利用冻干富集技术和SFC-HRMS智能筛查方法，揭示地下水中的监测盲区以及新型持久性及移动性物质（PMs）

《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》：Uncovering monitoring gaps and novel persistent and mobile substances (PMs) in groundwater using lyophilisation enrichment and SFC-HRMS smart screening

　　摘要：持久性和移动性化学物质（PMs）威胁着地下水质量和饮用水安全，然而许多这类物质仍未被检测到，因为分析方法无法充分处理高极性和离子性物质，同时监管框架也缺乏针对这些化合物类别的监测要求。在这里，我们开发了一种基于超临界流体色谱-高分辨率质谱（SFC-HRMS）的智能筛选方法，该方法整合了三种关键的优先策略：（i）采样点优先选择；（ii）通过分级嫌疑列表进行嫌疑物质优先级排序；（iii）使用逐步评分法对候选物质进行优先级排序。此外，该方法能够在地下水中实现对PMs的敏感识别和可靠定量，其定量中位限为6.8 ng/L，回收率稳定（75%），并且在不同类型的地下水中基质效应较低（-12%）。通过优先筛选，599口地下水井被缩减到10个代表性站点，分析工作量减少了8.6倍，同时保持了化学多样性。分级嫌疑列表和逐步评分策略提高了确认效率，并有助于检测出具有高环境相关性的物质。总共检测到34种PMs，包括极性全氟和多氟烷基物质、多氟无机物种、转化产物以及酰胺或醚类溶剂，其浓度范围为0.1–22,300 ng/L。其中，16种物质是在环境中首次被检测到的，有4种物质在任何环境介质中都是首次被报道。一些物质（例如2-苯基丙烷-2-磺酸）根据欧盟的化学品注册、评估、授权和限制（REACH）法规并未被归类为持久性物质，但它们在地下水中普遍存在，这表明在含水层条件下对PMs的评估可能被低估了。这些发现推进了PMs的监测工作，支持对其实施监管以保护地下水和饮用水。

引言：持久性和移动性化学物质（PMs）对地下水的长期质量和饮用水供应的安全性构成了日益严重的挑战[1]。它们的高极性、移动性和持久性导致这些物质在整个水循环中积累[2,3,4]，对可持续用水构成了风险[5]。然而，污染的程度仍然不清楚，因为当前的监测仅覆盖了少量的PMs，并且往往无法准确反映现实世界的化学多样性和暴露情况[6]。这种监测差距导致对人类和环境健康的潜在风险评估不足[7,8,9]，特别是考虑到75%的欧洲人依赖地下水作为水源[10]。为了确保水资源的充分保护，分析方法必须更好地解决PMs检测中的现有盲点[11, 12]。此外，识别更多的新PMs对于扩大监测范围和PMs暴露谱至关重要[1]。造成这一知识差距的主要原因是分析方法上的局限性。传统的污染物监测方法主要基于反相液相色谱-质谱（RPLC-MS），适用于中等极性物质。然而，许多PMs具有高极性、可离子化或为无机物质，因此无法通过标准的富集和色谱方法检测到[13]。虽然超临界流体色谱（SFC）改善了PMs的分离效果[14]，但灵敏度和基质干扰仍然限制了其在地下水中的应用[15,16,17]。这些限制与样品富集和制备密切相关。挑战在于如何在保持低基质富集和离子抑制的同时实现高富集因子（提高灵敏度），从而无需耗时的标准添加方法来补偿基质效应校正中同位素标记PMs标准的有限可用性。目前用于PMs的高容量富集方法在仪器上更为复杂（例如多层固相萃取（mlSPE）、真空辅助蒸发浓缩（有或无净化步骤），并且需要更多的溶剂和材料消耗[18,19,20]。仪器上更简单的富集方法——冻干法——由于物理限制（热传递和蒸汽压约束[21]，如冰的最大厚度约为2厘米），其富集能力受到限制。这要么需要大容量容器来维持高富集因子[22]，要么在高通量小瓶中的富集因子受到体积限制（约5毫升[23]）。尽管旋转冷冻等技术可以减少冰层厚度并保持高富集因子，但它们要求高成本且操作复杂[24]。监管框架在应对PMs方面也落后于技术发展。嫌疑物质和非目标筛查（NTS）已经发现了水系统中的未知新兴污染物[25]，但对地下水中PMs的监测覆盖范围仍然有限[20, 26,27,28,29]。因此，目前正在为PMT/vPvM分类制定的监管标准缺乏来自环境分布数据的验证，从而造成了基于证据的监管知识缺口[6, 31]。此外，REACH法规的持久性标准未将地下水纳入评估范围[32]，尽管这些物质在含水层中的降解速度较慢[31, 33]。这种监管差距导致了“地下水中的PMs缺口”：某些芳香族磺酸等物质在地下水中可以持续存在数十年，但仍未被归类为持久性物质[6, 34]。实证出现数据对于将持久性评估与实际环境行为对齐至关重要[35]。为了保护我们的饮用水资源，基于预防原则，在不确定性下必须采取保护措施。改进的分析方法对于识别可能积累并带来长期风险的移动性污染物是必要的。最近的综述强调，在对PMT/vPvM物质的优先排序时，应更多地考虑（i）基于高分辨率质谱（HRMS）的嫌疑物质工作流程中实际捕获和识别的能力（可检测性），以及（ii）这些方法是否能够通过覆盖新出现或之前被忽视的污染物来填补监测空白[36, 37]。对于地下水中的PMs来说，这一点尤为重要，因为高度极性和离子性化合物经常通过常规的LC-MS监测窗口逃逸，通常不在当前的监测列表和监管清单中[9, 38]。

