CN103577714A - 一种定量预测环境复合污染物联合毒性的方法 - Google Patents
一种定量预测环境复合污染物联合毒性的方法 Download PDFInfo
- Publication number
- CN103577714A CN103577714A CN201310598514.7A CN201310598514A CN103577714A CN 103577714 A CN103577714 A CN 103577714A CN 201310598514 A CN201310598514 A CN 201310598514A CN 103577714 A CN103577714 A CN 103577714A
- Authority
- CN
- China
- Prior art keywords
- mix
- ecx
- model
- potpourri
- concentration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测环境复合污染物联合毒性的方法。该方法以浓度加和(CA)与独立作用(IA)计算的复合污染物效应浓度为自变量,以复合污染物的实验效应浓度为因变量,利用主成分回归分析构建因变量和自变量之间的定量关系模型,建立定量预测环境复合污染物联合毒性的方法。本发明方法能准确评估和预测混合物的联合毒性,该方法不需要考虑混合物组分之间的作用机理或作用方式,解决了多元线性回归模型的自变量共线性问题,不仅能够应用于评估和预测具有加和作用方式的混合物,也能够用于评估和预测具有相互作用方式(协同或拮抗作用)的混合物。本发明为环境混合污染物的风险评估提供可靠的技术手段。
Description
技术领域
本发明属于环境混合污染物风险评估技术领域,特别涉及一种定量预测环境复合污染物联合毒性的方法。
背景技术
毫无疑问,实际环境中人类同时暴露于多种化学品。然而,目前化学品的风险评估仅基于单个物质的毒性数据,忽略混合物产生的联合作用。化学混合物产生的加和与协调作用(大于加和作用)对人类具有潜在的健康风险。目前混合物毒性预测模型如浓度加和(CA)与独立作用(IA)不能准确预测所有混合物联合毒性。因此,需要构建混合物联合毒性预测新方法,为化学混合物的风险评估提供可靠的技术手段。
主成分回归(PCR)是一种对多元变量进行降维的多元回归分析方法,在多元线性回归中的自变量之间可能存在多重共线性,造成某些自变量系数不稳定。PCR方法可以有效解决多重共线性问题。在混合物毒性预测模型中,常用两个参考模型:CA和IA模型。CA模型假设混合物组分之间具有相同的作用机制(MOA)或相同的作用靶标位点,而IA假设混合物组分之间具有相异的MOA或不同的作用靶标位点.经研究证明,CA和IA模型不能准确预测具有相互作用混合物(发生协同或拮抗作用的混合物)。对于部分混合物,CA和IA模型预测没有显著性差异,这表明了CA和IA具有相近的预测结果,即CA和IA模型的预测结果存在共线性问题。
然而,实际环境中,混合物组分具有完全相似的MOA或完全相异的MOA只是理想状态。此外,在目前大多数化合物MOA未知的情况下,以MOA判断混合物的组分相似和相异通常是不可能实现的。给定一组混合物,通常情况下部分混合物组分具有相似性MOA,而其余的组分具有相异性MOA。为了不考虑混合物组分的MOA和更加准确地评价化学混合物毒性,在CA和IA模型基础上,利用PCR方法对CA和IA预测结果进行主成分回归分析,构建基于PCR的混合物毒性预测新方法。通过PCR技术,建立混合物实验浓度与CA和IA模型的主成分之间的定量关系,获得新的模型,简称PCR-IMTM,其英文名为Principal Component Regression-based Integrated addition Model for Toxicity ofchemical Mixtures。
发明内容
本发明的目的是提供一种定量预测环境复合污染物联合毒性的方法。
本发明的思路:以浓度加和(CA)与独立作用(IA)计算的复合污染物效应浓度为自变量,以复合污染物的实验效应浓度为因变量,利用主成分回归分析构建因变量和自变量之间的定量关系模型,建立定量预测环境复合污染物联合毒性的方法。
具体步骤为:
(1)利用非线性函数表征所有单个物质和混合物的浓度-响应曲线CRCs
所有数据集的单个化合物和混合物均采用Weibull函数进行非线性最小二乘拟合,Weibull函数等式如下:
Weibull函数:E=1-exp(-exp(α+βlog10(c))) (1)
其中,E为化合物或混合物的效应,c为化合物或混合物的浓度,α和β为Weibull模型回归系数。
(2)使用CA和IA计算混合物毒性
从单个物质和混合物的CRCs信息,通过CA模型即等式(2)预测混合物的效应浓度,其结果标记为ECxmix,CA;IA模型计算结果是混合物的效应,通过二分法可求得IA模型即等式(3)计算的混合物效应浓度,将等式(3)写成等式(4),当f(ECxmix)=0时,对应的ECxmix即为IA模型计算的效应浓度,结果标记为ECxmix,IA。
其中,ECxmix是混合物产生x%效应时对应的效应浓度;ECxi是第i个组分单独产生与混合物相同x%效应时对应的效应浓度;pi是混合物中第i个组分的摩尔浓度比;cmix表示混合物总浓度;E(ci)是第i个组分在浓度c下的效应;fi(x)表示Weibull函数。
