-
全氟和多氟烷基化合物（PFASs）是一类人工合成化合物，其结构由氢原子被氟原子取代的烷基链和亲水官能团构成[1 − 2]. 随着全氟辛烷磺酸（PFOS）和全氟辛烷羧酸（PFOA）的使用受到限制[3 − 4]，市场上涌现出大量短链和新型PFASs替代物[5 − 9]. PFASs具有极强的C—F键，表现出疏水疏油性、热稳定性和化学稳定性等特性[10 − 11]. 在电镀、消防泡沫、皮革和纺织品等制造行业广泛应用[1,12 − 16]. 此外，PFASs广泛存在于水、土壤和大气等环境介质中[1,17]. 由于其结构稳定且在环境中难以降解，会逐渐在食物链中累积富集并传播至人体的血液和肝脏等组织器官中[18]，进而对人体神经系统、生殖系统、肝脏系统和内分泌系统造成损害[18 − 19]. 研究表明，PFASs在水环境中大量存在且对水生生物和水生生态系统均具有危害[20]. 因此，研究PFASs在水生生态系统中对不同营养级生物的毒性影响对评估水生系统中PFASs的毒理学特性至关重要.
鱼类、大型溞类和藻类常被作为研究水生生态系统中污染物影响的典型模型，它们分别处于不同的营养级，具有强大的繁殖能力，并形成食物链关系[21 − 24]. 研究PFASs对这些物种的毒性影响有助于揭示PFASs在水体环境中的行为、潜在危害以及对人体健康的威胁[25]. 例如，Guillette等[26]的研究表明PFASs会导致鱼类的免疫和肝脏功能受损. Huang等[27]的研究显示，PFASs会在鱼类的血液和肝脏中积累，并导致肝脏出现氧化应激现象. 对大型溞的研究表明，PFOS和PFOA混合物对其具有协同的急性和慢性毒性作用，主要表现在抑制多种酶的活性上[28]. Jeong等[29]的研究发现，PFOS会影响大型溞的体重和AChE等酶的活性. 此外，研究表明，PFASs会对藻类细胞膜造成损害，降低叶绿素含量，并损害其抗氧化系统[30]. Liu等[31]对小球藻的研究显示，六氟环氧丙烷二聚酸（GenX）暴露会抑制其生长，并对其光合系统产生了负面影响. 综上所述，选择鱼类、大型溞类和藻类作为水生生物种模型研究PFASs的毒性作用，有助于深入理解这些物质在水生生物体内的生物累积特征及其潜在的生态风险.
相比于传统的生物实验，采用计算模型来探究PFASs的毒性机制能够提高研究效率并降低成本[32]. 定量构效关系（QSAR）模型通过定量化分子结构与生物活性之间的关系，能够有效预测化合物的生物活性并解释其毒性机理，在医药、生物学和环境化学等多个领域具有广泛应用[33 − 34]. 此外，已有研究采用QSAR模型结合分子对接和分子动力学（MD）模拟的方法来研究PFASs的生物毒性. 例如，Yang等[35]使用MD模拟研究了全氟烷基酸化合物（PFCs）与人体转甲状腺素蛋白（hTTR）的结合机制. 结果显示，PFCs可与hTTR中的相关残基形成静电相互作用和氢键作用. 该研究还建立了QSAR模型来解析结合机制，结果与分子对接和分子动力学模拟相一致. 尽管有研究采用QSAR模型探究PFASs对人体的危害，但针对PFASs在水生环境中的毒性机制，现有的QSAR研究较少且局限于单一水生生物种和PFASs类型. 例如，Zhang等[36]采用QSAR模型分析了影响PFASs对大型溞和藻类生物毒性的关键因素. 然而，该研究中使用的描述符和PFASs种类较为有限，缺乏对PFASs水生毒性作用机制的深入理解. 因此，研究PFASs在水生环境中的毒性机制能够弥补PFASs毒性数据和信息不足的问题.
本研究利用多元线性回归（MLR）建模方法构建了PFASs单一水生生物毒性和水生食物链联合毒性的2D-QSAR模型. 通过深入分析2D-QSAR模型结果，揭示了PFASs对水生生物急性毒性的主要影响因素和作用机制. 该模型旨在预测PFASs对单一水生生物和水生食物链联合毒性. 此外，研究结合了分子对接技术，针对鱼类、大型溞类和藻类3种水生生物的相关蛋白质受体，从分子层面探索了PFASs的毒性作用机制. 通过分子动力学模拟，还探讨了不同环境条件对PFASs水生毒性的影响. 这些研究成果有助于深化对PFASs水生毒性机制的理解，为预测PFASs对水生生物的毒性提供重要参考，并为未来研究新型PFASs化合物及其毒性机理提供了重要的理论支持.
-
本研究采用美国环境保护署（Environmental Protection Agency, EPA）开发的EPI（Estimation Programs Interface）suiteTM.Ver.4.11软件中的ECOSAR模块，收集了122种PFASs对鱼类、大型溞类和藻类的急性毒性数据，包括鱼类的96 h半致死浓度（LC50）、大型溞类的48 h半致死浓度（LC50）以及藻类的96 h半效应浓度（EC50）. 毒性数值越低表示对应PFASs的毒性越强.
