近红外光谱用于快速无损评估蓝贻贝（Mytilus spp.）中全氟和多氟烷基物质（PFAS）效应的概念验证研究

《Marine Pollution Bulletin》：Near-infrared spectroscopy for rapid and non-destructive assessment of PFAS effects in blue mussels (Mytilus spp.): a proof-of-concept study

　　

首次将近红外光谱（NIR spectroscopy）应用于检测蓝贻贝（Mytilus spp.）中的全氟和多氟烷基物质（PFAS）效应；有效区分PFAS暴露的贻贝（准确率高达91%）；从NIR光谱中可靠定量预测蛋白质浓度；从NIR光谱中半定量预测抗氧化活性；利用创新性NIR工具对双壳类进行生物监测的前景广阔。

**研究背景与问题**
近年来，全氟和多氟烷基物质（PFAS）因其高环境持久性、生物累积性和对水生生物的毒性而受到广泛关注。PFAS是由超过4700种合成氟化化合物组成的大家族，其稳定的碳-氟键赋予其难以降解的特性，导致其在全球水生态系统中持续存在。传统上，评估新兴污染物（EC）对水生生物的影响依赖于多生物标志物方法（如氧化应激、神经毒性、解毒、能量代谢、脂质/蛋白质/DNA损伤等）以及组学技术（基因组学、转录组学、蛋白质组学、代谢组学、脂质组学）。然而，这些方法通常具有侵入性、破坏性，且耗时、成本高、依赖化学试剂，限制了其在大规模生物监测中的应用。因此，亟需开发快速、无损、经济且环境友好的替代方法。近红外光谱（NIRS）作为一种简单、快速、无损的分析技术，可同时获取生物样品中多种生物分子（如蛋白质、脂质、碳水化合物、核酸）的信息，在农业食品、制药和生物医学领域已得到验证，并开始应用于环境监测。已有研究利用NIRS评估双壳类和鱼类的生物能量储备及能量相关生物标志物，但尚未有研究将其用于评估PFAS对双壳类的影响。本研究旨在探索NIRS作为创新工具，捕捉PFAS暴露对海洋双壳类（蓝贻贝Mytilus spp.）引起的分子变化，并评估其区分暴露组与对照组以及定量预测传统生物标志物的能力。论文发表在《Marine Pollution Bulletin》，具有重要的方法学意义，为快速、无损的生物监测提供了新思路。

**研究方法**
研究人员采用蓝贻贝（Mytilus spp.）作为生物模型，从法国Trédrez-Locquémeau的养殖场获取成年个体（长度5.0±0.5 cm，重量7.4±1.5 g ww，n=120）。经过21天驯化后，将120只贻贝随机分为15个水箱（每箱8只），进行28天暴露实验，设三个条件：对照组（无污染）、食物暴露组（通过受污染藻类Tisochrysis lutea摄入36种天然PFAS混合物，ΣPFAS=1104.5 ng/g ww）和食物+水暴露组（同时通过食物和经7种¹³C标记PFAS污染的海水暴露，ΣPFAS=8.7±2.3 ng/L）。暴露结束后，每箱随机取3只贻贝（共45只），解剖鳃和外套膜组织。样品一部分用于NIR光谱采集（使用Bruker傅里叶变换近红外MPA^?仪器，光谱范围800–2500 nm，分辨率8 cm^-1，每个样品采集3个平均光谱，共267个光谱），另一部分用于生物标志物分析（蛋白质浓度PROT、脂质氢过氧化物LOOH、超氧化物歧化酶SOD、谷胱甘肽S-转移酶GST、乙酰胆碱酯酶AChE）。数据分析采用主成分分析-判别分析（PCA-DA）建立分类模型，比较12种预处理方法和3种算法（LDA、QDA、MDA），并采用偏最小二乘回归（PLS-R）结合向后消除区间PLS（biPLS）变量选择建立预测模型，评估指标包括准确率、R²、均方根误差RMSE和性能与偏差比RPD。

