哪些参数真正重要？耦合暴露—效应模型识别农药水生风险评估中PECmax与LP50的敏感参数

《Frontiers in Toxicology》：What parameters really matter? Linking exposure and effect models to identify sensitive parameters for model-based aquatic risk predictions of pesticides

　　

农药环境风险评估（environmental risk assessment, ERA）对于保护非靶标生物和支持可持续农业实践至关重要。本研究将暴露模型与效应模型相连接以预测农药风险，并开展全球敏感性分析（global sensitivity analysis, GSA），以识别对最大浓度和风险指数最具影响的参数。研究人员将FOCUS地表水第3阶段模型（FOCUS surface water Step 3 model；TOXSWA与PRZM联合）与通用生存阈值模型（General Unified Threshold model of Survival, GUTS）耦合，将时间分辨暴露剖面转化为致死剖面（lethal profiles, LP₅₀）值，从而捕捉时间依赖性毒性和恢复过程。与传统静态风险商（risk quotients）基于单时间点浓度相比，该方法提供了动态且基于机制的风险量化。在使用Morris敏感性分析预筛选20个模型参数后，研究人员选择吸附系数（sorption coefficient）和水降解时间（water degradation time）作为物质特异性性质，水深（water depth）作为关键水体参数，集水区大小（catchment size）以捕捉农业实践负荷影响，用于进一步深入分析。随后对这四个参数进行Sobol敏感性分析，以评估这些参数同时变化时的全局敏感性。研究发现，虽然最大预测环境浓度（maximum predicted environmental concentrations, PEC_max）主要受水深和集水区大小驱动，但以LP₅₀值量化的风险对集水区大小及负荷最为敏感。此外，降解时间不影响PEC_max，但其对与较慢动力学相关的LP₅₀值的敏感性增加。这些发现表明，峰值暴露最敏感的参数不一定与时间分辨风险指标最敏感的参数相同。这种增加的机制细节是否改善野外效应预测，仍有待通过与监测数据和更简单指标进行基准测试来检验。

论文主体解读

农药广泛用于农业以维持作物生产力，但欧盟授权要求开展农药环境风险评估（environmental risk assessment, ERA）以保护人类健康和环境完整性。为控制成本和时间，ERA采用标准化分层框架，将实验室测试与模型结合，从简单筛选预测逐步过渡到复杂模型。然而，模型越复杂，对物质特异性性质、位点特异性环境信息和详细暴露场景的输入需求越高；相关数据虽多但分散于不同数据库，限制其整合入ERA模型并降低效率。实践中，这种碎片化迫使在昂贵且可能不必要的实验数据收集与不确定默认值之间选择，常延误监管决策。该挑战在将高阶暴露模型与效应模型耦合以细化风险预测时尤为明显。FOCUS（FOrum for the Co-ordination of pesticide fate models and their Use）Step 3/4使用时间动态微分方程和十个欧洲代表性场景计算预测环境浓度（predicted environmental concentrations, PECs），但PECs并不总是保守，可能低估地表水实际浓度，因此需验证模型参数假设。传统ERA比较基于模型的PECs与效应阈值，欧洲食品安全局也认可半机制毒代动力学-毒效动力学（toxicokinetic-toxicodynamic, TKTD）模型用于效应评估；GUTS提供稳健框架估计时间分辨风险指标如LP₅₀，并可与FOCUS Step 3输出耦合量化风险。耦合FOCUS Step 3与GUTS虽强大，却形成高维参数空间；暴露相关变量与效应相关参数共同复杂化，关键问题是哪些输入真正驱动预测风险。本研究通过Morris预筛选和Sobol方差分解开展GSA，量化参数对PEC_max和LP₅₀的影响，独立于特定农药或地点识别敏感参数，以精简数据需求、优先测量关键参数，提高监管ERA效率与稳健性，支持向简化、系统化ERA过渡。