-
本研究采用最优解理想度排序方法（Technique for Order Preference by Similarity to Ideal Solution, TOPSIS）模型进行数学评价，以评估鱼类、大型溞类和藻类的食物链联合毒性. 该模型确定每个指标的理想最优解和最劣解，并计算与理想解的距离最短、与最劣解的距离最远的替代方案，以进行评价[37]. 该模型的主要特点在于能够将不同量纲的指标组合成一个综合评分，通常取值范围在0到1之间. 针对PFASs对水生生物的食物链联合毒性评估，本研究选取鱼类、大型溞类和藻类的急性毒性的最大值作为理想最优解，最小值作为最劣解，并采用了3∶2∶1的权重比进行计算. 具体的计算方法如下所述：
决策矩阵x：
归一化决策矩阵：
式中，
$ {x}_{ij} $ 为急性毒性数据值；i表示PFASs中第i个样本；j表示鱼类、大型溞类及藻类急性毒性指标；m为样本个数，m=122；n为选取的水生生物物种总数，n=3.加权归一化矩阵：
式中，
$ {w}_{j} $ 为指标j的权重且$ {\sum }_{j=1}^{n}{w}_{j}=1 $ .确定理想最优解
$ {A}_{j}^{+} $ 和最劣解$ {A}_{j}^{-} $ 的表达式如下：计算样本i与理想最优解
$ {d}_{i}^{+} $ 和最劣解$ {d}_{i}^{-} $ 距离的表达式如下：评估综合评价得分
$ {S}_{i} $ 值的表达式如下： -
本文基于密度泛函理论（DFT），采用Gaussian 09软件包在B3LYP/6-31G*水平下，对122个PFASs的分子结构进行了初步优化. 随后，针对结构最稳定的PFASs分子，本文分别使用def2-TZVP基组和def2-TZVPD基组进行了单点能量计算，以获得12个量子化学参数，详见表1. 这些参数包括总能量（TE, eV）、最高占据分子轨道能（EHOMO, eV）、最低未占据分子轨道能（ELUMO, eV）、最正密里根电荷数（q+, eV）、最负密里根电荷数（q−, eV）、偶极矩（μ, Debye）以及四极矩（Qxx、Qyy、Qzz、Qxy、Qxz、Qyz, Debye-Ang）. 同时，本文使用EPI suiteTM.Ver.4.11软件预测了PFASs的6个物理化学参数，包括分子质量（MW）、辛醇/水分配系数（lgKow）、蒸汽压（lgPL）、沉积物吸附系数（lgKoc）、生物富集因子（lgBCF）和水中溶解度（lgWat Sol）. 所有PFASs分子的物理化学参数和量子化学参数值详见表S1中.
-
本文对计算得到的18个量化参数和物化参数值进行离差标准化处理. 随后，利用Python软件编辑器编写程序代码，对标准化后的数据集进行Pearson相关性分析，计算得到每个特征值之间的Pearson相关性系数（PCC）. 根据PCC进行初步筛选，以确保任意两特征值间的相关性均在合理范围内（即|PCC|<0.9）. 最后，根据初步筛选得到的特征值，判断特征值是否存在异常，其转化函数为：
式中，
$ {x}_{\mathrm{n}\mathrm{e}\mathrm{w}} $ 和$ {x}_{i} $ 分别为PFASs参数的标准化特征值和原始特征值；$ {u}_{x} $ 和$ {\sigma }_{x} $ 分别为PFASs分子关键特征值的平均数和均方差. -
本研究按照3:1的比例将原始数据集划分为训练集和测试集. 随后，根据因变量样本数与自变量的比例（5:1），进一步将训练集中的样本数据划分. 以PFASs对鱼类、大型溞类和藻类的单一急性毒性值以及水生食物链联合毒性值作为因变量，以经过最终筛选得到的量化参数和物化参数作为自变量，采用SPSS软件中的多元线性回归方法（multiple linear regression, MLR）构建PFASs单一水生急性毒性和食物链联合毒性的2D-QSAR模型.
本研究采用相关系数R、相关系数界值R′以及留一交叉验证相关系数Q2LOO来评估模型效果[36,38 − 39]. 模型的应用域通过Williams图来表征，即将化合物的杠杆值与标准残差作图. 相关计算公式详见表S2，并使用Python软件实现.
-
本研究选取了鱼类肝脂肪酸结合蛋白（LFABP）、大型溞乙酰胆碱酯酶（AChE）以及藻类叶绿体光系统Ⅱ中的DI蛋白（PDB:1FC6）作为受体. 蛋白质模型和基因序列均来自Uniprot（
https://www.uniprot.org/ ）和RCSB PDB（https://www.rcsb.org/ ）网站. 由于在鱼类物种中缺乏相关的LFABP，本研究采用同源建模的方法，以人肝脂肪酸结合蛋白（PDB：3STK）为模板蛋白，通过在SWISS-MODEL网页（https://swissmodel.expasy.org/ ）上输入3STK蛋白的FASTA序列建立了鱼类LFABP模型，并利用SAVES服务器（https://saves.mbi.ucla.edu/ ）上的PROCHECK检测对模型进行了质量评估，结果表明得到的模型构型合理（图S1）. 本研究选取PFOS分子作为PFASs配体的代表，PFOS分子模型采用Gaussian 09软件在B3LYP/6-31G*水平下进行优化. 所有的分子对接研究均在Autodock Vina软件上进行. 使用MGLTools界面对所有蛋白质受体和配体进行预处理，包括去除受体中的水分子模型和多余的配体模型，并对其进行加氢和加电荷处理，同时对配体进行电荷计算并确定其扭转键. 通过设置网格框大小（40×40×40）和中心位置以包裹受体活性对接位点. 最后，利用软件中的Docking模块分别对PFOS模型与鱼类、大型溞类和藻类的受体模型进行分子对接研究. 分子对接结果采用Discovery studio visualizer软件进行可视化和相互作用分析. -
本文根据分子对接得到的蛋白质-配体复合物构建了分子动力学（MD）模拟模型. 蛋白质-配体复合物被放置于一个立方体盒子中，盒子边界距离设置为0.8 nm，通过GROMACS软件的solvate命令填充水分子. 随后，使用Na+或Cl−离子替换部分水分子，以中和体系的总电荷. 模拟过程中，采用周期性边界条件以消除边界效应. 所有模型均使用GROMOS96 54a7力场参数，其中，水分子模型选用了SPC模型. 长程库伦相互作用通过Particle Mesh Ewald（PME）方法处理，库伦和范德华相互作用的截断半径均设置为1.0 nm. 模拟的总步数设置为
5000000 步，时间步长为2 fs. 整个模拟过程在恒温恒压（NPT）系统下进行，温度保持在298.15 K，压力维持在1 bar. 最后，通过选取一段达到平衡态的模拟轨迹，利用Molecular Mechanics-Poisson Boltzmann Surface Area（MM˗PBSA）方法计算蛋白质-配体复合物的平均结合自由能. 上述模拟和计算均通过GROMACS软件完成. 具体计算公式如下.结合自由能定义为:
根据定义,在溶液中可将分子的自由能写为:
其中的溶剂化自由能又可分解为极性部分和非极性部分:
在MM-PBSA方法中, 气相的能量和熵的贡献根据MM方法计算:
其中Ebond、Eangle和Edihedral分别对应于键，键角和二面角的相互作用，Evdw和Ecoulomb分别代表范德华和库仑静电相互作用.
