利用机器学习模型估算生命周期评估中各种纳米材料的生态毒性影响因子

《Journal of Hazardous Materials》：Using machine learning models to estimate ecotoxicity effect factors for various nanomaterials in life cycle assessment

　　摘要
尽管纳米材料因其优异特性在众多领域展现出巨大潜力，但在大规模生产和应用之前，其可能带来的环境影响日益受到关注。生命周期评估是一种用于研究新兴纳米材料潜在环境影响的有效工具。然而，当前生命周期评估面临的一个挑战是缺乏用于估算纳米材料释放所带来环境影响的特征因子。这些特征因子包括基于USEtox框架的归因因子、暴露因子以及效应因子等信息。因此，本研究旨在通过开发八种机器学习回归算法，利用纳米材料的物理化学性质来预测其淡水生态毒性效应因子，从而弥补现有的毒性测试数据不足的问题。研究结果表明，AdaBoost模型具有最佳的预测性能，其R2值为0.786，均方根误差为0.711，平均绝对误差为0.625，并且在外部验证集上的表现同样出色，其均方根误差为0.654，平均绝对误差为0.550。Shapley加性解释方法识别出化学成分、表面积、种类、电负性、尺寸和直径是影响预测的重要特征。此外，通过最优的AdaBoost模型和蒙特卡洛模拟，得出的石墨烯的淡水生态毒性效应因子及特征因子分别为23.15–200.24潜在影响分数·立方米·千克?1和231.49–2002.40潜在影响分数·天·立方米·千克?1。这项研究不仅有助于在纳米材料研发早期阶段判断其潜在的淡水生态毒性，还能在可靠数据不足的情况下为风险管理提供决策依据。

引言
纳米材料是指那些外部尺寸（长度范围约为1–100纳米）或内部/表面结构处于纳米级的材料[50]。由于其出色的物理化学性能，纳米材料被越来越广泛地应用于工业、农业、环境保护以及日常生活中[52]、[62]、[7]、[83]。过去30年来，纳米技术发展迅速，现已被公认为21世纪的关键支撑技术之一[108]。预计到2025年，全球纳米技术市场的规模将达到1739.5亿美元[98]。与此同时，纳米材料的市场规模也快速增长，从2000年的约10万至15万吨增长到2020年的160多万吨，预计到2031年还将达到350万吨[62]。

随着纳米技术的快速发展及其在各类创新产品中的应用，人们开始担忧纳米材料可能对人类健康和环境造成的不良影响[10]、[108]、[55]。纳米材料可通过呼吸、皮肤和胃肠道等多种途径轻易进入人体，从而对各种器官和系统造成危害[153]、[52]、[80]。有研究表明，纳米材料可引发水生生物和陆生动物的一系列复杂毒性反应，包括氧化应激、DNA损伤、溶酶体功能受损、线粒体功能障碍以及酶活性改变等[100]、[156]、[159]、[77]。尽管纳米材料为未来的技术创新带来了巨大希望，但在大规模生产和使用之前，仍需对其可能带来的环境影响进行彻底评估[132]、[136]、[30]。

生命周期评估是一种常用的工具，用于分析产品和化学品可能带来的环境影响[16]、[41]、[49]、[94]。已有部分研究利用生命周期评估方法来评估纳米材料在其生产规模应用时的环境影响，例如纳米二氧化钛[9]、纳米银[131]和石墨烯[73]。然而，目前生命周期评估面临的主要挑战之一就是缺乏针对纳米材料的专用特征因子，这往往导致相关环境影响的评估被忽视[104]、[116]、[22]。

迄今为止，已有不少研究试图运用USEtox框架来推导纳米材料的生态毒性特征因子，该框架包含三个要素：效应因子、归因因子和暴露因子[116]、[22]、[36]。邓等人[19]利用USEtox框架对氧化石墨烯的生态毒性特征因子进行了量化，其中效应因子仅来源于8项毒性研究。Pu[102]则确定了17个次大陆地区14种纳米材料的特征因子，在计算归因因子时仅考虑了与纳米材料相关的特定参数。Garvey等人[33]对碳纳米管、富勒烯、纳米二氧化钛和纳米银的淡水生态毒性进行了估算，发现效应因子的不确定性主要源于纳米材料物理化学性质的差异。作为特征因子计算中的关键组成部分，效应因子取决于纳米材料的特定物理化学性质，因此需要大量且多样化的毒性数据来反映整个生态系统的情况。但据我们所知，目前尚无研究致力于开发能够涵盖多种物理化学性质的纳米材料效应因子，大多仍依赖有限的毒性研究数据来进行计算。

