南京师范大学环境学院污染物环境行为与控制团队在新污染物环境分析研究领域取得重要进展。相关成果以“Accurate prediction of pollution and health risks of iodinated X-ray contrast media in Taihu Lake with machine learning and revealing key environmental factors”为题发表在环境领域顶级期刊Water Research上(https://doi.org/10.1016/j.watres.2024.122999)。团队博士毕业生程心滢为该论文第一作者,何欢教授为通讯作者,南京师范大学环境学院为第一单位和通讯单位。
碘代X射线造影剂(ICM)是水生环境中普遍以较高浓度被检测到的一类典型药物,因其持续污染、广泛分布和潜在健康风险而引起研究关注。但由于检测分析过程繁琐,方法复杂,耗费成本高,这些因素阻碍了水环境中ICM相关研究的开展。目前有关整个湖泊/河流尺度上ICM的污染水平变化和分布趋势研究非常有限,仍然缺乏ICM污染的基础数据集,且环境因素对ICM污染的潜在影响尚不清楚,亟需开展相关工作。
本研究结合SPE-HPLC-HRMS分析方法和机器学习技术,全面阐明太湖地表水中ICM的时空分布和健康风险,开发准确预测ICM污染和风险水平的模型,并深入探索ICM与环境因素间的复杂关系。2021年至2022年期间,太湖地表水中Σ7ICM的浓度范围为10.8至454.6 ng/L,表现出明显的空间和季节变化,反映了水文动力学和气候条件的影响。当前暴露水平下ICM对人类健康未构成直接威胁,但由于水源地检测到较高浓度的ICM,仍需持续关注。在所应用的9种机器学习模型中,随机森林模型实现了对ICM最准确(R2≥0.92)的预测,为未来使用机器学习实现ICM的日常风险监测典型了基础。通过模型的特征重要性排序和线性关系分析识别了影响ICM的主要环境因素,揭示了地理和气候条件,来源输入、生物和水文活动等因素均在太湖ICM赋存中发挥了重要作用。本研究提供了一个系统的方法框架,包括污染预测、风险监测和关键环境因素识别,为机器学习在痕量有机污染物分析中的应用提供了科学、系统的方法和技术。
太湖地表水中ICM污染和健康风险数据获取、机器学习建模和结果分析的概念图
该工作得到了中国博士后科学基金(2024M750689)、江苏省“青蓝工程”、江苏省自然科学基金(BK20191372)、江苏省研究生科研创新计划项目(KYCX19_0819)以及污染控制与资源再利用国家重点实验室基金(PCRRF22008)的资助。