CN103577714A - 一种定量预测环境复合污染物联合毒性的方法 - Google Patents

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

一种定量预测环境复合污染物联合毒性的方法

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ECx_mix,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(ECx_mix)=0时，对应的ECx_mix即为IA模型计算的效应浓度，结果标记为ECx_mix,IA。

$f\left({\mathrm{ECx}}_{\mathrm{mix}}\right)=E_{\mathrm{mix}}-1+\underset{i=1}{\overset{n}{\mathrm{\Π}}}(1-f_i(p_i\·{\mathrm{ECx}}_{\mathrm{mix}}))---\left(4\right)$

其中，ECx_mix是混合物产生x%效应时对应的效应浓度；ECx_i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；p_i是混合物中第i个组分的摩尔浓度比；c_mix表示混合物总浓度；E(c_i)是第i个组分在浓度c下的效应；f_i(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ECx_mix,exp；ECx_mix,exp、ECx_mix,CA和ECx_mix,IA取常用负对数后，利

CA： ${\mathrm{ECx}}_{\mathrm{mix}}={\left(\underset{i}{\overset{n}{\mathrm{\Σ}}}\frac{p_i}{{\mathrm{ECx}}_i}\right)}^{-1}---\left(2\right)$

IA： $E\left(c_{\mathrm{mix}}\right)=1-\underset{i=1}{\overset{n}{\mathrm{\Π}}}(1-E\left(c_i\right))---\left(3\right)$ 用PCR建立-log₁₀(ECx_mix,exp)与-log₁₀(ECx_mix,CA)和-log₁₀(ECx_mix,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(ECx_mix,exp)=b₀+b₁[-log₁₀(ECx_mix,CA)]+b₂[-log₁₀(ECx_mix,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(ECx_mix,CA))和IA(-log₁₀(ECx_mix,IA))计算结果作为自变量，以混合物实验设计的浓度(-log₁₀(ECx_mix,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(ECx_mix,exp)=-0.8452+0.3638[-log₁₀(ECx_mix,CA)]+0.3493[-log₁₀(ECx_mix,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ECx_mix,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(ECx_mix)=0时，对应的ECx_mix即为IA模型计算的效应浓度，结果标记为ECx_mix,IA；

CA： ${\mathrm{ECx}}_{\mathrm{mix}}={\left(\underset{i}{\overset{n}{\mathrm{\Σ}}}\frac{p_i}{{\mathrm{ECx}}_i}\right)}^{-1}---\left(2\right)$

IA： $E\left(c_{\mathrm{mix}}\right)=1-\underset{i=1}{\overset{n}{\mathrm{\Π}}}(1-E\left(c_i\right))---\left(3\right)$

$f\left(\mathrm{EC}{x}_{\mathrm{mix}}\right)=E_{\mathrm{mix}}-1+\underset{i=1}{\overset{n}{\mathrm{\Π}}}(1-f_i(p_i\·{\mathrm{ECx}}_{\mathrm{mix}}))---\left(4\right)$

其中，ECx_mix是混合物产生x%效应时对应的效应浓度；ECx_i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；p_i是混合物中第i个组分的摩尔浓度比；c_mix表示混合物总浓度；E(c_i)是第i个组分在浓度c下的效应；f_i(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ECx_mix,exp；ECx_mix,exp、ECx_mix,CA和EC_xmix,IA取常用负对数后，利用PCR建立-log₁₀(ECx_mix,exp)与-log₁₀(ECx_mix,CA)和-log₁₀(ECx_mix,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(ECx_mix,exp)=b₀+b₁[-log₁₀(ECx_mix,CA)]+b₂[-log₁₀(ECx_mix,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。

Images