研究人员耦合FOCUS地表水第3阶段模型（TOXSWA与PRZM联合）与GUTS-RED-SD，将时间分辨暴露剖面转化为LP₅₀值，捕捉时间依赖毒性和恢复；用Morris预筛选20个参数，选吸附系数K_oc、水降解DT₅₀、水深、集水区大小，用Sobol分析同时变化；比较不同K_oc和三种动力学。结论：PEC_max主要受水深和集水区大小驱动；LP₅₀风险最敏感于集水区大小及负荷；DT₅₀不影响PEC_max，但对慢动力学LP₅₀敏感性增加；峰值暴露敏感参数不一定与时间分辨风险指标敏感参数相同。意义：识别敏感参数可精简数据需求、简化模型、指导监测和场景参数定义，但需监测数据基准测试。

关键技术方法概括：本研究未涉及现场样本队列；模型环境条件主要基于FOCUS R1池塘场景和冬小麦，应用剂量1000 g/ha。方法上，采用FOCUS Step 3地表水模型，由PRZM计算土壤农药归趋和径流负荷，TOXSWA模拟水体浓度；提取日最大浓度输入GUTS-RED-SD随机死亡变体，预测生存概率并计算LP₅₀；设置快、中、慢三种TKTD动力学；用Morris法对20个参数预筛选（100条轨迹、p=4、2100次运行）；对水深、集水区大小、K_oc、DT₅₀进行Sobol方差分解（Saltelli采样，基样本128，部分256），并随K_oc范围变化比较敏感性排序；计算通过Python及mempyGUTS完成。

研究结果

3.1 Morris筛选结果（Morris screening results）：通过Morris分析，水深被识别为基于LP₅₀值风险表征中最敏感参数；集水区面积和K_oc标准差较高，提示较大非线性交互潜力，但平均绝对基本效应低于水深；水溶解度和降解率也显示高敏感性；沉积物参数和池塘长宽影响可忽略。对PEC_max，水深、集水区大小和K_oc仍最敏感，水体宽度也敏感；K_oc的σ相对μ*最高，说明其影响高度依赖其他系统参数。结论是K_oc同时影响LP₅₀与PEC_max，降解参数对LP₅₀长期风险显著而对PEC_max可忽略；LP₅₀更受集水区负荷影响，PEC_max更受水深和宽度影响。据此选择水深、集水区大小、K_oc和水DT₅₀进入Sobol分析。

3.2 随K_oc变化的Sobol指数（Sobol indices with varying K_oc）：通过总阶Sobol指数，水深和集水区大小最强烈影响PEC_max方差；水深敏感性在低K_oc最高，随K_oc升高而下降；集水区大小影响中等且较稳定，低K_oc时很低；K_oc在低至中等范围影响最明显，随K_oc升高显著降低，并在较高K_oc范围出现回升，提示其影响浓度峰值；水DT₅₀在所有测试K_oc范围内对PEC_max影响可忽略。对LP₅₀，中高K_oc时集水区大小主导方差；水深主要影响低K_oc风险；K_oc自身影响与PEC_max相似；DT₅₀总敏感指数低但比PEC_max略高且波动更大。结论：集水区负荷是风险预测最重要参数；低K_oc时水深重要；降解时间对LP₅₀影响有限，但不应因此省略降解。

3.3 GUTS-RED-SD中动力学影响（Influence of kinetics in GUTS-RED-SD）：通过对三种动力学应用相同GSA，发现动力学仅影响LP₅₀而不影响PEC_max；基于相对Sobol指数的总体敏感性排序在各动力学下相同，但慢动力学下降解变得更重要；低K_oc时水深对LP₅₀方差影响最大，高吸附行为时集水区大小更影响风险预测；三种动力学均显示K_oc在10—100影响增加，100—1000几乎无影响；降解时间影响取决于动力学：快动力学风险主要由峰值浓度驱动，高浓度导致快速损伤动态，慢动力学更受降解率影响。结论：时间分辨风险指标可揭示峰值浓度之外的动力学依赖性。