MD模拟计算研究分为两组. 第一组分析了在水溶液环境和常温常压条件下（298.15 K，1 bar），PFOS与3种不同营养级生物毒性靶标受体的结合自由能（ΔEbinding），以初步评估PFOS对水生物种的毒性，并将这一模拟计算结果作为后续研究的基准. 第二组分析通过调整MD模拟参数，包括溶剂化、恒定温度和溶液中的离子强度，研究了不同环境条件对PFOS水生毒性的影响，以深入探讨PFASs对水生生物的毒性机制. 在探讨溶剂化效应对PFASs水生生物毒性的影响时，本文分别在水盒子中添加了20%（V/V）的甲醇和正己烷作为极性溶剂和非极性溶剂，以研究溶剂极性对PFOS水生毒性的影响. 在模拟温度对PFASs水生毒性的影响时，本文通过改变MD模拟中的温度参数，分别设定了高温（313.15 K）和低温（273.15 K）两种环境条件，计算PFOS与3类水生生物体内毒性靶标受体的结合自由能，以评估不同温度对PFOS水生毒性的影响. 在探究不同离子强度对PFASs水生生物毒性的影响时，本文通过调节模拟溶剂中NaCl的浓度（0.1、0.6、1 mol∙L−1），研究不同离子强度条件下PFOS对水生生物的毒性影响.
-
表2中列出了122种PFASs对鱼类、大型溞类和藻类的急性毒性值（Fish LC50、Daphnia magna LC50和Green algae EC50），及其在水生食物链中的联合毒性. 分析结果显示，对于同一类PFASs分子，随着碳链长度的增加，急性毒性值逐渐降低. 根据中国生态环境部2004年颁布的新化学物质危害评估导则（HJ/T154—2004）中的生态毒理学危害性分级标准，可将PFASs对三类物种的急性毒性水平划分为4类，即极高毒性（急性毒性值≤1 mol∙L−1）、高毒性（急性毒性值>1—10 mol∙L−1）、中毒性（急性毒性值>10—100 mol∙L−1）和低毒性（急性毒性值>100 mol∙L−1）. 评估结果显示，相较于短链PFASs分子（C<6，PFSAs；C<7，PFCAs），长链PFASs化合物（C≥6，PFSAs；C≥7，PFCAs）[1]对鱼、大型溞和藻类均表现出极高毒性和高毒性效应. 另外，部分短链PFASs化合物对这3类物种的毒性效应属于中毒性和低毒性. 然而，对于特定的PFASs化合物，如全氟烷基碘化物、氟调聚物碘化物、甲基丙烯酸氟调聚物和全氟烷磺酰氟，相较于长链PFASs，其短链PFASs化合物对鱼类、大型溞和藻类也表现出极高和高毒性效应.
-
针对18个分子描述符参数，本文采用Pearson相关性分析剔除了相关性较强的参数（|PCC|≥0.9）. 通过图1的分析可知，PFASs分子的lgKoc和lgKow、lgKoc和MW以及TE和MW之间的|PCC|均大于0.9，先前的研究结果表明lgKow和TE为影响PFASs水生毒性的重要因素[36]. 因此，在本研究中剔除参数lgKoc和MW，选用余下的lgKow、lgPL、lgBCF、lgWat Sol、TE、EHOMO、ELUMO、q+、q−、μ、Qxx、Qyy、Qzz、Qxy、Qxz和Qyz参数进行特征值异常性分析.
-
通过公式（9）对Pearson相关系数法筛选出的16个特征值进行标准化处理（图2），发现在标准化处理后，特征参数Qyy、Qxz和Qyz的数值分布超出了[−3,3]范围，因此本研究剔除了这些异常参数. 最终结果如图3所示，以余下的13个参数作为自变量进行QSAR建模.
-
为进一步研究PFASs对水生生物的毒性作用机制，本节以Pearson相关性分析和特征值异常性分析筛选的13个PFASs理化参数和量化参数为自变量，以PFASs对鱼类、大型溞类和藻类的单一急性毒性和联合毒性作为因变量，借助SPSS软件中MLR方法构建PFASs单一水生急性毒性和水生食物链联合毒性2D-QSAR模型，具体建模方程如下：
鱼类（n=65 R=0.725>R′=0.396 P=0 Q2LOO=0.566）：
大型溞类（n=65 R=0.743>R′=0.396 P=0 Q2LOO=0.596）:
藻类（n=65 R=0.755>R′=0.396 P=0 Q2LOO=0.613）:
水生食物链联合毒性（n=65 R=0.740>R′=0.396 P=0 Q2LOO=0.589）:
方程中，参数n代表样本数；R代表相关系数；R′代表相关系数界值；P代表显著性水平. 方程的相关系数R均大于R′；显著性水平参数P<0.05，说明（15）、（16）、（17）和（18）回归模型均满足相关性系数显著性检验要求；留一交叉检验相关系数Q2LOO均大于0.5，说明模型具有一定的稳健性和预测性.
分析2D-QSAR相关模型参数发现，PFASs分子的lgKow、lgPL、lgBCF、lgWat sol、EHOMO、μ、Qxx和Qzz参数的系数均为负值，表明前述参数与PFASs对3类营养级水生生物的单一毒性和联合毒性呈负相关关系，即随特征参数值的升高，PFASs的水生急性毒性呈现增强趋势. lgKow与PFASs的疏水性相关，较高lgKow的PFSAs分子在水生生物体内与生物大分子更容易形成疏水相互作用，其在水中的毒性效应就越显著[40 − 41]. lgBCF能够表征PFASs分子在生物体内累积富集的程度，随着lgBCF值的增加，PFASs更容易在生物体内累积富集，从而表现出更高的生物毒性[42 − 43]. 另外，上述模型中ELUMO参数的系数为正值，表明该参数与PFASs的水生毒性呈正相关关系. 已有研究表明EHOMO和ELUMO与化合物的电离势相关，其可分别表征化合物的亲核性和亲电性[40]，说明PFASs的水生急性毒性水平与PFASs分子的得失电子能力相关. ELUMO与EHOMO的能量之差，即Energy gap，可充分表征化合物分子的稳定性，较低Energy gap值的化合物在反应中的反应性较高[41]，理论上其产生的水生生物毒性就越强，因此，PFASs分子的EHOMO值越大、ELUMO值越小，其得失电子能力越强，对水生生物的急性毒性水平就越高. 此外，研究表明软亲核试剂具有较高的EHOMO，而软亲电试剂具有较低的ELUMO[44]，而具有较高EHOMO和较低ELUMO的PFASs分子其水生急性毒性较强，因此软亲核试剂和软亲电试剂的PFASs分子一般显示出更高的毒性.