(3)基于PCR构建混合物新模型PCR-IMTM
对于每组混合物实验,在一条固定浓度比射线上设计12个不同的浓度,这些实验浓度记为ECxmix,exp;ECxmix,exp、ECxmix,CA和ECxmix,IA取常用负对数后,利
CA:
IA: 用PCR建立-log10(ECxmix,exp)与-log10(ECxmix,CA)和-log10(ECxmix,IA)之间的定量模型,所有浓度之所以取常用负对数,是为了保证所有数据点的均匀分布,模型的数学表达式如下:
-log10(ECxmix,exp)=b0+b1[-log10(ECxmix,CA)]+b2[-log10(ECxmix,IA)] (5)
其中,b0是常数,b1和b2是PCR第1个主成分模型的标准回归系数。
(4)模型内部验证
对于步骤(3)建立的PCR-IMTM模型,通过留一法即LOO交叉验证实现PCR-IMTM模型的内部验证,利用LOO交叉验证相关系数q2和LOO交叉预测均方根误差RMSV评价模型的内部预测能力。
(5)模型外部验证、评估和预测混合物毒性
步骤(3)建立的PCR-IMTM模型用于评估内部样本即用于建立模型的混合物的混合物毒性,并预测外部样本的混合物毒性,外部样本集的预测相关系数r2 test和预测均方根误差RMSP用于评价PCR-IMTM模型的外部预测能力。
本发明的混合物毒性预测方法能准确评估和预测混合物的联合毒性,该方法不需要考虑混合物组分之间的作用机理或作用方式,解决了多元线性回归模型的自变量共线性问题,不仅能够应用于评估和预测具有加和作用方式的混合物,也能够用于评估和预测具有相互作用方式(协同或拮抗作用)的混合物。本发明为环境混合污染物的风险评估提供可靠的技术手段。
附图说明
图1是本发明方法建立过程示意图。
具体实施方式
实施例:
本实施例以6种农药组成的混合物为例,包含敌敌畏、除草定、敌草快、环嗪酮、扑灭通和西草净,设计6组不同浓度比例的混合物,以这6组混合物建立PCR-IMTM模型。6个农药和6组混合物的毒性测试均采用微板毒性分析法,以发光菌Q67作为测试生物,利用96孔微板作为测试载体,通过多功能酶标仪测试农药及其混合物对发光菌Q67的发光抑制毒性。
具体步骤为:
(1)利用Weibull函数表征所有单个物质和混合物的浓度-响应曲线CRCs,结果详见表1和表2。
表1 6个农药的CRC优化Weibull模型参数
化合物 | α | β | r2 | RMSE |
Dichlorvos | 4.59 | 1.60 | 0.9939 | 0.0224 |
Bromacil | 4.11 | 1.32 | 0.9964 | 0.0112 |
Diquat | 1.80 | 0.78 | 0.9956 | 0.0120 |
Velpar | 3.86 | 1.48 | 0.9980 | 0.0099 |
Prometon | 3.92 | 1.49 | 0.9853 | 0.0141 |
Simetryn | 5.96 | 1.80 | 0.9928 | 0.0228 |
注:α和β是模型参数,r2是决定系数,RMSE是估计均方根误差。
表2 6组混合物的CRCs优化Weibull模型参数
混合物a | α | β | r2 | RMSE |
M1 | 6.30 | 2.05 | 0.9977 | 0.0122 |
M2 | 5.37 | 1.77 | 0.9976 | 0.0119 |
M3 | 5.53 | 1.97 | 0.9991 | 0.0078 |
M4 | 5.02 | 1.68 | 0.9981 | 0.0117 |
M5 | 5.57 | 1.89 | 0.9980 | 0.0107 |
M6 | 6.15 | 2.04 | 0.9943 | 0.0197 |
注:M1-M6表示混合物序号。
(2)使用CA和IA计算6混合物联合毒性,结果详见表3,在表3中,“浓度点”表示每组混合物设计12个浓度点;M1-M6表示混合物序号。
表3 CA和IA模型计算6组混合物毒性结果
(3)以CA(-log10(ECxmix,CA))和IA(-log10(ECxmix,IA))计算结果作为自变量,以混合物实验设计的浓度(-log10(ECxmix,exp))为因变量,以M1-M4共4组混合物48个数据点作为训练集,利用主成分回归方法,取第1个主成分并构建PCR-IMTM模型,利用构建的模型计算M1-M4混合物的毒性,结果详见表3,PCR-IMTM模型数学表达式如下:
-log10(ECxmix,exp)=-0.8452+0.3638[-log10(ECxmix,CA)]+0.3493[-log10(ECxmix,IA)]
PC=1,r2=0.9886,RMSE=0.0792
q2=0.9871,RMSP=0.0841
其中,PC为主成分数,r2为决定系数,RMSE为估计均方根误差,q2为留一法交叉验证相关系数,RMSP为留一法预测均方根误差。
(4)验证模型外部预测,利用第3步构建的PCR-IMTM模型,预测M5和M6混合物(表3)混合物毒性,混合物毒性预测值详见表3,模型外部检验集相关系数为0.9729,预测均方根误差为0.1264,从r2等于0.9886、q2等于0.9871和外部检验集相关系数等于0.9729可知,所建立的PCR-IMTM模型具有优异的内部和外部预测能力。
综上所述,该模型可利用于预测未知混合物的联合毒性。
Claims (1)
1.一种定量预测环境复合污染物联合毒性的方法,其特征在于具体步骤为:
(1)利用非线性函数表征所有单个物质和混合物的浓度-响应曲线CRCs
所有数据集的单个化合物和混合物均采用Weibull函数进行非线性最小二乘拟合,Weibull函数等式如下:
Weibull函数:E=1-exp(-exp(α+βlog10(c))) (1)其中,E为化合物或混合物的效应,c为化合物或混合物的浓度,α和β为Weibull模型回归系数;
(2)使用CA和IA计算混合物毒性
从单个物质和混合物的CRCs信息,通过CA模型即等式(2)预测混合物的效应浓度,其结果标记为ECxmix,CA;IA模型计算结果是混合物的效应,通过二分法可求得IA模型即等式(3)计算的混合物效应浓度,将等式(3)写成等式(4),当f(ECxmix)=0时,对应的ECxmix即为IA模型计算的效应浓度,结果标记为ECxmix,IA;
CA:
IA:
其中,ECxmix是混合物产生x%效应时对应的效应浓度;ECxi是第i个组分单独产生与混合物相同x%效应时对应的效应浓度;pi是混合物中第i个组分的摩尔浓度比;cmix表示混合物总浓度;E(ci)是第i个组分在浓度c下的效应;fi(x)表示Weibull函数;
(3)基于PCR构建混合物新模型PCR-IMTM
对于每组混合物实验,在一条固定浓度比射线上设计12个不同的浓度,这些实验浓度记为ECxmix,exp;ECxmix,exp、ECxmix,CA和ECxmix,IA取常用负对数后,利用PCR建立-log10(ECxmix,exp)与-log10(ECxmix,CA)和-log10(ECxmix,IA)之间的定量模型,所有浓度之所以取常用负对数,是为了保证所有数据点的均匀分布,模型的数学表达式如下:
-log10(ECxmix,exp)=b0+b1[-log10(ECxmix,CA)]+b2[-log10(ECxmix,IA)] (5)
其中,b0是常数,b1和b2是PCR第1个主成分模型的标准回归系数;
(4)模型内部验证
对于步骤(3)建立的PCR-IMTM模型,通过留一法即LOO交叉验证实现PCR-IMTM模型的内部验证,利用LOO交叉验证相关系数q2和LOO交叉预测均方根误差RMSV评价模型的内部预测能力;
(5)模型外部验证、评估和预测混合物毒性
步骤(3)建立的PCR-IMTM模型用于评估内部样本即用于建立模型的混合物的混合物毒性,并预测外部样本的混合物毒性,外部样本集的预测相关系数r2 test和预测均方根误差RMSP用于评价PCR-IMTM模型的外部预测能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310598514.7A CN103577714A (zh) | 2013-11-17 | 2013-11-17 | 一种定量预测环境复合污染物联合毒性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310598514.7A CN103577714A (zh) | 2013-11-17 | 2013-11-17 | 一种定量预测环境复合污染物联合毒性的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103577714A true CN103577714A (zh) | 2014-02-12 |
Family
ID=50049478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310598514.7A Pending CN103577714A (zh) | 2013-11-17 | 2013-11-17 | 一种定量预测环境复合污染物联合毒性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103577714A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820873A (zh) * | 2015-05-13 | 2015-08-05 | 中国环境科学研究院 | 一种基于金属定量构效关系的淡水急性基准预测方法 |
CN105069315A (zh) * | 2015-08-26 | 2015-11-18 | 中国环境科学研究院 | 基于金属形态和有效性的水生生物毒性预测方法 |
CN106525822A (zh) * | 2016-10-27 | 2017-03-22 | 吉林大学 | 预测三种农药对发光菌急性联合毒性的方法 |
CN112395747A (zh) * | 2020-11-04 | 2021-02-23 | 南京信息工程大学 | 一种预测复杂联合作用方式的混合污染物毒性的方法 |
CN113205859A (zh) * | 2021-03-15 | 2021-08-03 | 安徽建筑大学 | 一种用于定量表征复合污染物联合毒性相互作用的面积均值法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6611726B1 (en) * | 1999-09-17 | 2003-08-26 | Carl E. Crosswhite | Method for determining optimal time series forecasting parameters |