3.4 结果解释（Results interpretation）：通过比较，物质特异性K_oc和DT₅₀可通过实验室研究确定，而水文或土壤等环境参数具有位点特异性变异；Morris初步分析表明沉积物参数对模型化ERA较不重要，水体和集水区面积强烈影响水生生物风险预测；低K_oc时水深更重要，高K_oc时农药更易结合土壤或沉积物而降低水中迁移性；降解对慢动力学更重要；稀释、水中降解和降雨期间快速径流对低K_oc物质更重要；快动力学下降解对LP₅₀影响小，初始暴露阶段稀释和高峰值浓度更相关。PEC_max与LP₅₀敏感性差异表明，峰值浓度是风险主要驱动但非唯一决定生态风险；K_oc对两者影响相同，其他参数还影响水浓度时间动态，LP₅₀可捕捉而PEC_max不能。

讨论与结论：讨论部分指出结果高度依赖假设；参数范围选择影响敏感性，模型固定参数也应考虑；敏感性分析中的变异性不一定反映真实世界自然变异；研究聚焦R1 FOCUS池塘场景和冬小麦，应用剂量1000 g/ha，气候和地形参数固定，未考虑溪流/沟渠场景、排水及多次施药；剂量因假设线性关系而未纳入，施药日期受天气和作物生育期影响；GUTS采用通用动力学，非物种特异；Sobol运行1280次（部分2560次），置信区间重叠带来不确定性，建议增加运行和预设收敛标准。环境变异性高，FOCUS十场景虽覆盖代表性条件，但可能遗漏罕见高影响组合或极端事件；敏感性高不等于现实生态不确定性高，参数空间界定直接影响指数，集水区大小的高敏感可能与其范围较标准0.45 ha更宽有关。监管上，K_oc和DT₅₀等物质性质已有实验测定，结果支持保留努力；不敏感物质和沉积物输入可用保守默认值；水深和集水区大小应在场景和指南层面依据景观与监测数据保守定义，而非逐案细化；监测中水体尺寸、集水区大小和土地利用是有价值元数据；模型可通过聚焦少数高敏感参数并固定不敏感参数来简化。峰值指标与时间分辨指标对同一输入排序不同，但敏感性分析不能说明哪个指标更好预测野外效应，需与监测数据和简单毒性压力指标基准测试；已有小河流基准显示TKTD-derived LP₅₀对大型无脊椎动物群落组成的解释不优于峰值毒性压力，池塘和日分辨暴露仍需检验。

研究结论部分译文：研究结果表明，K_oc、水深和集水区大小主要影响风险预测。因此，研究人员得出结论：精确描述水体大小（尤其是水深），结合相邻田块吸附行为和应用剂量知识，比详细表征沉积物、缓冲带或土壤性质更重要。对PEC_max和LP₅₀参数影响的比较显示，水体特征对预测峰值浓度更重要，而降解过程和农药在水中的持久性对风险预测（LP₅₀）更重要；土壤和沉积物性质对两个模型终点相对不敏感。尽管应用剂量和时机是ERA关键因素，但因对PECs的线性影响以及农民通常考虑天气条件，未纳入分析。总体而言，影响PEC_max的参数也影响LP₅₀值，提示风险受高峰值浓度影响；但降解过程和生物体内动力学速度对风险预测的影响也可观察到。快动力学下降解率作用较小，慢动力学中农药在水中的停留时间更重要。分析水体浓度时间分辨率时，不仅考虑最大浓度，还考虑浓度峰值持续时间和生物体内损伤过程时间动态；两者均反映在GUTS模型中，因此其比当前ERA中基于比值的效应预测更进一步。识别风险预测和时间分辨浓度模式中最有影响的参数，可通过减少输入参数数量并将不敏感值设为保守默认值来简化模型。