采用两室模型评估虹鳟（*Oncorhynchus mykiss*）对膳食 137Cs 的吸收与体内转移

《Journal of Environmental Radioactivity》：Uptake and internal transfer of dietary 137Cs in rainbow trout ( Oncorhynchus mykiss) assessed by a two-compartment model

　　

• 两室模型定量了虹鳟的食物中137Cs的摄入和体内转移。
• 内脏中的137Cs对食物变化反应迅速，早于肌肉中的蓄积。
• 在排除生长稀释作用后，肌肉中的137Cs表现出较长的生物半衰期。
• 约34%的膳食137Cs被纳入内脏-肌肉系统。

引言
2011年3月11日，在日本东北大地震之后，福岛第一核电站（FDNPP）事故向大气中释放了大量放射性物质，包括放射性铯（134Cs和137Cs）（Steinhauser等，2014；Hirose，2016）。放射性铯通过大气传输广泛扩散。模拟研究（Morino等，2011；Morino等，2013）和大气监测（Torii等，2012）显示，日本东部陆地上134Cs和137Cs的放射性铯沉降量均较高，约为3.4至6.2 PBq（Aoyama等，2016）。此外，考虑到包括直接海洋排放和大气沉降在内的放射性铯总排放量，估计范围为19至24 PBq，其中约18%至23%沉降在陆地上（Aoyama等，2016）。在福岛第一核电站周边西北地区发现了高浓度放射性铯污染带，邻近的群马县、栃木县、茨城县和千叶县也观测到局部沉降。

放射性铯由具有相对较长物理半衰期的同位素组成（134Cs的Tphy = 2.06年，137Cs的Tphy = 30.2年）。铯与钾具有相似的化学性质，钾是生物体的必需元素，铯可以取代钾被吸收（Relman，1956）。这一现象在淡水鱼类中尤为显著，因为它们主动吸收单价离子进行渗透调节，而排泄能力有限，导致放射性铯大量蓄积（Wada，2021）。放射性铯在陆地生态系统食物网中循环利用，导致持续从受污染的食物源中摄取放射性铯（Haque等，2017；Suzuki等，2018；Wada等，2019）。因此，淡水生态系统，特别是封闭湖泊中的污染会持续较长时间（Wada等，2016；Suzuki等，2018）。例如，1986年切尔诺贝利核电站事故释放的放射性物质被整合到周边陆地生态系统中，导致淡水鱼类大量蓄积，并造成持久的放射性污染问题（Smith等，2000；Lerebours等，2018）。数十年后，切尔诺贝利隔离区外湖泊中的淡水鱼放射性铯浓度高达7000 Bq kg?1，远超乌克兰150 Bq kg?1的监管限值，凸显了污染的持久性（Travnikova等，2004；Balonov等，2018；Lerebours等，2018）。

福岛第一核电站事故后，放射性铯被整合到核电站周边的陆地生态系统中，导致日本淡水鱼类大量蓄积放射性铯（Mizuno和Kubo，2013；Arai，2014a；Arai，2014b；Yoshimura和Yokoduka，2014；Matsuda等，2015；Tsuboi等，2015；Suzuki等，2016；Wada等，2016；Suzuki等，2018）。尽管事故后淡水鱼类中的放射性铯浓度有所下降，但某些水体中137Cs的时间变化仍遵循双组分指数模型，表明污染长期持续。

值得注意的是，放射性铯主要通过摄食途径蓄积在淡水鱼类体内（Hewett和Jefferies，1976；Yamamoto等，2014；Yoshimura和Yokoduka，2014；Matsuda等，2020）。这也得到了淡水鱼类通过皮肤和鳃粘液摄取放射性铯量极少的研究支持（Metian等，2019；Kashparova等，2020；Kashparova等，2022；Teien等，2021；Wada等，2013）。通过受污染饲料摄入的放射性铯在肠道中被吸收，并主要蓄积在肌肉中（Smith等，2000；Pinder等，2014；Haque等，2017；Metian等，2019）。肌肉组织是水产养殖鱼类的主要可食用部分。因此，了解淡水鱼类中放射性铯的动态对于应对切尔诺贝利和福岛核电站事故带来的长期污染挑战至关重要。

许多实验室和田间研究调查了淡水鱼类对放射性铯的摄取和消除。给受污染鱼类提供清洁饲料已被证明可以通过生物稀释降低体内137Cs浓度（Kashparova等，2022；Kashparova等，2023），并缩短生物半衰期。此外，提供清洁饲料可增加137Cs的排泄速率（Kashparova等，2023）。Niizeki等（2020）对日本香鱼（Tribolodon hakonensis）进行了喂养实验，利用单室模型表明，与生长相关的生物稀释作用降低了放射性铯的生物半衰期。这些发现为了解淡水鱼类中放射性铯的动态提供了有价值的见解。

