《Journal of Environmental Chemical Engineering》：Validation-Centered Aquatic Micro- and Nanoplastic Analysis and Characterization: Integrating Instrumental Platforms and Machine Learning
编辑推荐：
•
使用质量控制验证微塑料和纳米塑料分析方法。
•
绘制了整个水生塑料分析工作流程中的分析瓶颈
- •
使用质量控制验证微塑料和纳米塑料分析方法。
- •
绘制了整个水生塑料分析工作流程中的分析瓶颈。
- •
机器学习有助于聚合物识别，但仍需要化学确认。
- •
风化和仪器漂移限制了向环境样本的转移。
- •
制定路线图以支撑可追溯和可现场部署的水生塑料监测。
引言
微塑料（MPs，通常小于5毫米）和纳米塑料（NPs，根据学科背景定义为小于1微米）统称为MNPs，是人类产生的塑料碎片，其尺寸范围从微米到纳米不等[1]。水生系统作为主要的环境沉降区，接收来自地表径流、大气沉降、工业排放、垃圾填埋场渗滤液、农业活动、生活污水和交通相关排放的颗粒[2][3]。一旦进入水体，塑料碎片会通过物理磨损、光化学氧化和生物过程发生破碎和转化，产生具有不同大小、形态、聚合物类型和表面化学性质的颗粒[4][5]。上述主要来源途径和环境释放路径在图1中进行了示意性总结。
MNPs摄入后可能会对水生生物和人类的关键器官造成物理损伤，并在组织和体内积累[6][7]。此外，它们还作为有害载体，会渗出有毒添加剂和吸附污染物，可能增加致癌、神经发育和生殖风险[8]。鉴于MNPs会影响水生生物，作为添加剂和疏水性污染物的载体，并可能增加人类暴露风险，因此需要可靠的分析方法来进行可信的生态和健康风险评估[9][10]。
与成分相对均匀、形态和参考光谱特征一致的原始实验室聚合物不同，环境老化后的MNPs在化学和物理上都是异质的分析对象[11]。在环境暴露过程中，光氧化、机械磨损、水解和生物降解会导致链断裂、氧化以及羰基和羟基官能团的形成，而添加剂的流失或渗出会进一步改变聚合物的组成和表面性质[12]。这些转化会产生聚合物衍生的溶解产物，并改变环境的反应性，从而进一步增加老化MNPs的化学异质性。聚合物转化还可能产生低分子量产物，改变其生物可利用性。例如，尼龙-6,6微塑料的酸水解已被证明可以产生可被细菌利用的水解物[13]。光老化同样可以释放依赖于聚合物的溶解有机物和从单体到寡聚体的转化产物[14]。同时，生物膜的形成和矿物质及天然有机物（NOM）的吸附会创建异质的表面涂层，改变或掩盖底层的聚合物信号[15][16]。因此，基于参考库匹配或主要在原始聚合物上训练的ML模型的识别方法，在应用于环境老化颗粒时可能会变得不太可靠[17]。
水生MNPs的可靠测定还受到悬浮固体和其他基质干扰的影响[18]。加上颗粒的异质性和风化引起的信号变化，这些基质干扰使得仅依赖任何单一仪器或算法无法进行全面和可靠的MNPs表征[19]。传统工具已经从视觉分类发展到高分辨率显微镜、光谱学和质谱学（图2）。然而，随着研究越来越针对更小的颗粒和更复杂的现场样本，所产生的仪器信号和数据集变得越来越复杂、嘈杂且难以解释[20]。
为了解决这些挑战，机器学习（ML）成为提高通量、减少操作员依赖性以及从复杂的光谱和图像数据集中提取微弱信号的有效方法。随机森林（RF）、支持向量机（SVMs）、卷积神经网络（CNNs）、自动编码器（AEs）和基于YOLO的对象检测器等算法可以支持基线校正、颗粒识别、聚合物分类、反卷积和形态量化。然而，在精心策划的实验室数据集上的高精度不应等同于现场可靠性。风化引起的光谱漂移、仪器之间的领域差异、不平衡的训练数据、不透明的模型决策和不足的阴性对照仍然是常规应用的主要障碍。