为了填补这些空白，我们开发了一种系统化的方法，可以在不进行大规模“筛选”的情况下减少分析工作量。智能筛选方法整合了以下内容：（i）冻干富集技术，实现了高通量和大容量富集，同时具有较低的基质效应，即使同位素标记标准有限也能支持超痕量定量；（ii）SFC-HRMS技术，能够保留和检测在反相LC和亲水相互作用色谱（HILIC）死时间附近洗脱的高移动性物质；（iii）智能筛选方法，这是一种基于元数据的优先级排序策略，通过三个层次来提高PMs的识别能力：（a）采样点选择，专注于具有高PM数量和多样性的代表性样本；（b）通过分级嫌疑列表进行嫌疑物质优先级排序，平衡识别效率和新PM的发现；（c）候选物质优先级排序，结合分析和环境元数据来指导确认决策。除了高通量富集和减少基质干扰之外，这项研究的创新之处还在于将分析性能和决策标准端到端整合，使得超痕量嫌疑物质筛选成为可能，同时保持确认工作的可行性。通过应用这种方法，我们不仅识别出了已知的PMs，还发现了之前未报道的PMs，并将结果应用于一个小规模的监测活动，将智能筛选选定的目标与常规选定的目标进行比较。因此，其创新不仅在于个别技术，还在于将这些技术协同组合成一个可重复的工作流程，显著减少了地下水中PM污染的监测盲点。

方法：研究设计、地下水样本和标准
本研究使用了三组样本（见SI1st_1.1中的地图），每组样本有不同的用途：（i）三个用于富集方法开发和验证的站点，涵盖了不同的地下水基质（SI2nd_A1）；（ii）十个通过智能优先选择采样点进行嫌疑物质筛选的站点（SI2nd_A2）；（iii）28个随机选定的站点，用于测试监测活动，以应用和验证智能筛选程序以及通过开发的嫌疑物质筛选方法识别的PMs（SI2nd_A3）。地下水样本来自萨克森州的天然地下水含水层（即未受到人工河岸过滤或管理性含水层补给影响的监测井），这些站点属于德国官方地下水监测网络的一部分[39]，符合欧洲水框架指令[40]的要求。地下水样本的采集和处理遵循国际指南[41]。关于采样、地下水性质、空白样品和化学标准的更多细节见SI1st_1.2、SI1st_2、SI2nd_A和SI2nd_C。