CN102456096A (zh) * | 2010-11-03 | 2012-05-16 | 同济大学 | 一种检测二元混合物相互作用模式的多维等效线图法 |
-
2013
- 2013-11-17 CN CN201310598514.7A patent/CN103577714A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6611726B1 (en) * | 1999-09-17 | 2003-08-26 | Carl E. Crosswhite | Method for determining optimal time series forecasting parameters |
CN102456096A (zh) * | 2010-11-03 | 2012-05-16 | 同济大学 | 一种检测二元混合物相互作用模式的多维等效线图法 |
Non-Patent Citations (1)
Title |
---|
LI-TANG QIN等: "A novel model integrated concentration addition with independent action for the prediction of toxicity of multi-component mixture", 《TOXICOLOGY》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820873A (zh) * | 2015-05-13 | 2015-08-05 | 中国环境科学研究院 | 一种基于金属定量构效关系的淡水急性基准预测方法 |
WO2016179864A1 (zh) * | 2015-05-13 | 2016-11-17 | 中国环境科学研究院 | 一种基于金属定量构效关系的淡水急性基准预测方法 |
CN104820873B (zh) * | 2015-05-13 | 2017-12-26 | 中国环境科学研究院 | 一种基于金属定量构效关系的淡水急性基准预测方法 |
US10650914B2 (en) | 2015-05-13 | 2020-05-12 | Chinese Research Academy Of Environmental Sciences | Fresh water acute criteria prediction method based on quantitative structure-activity relationship for metals |
CN105069315A (zh) * | 2015-08-26 | 2015-11-18 | 中国环境科学研究院 | 基于金属形态和有效性的水生生物毒性预测方法 |
CN106525822A (zh) * | 2016-10-27 | 2017-03-22 | 吉林大学 | 预测三种农药对发光菌急性联合毒性的方法 |
CN112395747A (zh) * | 2020-11-04 | 2021-02-23 | 南京信息工程大学 | 一种预测复杂联合作用方式的混合污染物毒性的方法 |
CN112395747B (zh) * | 2020-11-04 | 2023-05-09 | 南京信息工程大学 | 一种预测复杂联合作用方式的混合污染物毒性的方法 |
CN113205859A (zh) * | 2021-03-15 | 2021-08-03 | 安徽建筑大学 | 一种用于定量表征复合污染物联合毒性相互作用的面积均值法 |
CN113205859B (zh) * | 2021-03-15 | 2023-02-17 | 安徽建筑大学 | 一种用于定量表征复合污染物联合毒性相互作用的面积均值法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103577714A (zh) | 一种定量预测环境复合污染物联合毒性的方法 | |
Yao et al. | Regional risk assessment for point source pollution based on a water quality model of the Taipu River, China | |
Brix et al. | On the relationships between primary, net community, and export production in subtropical gyres | |
Trikilidou et al. | Performance of semi-Micro-Kjeldahl nitrogen method–uncertainty and nitrate interference | |
McIntyre et al. | Risk-based modelling of surface water quality: a case study of the Charles River, Massachusetts | |
Belanger et al. | SSDs revisited: part II—practical considerations in the development and use of application factors applied to species sensitivity distributions | |