**研究结果**
**3.1 PFAS暴露诱导的NIR光谱特征表征**
原始NIR光谱显示所有样品在1400–1500 nm和1950–2000 nm处有强吸收带（主要来自水）。平均光谱对比显示暴露组（食物和食物+水）在这些区域的吸光度高于对照组。差异光谱分析识别出两个主要区分区域：食物组 vs 对照组在1069–1093 nm（与蛋白质中NH键二级倍频相关，p=2.4×10^-10），食物+水组 vs 对照组在1897–1966 nm（与残存水和碳水化合物C=O键相关，p=3.6–4.0×10^-4）。这表明PFAS暴露引起蛋白质和碳水化合物含量及结构的变化。

**3.2 利用NIR数据进行实验条件的判别分析**
**3.2.1 光谱预处理对分类模型的影响**
比较12种预处理方法和3种判别算法，发现SNV（标准正态变量）结合MDA（马氏距离判别分析）在交叉验证和预测中表现最佳，准确率分别为99%和91%，稳定性好；而二阶导数预处理导致性能最差（准确率43–57%）；LDA算法整体表现弱于QDA和MDA。

**3.2.2 最优分类模型的选择**
基于完整数据集（C）、鳃数据（G）和外套膜数据（M）的最佳模型预测准确率分别为90.7%、88.9%和81.5%。混淆矩阵显示，C和G模型对对照组样品完全正确分类（100%），错误主要发生在两种暴露条件之间。外套膜模型因生物复杂性（性腺组织、能量储备异质性）导致分类性能较低。

**3.3 利用NIR数据预测生物标志物**
**3.3.1 蛋白质浓度预测**
采用SNV+D1预处理和biPLS变量选择（保留805个波长），模型在交叉验证中R²=0.65，RMSE=0.52 mg/g ww，预测中R²=0.86，RMSE=0.29 mg/g ww，RPD=2.45，达到定量预测水平。变量选择显著提升性能，所选波长包括蛋白质相关吸收带（NH伸缩一级倍频，NH+酰胺I组合）以及脂质和水的相关区域。

**3.3.2 超氧化物歧化酶（SOD）活性预测**
采用MSC+D1预处理和biPLS（保留1174个波长），交叉验证R²=0.72，RMSE=2.94 U/mg蛋白，RPD=1.85；预测R²=0.73，RMSE=2.92 U/mg蛋白，RPD=1.91，达到半定量预测水平。所选波长反映碳水化合物、蛋白质和脂质的变化，表明SOD活性通过间接关联主要生物分子进行预测。

**3.3.3 脂质氢过氧化物（LOOH）浓度预测**
采用D1预处理和biPLS，模型预测能力有限，交叉验证R²=0.12，RPD=0.99；预测R²=0.47，RPD=1.24，不适用于定量应用。这可能由于LOOH作为初级脂质过氧化物不稳定、易分解，且与TBARS（丙二醛等）相比化学变化更复杂。

**3.3.4 其他酶活性预测**
GST和AChE模型均缺乏预测能力：GST模型交叉验证R²=0.15，RPD=0.94；预测R²=0.23，RPD=1.09。AChE模型交叉验证R²=0.27，预测R²=0.05，RPD接近1。原因包括酶丰度低、水吸收掩蔽、酶活性动态调节，以及样品制备中PMSF可能部分抑制胆碱酯酶活性。

**讨论与结论**
本研究首次证明近红外光谱（NIRS）结合化学计量学分析可评估海洋贻贝在亚慢性PFAS暴露后的生理状态。分类模型准确区分暴露与未暴露个体，表明NIRS能捕捉PFAS诱导的生化变化。定量预测模型证实蛋白质浓度可准确预测，SOD活性可半定量预测，而LOOH、GST和AChE的预测能力有限，需更大数据集和先进化学计量学方法改进。研究结论指出：本研究为利用NIRS作为快速、无损、环境友好的海洋双壳类生物监测方法奠定了方法论基础。未来需在更现实的环境污染场景和现场条件下优化和验证该方法。从生物监测角度，基于NIRS的系统可实现大规模原位筛选污染物影响，从而支持更有效的海洋生态系统风险评估策略。