冻干富集和提取
样品制备过程中，40毫升的地下水样本在添加同位素标记标准后进行冻干富集（见图1）。冻干使用的是相同的清洁过的50毫升聚丙烯（PP）管，在现场填充样品。为了实现高容量冻干，需要一个专门设计的冷冻圆棒（每次冻干运行最多可处理72个管子，每个管子容量为50毫升；技术细节见SI1st_3.1）。干燥后的样品用共沸丙腈-水混合物提取两次，富集因子达到160。最终提取物被制备在预清洁的0.3毫升PP小瓶中，用于SFC-HRMS分析。为了最小化背景干扰和交叉污染（例如静电控制），采取了必要的措施（见SI1st_3.3）。未使用玻璃器皿以减少吸附损失。

图1：该图像的替代文本可能是使用AI生成的。

开发的样品制备和分析方法流程图

SFC-HRMS分析
SFC-HRMS分析使用了Acquity UPC2系统，与Synapt G2-S四极杆飞行时间质谱仪（Waters，美国米尔福德）相连，具体配置如[26]所述。梯度、洗脱液和质谱参数详见SI1st_4、SI2nd_F和SI2nd_G。

仪器检测和定量限（IDL/IQL）、方法LODs/LOQs以及校准范围是根据EPA MDL指南进行的17级校准系列和重复注射确定的，采用基于Student t的评估方法（详细信息见SI1st_7.1）[42]。特定分析物的IDL/IQL、LODs/LOQ和R2值总结在SI2nd_B1中。

嫌疑物质筛选和智能筛选优先策略
数据采集和预处理使用了UNIFI?和MassLynx?软件（Waters，美国）。候选物质根据信号合理性、质量准确性、强度和空白样品进行筛选。碎片谱和同位素模式进行了手动评估。程序和参数详见SI1st_6.1–6.3。

智能筛选方法
开发了一种智能优先策略，将地下水采样点的数量减少了98%（从599个减少到10个），将分析资源集中在污染潜力高且多样的地点。该方法旨在最大化PMs的检测和化学多样性，同时覆盖关键的人为污染源，包括农业、市政和工业领域。优先选择的井点旨在覆盖关键的污染情景，而不是整个监测网络的所有水文地球化学和污染变化情况。因此，该方法并不全面，其性能取决于示踪剂和土地利用元数据的可用性和质量。选择策略结合了两种互补的数据来源：来自iDA萨克森数据库的化学示踪剂数据（2017–2019年的常规监测；GLP实验室数据）和GeoSN的土地利用信息。对于每个监测井和每个示踪剂，使用2017–2019年的平均浓度作为输入指标。为了使不同物质和地点之间的示踪剂信号可比，将每个示踪剂在给定地点的2017–2019年平均浓度与所有599个井点的分布进行比较（分类范围0–5；计算细节见SI1st_5.1和SI2nd_A2）。这个类别概念同时涵盖了物质的存在情况（非检测到/接近背景的类别为0）和浓度水平（浓度越高，类别数值越大）。虽然德国的公共数据门户由各州级机构管理，但基于《水框架指令》[43]的统一报告机制确保了全国范围内的地下水监测数据的一致性和欧盟成员国之间的广泛可比性。化学示踪剂用于识别来自市政区域、农业和/或工业的废水是否渗入含水层并对地下水质量产生显著影响：处理过的废水中含有乙酰磺胺、苯并三唑、卡马西平、三聚氰胺；未经处理的废水中含有咖啡因和布洛芬；工业废水中含有三氯乙烯、四氯乙烯和镉；农业废水中含有硝酸盐。对于每种来源类型，根据这些类别计算了一个示踪剂得分：市政来源的得分基于市政示踪剂的汇总类别，农业来源的得分基于硝酸盐类别（使用内源性阈值概念），工业来源的得分基于溶剂和镉的组合类别（通过规则限制避免模糊分配；SI2nd_A2）。此外，还使用ArcGIS Pro分析了每个井周围500米范围内的土地利用情况。土地利用类型被汇总为来源指标（市政/城市、农业、工业），并通过将每个井与全部599个井的总体情况进行比较来转换成土地利用因子（SI2nd_A2）。根据这些化学示踪剂和土地利用模式，对站点进行了人为影响排名（见SI1st_5.1和SI2nd_A2）。最终的站点排名和来源分配是基于示踪剂得分和土地利用因子的综合证据，那些具有强烈且明确人为影响的站点被优先考虑进行疑似污染筛查。为了涵盖所有主要排放源类型，选择了来自农业（n=4）、市政（n=3）或工业（n=3）的高人为影响站点。从599个站点减少到10个采样站点的过程是基于可用监测井池中的元数据进行的筛选。这种基于元数据的站点排名方法可以应用于具有类似示踪剂监测和土地利用数据集的区域（例如所有欧盟成员国）。