由于纳米材料种类繁多，其物理化学性质和毒理效应存在显著差异，这使得传统的环境毒理学实验成本极高且耗时漫长[14]、[25]。正因如此，关于纳米材料对水生生物毒理效应的了解十分有限，这也制约了纳米材料淡水生态毒性效应因子的确定[115]。据估计，要对所有市面上的纳米材料开展全面的动物毒理学研究，需要约11.8亿美元的资金和50年的时间[14]、[25]。因此，仅依靠生物检测方法来全面评估纳米材料的毒性风险是不切实际的[105]。幸运的是，机器学习模型已成为利用现有毒性测试数据预测新兴纳米材料毒性的有力工具[55]。与传统毒理学实验相比，机器学习方法能够大幅减少人力、时间和资金投入，这与动物实验的“3R”原则——减少、优化和替代——不谋而合[121]、[53]。已有研究表明，纳米材料的尺寸、形状、表面积等物理化学性质可作为机器学习模型预测其毒性或解释其生物学效应的依据[151]、[59]。

本研究旨在通过机器学习建模来弥补纳米材料生态毒性效应因子数据不足的问题，从而填补生命周期评估方法中的知识空白。具体而言，我们开发了多种机器学习回归模型，利用纳米材料的物理化学性质来预测其生态毒性。随后以石墨烯为研究对象，将最优机器学习模型的预测结果通过USEtox框架转化为效应因子和特征因子。所使用的机器学习算法包括自适应提升法、梯度提升机、k近邻算法、轻量级梯度提升机、神经网络、随机森林、支持向量机以及极端梯度提升法。为了全面评估优化后的机器学习模型的通用性、稳健性和可靠性，我们对模型的过拟合风险、外部验证效果以及适用范围进行了评估。此外，为检验预测结果的科学性，我们还采用了Shapley加性解释方法来确定影响纳米材料毒性的关键特征变量。这项研究可为监管机构和政策制定者提供有益参考，帮助他们评估纳米材料的生态毒性风险，并在其整个生命周期内，尤其是在研发初期或缺乏更可靠信息时，权衡其潜在的环境影响。

片段内容
生态毒性特征因子计算
国际生命周期评估参考文件——《生命周期数据系统手册》推荐使用USEtox模型（https://usetox.org/）来评估潜在的生态毒性影响[109]、[57]、[68]。根据该模型，基于USEtox框架内的质量平衡原理，通过整合毒性效应、环境归因和暴露情况，可以量化纳米材料的潜在淡水生态毒性影响[141]。
公式：CF=EF×XF×FF
其中CF即为纳米材料的淡水生态毒性特征因子。

数据描述与预处理
10个特征变量的数据存在较大差异，这主要源于不同纳米材料及测试物种的多样性。六个数值型变量（尺寸、直径、表面积、电负性、纯度和Zeta电位）分别通过统计指标（均值、标准差、中位数和范围）来描述。如图1A所示，这些纳米材料的尺寸在5纳米到15微米之间，直径则在0.7纳米到55微米之间，表面积则在0.4平方米到2100平方米不等。

结论与意义
为缩小快速发展的纳米技术与风险管理之间的知识差距，我们应从纳米材料研发的早期阶段就开始努力降低对人类和环境安全的各类风险与不确定性。在本研究中，我们开发了八种机器学习回归模型——包括AdaBoost、GBM、KNN、LightGBM、神经网络、随机森林、支持向量机和XGBoost——利用分子描述符、物理化学性质以及测试数据来研究纳米材料的生态毒性。研究结果表明……

环境影响
尽管纳米材料因其优异的性能在众多技术领域具有巨大应用前景，但在大规模生产和应用之前，仍需对其潜在的环境影响进行评估。由于现有的毒性测试数据不足，生命周期评估在生态毒性效应因子的确定方面面临诸多限制。本研究率先运用机器学习技术，预测了石墨烯在多个营养级上的效应因子。

未引用参考文献
[140]、[155]、[27]、[28]、[44]、[92]、[96]、[97]

CRediT作者贡献说明
马伟春：验证、监督、软件使用、资源协调、资金申请。袁媛：方法设计、研究实施、定量分析。李晓：文章撰写与编辑、初稿撰写、数据可视化、验证、软件使用、方法设计、研究实施、数据整理、概念构建。孙伟：验证工作。李昂：数据整理工作。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本研究得到了中央高校基本科研业务费的支持（项目编号：BSKYZX202536）。图形摘要中使用的图标由Aficons studio、Freepik、juicy_fish和VectorPortal制作，相关资源可从www.flaticon.com获取。

李晓|袁媛|李昂|孙伟|马伟春
中国人民警察大学，中国廊坊市065000