进一步分析发现TE、q+和q−的系数均为正值，说明前述参数与PFASs的单一水生生物毒性和联合毒性呈正相关关系，即随特征参数值的降低，PFASs的急性毒性呈现增强趋势. q−可以用于表征PFASs分子与毒性作用靶标受体的静电相互作用能力，具有较低q−的PFASs分子更容易与氨基酸残基之间形成电荷转移相互作用，从而使PFASs表达出更高的生物毒性[40].
通过分析表3可知，回归模型（15）、（16）、（17）和（18）中具有较大标准化系数的参数为lgKow、lgBCF和lgWat sol. 这表明lgKow、lgBCF和lgWat sol在模型中的贡献率较高，强调了PFASs的疏水性和生物累积性对其水生生物毒性的关键影响[45].
整体而言，PFASs分子对水生生物的急性毒性与PFASs的得失电子能力、静电相互作用能力、疏水性和生物累积性密切相关. 随PFASs得失电子能力、静电相互作用能力、疏水性和生物累积性的增强，PFASs对水生生物可能具备更强的水生急性毒性，由其结构特性对水生态系统中不同营养级生物产生单一或联合急性毒性需要重点关注.
-
水生食物链联合毒性QSAR模型能够有效综合3种单一水生生物毒性QSAR模型的应用领域，因此，本研究通过Williams图（图4）重点对模型（18）的适用范围进行了表征和分析，其余模型（15）、（16）和（17）的应用域表征见图S2. 图4展示了标准化残差值和杠杆值的关系，警戒杠杆值（h*）为0.431. 在模型的应用域内，化合物的预测准确性较高；而对于应用域外的化合物，则存在较大的预测不确定性[46]. 在训练集和测试集中，有3种PFASs（包括PFBA、PFPeDA和4:2FTSA）被认为是离群点，其标准化残差值超过3，杠杆值小于h*，其余化合物均位于应用域内. 这些离群点均为短链PFASs，其毒性值被低估. 根据第2.1节和表2的分析，这些短链PFASs表现出低毒性的特征，具有较高的急性毒性值. 先前的研究指出，有机污染物对水生生物的高急性毒性值的准确评估存在一定挑战[47]，这可能是导致所建立的QSAR模型在这些化合物预测中表现出显著不确定性的原因.
-
为了深入研究PFASs对水生生物的毒性作用机制，本研究利用分子对接技术分析了PFASs分子与鱼类、大型溞类和藻类体内毒性靶标受体之间的相互作用模式，揭示了PFOS与上述毒性靶标相互作用的关键氨基酸残基. 通过图5和图6的结果显示，本文发现PFOS与鱼体LFABP受体相互作用时，关键的相互作用位点包括ARG125、THR105、ASN114、PHE98和LEU74残基，主要形成静电相互作用、氢键相互作用、卤素键和疏水相互作用. 在分析PFOS与大型溞体内AChE受体的相互作用时，本文发现PFOS与AChE受体的LEU461、PHE504、ASP247、TYR507和TRP259残基之间形成了氢键相互作用、卤素键和疏水相互作用. 对于PFOS与藻类体内1FC6蛋白受体的相互作用分析，本文发现PFOS与GLN220、LYS397、TYR213等残基形成了氢键相互作用，与LEU165、GLU166、ILE167和GLN401则形成了卤素键作用，与LEU212和PHE140形成了疏水相互作用. 此外，3类受体中还存在许多氨基酸残基与PFOS之间形成的范德华力相互作用. 总结来看，PFOS与鱼类、大型溞类和藻类体内毒性靶标受体的相互作用主要涉及范德华力、氢键、卤素键和疏水相互作用. 值得注意的是，在PFOS与鱼体内LFABP受体的结合过程中，观察到较强的静电相互作用力，其可能是由于鱼体内肝脂肪酸受体特定氨基酸残基的电荷特性所致. 综上所述，PFOS与3种水生生物体内靶标受体形成的非键相互作用均受到范德华力的显著影响，其是PFOS对水生生物产生毒性作用的一个重要影响因素. 在PFOS对鱼体内LFABP受体产生不良影响过程中，静电相互作用也具有重要作用.
-
本研究使用分子对接结果作为初始构型，采用分子动力学模拟方法研究PFASs对水生生物的毒性作用机制，并结合1.7节中介绍的模拟实验方案，研究了不同环境条件对PFASs水生毒性的影响(图7). 通过计算蛋白质-配体复合物的均方根偏差（RMSD），初步判断复合物体系结构是否处于稳定状态. 如图8所示，PFOS与3类受体在3 ns后均趋于稳定状态，其RMSD值分别稳定在0.25、2和0.35. 选取模拟轨迹中8—10 ns的时间段，采用MM-PBSA方法分别计算鱼类、大型溞类和藻类受体-配体复合物体系结合自由能大小. 结果如表4所示，对照组中PFOS与3类物种受体的结合自由能分别为（−126.502 ± 11.607）、（−101.015 ± 12.336）、（−39.925 ± 14.539） kJ∙mol−1. 这些结果表明PFOS对3类营养级水生生物均具有毒性作用，且毒性大小由高营养级向低营养级呈递减趋势，与原始急性毒性数据及QSAR模型数据结果相符.
