预测农业火山灰衍生土壤中磺酰脲类除草剂吸附的QSAR建模

《Ecotoxicology and Environmental Safety》：QSAR modelling for predicting a, dsorption of Sulfonylurea herbicides in agricultural volcanic ash-derived soils

　　

本研究开发了一个符合OECD规范的定量构效关系（QSAR）模型，并明确了其适用域（applicability domain, AD），用于预测磺酰脲类（SUs）除草剂及methabenzthiazuron在农业火山灰衍生土壤（volcanic ash-derived soils, VADS）中的吸附行为；VADS是一种可变电荷体系，在现有农药吸附QSAR模型中代表性不足。研究人员在10种VADS中对24种SUs和methabenzthiazuron进行了评价，通过批量吸附-解吸实验构建了250个化合物–VADS体系。该数据集补充了土壤理化性质表征、吸附动力学和吸附-解吸分析数据，并采用基于Lamarckian遗传算法（Lamarckian Genetic Algorithm, LGA）进行变量选择、结合Ridge回归的基于描述符的QSAR建模，涵盖交互、土壤特异性和除草剂特异性土壤情景，并进行了外部验证和适用域（DA）分析。吸附行为始终呈非线性，Freundlich模型最能描述平衡行为。在250个体系中，吸附常数K_f^(ads)范围为0.04至519.50，解吸常数K_f^(des)范围为0.24至229.91，滞后系数（H）范围为0.00至0.94，表明滞留能力和可逆性存在显著差异。交互情景提供了主要预测结果：210个训练观测和40个外部观测（Q²_LOSO = 0.438，Q²_test = 0.347，RMSE_test = 0.492，适用域覆盖率为30/40（75%））。最终QSAR交互模型保留了24个描述符，表明VADS中的吸附受除草剂电离/极性、三维电子特征以及土壤有机-矿物反应域（OM、C/N、Fe、Cu、S和P-Olsen）之间相互作用的共同控制。因此，预测信号源于除草剂-土壤耦合作用，而非单独的分子或土壤性质。在其校准的化学和土壤空间内，该QSAR模型提供了一种机制可解释的探索性筛选工具，用于识别高迁移性的SUs–VADS组合。

**论文解读：基于QSAR模型预测火山灰衍生土壤中磺酰脲类除草剂吸附行为的研究**

**1. 研究背景与问题**

磺酰脲类除草剂（Sulfonylurea herbicides, SUs）因其高效、低用量（10–40 g ha?1）和对乙酰乳酸合酶的选择性抑制而在现代农业中广泛应用，但同时也因其高水溶性、低辛醇-水分配系数（logK_ow）以及在中性至碱性条件下以阴离子形态为主的特征，导致其在土壤中具有较高的淋溶潜势和非靶标生物暴露风险。火山灰衍生土壤（volcanic ash-derived soils, VADS）主要分布于智利、日本、新西兰和热带安第斯地区，包括Andisols和Ultisols，其具有高有机质（OM）含量、依赖pH的表面化学特性、丰富的短程有序矿物（如水铝英石和伊毛缟石）、高持水量、低容重以及Fe/Al（氢）氧化物介导的选择性吸附等复杂理化性质。这些性质通过静电吸引、配体交换和氢键等机制控制SUs的吸附-解吸行为，并对环境因子（pH、离子强度、金属氧化物或有机胶体）高度敏感。然而，现有的农药吸附QSAR模型大多基于恒电荷矿物土壤数据集，不适用于VADS这类可变电荷体系，且缺乏在相同实验条件下获得的吸附数据整合，导致其预测可靠性有限。因此，亟需开发能够整合分子描述符与土壤理化性质、并具有明确适用域的QSAR模型，以预测SUs在VADS中的吸附行为，为环境风险评估和农药可持续管理提供科学工具。

