人工智能在土壤生态毒理学中的应用：微/纳米塑料对蚯蚓暴露的批判性综述与展望

《Soil Biology and Biochemistry》：Artificial intelligence in soil ecotoxicology: A critical review and perspective on micro/nanoplastic exposure to earthworms

　　

•AI 图像表型分析检测应激状态下蚯蚓的亚临床组织病变。
•AI 视频追踪将空间回避行为与土壤群落的动态栖息地转移联系起来。
•机器学习模型解析土壤微塑料的非线性毒性途径。
•大型语言模型有助于生成土壤健康的宏观生态学假设。

**引言**

塑料在工业和农业实践中的普遍存在使其全球年产量已超过 4 亿吨，预计到 2060 年将超过 12 亿吨（Evangelou 等人，2026 年；PlasticsEurope，2023 年；Song 等人，2025 年；Thompson 等人，2024 年）。尽管塑料在现代经济中起着至关重要的作用，但塑料回收基础设施的低效以及可持续替代品的缺乏导致其在陆地环境中不断累积（Huang 等人，2026 年；Richard 等人，2024 年）。随着塑料的风化和降解，它们分解为微塑料（<5 毫米）和纳米塑料（在环境科学中通常定义为<1 微米，尽管定义因分析学科而异），统称为微/纳米塑料（MNPs），现已成为一种普遍的环境污染物（Ilyas 等人，2025 年；Yang 等人，2021 年）。作为微纳米塑料的主要汇（Chen 等人，2024 年），土壤生态系统面临着直接生理毒性和对生态稳定性产生连锁破坏的双重威胁（Courtene-Jones 等人，2024 年；Jiang 等人，2023 年；Shi 等人，2025 年）。

土壤群落对微纳米塑料暴露的毒性反应高度非线性，且从根本上不同于经典溶解性毒物。与均质分子不同，微纳米塑料代表一类动态的颗粒污染物，由多维物理化学矩阵定义，包括多样的聚合物类型、广泛的大小分布（纳米至微米尺度）、尖锐的角状形态、表面生态冠层以及风化诱导的功能基团（Courtene-Jones 等人，2024 年；Kwak 等人，2025 年；Liu 等人，2023a）。蚯蚓作为关键的生态工程师和敏感的土壤大型动物，是评估陆地健康的基准生物监测指标（Amadou 等人，2025 年；Gautam 和 Anbumani，2023 年；Liu 等人，2026b；Wu 等人，2025a）。虽然大量文献强调了微纳米塑料对蚯蚓生存、生长、繁殖和行为的不利影响（Lackmann 等人，2022 年；Liu 等人，2026a；Marco 等人，2023 年；Zhong 等人，2026 年），但传统的筛选方法仍然劳动密集，并且在评估组织磨损和颗粒内化方面受限于主观观察偏差（Wang 等人，2024b）。解决这种颗粒复杂性，从土壤矿物纠缠到多相毒代动力学，需要能够捕捉高维形态、光谱和非线性模式的先进分析框架。因此，迫切需要从低通量、手动观察向客观、高通量计算剖析转变。

为了解决这些分析瓶颈，人工智能（AI）日益成为环境科学中一种有效的计算范式（Jeong 和 Choi，2022 年；Jin 等人，2026 年；Wang 等人，2024b）。先进的机器学习（ML）和深度学习（DL）架构不再仅仅依赖孤立的实验测试，而是被部署用于解缠环境基质中高度非线性的相互作用（Liu 等人，2022b；Zhang 等人，2025c；Zhu 等人，2023b）。例如，结合基于图像的机器学习的卷积神经网络（CNNs）已成功用于直接从原始傅里叶变换红外光谱（FT-IR）中快速准确地对大规模混合微塑料进行分类（Liu 等人，2023b）。此外，鉴于数据异质性及其阐明复杂因素间关系的能力，这些模型及其相关数据库在微纳米塑料生态毒性预测和评估方面显示出特别的效力（Wang 和 Shen，2025 年；Xie 等人，2025 年；Yin 等人，2025 年）。例如，Yin 等人报告称，机器学习算法（如随机森林（RF））可以从大型跨物种数据集中成功提取复杂的微塑料诱导毒性模式，使研究人员能够直接基于暴露条件和生物特征准确预测微塑料对肠道微生物群的生物影响，而无需仅依赖孤立的实验测试（Yin 等人，2025 年）。尽管 AI 技术已在多个学科中成功部署，但必须更加关注其在生态毒理学中的更深层次整合，特别是在评估环境污染物对典型土壤群落的生态毒性方面。此外，大型语言模型（LLMs）的近期激增引入了一种新范式，这些模型作为文献综合和假设生成的高能力分析副驾驶（Chen 等人，2026 年；Lin 等人，2025 年）。

然而，尽管取得了这些局部成功，AI 在陆地生态毒理学中的真正变革潜力仍 largely 未实现。当前文献经常将标准 AI 算法降级为通用的事后统计工具，而不是将其部署为机制发现的基础引擎（Yan 等人，2023 年；Zhu 等人，2023b）。该领域目前受到单一模态 AI 工具脱节应用的瓶颈限制，这些工具受制于高度异质、非标准化的数据集（Li 等人，2025 年；Liu 等人，2024 年）。此外，对这些“黑箱”算法不加批判地部署，特别是日益增长的对大型语言模型的认识论依赖，对科学诚信构成了深刻风险，范围从幻觉出生物学上不合理的毒理学机制到系统性放大训练数据中潜在的地域和生物偏差（Chen 等人，2026 年；Zhu 等人，2023a；Zhu 等人，2024a）。至关重要的是，我们不主张完全用自动化算法取代经验毒理学，因为 AI 本身并不“消除”偏差，而是严格扩展嵌入在其训练数据中的假设。因此，向 AI 驱动范式转变需要严格的“人在回路”架构，其中领域专家在工作流程中保持核心地位，以提供严格的生物验证，策划高保真训练数据，并确保 AI 衍生的预测符合既定的生态现实。

