《Journal of Hazardous Materials》：Rapid Assessment of the Intrinsic Hazard Potential of Different Types of Plastic Additives Using Machine Learning (RF-MLP)
编辑推荐：
•RF-MLP 估计了 7,267 种塑料添加剂的内在危害潜力。•折外堆叠利用岭回归将 RF 和 MLP 的预测结果进行组合。•该模型在测试集上达到了 0.68 的 R2 和 0.74 的均方根误差。•在 30 次配对运行中，观察到相对于随机森林的适度且一致的提升。•预测的危
- •
RF-MLP 估计了 7,267 种塑料添加剂的内在危害潜力。
- •
折外堆叠利用岭回归将 RF 和 MLP 的预测结果进行组合。
- •
该模型在测试集上达到了 0.68 的 R2 和 0.74 的均方根误差。
- •
在 30 次配对运行中，观察到相对于随机森林的适度且一致的提升。
- •
预测的危害模式支持添加剂的优先级排序，以进行进一步评估。
引言
随着全球塑料污染问题的日益严峻，塑料添加剂，尤其是增塑剂和光稳定剂，已成为影响环境和人类健康的主要污染源。[1]、[2]、[3]、[4] 许多传统小分子添加剂，如邻苯二甲酸酯类（PAEs）[5]、[6]、双酚 A（BPA）[6]、[7]、[8]，在环境中广泛存在。这些添加剂的释放和迁移可能对生态环境和生物体，尤其是人类健康产生不利影响。[3]、[9]、[10]、[11]、[12]、[13] 从塑料中释放或迁移后，这些化学物质可能表现出内在危害特征，尤其是毒性、生物累积性和迁移性。这些特征与本研究评估的内在危害潜力直接相关。然而，许多塑料添加剂的这些危害特征信息仍然不完整，这限制了大规模且一致的危 害评估。[9]、[12]、[14]、[15]、[16] 根据 PlastChem 数据库，已识别出 17,932 种与塑料相关的化学物质，其中 7,267 种被归类为塑料添加剂。在这 7,267 种添加剂中，有 3,758 种具有可用的内在危害潜力标签，而其余 3,509 种缺乏相应的内在危害潜力数据。[17] 因此，提高塑料添加剂内在危害信息的可获得性对于大规模危害筛查和研究优先级排序至关重要。然而，现有的内在危害潜力评估方法存在明显局限性。首先，传统实验方法需要大量的试错研究，不仅成本高昂，而且耗时。此外，现有的基于模型的评估方法往往因缺乏足够的数据而无法对所有塑料添加剂进行内在危害潜力评估。[19] 其次，无论是通过实验还是基于模型的评估，将塑料添加剂的风险与其他环境污染物——特别是其对生态系统的长期影响——区分开来仍然是一个重大挑战。[20] 为了解决这些局限性，采用新方法评估塑料污染的生态影响已变得势在必行。近年来，Silva 等人（2025）计算了 75 种塑料添加剂的 25 种影响因子，并在九种不同物种中测试了这些因子，提供了详细的实验数据。[10] 然而，尽管这些数据贡献有价值，但所覆盖的添加剂范围仍远小于塑料工业中使用的总品种数。Tang 等人（2022）提出了一种将塑料添加剂纳入生命周期影响评估的框架。尽管该框架提供了一般性的评估结构，但严重依赖于实验数据。[21] 由于大多数添加剂缺乏实验数据，该方法同样难以覆盖所有添加剂。近年来，研究人员开始探索基于机器学习等新型计算方法的内在危害潜力预测方法。通过学习现有的实验数据，机器学习方法能够捕捉塑料添加剂结构与内在危害潜力之间的复杂非线性关系，从而实现快速预测。[18]、[22]、[23]、[24] 然而，这些方法仍受限于底层数据库的完整性，尤其是毒性、生物累积性和迁移性关键数据的缺乏。Monclús 等人（2025）建立了 PlastChem 数据库，系统地汇编了全球 7,267 种已知塑料添加剂的多种信息，包括化学成分、结构特征、毒性、生物累积性和迁移性。