草甘膦及其代谢物AMPA对淡水底栖硅藻的长期影响：生长抑制、叶绿素a变化与形态学响应

本研究针对全球地表水中广泛存在的除草剂草甘膦及其主要代谢物AMPA，首次系统评估了二者对淡水底栖硅藻Nitzschia palea(NPAL)和Gomphonema gracile(GGRA)的生态毒性效应。通过7天急性暴露和28天慢性实验，结合机器学习驱动的形态计量学分析，揭示了两种污染物抑制硅藻生长(IC50分别为4.77 mg/L和41.79 mg/L)、降低叶绿素a含量，并诱导非畸形性形态变化的剂量-效应关系。研究创新性地开发了基于深度学习的硅藻自动分割网络，为水生生态风险评估提供了新的生物标志物。

　　

在当今农业活动中，草甘膦(Glyphosate)作为全球使用量最大的除草剂，其生态安全问题日益引发关注。这种非选择性除草剂通过干扰植物莽草酸途径(shikimate pathway)发挥除草作用，但其在水体中的残留物——尤其是主要降解产物氨甲基膦酸(AMPA)——正持续进入淡水生态系统。法国近年监测数据显示，地表水中草甘膦和AMPA的浓度分别可达558μg/L和164μg/L，远超欧盟环境质量标准(EQS)。虽然这些化合物对鱼类、两栖类等高等生物的毒性已有研究，但对水生微食物网基础生产者——底栖硅藻的长期影响仍知之甚少。

法国洛林大学(Université de Lorraine)联合卢森堡科学技术研究所(LIST)的研究团队在《Heliyon》发表了一项开创性研究。针对淡水生态监测中硅藻指标对农药污染响应不敏感的问题，研究人员选取两种常见底栖硅藻NPAL和GGRA，通过标准化生物测定结合创新性图像分析技术，系统评估了草甘膦和AMPA的生态毒性效应。研究采用7天静态暴露实验测定半抑制浓度(IC₅₀)，继而开展28天半静态慢性实验；利用分光光度法监测生长速率(通过OD_750nm)和叶绿素a含量(OD_664nm比值)；开发基于YOLOv5和DeepLabV3的深度学习网络实现硅藻自动分割，提取6项形态计量参数(面积、周长、长宽比等)；通过主成分分析(PCA)和Cliff's delta检验量化形态变化。

生长抑制与生理响应
7天暴露实验显示，两种污染物均呈剂量依赖性生长抑制，NPAL对草甘膦的敏感性(IC₅₀=4.77 mg/L)显著高于GGRA(9.09 mg/L)。叶绿素a含量在高浓度组显著降低，表明除草剂干扰了光合色素合成。28天慢性实验发现，最高浓度组(IC₅₀)初期生长抑制明显，但28天后种群可能通过选择抗性个体实现恢复，揭示出污染物驱动的种群适应机制。

形态计量学突破
机器学习分析逾3600个硅藻个体显示，草甘膦暴露导致NPAL形成两个形态亚群：一组保留典型长梭形，另一组呈现"肿胀"的短圆形(圆度增加0.39倍)，中间形态个体被选择性淘汰。AMPA则促使硅藻向细长型演化(长宽比增加0.38倍)。值得注意的是，传统定义的畸形率(<1%)未显著升高，说明形态计量学能检测更细微的亚致死效应。

结论与展望
该研究首次证实：1)AMPA的生态风险不可忽视，其对硅藻的毒性虽低于母体化合物(IC₅₀高9倍)，但在环境相关浓度(0.16 mg/L)仍可能影响群落结构；2)非畸形性形态变化可作为新型生物标志物，通过机器学习实现标准化分析；3)草甘膦通过"双峰选择"塑造种群结构，可能改变硅藻群落的功能多样性。研究成果为完善水框架指令(WFD)的生物监测体系提供了方法论创新，开发的自动分析流程(识别误差<6%)有望应用于大规模生态风险评估。未来研究可拓展至多物种群落水平，并探究形态变化与光合效率等功能的关联性。