智能颗粒物（SmartPM）疑似名单的编制旨在支持地下水中颗粒物的疑似筛查工作，同时保持疑似名单数量在可管理的范围内。首先，从以下来源收集了20,287种独特的有机物质：(i) 基于检测结果的来源（经过同行评审的关于地下水和饮用水及相关环境组成部分的研究和政府报告）；(ii) 专注于颗粒物的汇编资料（例如德国环境署（UBA）的PMT/vPvM名单、SVHC、RaKon，以及特定领域的汇编资料，如离子液体、轮胎相关化学物质和PFAS清单）；(iii) 广泛使用的清单（INCI和SPIN）。这些物质主要通过CAS编号进行统一，并在可用情况下通过InChI编号进行进一步区分，并标注了用于优先级划分的来源标签和元数据，包括预测的迁移性描述符（logD和主要电荷状态）、元素组成、分子量以及使用/排放量代理值（例如吨位区间）。所有来源都应用了方法相关的排除标准，以去除不适合基于结构的方法（SFC–ESI–HRMS）进行疑似筛查的条目（例如聚合物/非化学计量的大分子、配位复合物/螯合物、无机材料以及以金属为主的条目），并且筛选范围主要限于REACH法规相关的化学物质（农药/生物杀灭剂/药品被排除在外）。在SmartPM中未重复已建立且常见的颗粒物（例如三聚氰胺），因为它们已经在QA/QC控制的测试监测中作为目标进行了研究[14, 44]。然而，由于这些持久性/移动性污染物的广泛使用和流动性，它们仍然无法被准确归因。尽管这十个优先考虑的井点涵盖了关键的污染情景，即农业、工业和市政场所，这些场所也存在于更大的599个井点集合中，但它们并不能涵盖所有可能的变异性。因此，这些结果不应被解释为对萨克森州或其他地区所有地下水状况的全面调查。需要指出的是，这种智能站点优先级方法依赖于现有的站点元数据（例如示踪化合物的存在、土地利用数据），这些数据在整个欧盟和其他地区的质量非常相似（参见“采样站点的智能优先级排序”）。在缺乏此类信息的地区或研究中，需要进行初步的广泛调查或使用替代指标来实施类似的优先级排序。

通过将SmartPM可疑列表分为三类——（I）已知的、（II）优先级的和（III）探索性的——来提高污染物的识别效率和相关性，从而解决了筛查效率和监测差距的问题。从概念上讲，列表I和II作为“高概率”路径，旨在最大化识别那些已经在数据库和监管方案中出现的、特征明确的污染物；而列表III则作为“高新颖性”路径，专门针对监测不足或之前未被优先考虑的污染物候选物，正如最近的高分辨率质谱（HRMS）优先级框架中所强调的[37, 55]。这使得既能高效识别特征明确的污染物，也能发现新的地下水污染物。使用已知的可疑列表（组I）时，识别效果最佳，其识别率最高（9.5%；n=23），并且占所有CL 1确认案例的70%（图4A）。这些污染物已经被广泛研究，并在数据库和文献中有记载，从而能够快速识别并与监管优先事项保持一致。然而，这也限制了新颖性：只有大约20%（n=4）是新的地下水发现（图4B）。

图4
该图像的替代文本可能是使用人工智能生成的。

通过调整可疑列表，可以影响污染物的筛查特性。可疑列表I（已知的；n=240）、II（优先级的；n=308）和III（探索性的；n=516）通过三个互补的性能指标进行了评估：（A）识别率（被识别的可疑物百分比）；（B）新发现的百分比（之前未在地下水中报告的污染物）；以及（C）环境丰度中位数（检测频率的对数10倍乘以浓度）；对4C贡献最大的因素如下：（I）已知的：磷酸酯（72%）和其他有机污染物（16%）；（II）优先级的：酰胺和醚类溶剂（86%）以及磺酸（13%）；（III）探索性的：无机污染物和PFIS（97%）及其转化产物（2%）。