Bertanza et al. | Improving the quality of wastewater treatment plant monitoring by adopting proper sampling strategies and data processing criteria | |
Afanador et al. | An assessment of the jackknife and bootstrap procedures on uncertainty estimation in the variable importance in the projection metric | |
Costanza | Reply: An embodied energy theory of value | |
CN102201106A (zh) | 一种发酵类或化学合成类制药废水处理的技术评估方法 | |
Pathak | Evaluation of ground water quality using multiple linear regression and mathematical equation modeling | |
Yetilmezsoy | Introduction of explicit equations for the estimation of surface tension, specific weight, and kinematic viscosity of water as a function of temperature | |
Neto et al. | Method validation for the determination of total mercury in fish muscle by cold vapour atomic absorption spectrometry | |
Gibson et al. | Organic matter carbon, nitrogen, and phosphorous from a single persulfate digestion | |
McCurdy et al. | Second interlaboratory comparison study for the analysis of 239Pu in synthetic urine at the microBq (-100 aCi) level by mass spectrometry | |
Carrasco et al. | Random Monte Carlo simulation analysis and risk assessment for ammonia concentrations in wastewater effluent disposal | |
Hasadsri et al. | Finite element method for dissolved oxygen and biochemical oxygen demand in an open channel | |
Malve | Water quality prediction for river basin management | |
Androutsopoulos et al. | Comparison of user performance when applying system identification for assessment of the energy performance of building components | |
CN105512415B (zh) | 一种非线性剂量-效应曲线的批量拟合方法 | |
Acheampong et al. | Modelling emerging pollutants in wastewater treatment: A Case study using the pharmaceutical 17α− ethinylestradiol | |
Şimşek et al. | Applying AQUATOX for the ecological risk assessment coastal of Black Sea at small industries around Samsun, Turkey | |
Jeffries et al. | Early history and rationale for outdoor chamber work at the University of North Carolina | |
Zeleňáková et al. | Prediction of pollutant concentration in laborec river station, Slovak Republic | |
Jaffe et al. | Uncertainty analysis of first order decay model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140212 |
|
WD01 | Invention patent application deemed withdrawn after publication |