《Future Foods》:Genotoxicity Hazard Prioritisation of Exogenous Additives in Cultured Meat Production Using (Q)SAR and Objective Weighting
编辑推荐:
培养肉是一种通过体外培养动物细胞生产的有前景的替代肉产品,在其生产过程中面临遗传不稳定性的潜在风险。遗传毒性(genotoxicity)是驱动遗传不稳定性的主要机制之一。因此,评估多种外源添加剂(exogenous additives)带来的遗传毒性危害至关重
培养肉是一种通过体外培养动物细胞生产的有前景的替代肉产品,在其生产过程中面临遗传不稳定性的潜在风险。遗传毒性(genotoxicity)是驱动遗传不稳定性的主要机制之一。因此,评估多种外源添加剂(exogenous additives)带来的遗传毒性危害至关重要。为解决这一问题,研究人员开发了一个稳健的分析框架,用于对添加剂的遗传毒性危害进行优先级排序。来自四个(Q)SAR平台(QSAR Toolbox、VEGA、T.E.S.T.、Toxtree)的预测结果与从EPA CompTox和OECD数据库整理的实验证据(Ames试验、微核试验和染色体畸变试验)进行了整合。经过统一数据编码后,熵权法(Entropy Weight Method)和CRITIC方法为预测结果分配了0.4093的复合权重,为实验数据分配了0.5907的复合权重。敏感性分析证实了框架的稳健性(α ∈ [0.4, 0.7]),外部验证展示了卓越的区分性能(准确率=0.9625,AUC=0.9788)。为展示实际应用性,通过液相色谱-串联质谱法(LC-MS/MS)对猪细胞培养肉样品中的14种外源添加剂进行了定量分析。将这些残留数据整合到“危害-残留”四象限分析中,将丙酮酸钠(sodium pyruvate)确定为第一象限(高危害-高残留)中的最高优先级风险物质。此外,链霉素(streptomycin)被归入第二象限(高危害-低残留),而次黄嘌呤(hypoxanthine)和腐胺(putrescine)由于工艺富集落入第三象限(低危害-高残留)。本研究为培养肉生产中关于外源添加剂遗传毒性危害的优先级排序、靶向测试和分级监管决策,以及涉及复杂添加剂基质的其他新兴新型食品技术的安全性筛查,提供了一种基于证据的策略。
**论文解读:基于(Q)SAR与客观加权法的培养肉外源添加剂遗传毒性危害优先级排序研究**
**研究背景与问题**
培养肉(cultured meat)作为一种通过体外大规模培养动物细胞生产的替代肉产品,近年来受到广泛关注。然而,其生产过程涉及细胞系开发、长期体外传代及复杂培养基系统,这些环节可能引入遗传不稳定性(genetic instability)风险。遗传毒性(genotoxicity)是驱动遗传不稳定性的关键分子机制之一,外源添加剂(exogenous additives)——如代谢调节剂、冷冻保护剂、交联剂、激素、缓冲剂和表面活性剂——可能直接或间接与DNA相互作用,导致碱基错配、加合物形成或染色体断裂,从而损害基因组完整性。然而,许多添加剂在食品生产中未获批准,或对其长期细胞基因组完整性的影响尚不明确。对所有候选添加剂进行实验性遗传毒性测试成本高昂、耗时且难以应对不断出现的新化合物,因此迫切需要一种高效、可接受的危害识别与优先级排序方法。本研究旨在填补这一空白,建立一个整合多源证据的客观加权框架,对培养肉生产中使用的添加剂进行遗传毒性危害分级,并在实际样品中验证其应用价值。该论文发表在《Future Foods》。
**主要技术方法**
研究人员首先基于FAO、SFA等监管指南及企业公开材料,结合文献检索,系统筛选出43种具有完整结构信息的外源添加剂作为训练集。采用四个开源(Q)SAR平台(QSAR Toolbox、VEGA、T.E.S.T.、Toxtree)预测Ames致突变性,并依据统一编码规则将预测结果分为阳性、阴性或未定义。同时,从EPA CompTox和OECD数据库收集Ames试验、微核试验和染色体畸变试验等实验证据,通过对数加权法整合阳性率与证据量,计算实验证据得分(S
EXP)。使用熵权法(Entropy Weight Method)和CRITIC方法对预测得分(S