本研究通过分别添加20%（V/V）甲醇和20%（V/V）正己烷溶剂，探讨了溶剂化效应对PFOS水生生物毒性的影响. 结果表明（详见表5），在20%甲醇溶液条件下，PFOS与鱼类、水溞类和藻类受体的结合自由能分别为（−136.857 ± 11.898）、（−125.582 ± 20.041）、（−93.726 ± 21.961） kJ∙mol−1. 与对照组相比，极性溶剂条件下PFOS与水生生物受体的结合自由能增大，表明其毒性增强. 而在20%正己烷溶液条件下，PFOS与鱼类、水溞类和藻类受体的结合自由能分别为（−62.248±10.870）、（−55.550 ± 19.154）、（−0.890 ± 14.106） kJ∙mol−1，表明在非极性溶剂条件下PFOS与水生生物的结合自由能减小，其毒性减弱. 此外，lgKow作为一种溶剂化特性，在QSAR模型分析中与PFASs毒性显著相关，这一结果与MD模拟结果一致[40].
MD模拟计算不同温度条件对PFASs水生毒性的结果表明（表6），在278.15 K和318.15 K温度下，PFOS与鱼类受体的结合自由能分别为（−125.803 ± 10.699） kJ∙mol−1和（−128.367 ± 14.438） kJ∙mol−1，与水溞类受体复合物的结合自由能分别为（−82.546 ± 4.301） kJ∙mol−1和（−61.869 ± 11.181） kJ∙mol−1，与藻类受体复合物的结合自由能分别为（−14.755 ± 19.730） kJ∙mol−1和（−19.814 ± 10.680） kJ∙mol−1. 与对照组相比，PFOS与鱼类受体的结合能力在不同温度条件下无显著影响，而与水溞类和藻类物种受体在低温和高温条件下结合能力均显著下降.
水中离子强度能够影响水生物种的生理状况，因此，水中离子强度可能对水生生物组织中PFASs的毒性作用具有一定影响. 由表7中MD计算结果可知，在0.1、0.6、1 mol∙L−1的NaCl浓度下，PFOS与鱼类受体的结合自由能分别为（−124.694 ± 9.861）、（−116.360 ± 16.182）、（−119.863 ± 14.917）kJ∙mol−1，其结合自由能无显著变化，而PFOS与水溞类及藻类受体的结合自由能分别为（31.702 ± 12.868）、（2.872 ± 14.113）、（66.295 ± 23.973）kJ∙mol−1及（0.280 ± 15.115）、（2.500 ± 16.444）、（21.310 ± 11.549）kJ∙mol−1，均为正值. 结果表明，在一定离子强度条件下，PFOS与鱼类生物受体的结合能力无显著变化，而与水溞类和藻类生物受体的结合能力显著降低.
综上所述，PFOS对3类营养级水生生物受体均具有一定结合能力，呈现出一定毒性作用，且毒性大小由高级营养级向低级营养级呈递减趋势. 在研究溶剂化效应对PFOS水生毒性的影响时发现，极性溶剂化条件能够增强PFOS对鱼类、水溞类和藻类生物受体的结合能力，表明其毒性增强，而非极性溶剂化条件能够降低PFOS与鱼类、水溞类和藻类生物受体的结合自由能，表明其毒性减弱，说明溶剂化条件对PFOS在水生生物体内的毒性具有重要影响；在高温、低温和一定离子强度的条件下，PFOS对鱼类生物受体的结合能力无显著影响，但对水溞类和藻类生物受体的结合自由能有所降低.
-
深入研究PFASs毒性机制对维护人体健康和生态环境安全至关重要. 本研究旨在探究PFASs对水生生物的急性毒性机制，并得出以下结论：（1）构建了PFASs水生急性毒性的2D-QSAR模型. 模型机理分析显示，PFASs分子的得失电子能力、静电相互作用能力、疏水性和生物累积性与其对水生生物的急性毒性密切相关；（2）通过分子对接技术研究了PFOS与水生生物的毒性作用机制. 研究结果显示，PFASs主要通过范德华力与水生生物靶蛋白结合，静电相互作用在PFOS与鱼类靶蛋白结合中也发挥重要作用；（3）通过分子动力学模拟研究了不同环境条件对PFOS水生生物毒性的影响. 发现溶剂化效应可改变PFOS与3类营养级生物受体的结合自由能大小，进而影响PFOS的毒性作用，极性溶剂化条件下PFOS与3类营养级生物受体的结合自由能增大，毒性显著增强，而非极性溶剂化条件下则相反；在高温、低温和一定离子强度条件下，PFOS与鱼类生物受体的结合自由能无显著变化，但会使PFOS与水溞类和藻类生物受体的结合自由能减小，降低其毒性影响. 本研究从计算模型的角度揭示了PFASs对水生生物的毒性影响及作用机制，为未来研究新型PFASs水生生物毒性提供了重要的理论依据.
全氟和多氟烷基化合物（PFASs）对水生生物急性毒性机制的理论计算研究
Theoretical computational study on the mechanisms of acute toxicity of per- and polyfluoroalkyl substances (PFASs) to aquatic organisms
-
摘要: 全氟和多氟烷基物质（PFASs）是水环境中普遍存在的持久性化合物，具有生物累积性和生物毒性，对动植物和人类健康构成潜在威胁. 尽管近年来已有大量关于PFASs毒性的研究，但对其水生毒性的关键影响因素仍缺乏深入探讨. 除生物实验外，计算模型在获取PFASs的毒理学数据和信息方面发挥了至关重要的作用. 本研究通过构建PFASs单一水生生物急性毒性和食物链联合毒性2D-QSAR模型，研究了PFASs对水生生物毒性的主要影响因素和毒性机理. 结果表明，PFASs分子的水生急性毒性与其得失电子能力、静电相互作用能力、疏水性和生物累积性密切相关. 通过分子对接技术发现，PFASs主要通过范德华力和静电相互作用与水生生物的靶蛋白结合，从而导致毒性效应. 此外，采用分子动力学模拟研究了不同环境条件对PFASs水生生物毒性的影响. 模拟结果显示，溶剂化效应对PFASs的水生毒性具有显著影响，同时温度和离子强度条件对不同的水生生物表现出不同的影响. 本研究从计算模型的角度揭示了PFASs对水生生物的毒性机制，为未来研究新型PFASs的毒性特性提供了理论依据.Abstract: Per- and polyfluoroalkyl substances (PFASs) were persistent compounds widely present in aquatic environments, exhibiting bioaccumulative and biotoxic properties that posed potential threats to the health of animals, plants and humans. Despite extensive research on the toxicity of PFASs in recent years, there remained a lack of comprehensive investigation into the key factors influencing their aquatic toxicity. In addition to the biological experiments, computational modeling played a crucial role in obtaining toxicological data and information on PFASs. In this study, 2D-QSAR model was constructed to assess the acute toxicity of PFASs to aquatic organisms and their combined toxicity within food chains, aiming to investigate the key factors and toxic mechanisms of PFASs. The results indicated that the aquatic acute toxicity of PFASs was closely related to their inherent properties, such as electron affinity, hydrophobicity and bioaccumulation. Molecular docking studies revealed that PFASs primarily interacted with target proteins of aquatic organisms through van der Waals and electrostatic interactions, thereby inducing toxic effects. Furthermore, molecular dynamics simulations were employed to study the influence of various environmental conditions on the aquatic toxicity of PFASs. The simulation results demonstrated that solvation effects significantly impacted on the acute toxicity of PFASs to aquatic organisms. Additionally, the temperature and ionic strength exhibited varying impacts on different aquatic organisms. This study revealed the toxic mechanisms of PFASs to aquatic organisms from the perspective of computational models, providing a theoretical basis for future research on the toxic characteristics of novel PFASs.