探索性列表（组III）实现了更高的新颖性，仅发现了新的污染物（100%；n=6），但识别率较低（1.2%）。这些污染物在环境中的丰度也更高，几乎是列表I中的17倍（图4C）——尽管差异在统计上不显著（Kruskal–Wallis p=0.56）。这些发现强调了探索性筛查在减少监测差距方面的价值。

将可疑物分为已知-优先级-探索性的分类增加了灵活性，并支持动态的工作流程：新识别的污染物可以被重新分配到已知类别中，从而提高后续筛查的效率。这种定制的结构使得能够高效识别用于监测计划的已知污染物，或针对性地发现新物质，补充了之前研究中报道的方法[20, 28, 53, 56, 57]。

在系统样本选择和针对性可疑列表之后，智能筛查工作流程的第三个支柱是对候选物进行结构确认的优先级排序。由于参考物质比较的资源密集型性质，确认候选物仍然具有挑战性[25]。通过在候选物级别整合元数据（物理化学性质、用途、环境归趋性和（生态）毒性），该工作流程比基于质谱性质的传统方法能够更高效地选择候选物进行识别，从而减少了分析工作量。用户可以根据需要调整工作流程，以最小化资源使用的同时最大化识别率，或者专注于发现之前未被检测到的污染物，以解决监测差距问题。这种灵活性非常重要，因为在本研究中发现的大多数新污染物在传统的非目标筛查中会获得较低的优先级，因为这些筛查不考虑污染物的环境特性。

智能筛查候选物的优先级排序显著影响了识别率（X2 p=5×10^-4；图5A）。与质谱优先级排序相比，当存在环境或（生态）毒性问题时，大约有一半的候选物被提升到更高的优先级组（SI2nd_F），这表明仅依靠质谱优先级排序可能会错过环境相关的候选物。将近10%的候选物被归类为非优先级候选物组（IV），其识别率为零（图5A）。在高优先级类别（I/II）中，识别率为74%，而在低优先级类别（III/IV）中仅为12%，工作量减少了六倍，与基于质谱的优先级排序相比减少了三分之一（图5）。

图5
该图像的替代文本可能是使用人工智能生成的。

使用四级排名对持久性和移动性污染物候选物进行优先级排序，这是智能筛查工作流程的第三个支柱。排名（I=最高优先级；n=16）、II=优先级；n=26）、III=低优先级；n=23）、IV=非优先级结合了元数据（如出现频率、移动性和毒性）与分析证据，以指导确认。 （A）识别率指的是每个可疑列表中识别的候选物数量；新发现物代表了之前未在地下水中报告的污染物百分比。（B）环境丰度中位数（检测频率的对数10倍乘以浓度）随着优先级的提高而降低。（C）非优先级候选物（IV）未被确认。

探索性潜力得到了保留（图5B）：只有31%的最高优先级污染物被首次在地下水中检测到，但80%的低/非优先级污染物是首次在地下水中检测到。这种模式紧密反映了HRMS优先级文献中描述的识别效率与新发现之间的权衡，其中得分较低的特征可能不成比例地贡献于新污染物的“发现”[58, 59]。

环境普遍存在的候选物获得了最高和优先级的排名，而非优先级污染物则未被识别（图5C）。高优先级污染物的丰度几乎是低优先级污染物的两倍，尽管差异在统计上不显著（Kruskal–Wallis p=0.394）。

智能筛查方法应用于德国萨克森地区的十个优先级地下水样本。总共检测到34种污染物，浓度范围为0.1–22,300 ng/L（图6，表1），这些污染物在每个井中的总浓度范围为1.9至3.6 μg/L（图6，表1）。令人惊讶的是，其中32种污染物（94%）未列入常规监测列表，10种（30%）未出现在ECHA的PMT/vPvM数据库中[60]（SI2nd_G和SI2nd_I）。此外，还有16种物质是在环境地下水中首次被发现的（ACTS、BTSA、DBP、TCMS、CMSA、TBA、FBA、HFP、TBG、BGM、NEP、NMP），以及四种物质（CES、DABA、MPA、TAMT；SI2nd_G、SI2nd_I）是首次在任何环境介质中被报告的。值得注意的是，74%的识别物质是离子物种（pH 7时84%为阴离子），logD范围从-4.5到3.0（SI2nd_G），这些物质经常被标准监测方法遗漏[13]。在34种被识别的污染物中，只有一种被列入了欧洲关键数据库（约9000万条条目）中关于新兴污染物的出现数据[61, 62]。

