4月17日，南京大学胡海东副教授课题组在Water Research发表了题为“Model-driven high-throughput zebrafish embryo assay for evaluating whole effluent toxicity variation across 100 full-scale wastewater treatment plants”的研究论文，通过机器学习模型（ML）筛选出最优模型，开发了高通量检测污水处理厂排水综合毒性的方法。
人类活动导致污染物向环境中扩散，对生态系统和水生生物构成潜在风险。传统方法通常通过检测污水处理厂进出水中的特定污染物来评估这些风险，但废水中污染物往往以复杂混合物形式存在，其中许多成分无法通过化学分析识别，导致污染评估存在显著不确定性。研究表明，化学方法仅能解释总体毒性的极小部分。相比之下，生物检测法通过综合评估所有污染物（包括未知物质及转化产物）的联合效应来反映实际毒性。因此，引入美国环境保护署（EPA）定义的废水综合毒性（WET）——即设施排放废水中所有污染物对水生生物的综合毒效应——对全面生物毒性评估至关重要。
斑马鱼胚胎是评估废水综合毒性的重要模型，但基于国际标准化组织（ISO）方法的急性毒性检测需消耗大量胚胎且操作复杂耗时。本研究提出一种替代方案：通过开发模型驱动的高通量检测方法，利用实际废水结合机器学习技术和简化实验流程的多维指标，实现快速LC10（10%受试生物致死的污染物浓度）预测。对比了三种简化毒性检测（发育毒性、行为毒性和血管毒性）及五种模型，发现基于行为毒性的Lasso模型效果最佳（R²=0.893），实验耗时减少5至8倍，且五折交叉验证证实其预测稳健性。将该方法应用于中国100座污水处理厂，揭示了生物处理（尤其是好氧工艺和二沉池）对毒性削减的关键作用。此高通量检测法不仅效率超越ISO标准，还大幅降低胚胎用量，支持更大样本量的实际废水快速WET评估。
声明：本公众号仅用于分享前沿学术成果，无商业用途。如涉及侵权，请联系公众号后台删除！
