引言
有机磷酸酯类化合物（OPEs）是广泛使用的增塑剂和阻燃剂，同时也是有机亚磷酸酯类抗氧化剂（OPAs）的主要转化产物。[1], [2] 近年来其全球产量稳步增长，2020年已达到约504,300吨。[3] 由于大量使用和高排放，OPEs普遍存在于大气、颗粒物、土壤和农业系统中。[4], [5], [6], [7] 根据其取代基不同，OPEs可分为烷基类、氯代烷基类（Cl-）和芳基类OPEs，其理化性质差异显著；例如，Cl-OPEs具有相对较高的水溶性，而芳基类OPEs则表现出强疏水性。此外，磷酸酯键在环境中易发生降解，生成二酯类（Di-OPEs）和羟基化（OH-OPEs）转化产物。[8], [9] 这些特性使得OPEs及其转化产物（POPEs）在环境中的存在、行为与归趋更加复杂。
植物是无机环境与生物圈之间的关键界面，在OPEs在农业系统中的环境行为和生态风险评估中发挥重要作用。已有大量研究报道了OPEs在不同物种和组织间存在显著的积累差异。[10], [11] 多种植被类型，包括树木、农作物、蔬菜和湿地植物，均可吸收并积累OPEs，浓度范围从数十至数万ng g?1不等。[12], [13], [14], [15], [16], [17], [18], [19], [20] 例如，植物源性食品中Σ15OPEs的浓度据报道为0.57–106 ng g?1（中位数：7.41 ng g?1）。[21]，表明植物暴露十分普遍。OPEs的辛醇-空气分配系数（Koa）和空气-水分配系数（Kaw）跨度较大，既可通过根系吸收进入植物，也可通过叶面吸收。[22] 我们先前的研究表明，蔬菜叶片中的OPEs浓度超过根际水平，从而带来较高的膳食风险。[23] 然而，叶面吸收的机制和控制因素仍缺乏深入了解。
鉴于植物在将OPEs从环境传递至食物链中的作用，理解植物-环境界面处的吸收机制对于评估膳食暴露至关重要。叶片角质层是控制有机污染物截留、渗透和体内转运的主要屏障。[24] 已有研究表明，叶面吸收受叶片表面特性的共同影响，包括角质蜡组成、疏水性和微观结构，[9], [25], [26], [27], [28] 以及污染物本身的分子特性。然而，叶片表面类型的多样性以及植物生长过程中角质蜡的动态变化，限制了叶面吸收过程的系统性评估。特别是，OPEs分子结构与特定蜡质成分之间的相互作用仍缺乏明确界定，从而制约了对可食用作物中OPEs积累量的预测性评估。
早期的经验回归模型将植物吸收指标——包括根浓度系数（RCF）、地上部分浓度系数（SCF）和迁移系数（TF）——主要与辛醇-水分配系数（Kow）相关联。[29], [30] 随后的机理方法引入了多区间动力学模型，明确考虑了叶面吸收过程，[31] 包括三区间和四区间（根-茎-叶-果实）框架。[32], [33] 这些模型已被应用于OPEs研究，结果表明低挥发性的氯代OPEs以根系吸收为主，而三正丁基磷酸酯则以叶面吸收为主。[34] 然而，经验模型依赖单一参数，对吸收过程过于简化；动力学模型则受限于参数化困难和不确定性问题。因此，将这些模型扩展至多种化合物、植物物种和暴露场景仍面临挑战。
机器学习（ML）因其捕捉复杂非线性关系的能力，在环境科学领域的应用日益广泛。[35], [36] 梯度提升回归树（GBRT）和随机森林（RF）等监督学习模型已成功用于预测有机污染物的环境行为，[37], [38] 包括对土壤和沉积物的吸附、[39] 水生生物的生物积累以及[40] 植物吸收过程。[41], [42] 机器学习方法也已应用于预测植物根系吸收能力；[43], [44], [45], [46] 例如，基于分子指纹的GBRT模型已被开发用于估算RCF。[47] 尽管取得了这些进展，机器学习在污染物叶面吸收方面的应用仍然有限，其将分子结构与叶片表面特性相结合以解释叶面吸收的潜力尚未得到系统研究。
分子可及体系指纹（MACCS FPs）是基于结构的二元描述符，能够捕获与环境基质中化学行为相关的关键分子特征。[48] 在本研究中，我们：(i) 通过实验室实验调查了多种植物物种的OPEs叶面吸收；(ii) 开发了整合MACCS FPs与植物特异性特征（叶面微观结构、角质蜡组成和疏水性）的机器学习模型，用于预测叶面积累量以及蜡质介导的渗透和向内渗透；(iii) 阐明了这些特征如何支配叶面吸收与转运过程。这一整合框架为OPEs穿越角质层屏障的传递提供了机理洞察，并为在研究的化学空间内评估OPEs的叶面行为提供了基于结构的筛选方法。