**2. 研究内容与结论**

该研究在智利南部采集了10种农业VADS，依据OECD 106导则开展了24种SUs和methabenzthiazuron的批量平衡吸附-解吸实验，构建了包含250个化合物–土壤体系的完整数据集。研究人员采用动力学和等温线模型（双曲线模型、Freundlich模型）拟合实验数据，并基于Lamarckian遗传算法（LGA）变量选择和Ridge回归构建了三种互补的QSAR建模情景：交互情景（整合分子和土壤描述符）、土壤特定情景（每种土壤独立建模）和土壤情景（每种除草剂独立建模），并进行了严格的外部验证和适用域（DA）分析。主要结论如下：吸附行为在250个体系中均呈非线性，Freundlich模型最佳描述平衡吸附；吸附常数K_f^(ads)范围为0.04–519.50，解吸常数K_f^(des)范围为0.24–229.91，滞后系数（H）为0.00–0.94，表明吸附强度、可逆性和滞留能力存在巨大变异性。交互情景作为主要预测模型，在严格的化合物级外部验证下取得了中等但正向的预测性能（Q²_test = 0.347，RMSE_test = 0.492，DA覆盖率为75%），其最终模型保留了24个描述符（18个分子描述符和6个土壤描述符），指出VADS中SUs吸附由除草剂电离/极性、三维电子特征与土壤有机-矿物反应域（OM、C/N、Fe、Cu、S、P-Olsen）的耦合作用控制，而非仅由分子或土壤单一性质决定。土壤特定情景显示，当土壤理化性质固定时，化合物间的差异化主要取决于电荷分布、极性表面积和三维几何描述符，但外部迁移性因土壤和划分方式而异，仅MET土壤具有稳健的正向外部预测性能。土壤情景中，25个模型的中位Q²_LOSO为0.243，但外部预测能力有限，表明其对土壤间外推的泛化能力较弱，更适合在适用域内进行局部插值和土壤化学解释。该研究的重要意义在于，其开发的QSAR模型是首个针对VADS可变电荷体系、整合了分子和土壤信息的可解释筛选工具，能够识别高迁移性SUs–VADS组合，为环境监管提供科学依据，并有助于将风险评估从仅关注除草剂固有性质转向对土壤特性更敏感的综合分析。

**3. 主要关键技术方法**

该研究采用了以下关键技术方法：（1）依据OECD 106导则的批量平衡吸附-解吸实验，在0.01 M CaCl₂背景电解质下进行动力学和等温线实验，使用HPLC-DAD定量分析；（2）土壤理化性质全面表征，包括pH、有机碳（OC）、阳离子交换容量（CEC）、质地、Fe分馏等；（3）遵循PRISMA 2020指南的系统文献综述（SLR），收集1993–2025年相关研究数据；（4）基于MOE软件计算分子描述符，包括2D和i3D描述符（BCUT/GCUT指数、PEOE_VSA、vsurf等），并使用MACCS指纹进行化学空间分析；（5）采用Lamarckian遗传算法（LGA）进行变量选择，结合Ridge回归拟合模型；（6）使用组合百分位数/PCA–Mahalanobis规则定义适用域（DA），并以留一化合物交叉验证（LOSO）和外部验证评估模型性能。样本来源为智利南部10种农业VADS（0–15 cm深度）。

**4. 研究结果**

**4.1 火山灰衍生土壤的理化多样性**
10种智利VADS显示了广泛的理化异质性：pH为4.1–6.2（强至中度酸性），等电点（IEP）为2.0–3.8，表明在实验pH范围内表面净负电荷占主导；OC含量2.1%–16.5%，CEC为1.1–21.2 cmol_c kg?1；质地变化大（砂粒38.5%–66.5%，粉粒6.2%–47.3%，黏粒12.9%–45.7%）。矿物学上Ultisols以高岭石/埃洛石为主，而Andisols富含短程有序相（水铝英石和有机-水铝英石团聚体）及Fe/Al（氢）氧化物。

**4.2 磺酰脲类除草剂数据集结构与终点分布**
数据集包含24种SUs，分为嘧啶环、三嗪环和吡啶-嘧啶环三类芳香骨架，另加苯并噻唑类参照物methabenzthiazuron。化合物pK_a约为3.1–5.2，logK_ow为0.59–2.64，水溶解度为12–7300 mg L?1，田间半衰期2–180 d。不同亚类间理化性质差异显著，methabenzthiazuron因其较高疏水性和较长持久性，作为结构相异探针用于评估模型外推极限。