本综述中的基于验证的MNPs分析指一种分析策略，其中采样、预处理、仪器表征、ML辅助解释和报告都从可追溯性、回收率、空白校正、化学确认、不确定性量化、重现性和现场可靠性等方面进行评估，而不仅仅是仪器灵敏度或模型准确性。因此，我们将每个分析阶段与其主要失效模式相对应，评估ML在哪些方面可以缓解特定限制，并定义可靠识别、表征和监测水生MNPs所需的验证证据。与传统以方法为中心的综述相比，本综述的独特贡献在于将ML定位为一个与质量保证/质量控制（QA/QC）、校准转移、不确定性估计和现场相关条件下的外部验证相结合的验证敏感分析层。下面描述了结构化的文献搜索和评估策略。
章节摘录
结构化文献综述方法
为了确保本综述的严谨性和可重复性，采用了结构化的文献检索和筛选策略来识别与水生微塑料和纳米塑料（MNPs）的机器学习辅助分析相关的研究。核心证据基础集中在结合分析测量与ML、深度学习、计算机视觉或化学计量方法的研究上，必要时还纳入了其他方法论文献以支持讨论采样等环节，
水生环境中MNPs的采样和预处理
水面水、地下水、海水和废水中的MNPs在形状、大小、密度、聚合物组成和表面老化方面存在显著异质性。它们通常与有机物、悬浮沉积物、生物碎片和其他基质干扰有关，这使得它们的分离和下游识别变得复杂[33]。从验证的角度来看，采样和预处理不是中性的准备步骤；它们决定了哪些颗粒能够被检测到，
水生MNPs的分析方法
准确表征水生MNPs对于了解它们的环境命运、生态风险和潜在的人类暴露至关重要。由于MNPs的颗粒大小、形态、聚合物组成和表面状态范围广泛，不同的分析平台提供的信息是互补而非互换的。基于显微镜的方法主要解析颗粒的形态和大小，而振动光谱技术可以实现特定聚合物的识别，
机器学习作为水生MNPs分析的特定任务解释层
传统仪器技术在处理水生MNPs分析产生的大量高维图像和光谱数据集时越来越遇到瓶颈[196]。人工智能和数据驱动算法提供了一种实用的方法来提高通量，减少主观解释，并增强对选定基质干扰的抵抗力[40][197][198]。在本综述中，ML既不被视为独立的分析平台，也不被视为通用解决方案。
未来展望和研究重点
从基于实验室的MNPs分析向可靠的环境监测的转变将较少依赖于单独提高仪器灵敏度或模型准确性，而更多依赖于在整个分析工作流程中控制不确定性的能力。因此，未来的进展需要从针对特定方法的性能优化转向在环境真实样本、分析平台和部署条件下仍可靠的验证框架。
结论
本综述表明，水生MNPs可靠分析的主要障碍已不再是简单的获得更灵敏的仪器或更精确的计算模型，而是缺乏在环境真实条件下仍稳健的验证框架。在采样、预处理、仪器测量和ML辅助解释过程中，不确定性可能来源于颗粒损失、聚合物变化、基质干扰和环境风化等因素，
CRediT作者贡献声明
王俊：撰写 – 审阅与编辑，监督，项目管理，资金筹集，概念构思。 钱涛：撰写 – 初始草稿，可视化，形式分析，数据整理，概念构思。 陈芳：撰写 – 审阅与编辑，验证，数据整理。
写作过程中生成式AI和AI辅助技术的声明
在撰写本手稿期间，作者使用了DeepSeek进行语言润色和语法检查。此外，Jimeng AI用于生成图1的图形布局和颜色方案的初步视觉参考。没有直接将AI生成的图像纳入手稿，最终图形由作者使用Freepik中的选定图形元素手动组装和编辑。生成式AI未用于数据分析或科学研究，
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
致谢
本工作得到了广东省科学技术计划（项目编号2024B1111150001）和基于数字细胞构建的高度仿生天然牛Calculus的研究与工业化项目（项目编号2430004044412）的支持。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