在本综述和展望中，我们综合了 AI 在土壤生态毒理学中应用的演变格局，特别关注蚯蚓中的微纳米塑料毒性（图 1）。目前，该领域的经验 AI 应用仍处于早期萌芽阶段，只有极少数初级研究直接评估了微纳米塑料对土壤群落的影响。为提供坚实的实证基础并透明地评估这些工具的真实成熟度，我们汇编了蚯蚓生态毒理学中具有代表性的 AI 应用，明确将直接微纳米塑料暴露证据与其他土壤污染物和生物模型建立的方法论成熟、可转移的框架区分开来（表 1）。基于这一实证基础，我们构建了一个概念框架，映射了 AI 应用跨四个前沿领域的进展：用于亚致死病变像素级表型分析的图像分析，用于土壤遮蔽下行为动力学的视频追踪，用于解码非线性毒性机制的结构化数据分析，以及大型语言模型的整合。至关重要的是，我们强调 AI 预测和机制假设必须与有针对性的外部生物验证相结合，以确保科学严谨性并支持证据驱动的陆地风险评估。

**章节摘要**

**人工智能驱动的数字图像分析**
准确评估土壤微纳米塑料污染的风险至关重要，因为暴露可能对生物群健康和土壤功能产生严重影响（Chen 等人，2024 年）。摄入的微纳米塑料会在土壤大型动物体内引起微妙且渐进的组织损伤，最明显的是肠上皮侵蚀、黏膜屏障变薄和体腔细胞空泡化，这些通常先于明显的机体死亡和繁殖障碍（Wang 等人，2026 年；Zhong 等人，2026 年）。在土壤...

**行为毒理学中时间动力学的建模**
数字视频录制已成为分析动物对环境压力的行为反应的基本方法。数字视频序列编码了大量无法通过手动观察可靠提取的动态信息（Wang 等人，2024b；Wyeth 等人，2024 年）。虽然存在传统的软件平台（例如 ANY-maze, VisuTrack）用于广泛的行为追踪，但它们非常耗时，并且缺乏检测细微、局部...

**人工智能驱动的数据分析**
微纳米塑料暴露对蚯蚓特征（如生长、生存和繁殖率）的毒性影响，主要由污染物特征、剂量、蚯蚓物种、土壤特性和环境条件的复杂相互作用决定（Fang 等人，2025 年；Jiang 等人，2023 年；Liu 等人，2023a）。虽然大量研究已成功利用机器学习模型评估微塑料暴露对陆地植物的风险和加剧毒性...

**大型语言模型在土壤生态毒理学中的双刃剑**
大型语言模型和多模态基础模型的快速发展为环境毒理学带来了操作机遇和关键的方法论挑战（Rillig 等人，2023 年；Wu 等人，2024b）。大型语言模型并非作为自主发现引擎，而是主要作为微纳米塑料 - 土壤生态毒理学中四个核心任务的分析辅助工具：(i) 自动文献筛选和书目映射，(ii) 从遗留...中半自动提取表格数据和元数据

**面向 AI 就绪土壤群落生态毒理实验的实际建议**
为弥合计算建模与实验室实践之间的差距，土壤动物生态毒理学研究人员必须从生成孤立的、以论文为中心的生物测定数据集转变为产生 FAIR 和"AI 就绪”的生物库。建立专门针对土壤无脊椎动物（例如蚯蚓、弹尾虫和线虫）的标准化湿实验室实验和报告协议，将确保经验生物测定产生高保真、互操作的数据流...

**结论与展望**
本综述和展望表明，虽然 AI 已成功自动化了微纳米塑料毒性筛查的不同组成部分，但这些技术的更广泛变革潜力仍受到数据碎片化和单模态建模的限制。将先进的计算工作流程整合到土壤生态毒理学中，提供了强大的途径来解缠微纳米塑料物理化学性质、异质土壤基质以及后续多尺度生物...

**CRediT 作者贡献声明**
Jason C. White: 写作 – 审阅与编辑，形式分析。Linchuan Fang: 写作 – 审阅与编辑，监督，项目管理，形式分析。Fengyu Huang: 写作 – 审阅与编辑，软件，方法论，形式分析。Naglaa Ibrahim: 写作 – 原稿，软件，形式分析。Tianyi Qiu: 写作 – 审阅与编辑，调查，形式分析。Changchao Li: 写作 – 审阅与编辑，形式分析。Haijian Bing: 写作 – 审阅与编辑，形式分析。

**未引用参考文献**
DeepMind，2026 年；Li 等人，2021 年；M?ller 等人，2020 年；PlasticsEurope，2023 年；Zhou 等人，2023a 年；Zhuo 等人，2025 年。

**利益冲突声明**
作者声明他们不存在可能影响本文所述工作的已知竞争性财务利益或个人关系。

**致谢**
本研究得到了中国国家自然科学基金的支持（42507032, 41977031）。我们衷心感谢所有为本论文提供宝贵帮助的学者。

Li Chen|Fengyu Huang|Naglaa Ibrahim|Tianyi Qiu|Jing Chen|Shuai Ma|Kexiao Song|Qi Li|Changchao Li|Haijian Bing|Willie J.G.M. Peijnenburg|Jason C. White|Linchuan Fang