[25] 然而，在数据库建成后，仍有 7,267 种塑料添加剂中的 3,509 种缺乏相应的内在危害潜力信息，这对于理解塑料添加剂的潜在危害具有重要意义。[17] 然而，由于近半数添加剂所需的毒性、生物累积性和迁移性等关键指标数据缺失，无法进行有效的内在危害潜力评估，尤其是对于组成复杂或研究较少的添加剂。[17] 因此，PlastChem 数据库在完整性和全面性方面仍存在局限性，尤其在内在危害潜力预测方面存在显著差距。为了解决这一问题，本文提出了一种基于 RF-MLP 方法的内在危害潜力评估框架。该方法结合了 RF 强大的非线性建模能力 [26]、[27] 和多层次感知器的深度特征学习能力 [26]、[28]、[29]，能够有效地捕捉塑料添加剂与内在危害潜力之间的复杂关系。通过引入折外（OOF）集成策略，我们能够充分利用样本数据，同时防止训练集的信息泄漏，从而稳健地组合 RF 和 MLP 的预测结果，增强模型的泛化能力和预测稳定性。该方法能够基于 PubChem 提供的塑料添加剂数据进行内在危害潜力评估，并为模型训练提供关键特征输入。本研究采用了均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）等评估指标来全面评估模型在内在危害潜力预测任务中的性能。此外，通过与 RF、MLP、SVR 和 XGBoost 等模型的对比，本研究分析了不同模型对 7,267 种添加剂预测 Hazard_score_sum 值的预测序列之间的相关性，并与 2024 年之后报道的实验数据进行了比较。[17]、[30]、[31]、[32]、[33]、[34]、[35]、[36]、[37]、[38]、[39]、[40]、[41]、[42]、[43]、[44]、[45]、[46] 并使用美国环保署 T.E.S.T. 软件进行了验证，为解释预测的综合内在危害评分提供补充信息。本研究的结果可能改善塑料添加剂的内在危害潜力评估，并为优先识别进一步进行对比替代评估的候选物质提供信息。
章节摘要
数据
本研究使用的数据来自 PlastChem 数据库，该数据库由 Monclús 等人（2025）开发，是一个综合性的塑料化学品数据库，集成了来自七个数据库的信息：参考文献 [47] 中的数据；与塑料包装相关的化学品数据库（CPPdb，第 1 版）[48]；欧盟授权物质清单附件 I；法规（EU）第 10/2011 号关于食品接触材料（PFCRdb）；食品接触化学品数据库（FCCdb，第 5 版）[49]；PlasticMAP 数据集
基于 RF-MLP 模型的内在危害潜力预测工作流程
为弥补塑料添加剂内在危害潜力数据的缺口，本研究基于先前开发的 RF-MLP OOF 模型建立了一种内在危害潜力预测工作流程，如图 2 所示。该工作流程以具有现有内在危害潜力标签的塑料添加剂作为训练基础，结合分子结构信息和理化性质特征，预测缺乏内在危害潜力的添加剂的 Hazard_score_sum 值。
结论
本文提出了一种基于 RF-MLP 的内在危害潜力评估模型，用于评估塑料添加剂的内在危害潜力。开发该模型的主要目的是克服传统实验方法的局限性——这些方法耗时、成本高且受限于有限的样本量——以及现有模型无法处理大规模化学品数据的问题，从而实现对塑料添加剂内在危害潜力的评估，用于
CRediT 作者贡献声明
刘 强：撰写 – 原稿，软件，项目管理，方法论，正式分析，概念化。张 业：调查。刘志华：撰写 – 审阅与编辑。滕 红辉：撰写 – 审阅与编辑，监督，资源，资金获取，概念化。
利益冲突声明
作者声明他们不存在任何已知的、可能影响本论文所报告工作的竞争性财务利益或个人关系。
致谢
本工作得到了中国国家吉林省自然科学基金（项目编号：YDZJ202501ZYTS531）的支持。作者声明不存在任何竞争性财务利益。
作者贡献
本论文由所有作者共同撰写完成。所有作者均已批准本论文的最终版本。这些作者贡献相同。
关联内容
预测模型特征的详细描述、模型性能评估、生态危害评分排名、基于文献的预测验证
刘 强 | 张 业 | 刘志华 | 滕 红辉