-
-
图 1 PFASs分子描述符间的皮尔逊相关性系数
Figure 1. Pearson correlation coefficients among molecular descriptors of PFASs
图 2 PFASs16个特征参数的标准化特征值
Figure 2. Standardized characteristic values of 16 feature parameters of PFASs
图 3 皮尔逊相关性分析和特征值异常性分析筛选结果
Figure 3. Pearson correlation analysis and characteristic values anomaly analysis screening results
图 4 水生食物链联合毒性QSAR模型的Williams图
Figure 4. Williams plot of QSAR model for aquatic food chain combined toxicity
图 5 PFOS配体与不同水生生物受体的分子对接构型
Figure 5. The molecular docking configurations of the PFOS ligand with different aquatic receptors
图 6 PFOS配体分别与不同水生生物受体的分子对接二维平面构型
Figure 6. The two-dimensional molecular docking configurations of the PFOS ligand with different aquatic receptors
图 7 0.1 mol∙L−1 NaCl溶液中的藻类1FC6受体与PFOS配体在活性位点处的构型
Figure 7. The configuration of the algae 1FC6 receptor and the PFOS ligand at the active site in 0.1 mol∙L−1 NaCl solution
图 8 PFOS配体分别与鱼类LFABP受体、大型溞类AChE受体和藻类1FC6受体的均方根偏差（RMSD）
Figure 8. The root mean square deviation （RMSD） of the PFOS ligand with the fish LFABP receptor, the daphnia AChE receptor and the algae 1FC6 receptor, respectively
表 1 量子化学参数及计算方法
Table 1. Quantum chemical parameters and calculation methods
量子化学描述符
Quantum chemistry descriptors单位
Units泛函/基组
Functional/Basis setTotal energy eV B3LYP/def2-TZVP EHOMO eV B3LYP/def2-TZVP ELUMO eV B3LYP/def2-TZVP q+ eV B3LYP/def2-TZVP q− eV B3LYP/def2-TZVP μ Debye B3LYP/def2-TZVPD Qxx Debye-Ang B3LYP/def2-TZVPD Qyy Debye-Ang B3LYP/def2-TZVPD Qzz Debye-Ang B3LYP/def2-TZVPD Qxy Debye-Ang B3LYP/def2-TZVPD Qxz Debye-Ang B3LYP/def2-TZVPD Qyz Debye-Ang B3LYP/def2-TZVPD 
下载: 导出CSV
表 2 PFASs对鱼类、大型溞类和藻类的单一水生急性毒性值和食物链联合毒性值
Table 2. Individual aquatic acute toxicity values and combined food chain toxicity values of PFASs to fish, daphnia magna and algae
序号
No.化合物
Compounds鱼类半致死浓度/
（mol∙L−1）
Fish LC50大型溞类半致死浓度/
（mol∙L−1）
Daphnia LC50藻类半效应浓度/
（mol∙L−1）
Algae EC50水生食物链联合毒性
Aquatic food chain
combined toxicity1* PFBA 1322.594 760.58 597.144 0.12742903 2* PFPeA 408.974 250.178 253.58 0.042259562 3* PFHxA 121.927 79.399 103.822 0.0139303 4* PFHpA 35.429 24.523 41.429 0.004648256 5 PFOA 10.1 7.437 16.22 0.001587975 6* PFNA 2.837 2.222 6.258 0.000556553 7* PFDA 0.788 0.656 2.386 0.000199232 8 PFUnDA 0.217 0.192 0.901 7.23364 ×10−59* PFDoDA 0.059 0.056 0.338 2.64914 ×10−510* PFTrDA 0.016 0.016 0.126 9.72447 ×10−611 PFTeDA 0.004 0.005 0.047 3.58793 ×10−612 PFPeDA 0.00116 0.00131 0.017 1.2783 ×10−613* PFHxDA 0.000309 0.000374 0.006 4.36927 ×10−714 PFHpDA 0.0000823 0.000106 0.002 1.31916 ×10−715* PFODA 0.000028 0.0000298 0.000837 4.33115 ×10−816 PFBS 3597.024 2008.247 1395.165 0.337737871 17* PFPeS 1051.869 624.692 560.288 0.10471243 18* PFHxS 301.319 190.354 220.417 0.03265096 19 PFHpS 84.968 57.098 85.357 0.010376131 20* PFOS 23.664 16.916 32.647 0.003393291 21* PFNS 6.525 4.961 12.362 0.001145789 22 PFDS 1.784 1.443 4.642 0.000398089 23 PFUnDS 0.484 0.417 1.731 0.000141267 24* PFDoDS 0.131 0.12 0.642 5.08332 ×10−525* C6-PFPA 366.583 229.563 256.359 0.039171476 26 C8-PFPA 28.791 20.401 37.972 0.004024898 27* C10-PFPA 2.171 1.74 5.399 0.000467241 28* C6/C6-PFPIA 0.02 0.018 0.09 7.15676 ×10−629 C8/C8-PFPIA 0.000102 0.000118 0.00162 1.03361 ×10−730 C6/C8-PFPIA 0.00145 0.00147 0.012 9.06543 ×10−731 PFHxI 0.193 0.154 0.462 4.03143 ×10−532* PFOI 0.015 0.013 0.067 5.31624 ×10−633* 4:2FTI 0.339 0.261 0.683 6.2197 ×10−534* 6:2FTI 0.027 0.023 0.103 8.31275 ×10−635* 8:2FTI 0.002 0.002 0.015 1.14215 ×10−636* 4:2FTO 1.418 1.005 1.87 0.00019833 37 6:2FTO 0.125 0.1 0.312 2.69591 ×10−538* 8:2FTO 0.01 0.009 0.048 3.78582 ×10−639* 4:2FTOH 23.74 14.879 16.675 0.00254361 40* 