**4.3 吸附动力学与平衡吸附-解吸**
Freundlich模型（1/n < 1）最佳描述平衡吸附，表明吸附位点异质性及浓度依赖性。最高的淋溶敏感性出现在低k₂和K_f、高k_des、%des和H组合的土壤中，即慢速吸附、弱平衡滞留和较强释放潜力的体系。富含反应性有机-矿物域的土壤表现出更强且更不可逆的吸附，支持动力学-平衡共同控制而非单一瞬时吸附的机制。

**4.4 系统文献综述：证据综合与知识空白**
PRISMA SLR（1993–2025）综合了24种SUs和一种苯并噻唑在多种基质中的吸附动力学和吸附-解吸数据。研究发现Freundlich模型占主导（1/n < 1），脱附常偏离吸附路径（滞后现象），且同一活性成分在不同土壤/矿物/有机组分间的K_d和K_f常跨越一个数量级以上，表明吸附系数不能直接跨地点、层次或基质转移。文献证据支持SUs吸附受溶质形态（pK_a控制的电离、溶解度、极性）与可变电荷土壤化学（pH/IEP/PZC）及吸附位点可用性的双重控制。

**4.5 建模情景：交互、土壤特定和土壤情景**
交互情景将分子和土壤描述符合并为单一全局模型，外部验证在除草剂级别进行（4种SUs排除后作为测试集，n_test=40）。PCA投影显示3种外部SUs位于训练集主要区域，而methabenzthiazuron位于边缘区域，提示其DA外可靠性降低。土壤特定情景为每个VADS构建10个独立分子描述符模型（19训练/5外部），并在多个随机种子下评估稳定性。土壤情景为每种除草剂构建基于土壤描述符的模型（8训练/2外部），因外部测试仅含2个观测，Q²_test不稳定，适合插值而非外推。

**4.6 情景特定建模框架与描述符集**
交互情景最终方程包含24项：18个分子描述符（BCUT、GCUT、PEOE、vsa_don、AM1_LUMO、ASA、std_dim2、vsurf等）和6个土壤描述符（OM、C/N、S、Fe、Cu、P-Olsen）。土壤特定情景中，各土壤模型收敛于5个描述符，以MET最稳定（4个种子恢复相同子集：diameter、PEOE_VSA+5、PEOE_VSA?1、E_sol、std_dim1）。土壤情景全部收敛于k=2（2个描述符），23/25个模型的描述符来自不同簇，表明选择倾向互补且低冗余变量；频次最高的为Fe_PYRO（11/25）、OM（6/25）和pH_H2O（6/25，负系数）。

**4.7 不同情景的预测性能**
交互情景获得了最高的外部预测性能（Q²_test=0.347，RMSE_test=0.492），内部验证一致（Q²_LOSO=0.438），且重复拟合显示变异性小（p10–p90=0.421–0.442）。土壤特定情景中，内部拟合中等至高（Q²_LOSO=0.451–0.841，均值0.661），但外部迁移性脆弱（平均Q²_test=?2.213，仅12/40次拟合Q²_test>0），MET最佳（四种子均正，0.732–0.777）。土壤情景中，内部信号稳定（中位Q²_LOSO=0.243），但外部迁移有限（中位Q²_test=?0.105，中位RMSE_test=0.371）；prosulfuron表现最均衡（Q²_test=0.447，RMSE_test=0.094，DA=100%）。

**4.8 适用域与预测**
交互模型中30/40（75%）外部预测落在DA内，10个DA外观测全部对应methabenzthiazuron，清晰界定了模型的主要化学外推边界。土壤特定情景中，测试集初始选择确保在分子DA内，但最终模型的有效覆盖率降至平均0.84（范围0.60–1.00），且与Q²_test相关性弱（Spearman ρ≈0.185），表明DA覆盖不保证稳定外推。土壤情景中，TCO土壤在所有25个模型中均落在DA内，而FRE在13个模型中DA外，说明覆盖损失具有空间局部性；当FRE在域内时误差降低，支持DA作为覆盖指标的实际价值。

