基于土壤线虫群落的潜在有毒元素生态风险评估新方法

本研究针对煤矿区周边土壤中潜在有毒元素(PTEs)污染对土壤生物及生态系统稳定的威胁，创新性地利用土壤线虫群落作为生物指示剂，结合贝叶斯核机器回归(BKMR)和机器学习技术，建立了基于线虫群落指数(NBIs)的PTEs生态风险评估模型。研究发现Pb、Hg、Mn、Zn等元素浓度显著超标(0.2-6.35倍)，结构指数(SI)、成熟度指数(MI)与PTEs呈负相关，岭回归(Ridge)和随机森林(RF)模型能有效预测PTEs生态风险指数(NSPI/RI/PLI)。该研究为复杂土壤生态系统的精准风险评估提供了新范式。

　　

煤矿开采活动导致的土壤潜在有毒元素(PTEs)污染已成为全球性环境问题。联合国粮农组织报告显示，全球约五分之一的农业土壤受到PTEs污染，这些不可降解的污染物通过食物链威胁人类健康，导致认知障碍、肾功能损伤甚至癌症。传统风险评估方法仅依赖化学浓度指标，忽视了对土壤生物群落的毒性效应，而土壤线虫因其对环境变化的敏感性，被认为是理想的生物指示剂。然而，如何建立系统化的PTEs生态风险评估模型仍是领域内的重要挑战。

山西大学的研究团队在《Geoderma》发表的研究中，选取山西省7个产煤城市的360份农田土壤样本，创新性地整合土壤线虫群落指数与机器学习算法，构建了PTEs生态风险评估新体系。研究采用网格采样法收集春、秋两季样本，通过电感耦合等离子体质谱(ICP-MS)测定11种PTEs浓度，利用蔗糖密度梯度离心法分离线虫并鉴定31个属。关键技术包括：贝叶斯核机器回归(BKMR)分析剂量-效应关系，6种机器学习模型(Ridge/RF/GBRT等)构建预测模型，以及SHAP值解析特征重要性。

研究结果部分：
3.1. 土壤PTEs的季节特征
数据显示春季土壤中Zn、Ni等8种PTEs超标，秋季增至9种，Hg污染最严重(超标6.35倍)。污染指数显示NSPI达4.26表明显著污染，RI值277.89提示中等生态风险，且存在明显空间异质性。

3.2. 土壤线虫群落结构
共鉴定31属线虫，以食细菌类(BF)为主。秋季线虫总丰度显著增加，但成熟度指数(MI)和线虫通道比(NCR)降低，反映PTEs胁迫导致群落结构简化。

3.3. BKMR分析关联性
关键发现包括：MI和SI与混合PTEs暴露呈线性负相关，而总丰度呈现"J型"剂量效应曲线。特别值得注意的是，当Pb浓度达1.46-1.85 mg/kg时，NCR显著降低，揭示特定元素对营养级联的破坏效应。

3.4. 机器学习模型评估
在预测PTEs生态风险指数时，岭回归(Ridge)对NSPI和RI的预测最优(R²=0.124)，随机森林(RF)对PLI的预测最佳(R²=0.144)。特征重要性分析显示NCR(21.08%)、MI(20.78%)和香农指数(H)(18.48%)是影响NSPI的核心因子。

讨论部分强调，该研究首次实现从线虫群落视角量化PTEs生态风险：

1. 方法学突破：相比传统化学指标，NBIs能更灵敏反映低剂量复合污染效应，如SI对As污染的负响应阈值低至1.31 mg/kg；
2. 应用价值：建立的Ridge-RF组合模型可应用于大尺度土壤监测，为《土壤污染防治法》实施提供技术支撑；
3. 生态启示："J型"响应曲线证实线虫群落存在污染适应机制，这对理解土壤生态系统的恢复力具有重要理论意义。

该研究被审稿人评价为"将环境毒理学与人工智能交叉融合的典范"，其建立的"线虫指数-机器学习"评估框架，为全球矿区土壤治理提供了可复用的技术模板。未来研究可结合宏基因组技术，进一步揭示PTEs胁迫下的土壤食物网调控机制。