6:2FTOH 2.056 1.458 2.724 0.000288289 41* 8:2FTOH 0.165 0.132 0.411 3.55359 ×10−542 10:2FTOH 0.013 0.011 0.059 4.66705 ×10−643 4:2FTAC 1.093 1.034 0.224 0.000124835 44* 6:2FTAC 0.663 0.409 0.122 6.1955 ×10−545 8:2 FTAC 0.379 0.153 0.063 3.14627 ×10−546 10:2FTAC 0.209 0.055 0.031 1.62978 ×10−547* 4:2FTMAC 0.466 0.423 0.086 5.19111 ×10−548* 6:2FTMAC 0.068 0.066 0.049 8.64116 ×10−649 8:2FTMAC 0.009 0.01 0.026 2.25318 ×10−650 10:2FTMAC 0.00127 0.00139 0.014 1.05391 ×10−651 4:2monoPAP 36.607 22.772 24.739 0.00387751 52 6:2monoPAP 2.969 2.09 3.784 0.000407584 53* 8:2monoPAP 0.229 0.182 0.549 4.78688 ×10−554* 10:2monoPAP 0.017 0.015 0.077 6.11026 ×10−655* 4:2diPAP 0.026 0.023 0.106 8.50995 ×10−656* 4:2/6:2diPAP 0.00194 0.00194 0.015 1.14074 ×10−657* 6:2diPAP 0.00014 0.000158 0.002 1.32543 ×10−758 6:2/8:2diPAP 0.0000099 0.0000126 0.000267 0 59* 4:2FTAL 4.248 4.072 7.871 0.000768957 60* 6:2FTAL 1.169 0.575 1.505 0.000152117 61* 8:2FTAL 0.297 0.075 0.266 3.04663 ×10−562* 10:2FTAL 0.072 0.009 0.045 6.33202 ×10−663* 4:2FTUAL 0.303 36.904 25.243 0.003862241 64 6:2FTUAL 0.318 4.22 4.628 0.000521024 65* 8:2FTUAL 0.305 0.441 0.776 7.46967 ×10−566 10:2FTUAL 0.278 0.044 0.123 2.27772 ×10−567 PFPeAL 7.268 8.899 15.393 0.001517982 68* PFHpAL 2.032 1.277 2.989 0.000295289 69* PFNAL 0.521 0.168 0.533 5.77057 ×10−570* 6:2 FTCA 13.326 9.652 19.669 0.001988517 71 8:2FTCA 1.059 0.868 2.947 0.000249589 72* 10:2FTCA 0.08 0.075 0.422 3.3251 ×10−573* 6:2FTUCA 25.416 17.842 31.951 0.003462117 74* 8:2FTUCA 2.043 1.623 4.844 0.000423579 75 10:2FTUCA 0.156 0.141 0.699 5.57513 ×10−576 4:2FTSA 10988.335 5859.815 3367.618 1 77 6:2FTSA 900.811 543.667 520.667 0.091369865 78 8:2FTSA 69.818 47.67 76.108 0.008848871 79 10:2FTSA 5.217 4.031 10.726 0.000971326 80 PBSF 0.544 0.42 0.8 8.2096 ×10−581* PHxSF 0.161 0.048 0.128 1.58933 ×10−582 POSF 0.045 0.005 0.019 3.62262 ×10−683 FBSA 14.007 9.183 0.562 0.001325519 84* FHxSA 2.064 0.73 0.11 0.000165587 85* FOSA 0.285 0.054 0.02 2.15315 ×10−586* MeFBSA 6.809 3.601 0.302 0.000597995 87 MeFOSA 0.136 0.021 0.011 1.01913 ×10−588 EtFBSA 3.624 2.494 4.114 0.000468759 89 EtFOSA 0.062 0.008 0.005 4.61988 ×10−690 FBSE 37.082 30.717 1.332 0.003902539 91 FHxSE 5.288 2.364 0.254 0.000444101 92* FOSE 0.716 0.173 0.046 5.49514 ×10−593* FBSAA 265.131 197.722 10.007 0.026488379 94 FHxSAA 37.475 15.085 1.888 0.003076566 95* FOSAA 5.043 1.096 0.339 0.00038407 96 MeFBSE 27.26 20.487 1.025 0.002735816 97 MeFHxSE 3.853 1.563 0.193 0.000316828 98* MeFOSE 0.519 0.114 0.035 3.95546 ×10−599* EtFBSE 12.62 7.564 0.528 0.001154656 100 EtFHxSE 1.769 0.572 0.099 0.000140048 101* EtFOSE 0.237 0.041 0.018 1.78344 ×10−5102* MeFBSAA 194.609 131.673 7.687 0.018642529 103* MeFHxSAA 27.279 9.963 1.438 0.002199973 104 MeFOSAA 3.652 0.72 0.257 0.000276526 105* EtFBSAA 89.968 48.546 3.951 0.007948404 106 EtFHxSAA 12.514 3.645 0.734 0.000977823 107 EtFOSAA 1.667 0.262 0.13 0.000124996 108 HFPO-DA 161.736 104.154 130.56 0.018119105 109 HFPO-TA 2.615 2.061 5.966 0.000526278 110 HFPO-TeA 0.038 0.036 0.242 1.88449 ×10−5111 PFMOAA 6135.377 3269.282 1872.76 0.558082147 112* PFO2HxA 554.883 333.786 315.653 0.056110932 113 PFO3OA 46.572 31.626 49.374 0.005828572 114* PFO4DA 3.734 2.862 7.377 0.000675493 115 PFO5DoA 0.29 0.251 1.069 8.69157 ×10−5116* PF4OPeA 1063.263 619.43 513.099 0.103739999 117 PF5OHxA 324.452 201.064 215.02 0.034141975 118 EEA 40.674 27.917 45.548 0.005223694 119* ADONA 122.081 80.095 108.438 0.014169139 120 6:2Cl-PFESA 5.336 4.088 10.508 0.000963037 121 8:2Cl-PFESA 0.398 0.354 1.479 0.000120362 122* OBS 13.027 9.756 13.682 0.001667386 注: *为训练集. Note: * is training set.