**4.9 VADS模型的机制解释**
交互情景中，电荷分区表面描述符（PEOE）、极性表面积、氢键供体（vsa_don）和3D电子描述符（BCUT/GCUT、AM1_LUMO）与土壤OM和C/N共存，表明吸附源于除草剂电荷/极性与VADS有机-矿物域反应性之间的耦合。土壤特定情景中，最频繁的描述符为E_sol（14次）、PEOE_VSA?2（12次）、vsurf_DD12（11次）、std_dim1（10次）、PEOE_VSA?1（9次），且系数方向一致，说明同土壤内SUs吸附差异主要由溶剂化、部分电荷分布及亲/疏水区域空间组织决定。土壤情景中，Fe_PYRO（%）最频繁（11/25，正系数），其次为OM（6/25，正）和pH_H2O（6/25，负），常见组合（pH_H2O+Fe_PYRO；ΔpH+Fe；MO+Fe_PYRO；pH_H2O+ΔpH）指示酸度、电荷发展和有机/铁反应域的共同作用，符合可变电荷土壤的预期反应性。

**4.10 VADS模型应用建议**
交互模型是主要预测结果，应作为筛选和优先级排序工具，而非替代未测试化合物的实验吸附测试。土壤特定情景适用于识别在化合物间保持判别能力的VADS；土壤情景更适用于局部插值和土壤化学解释。未来模型改进需同时扩展化学和土壤域，并保持按化合物和土壤分组验证的方案，以避免高估外部迁移性。

**4.11 环境和监管意义**
全球农药治理正从上市前授权转向全生命周期风险管理。该QSAR框架可作为适用域受限的筛选工具，识别需要监测的SUs–VADS组合，将稀缺资源导向最脆弱的环境。研究强调将模型筛选与传统农业生态知识（TAeK）相结合，以纳入管理历史、水文敏感性和退化轨迹等标准化数据集无法捕捉的信息。该模型不直接预测田间淋溶，而是通过分类相对风险情景和识别可能促进低保留和高迁移性的分子-土壤组合，为监管评估提供可验证的科学依据。

**5. 讨论与结论**

讨论部分指出，QSAR系数虽为统计因子，但可进行机制解释：VADS中SUs吸附既不由分子结构也不由土壤理化性质单独解释，而是二者组合。分子描述符（电荷分布、极性表面积、3D电子特征）与土壤描述符（OM、C/N、Fe、Cu等）的共存表明吸附由分子电荷/极性与VADS有机-矿物反应域的交互决定。土壤特定情景显示，固定土壤性质时，化合物间差异主要来自溶剂化、部分电荷分布和亲/疏水区域的空间组织，而非单一疏水性参数。土壤情景中，Fe_PYRO、OM和pH_H2O的频发支持酸度、电荷发展和有机/铁反应域的共同控制，符合可变电荷土壤的反应性。三个情景收敛于相同结论：吸附不能简化为logP、MO或Clay等单一变量，而是电荷分布、分子极性、可变电荷反应域、OM和Fe相间的相互作用。

研究结论为：在250种SUs–VADS组合中，吸附是非线性和浓度依赖的，吸附强度、解吸和滞后存在显著差异，表明除草剂电离、电荷分布、可及极性表面与可变电荷有机-矿物域反应位点之间的耦合控制VADS中SUs迁移性。保留随OM、有机-水铝英石组合和富Fe/Al反应相增强，而随阴离子形态占优势而减弱，符合非平衡分级过程（快速占据可及位点后缓慢转移至不易达有机/矿物域）。仅交互QSAR模型恢复了中等强度的化合物分组留一验证信号（Q²_LOSO=0.438，Q²_test=0.347，RMSE_test=0.492），并清晰划定其主要外推边界（methabenzthiazuron），表明VADS中SUs吸附无法仅从化学或土壤描述符单独预测。该QSAR模型的意义不仅限于探索和预测能力，在其应用范围内可为涉及SUs和VADS使用且需要更多关注的情景提供可验证的科学依据，推动风险评估从仅聚焦SUs性质转向对土壤特征更敏感的分析。