QSAR)和实验得分进行客观加权,取算术平均作为最终权重,计算综合得分并划分高、中、低三个遗传毒性危害等级。通过单次扰动法(One-at-a-Time)进行权重敏感性分析,并使用80种外部已知Ames结果的物质验证框架的区分性能。在实际应用部分,研究人员从Joes Future Food获取猪细胞培养肉样品(50 L灌注波浪式生物反应器批次),使用液相色谱-串联质谱法(LC-MS/MS)定量14种外源添加剂在清洗前后的残留浓度,并结合“危害-残留”四象限分析进行综合风险表征。
**研究结果**
**3.1. 遗传毒性危害优先级排序框架的构建**
**3.1.1. 外源添加剂训练集的构建**:通过系统检索与筛选,最终确定43种外源添加剂,按功能分为抗生素、非酶解离及工艺处理化学品、培养基营养物质与代谢调节剂、激素与促生长剂、细胞调节试剂及微量元素/维生素类代谢因子等类别。
**3.1.2. (Q)SAR预测结果与分布特征**:四个(Q)SAR工具的致突变性预测结果存在显著差异。Toxtree阳性率最高(18.6%),而VEGA最低(4.7%)。仅1,2-二氯乙烷被所有工具一致预测为阳性。未定义预测比例在VEGA和T.E.S.T.中均为55.8%,表明多模型整合的必要性。
**3.1.3. 数据丰富度与实验证据得分分布**:工业化学品如氯化镍、甲醛、戊二醛的实验证据得分(S
EXP)和数据丰富度最高,而常用培养基成分、激素和抗生素的得分较低,反映了历史毒理学研究偏倚。
**3.1.4. 外源添加剂遗传毒性危害优先级排序**:通过熵权-CRITIC复合加权(预测权重0.4093,实验权重0.5907),综合评分结果显示:1,2-二氯乙烷为高危害等级;甲醛、氯化镍、戊二醛、槲皮素、丙酮酸钠、苯甲酸钠和链霉素为中危害等级;其余35种添加剂为低危害等级。
**3.2. 框架的稳健性评估与性能验证**
**3.2.1. 权重敏感性分析**:通过改变实验证据权重α(0至1),Kendall's τ相关系数呈非线性变化。在α∈[0.4, 0.7]区间内,排名前8位添加剂保持稳定,证明框架对权重分配具有稳健性。
**3.2.2. 外部数据集性能验证**:使用80种已知Ames结果的物质进行验证,层次聚类结果表明框架能准确区分阳性和阴性物质。性能指标为:灵敏度=1.000,特异性=0.925,准确率=0.963,F1分数=0.964,AUC=0.979,马修斯相关系数=0.928,展示了优异的区分能力。
**3.3. 框架应用与综合风险表征**
在实际培养肉样品中,14种外源添加剂经LC-MS/MS定量。综合危害与残留得分进行四象限分析:丙酮酸钠落入第一象限(高危害-高残留,评分0.795和0.554),且清洗后浓度反弹(从16.342 mg/kg升至31.229 mg/kg),被确定为最高优先级风险物质。链霉素因残留低于定量限而落入第二象限(高危害-低残留)。次黄嘌呤和腐胺因残留高但危害低落入第三象限(低危害-高残留)。其余物质主要分布在第四象限(低风险区)。
**讨论与结论**
讨论部分指出,本研究开发的熵权-CRITIC复合加权框架有效整合了多模型(Q)SAR预测与实验证据,克服了单一模型的局限性,提供了科学、透明的优先级排序方法。敏感性分析和外部验证证实了框架的稳健性与区分性能。然而,框架存在局限性:数据集可能未涵盖未知生物加工副产物或未公开的专有化合物;作为静态工具,缺乏动态暴露评估;单批次样品验证限制了普遍适用性。尽管如此,该方法为培养肉生产中外源添加剂的遗传毒性危害提供了基于证据的筛查策略,并可作为涉及复杂添加剂基质的其他新兴新型食品技术的可转移安全筛查工具。
研究结论翻译如下:本研究通过系统整合多个(Q)SAR预测工具与实验数据库证据,并采用熵权–CRITIC加权策略,建立了一个用于评估和优先排序培养肉中外源添加剂遗传毒性危害的整合框架。通过将危害与残留得分纳入四象限矩阵,该框架对真实培养肉样品中14种外源添加剂的遗传毒性危害进行了全面分类。该方法为企业提供市场前风险管理的科学依据,严格利用遗传毒性潜力作为替代指标,筛查候选物以进行后续基于体外细胞的遗传不稳定性风险验证。此外,该方法的适用性超越细胞培养肉领域,可作为涉及复杂添加剂基质的其他新兴新型食品技术中可转移、可适应的安全性筛查工具。