然而，既往研究主要关注肌肉和整鱼中的放射性铯浓度，对铯从内脏向肌肉组织的实际迁移及其后续排泄的研究有限（Peters等，1999；Malek等，2004；Niizeki等，2020；Pavlenko等，2023；Kashparova等，2022；Kashparova等，2023；Matsuda和Yamamoto，2025）。

数学模型被广泛用于了解鱼体中放射性铯蓄积的动态。然而，单室模型虽然通过假设铯在单一隔室内均匀分布来简化铯动力学，但无法充分代表实际动态。鉴于肌肉组织是鱼类的主要可食用部分，食用受污染鱼类的肌肉可能是人类暴露的重要途径。因此，有必要了解在摄入受污染饲料期间及之后肌肉中放射性铯浓度的变化。

在本研究中，我们采用两室模型进行分析。两室模型常用于药代动力学，因其能够复现真实动态，但极少应用于鱼类铯代谢研究。既往研究已证实铯通过肠道吸收后蓄积在肌肉中（Smith，2006；Pinder等，2014；Haque等，2017；Metian等，2019）。我们使用虹鳟（Oncorhynchus mykiss）——一种主要且广泛养殖的淡水鱼种——进行了喂养实验，以建立能够准确反映放射性铯吸收和排泄的模型。我们的模型假设肌肉组织不直接与外部环境进行137Cs交换，吸收和排泄均由内脏介导，从而与鱼类体内铯吸收和排泄的实际动态相一致。在实验第一阶段（第1期），通过137Cs污染饲料向虹鳟给予放射性铯。在第二阶段（第2期），鱼类被饲喂无铯饲料。实验期间的定期采样使我们能够测量肌肉和内脏中的放射性铯浓度。鉴于134Cs和137Cs化学性质相似，且在鱼体内的动态相当，本研究仅关注137Cs，后者具有较长的物理半衰期，在环境中持久存在并持续影响包括鱼类在内的生物体。基于实验结果，我们构建了两室模型来预测虹鳟体内137Cs的动态，旨在更准确地估计137Cs在淡水鱼类肌肉中的生物半衰期。

**分区片段**

**鱼只准备**
实验所用虹鳟于2013年11月在群马县渔业试验站人工孵化。随后使用商业饲料（Masu Super EP；丸红日新饲料株式会社，东京，日本）饲养至2015年1月7日。2015年1月9日，对120尾个体（平均体重±标准差：180.0 ± 17.9 g）进行单独标记，将锚标固定在背鳍下部以进行个体识别。

**137Cs污染饲料**

**137Cs在水样中的浓度**
测量了第1期和第2期流出水的137Cs浓度，以及第1期流入水的137Cs浓度，所有样品的137Cs浓度均低于检测限（表1）。

**鱼类生长**
图3显示了实验期间样品鱼的体重。个体测量数据见补充表S2。随着天数增加，鱼的体重有所增长。用于估计参数g的样品平均体重为

**讨论**
实验开始前，虹鳟体内的137Cs浓度、无铯饲料中的137Cs浓度、供给水槽的流入水和水槽排放的流出水中的137Cs浓度均低于检测限（表1）。此外，137Cs污染饲料和无铯饲料之间粗营养成分无差异，表明两种饲料之间无营养差异。因此，在此期间分解代谢或合成代谢过程无差异

**CRediT作者贡献声明**
Takashi Akutsu：撰写——审阅与编辑，撰写——初稿，可视化，软件，方法学，形式化分析，数据管理，概念化。Yugo Kinoshita：软件，方法学，形式化分析。Shun Watanabe：调查。Yumi Yuasa：调查。Hajime Arai：调查，经费获取。Toshihiro Kuge：调查，经费获取。Kentaro Akasaki：形式化分析。Masanobu Mori：撰写——审阅与编辑，方法学。Yukiko Okada：方法学。

**生成式人工智能及AI辅助技术在稿件准备过程中的声明**
在准备本文过程中，作者使用了ChatGPT（Open AI）来支持分析代码的审阅，并改善稿件的语言、清晰度和组织性。作者对所有AI辅助输出进行了必要的审阅和编辑，并对已发表文章的内容承担全部责任。

**基金**
本工作部分由日本环境省环境研究与技术开发基金（5ZB-1201）资助；JSPS KAKENHI资助项目编号JP26292100和JP17K07894；日本群马县研究经费；以及旭硝子基金会（2014-2016）。

**利益冲突声明**
作者声明不存在任何可能影响本文所述工作的已知竞争性财务利益或个人关系。

**致谢**
我们要感谢赤城奥沼渔业协同组合和太田市办公室。我们感谢群马县渔业试验站的樱井绫子女士及其他员工在实验期间的协助，以及群马农业技术中心的放射性铯测量工作人员。我们还要感谢栃木县渔业试验站的小田典雄先生和横田笃先生，以及Takashi Akutsu | Yugo Kinoshita | Shun Watanabe | Yumi Yuasa | Hajime Arai | Toshihiro Kuge | Kentaro Akasaki | Masanobu Mori | Yukiko Okada | Yuko Hatano | Kyuma Suzuki