级)和污染物种类(BDE-47等)为四大关键因素。

【机制解析】
MD模拟首次可视化MNPs-BDE-47复合物与细胞膜相互作用：吸附污染物后的MNPs表面能降低，通过范德华力紧密贴合膜磷脂分子，导致膜结构变形穿孔。能量分析显示相互作用能达?200 kJ/mol量级。

【环境启示】
研究建立首个MNPs-污染物联合毒性预测框架，突破传统实验局限。发现纳米级塑料与疏水性污染物组合对水生生物威胁最大，为优先管控特定塑料-化学品种类提供科学依据。

这项研究开创性地将人工智能与计算模拟相结合，不仅破解了"塑料+污染物"的协同作恶机制，更建立了可推广的毒性预测范式。其发现对制定针对性环境政策具有重要指导价值——例如根据物种敏感性差异实施分级保护，或对高风险塑料-化学品组合实施优先管控。该研究为应对全球塑料污染挑战提供了创新的方法论和理论基础。