图6
该图像的替代文本可能是使用人工智能生成的。

图6显示了按人为影响类型分组的地下水中污染物化学浓度的热图（ng/L）。每个站点的浓度通过颜色强度在对数尺度上表示。层次欧几里得聚类可视化了污染物之间的共现模式（垂直分组，k=7），而水平白线根据智能筛查分类区分了以农业、工业或市政输入为主的站点。虚线表示通过相关性分析分配到特定来源类型的污染物。灰色单元格表示低于定量限的浓度。

表1 显示了识别出的主要持久性和移动性物质（污染物）的概览。

为了验证该方法，我们进一步将其应用于从28个随机选择的井中收集的地下水样本。结果显示，与传统的试错方法（SI1st_8.3，SI2nd_H）相比，污染物的检测率提高了六倍。大约90%的识别污染物也在随后的验证监测中被检测到，出现在28个随机选择的井中的每五个井中，表明其相关性更广（SI2nd_H）。此外，随后进行的广泛监测应用了开发的富集方法，对85个地下水样本进行了检测，确认这些污染物在饮用水资源中广泛存在[29]。这些发现突显了该方法在填补污染物监测差距方面的有用性，这与UBA关于系统识别和监测饮用水源中污染物的建议高度一致[63]。

为了简化讨论，当前研究中识别的污染物被分为六个具有不同监管和环境特征的主要组别（表1，图6）：
1. 酰胺和醚类溶剂（n=6；NMP、NEP、DGY、TGY）来自油漆、燃料、消费品化学品和农业/工业机械，显示出最高的检出频率（DF=73%），表明了多源输入。NMP、NEP、DGY和TGY是CMR/（待定的）SVHCs，其中NMP是首次在环境中被报告的。
2. 转化产物（n=10；DABA、DDLP、SPY、CMSA）显示出与前体物质使用相关的出现模式：制药TPs出现在市政站点，染料/颜料TPs出现在工业和市政站点，农药/杀菌剂TPs出现在农业站点。TPs占首次检测案例的高比例，强调了需要超越母体化合物进行监测，并将其纳入PMT/vPvM评估[64]。
3. 无机污染物和PFIS（n=3；PCR、FBA、HFP）不受REACH持久性要求的约束，但被普遍检测到，存在于肥料、烟花和锂离子电池中，主要出现在市政/农业站点（DF 67%；中位数93 ng/L，最大22,300 ng/L），其中FBA和HFP是在环境地下水中首次发现的。它们可以主导中国自来水和欧洲废水中的氟质量平衡[27, 65]。为了更好地理解PFIS的浓度：仅基于PFIS，30%的样本将超过欧盟饮用水的PFAS限值（100 ng/L；[66]）。所有PFIS都是（潜在的）有毒物质，PCR被认为是ED和潜在的CMR。
4. 长链和短链PFAS酸（n=5）在市政/工业井中频繁检测到，浓度较低（<22 ng/L）。虽然PFBS是SVHC，但NFOSAA和FOSAA是（部分）作为TPs排放的，并且在这里是首次在德国地下水中报告的。鉴于“永久性化学物质”的地下水预防原则，这令人担忧[67]。
5. 磷酸酯（n=3；DBP、TEP、TMP）作为阻燃剂和清洁剂在所有排放源类型中都被检测到，其中最高组的中位浓度为224 ng/L。所有这些物质都有毒性，且计划对其进行监管（CMR，PMT/vPvM）。DBP是在环境地下水中首次发现的。
6. 磺酸（n=5；SMPSA、TNSA、BTSA、CES）来自个人护理产品、清洁剂、染料和橡胶，在市政和工业站点占主导地位。SMPSA和TNSA是在环境地下水中首次检测到的。在环境地下水中首次检测到的16种污染物中，有两种被分类为有毒物质（NMP、NEP），11种被分类为潜在有毒物质，例如通过Cramer III类或特定的毒理学证据（BTSA、TCMS、CMSA、FBA、HFP、CES、MPA、TBG、BGM、TAMT、DABA），还有三种目前未被分类为有毒物质（ACTS、DBP、TBA）。此外，本研究中还识别出几种具有高毒理学关注度的污染物，包括PCR、TGY、DCAS、DGY、SPY、PFOS和PFBS，它们被分类为CMR、内分泌干扰物和/或SVHC物质。

