利用组学数据推进预测生态毒理学

《Environmental Science & Technology》：Exploiting Omic Data to Advance Predictive Ecotoxicology

　　

利用计算机模拟(in silico)方法预测物种特异性化学敏感性，有望改变环境风险评估、保护和生物监测，同时减少并最终取代动物试验。基因组和转录组(genomic and transcriptomic)数据捕获了大量与敏感性相关的变异，包括分子靶标、外源物代谢和损伤缓解途径的差异。因此，大规模测序计划为解决生态毒理学中“物种过多”问题提供了前所未有的机遇。尽管现有的基于组学(omics)的预测工具提供了概念验证，但迄今为止它们仅应用于少数相对简单的预测情景。为了实现更广泛的适用性，当前和未来的工具必须牢固地基于不同化学响应背后的多样分子机制。在此，研究人员批判性评估了利用从组学数据推断的分子变异来预测物种敏感性这一新兴领域。研究人员分析了当前基于组学方法的优势和局限性，并指出了主要的序列和生态毒理学数据缺口，以及关键的生物信息学挑战。随后，研究人员回顾了当前关于分子生物学如何决定不同化学敏感性的知识，概述了使下一代敏感性预测工具能够利用不断扩大的组学数据的研究路径。

利用组学数据推进预测生态毒理学——论文解读

化学工业在带来显著经济和社会效益的同时，其大规模生产和使用也造成了环境代价。目前，欧洲化学品管理局(ECHA)登记的产量>1吨的高产量化学品超过22000种。然而，环境风险评估通常仅依赖少数代表物种（如藻类、枝角类和鱼类）的毒性测试，并采用相对任意的安全系数来外推风险。这种从有限测试物种向庞大多样性外推的方式高度不确定，已成为生态毒理学和环境危害评估领域的重大挑战。因此，开发能够预测物种特异性化学敏感性的方法，对于完善风险评估、减少动物实验、满足法规要求以及优化生物监测具有重要意义。

为此，研究人员在《Environmental Science》发表综述，系统评估了利用组学数据推进预测生态毒理学的现状与前景。研究人员指出，基因组和转录组数据能够捕获大量敏感性相关变异，包括分子靶标、外源物代谢和损伤修复途径的差异，有望解决生态毒理学中“物种过多”问题。他们分析了当前基于组学方法的优势与局限，识别了关键的数据和生物信息学挑战，并提出了一个12点研究路径，以指导下一代敏感性预测工具的开发。

在技术方法方面，本研究为综述型研究，主要采用了以下方法：1) 文献综合分析，构建了毒代动力学(TK)和毒效动力学(TD)因素影响物种敏感性的启发式框架；2) 数据挖掘，从美国EPA ECOTOX知识库提取了截至2025年12月的数据，选取了9个高等级分类群中50个“生态毒理学物种”，评估其生态毒理学数据和分子资源（如基因组和转录组）的可获取性；3) 案例研究，以寡毛纲(Oligochaeta)为对象，调查了NCBI生物项目中组学数据的组织类型分布；4) 工具评估，如SeqAPASS（跨物种易感性序列比对预测工具）和G2P-SCAN等。这些方法不涉及具体实验操作。

研究结果部分，按论文标题组织如下：

**1. 物种敏感性预测的必要性**。通过梳理化学品生产现状和测试物种的局限性，指出敏感性预测可提供物质特异性、物种特异性的风险评估，减少不必要的高成本再测试，并有助于监测敏感物种和食物链传递风险。

**2. 引入和定义“组学”，敏感性：TK和TD**。论文界定了组学范围（聚焦基因组和转录组数据），并将化学敏感性定义为物种对相同化学暴露响应的差异。TK因素涉及吸收、分布、代谢和排泄(ADME)过程，如外源物代谢基因（细胞色素P450酶，CYP450）的组成和表达；TD因素涉及靶受体变异、损伤修复能力和不良结局路径(AOP)框架。通过蚯蚓对新烟碱类杀虫剂的敏感性差异等例子，说明了脱靶受体在敏感性预测中的重要性。

**3. 非组学敏感性预测：局限性与组学整合**。论文评估了种间相关估计(ICE)和系统发育模型等非组学方法，指出它们缺乏机制支撑且依赖大量毒性数据。性状方法虽已用于监管（如SPEARpesticides），但性状数据不完整、命名不一致。组学数据可弥补这些缺陷，并可与现有方法整合形成统一的预测框架。

**4. 现有组学工具：聚焦靶受体和AOP比较**。论文介绍了ECOdrug数据库和SeqAPASS工具等，它们通过比较靶受体直系同源物来预测敏感性。但即便靶受体如乙酰胆碱酯酶(AChE)高度保守，敏感性差异仍可能显著（如有机磷农药），表明需整合脱靶受体和AOP下游组件。G2P-SCAN等方法已被提出用于跨物种AOP比较，但需更全面的数据支持。

**5. 组学与生态毒理学：通向更好预测的研究路径**。论文提出三个关键组件：一是连接敏感性与组学数据，通过ECOTOX和NCBI评估发现，现有物种中生态毒理学数据和分子资源存在缺口，推荐了斑马鱼、非洲爪蟾、秀丽隐杆线虫、大型蚤、蜜蜂等代表性物种，并建议优先填补弹尾目和环节动物的数据。二是获取相关功能知识，包括脱靶受体、核心外源物代谢基因的鉴定和评分、异生物受体、损伤响应、表观遗传学、微生物组等，强调了人工智能（如AlphaFold）等新技术的潜力。三是将组学整合到整体预测框架中，主张结合表型、系统发育、已知毒理学和生态知识，利用“数字孪生”等概念构建综合模型。

总结讨论部分：论文指出，尽管组学预测仍处于早期阶段，但通过优先研究提供关键生态系统服务的物种，并采用时间分辨转录组学等方法，可在不扩大“物种过多”问题的情况下大幅提升预测能力。讨论还强调了功能验证工具（如CRISPR-Cas9）和体外实验在假设验证中的价值。

研究结论部分：预测物种的化学敏感性将有益于风险评估、保护、污染监测，并最终可能减少动物实验。研究人员已经展示了组学数据如何增强预测能力，识别了生态毒理学相关物种的数据缺口，并概述了改进敏感性预测所需的研究。作为一个不断扩展的资源，组学数据为敏感性相关生物学提供了见解。希望这篇综述能指导生态毒理学家和风险评估人员利用组学数据支持环境保护。