智能筛查方法应用于德国萨克森地区的十个优先级地下水样本。总共检测到34种污染物，浓度范围为0.1–22,300 ng/L（图6，表1），这些污染物在每个井中的总浓度范围为1.9至3.6 μg/L（图6，表1）。令人惊讶的是，其中32种污染物（94%）未列入常规监测列表，10种（30%）未出现在ECHA的PMT/vPvM数据库中[60]（SI2nd_G和SI2nd_I）。此外，还有16种物质是在环境地下水中首次发现的（ACTS、BTSA、DBP、TCMS、CMSA、TBA、FBA、HFP、TBG、BGM、NEP、NMP），四种物质（CES、DABA、MPA、TAMT；SI2nd_G、SI2nd_I）是首次在任何环境介质中报告的。值得注意的是，74%的识别物质是离子物种（pH 7时84%为阴离子），logD范围从-4.5到3.0（SI2nd_G），这些物质经常被标准监测方法遗漏[13]。在34种被识别的污染物中，只有一种被列入了欧洲关键数据库（约9000万条条目）中关于新兴污染物的出现数据[61, 62]。

图6
该图像的替代文本可能是使用人工智能生成的。

热图显示了按人为影响类型分组的地下水中污染物化学浓度（ng/L）。每个站点的浓度通过颜色强度在对数尺度上表示。层次欧几里得聚类可视化了污染物之间的共现模式（垂直分组，k=7），而水平白线根据智能筛查分类区分了以农业、工业或市政输入为主的站点。虚线表示通过相关性分析分配到特定来源类型的污染物。灰色单元格标记了低于定量限的浓度。

表1 显示了识别出的主要持久性和移动性物质（污染物）的概览。

为了验证该方法，我们进一步将其应用于从28个随机选择的井中收集的地下水样本。结果显示，与传统的试错方法（SI1st_8.3，SI2nd_H）相比，污染物的检测率提高了六倍。大约90%的识别污染物也在随后的验证监测中被检测到，出现在28个随机选择的井中的每五个井中，表明其相关性更广（SI2nd_H）。此外，随后进行的广泛监测应用了开发的富集方法，对85个地下水样本进行了检测，确认这些污染物在饮用水资源中广泛存在[29]。这些发现突显了该方法在填补污染物监测差距方面的有用性，这与UBA关于系统识别和监测饮用水源中污染物的建议高度一致[63]。

为了简化讨论，当前研究中识别的污染物被分为六个具有不同监管和环境特征的主要组别（表1，图6）：
1. 酰胺和醚类溶剂（n=6；NMP、NEP、DGY、TGY）来自油漆、燃料、消费品化学品和农业/工业机械，显示出最高的检出频率（DF=73%），表明了多源输入。NMP、NEP、DGY和TGY是CMR/（待定的）SVHCs，其中NMP是首次在环境中被报告的。
2. 转化产物（n=10；DABA、DDLP、SPY、CMSA）显示出与前体物质使用相关的出现模式：制药TPs出现在市政站点，染料/颜料TPs出现在工业和市政站点，农药/杀菌剂TPs出现在农业站点。TPs占首次检测案例的高比例，强调了需要超越母体化合物进行监测，并将其纳入PMT/vPvM评估[64]。
3. 无机污染物和PFIS（n=3；PCR、FBA、HFP）不受REACH持久性要求的约束，但被普遍检测到，存在于肥料、烟花和锂离子电池中，主要出现在市政/农业站点（DF 67%；中位数93 ng/L，最大22,300 ng/L），其中FBA和HFP是在环境地下水中首次发现的。它们可以主导中国自来水和欧洲废水中的氟质量平衡[27, 65]。为了更好地理解PFIS的浓度：仅基于PFIS，如果这些物质被纳入法规（100 ng/L；[66]），30%的样本将超过欧盟饮用水的PFAS限值。所有PFIS都是（潜在的）有毒物质，PCR被认为是ED和潜在的CMR。
4. 长链和短链PFAS酸（n=5）在市政/工业井中频繁检测到，浓度较低（<22 ng/L）。虽然PFBS是SVHC，但NFOSAA和FOSAA是（部分）作为TPs排放的，并且在这里是首次在德国地下水中报告的。鉴于“永久性化学物质”的地下水预防原则，这令人担忧[67]。
5. 磷酸酯（n=3；DBP、TEP、TMP）作为阻燃剂和清洁剂在所有排放源类型中都被检测到，其中最高组的中位浓度为224 ng/L。所有这些物质都有毒性，且计划进行监管（CMR，PMT/vPvM）。DBP是在环境地下水中首次发现的。
6. 磺酸（n=5；SMPSA、TNSA、BTSA、CES）来自个人护理产品、清洁剂、染料和橡胶，在市政和工业站点占主导地位。SMPSA和TNSA是在环境地下水中首次检测到的。在环境地下水中首次检测到的16种污染物中，有两种被分类为有毒物质（NMP、NEP），11种被分类为潜在有毒物质，例如通过Cramer III类或特定的毒理学证据（BTSA、TCMS、CMSA、FBA、HFP、CES、MPA、TBG、BGM、TAMT、D这种整体模式可能部分反映了在较年轻、流动性更强的地下水系统中（年龄从几个月到几年不等，[69]），由于持续输入和有限的衰减作用导致的伪持久性（即持续被检测到）。这些物质在老化地下水中的存在，以及REACH持久性分类与实际含水层行为之间的低相关性表明，基于地表水和土壤/沉积物测试的REACH持久性标准可能无法充分预测在亚缺氧或缺氧地下水系统中的化学行为。在河岸过滤过程中也发现了类似的结果，REACH持久性分类对亚缺氧条件下的化合物去除效果预测不佳[2]。这种差异可能反映了亚缺氧/缺氧含水层与其他环境隔室中不同的降解动力学[70, 71]。对于某些具有特定地下水命运数据（如TEP、SUC、DABA）的化合物，文献支持它们在含水层中的真实持久性[52, 72, 73]，这与我们在老化地下水中的发现一致，也类似于某些被归类为非持久性的芳香族磺酸，它们仍能持续存在数十年[34]。这些发现表明，需要更加关注含水层中持久性物质的行为，以避免低估其内在持久性或未能充分覆盖相关物质类别。因此，未来的工作应包括将含水层作为环境隔室进行持久性评估，而这目前尚未被REACH法规涵盖[32]。

**结论与展望**
本研究表明，结合冻干富集、SFC–HRMS技术和元数据驱动的优先级排序方法，可以高效、灵敏地识别地下水中的已知和新型持久性物质，有助于解决高极性和离子污染物的分析与监管难题，并支持基于证据的水质评估。基于SFC–HRMS的智能筛选方法扩大了分析范围，对高极性和离子型持久性物质具有更高的灵敏度和对基质耐受性，而这些物质常常被传统的LC–MS方法忽略。元数据驱动的采样点优先级排序将分析效率提高了近一个数量级，同时保持了环境代表性。所识别的持久性物质揭示了移动性、极性污染物的监管盲点，应为未来的优先级排序和风险评估方案提供参考。通过结合来源信息采样、分层嫌疑列表（已确定-优先-探索性）以及基于元数据的候选物排名，智能筛选工作流程将当前建议付诸实践，将可监测性（在HRMS工作流程中的识别可能性）和新颖性/监测差距相关性纳入持久性物质优先级评估中，超越了仅基于危害性的方法。频繁检测到的持久性物质，包括那些未被REACH分类为持久性的物质，表明在含水层条件下的长期行为被低估了。未来的工作应重点关注在相关含水层条件下的持久性测试，并系统地将持久性物质纳入监测和监管框架，以改善地下水保护和化学管理。