下载: 导出CSV
表 3 鱼类、大型溞类和藻类的单一急性毒性以及水生食物链联合毒性的QSAR模型标准化系数
Table 3. Standardized coefficients of QSAR models for the individual acute toxicity of fish, daphnia and algae, as well as aquatic food chain combined toxicity
特征名称
Feature variables鱼类
Fish大型溞类
Daphnia藻类
Algae水生食物链联合毒性
Aquatic food chain combined toxicitylgKow − 0.584245364 − 0.591648753 − 0.701479091 − 0.603424299 lgPL − 0.153478559 − 0.18504573 − 0.14883392 − 0.171576358 lgBCF − 0.524719841 − 0.5323229 − 0.507168069 − 0.526420694 lgWat Sol − 0.391168029 − 0.37924601 − 0.417406398 − 0.388324539 TE 0.317239648 0.323919821 0.236401964 0.313555898 EHOMO − 0.255726667 − 0.261098137 − 0.287936617 − 0.264246316 ELUMO 0.066690069 0.063639559 0.091186159 0.068216999 q+ 0.103737349 0.098383152 0.067834161 0.096068008 q− 0.064321738 0.078322294 0.096864397 0.076153396 μ − 0.171026928 − 0.164649624 − 0.240782344 − 0.176352986 Qxx 0.154663097 0.157488045 0.160061432 0.156326377 Qzz 0.035040558 0.046469764 0.044190877 0.041043656 Qxy − 0.014712591 − 0.017018383 0.00455692 − 0.012503005
下载: 导出CSV
表 4 常温常压模拟条件下PFOS配体分别与3类水生生物受体的MM˗PBSA的计算结果
Table 4. The MM˗PBSA calculation results of PFOS ligand binding to three classes of aquatic organism receptors under normal temperature and pressure simulation conditions
复合物
Complex范德华相互作用/
（kJ∙mol−1）
Evdw库伦静电相互作用/
（kJ∙mol−1）
Eele极性溶剂化相互作用/
（kJ∙mol−1）
Epol结合自由能/
（kJ∙mol−1）
Ebinding鱼类-PFOS复合物 −164.172 ± 8.069 −135.446 ± 15.984 191.516 ± 13.703 −126.502 ± 11.607 大型溞类-PFOS复合物 −170.929 ± 9.341 36.950 ± 17.532 49.673 ± 18.927 −101.015 ± 12.336 藻类-PFOS复合物 −124.864 ± 9.444 83.837 ± 19.968 15.242 ± 19.260 −39.925 ± 14.539
下载: 导出CSV
表 5 配体-受体复合物分别在20%甲醇和20%己烷溶液中的分子动力学模拟计算结果
Table 5. Molecular dynamics simulation results of ligand-receptor complexes in 20% methanol and 20% hexane solutions, respectively
复合物
Complex溶剂
Solvent范德华相互作用/
（kJ∙mol−1）
Evdw库伦静电相互作用/
（kJ∙mol−1）
Eele极性溶剂化相互作用/
（kJ∙mol−1）
Epol结合自由能/
（kJ∙mol−1）
Ebinding鱼类˗PFOS复合物 水 −164.172 ± 8.069 −135.446 ± 15.984 191.516 ± 13.703 −126.502 ± 11.607 甲醇（20%, V/V） −149.909 ± 7.746 −148.720 ± 21.006 179.928 ± 16.039 −136.857 ± 11.898 己烷（20%, V/V） −89.103 ± 7.894 −127.594 ± 16.125 166.008 ± 13.770 −62.248 ± 10.870 大型溞类˗PFOS
复合物水 −170.929 ± 9.341 36.950 ± 17.532 49.673 ± 18.927 −101.015 ± 12.336 甲醇（20%, V/V） −137.142 ± 15.782 −41.375 ± 19.707 70.292 ± 14.067 −125.582 ± 20.041 己烷（20%, V/V） −149.941 ± 8.559 0.742 ± 21.671 110.807 ± 31.454 −55.550 ± 19.154 藻类˗PFOS复合物 水 −124.864 ± 9.444 83.837 ± 19.968 15.242 ± 19.260 −39.925 ± 14.539 甲醇（20%, V/V） −145.532 ± 11.957 −151.733 ± 29.962 220.744 ± 21.928 −93.726 ± 21.961 己烷（20%, V/V） −132.224 ± 8.915 20.475 ± 19.342 126.006 ± 19.335 −0.890 ± 14.106
下载: 导出CSV
表 6 278.15、298.15、318.15 K温度下配体-受体复合物的分子动力学模拟计算结果
Table 6. Molecular dynamics simulation results of ligand-receptor complexes at temperatures of 278.15, 298.15, 318.15 K, respectively
复合物
Complex温度/K
Temperature范德华相互作用/
（kJ∙mol−1）
Evdw库伦静电相互作用/
（kJ∙mol−1）
Eele极性溶剂化相互作用/
（kJ∙mol−1）
Epol结合自由能/
（kJ∙mol−1）
Ebinding鱼类˗PFOS复合物
Fish-PFOS complex278.15 −147.036 ± 11.611 −194.607 ± 14.386 233.357 ± 13.149 −125.803 ± 10.699 298.15 −164.172 ± 8.069 −135.446 ± 15.984 191.516 ± 13.703 −126.502 ± 11.607 318.15 −155.014 ± 15.365 −191.790 ± 20.118 235.968 ± 11.942 −128.367 ± 14.438 大型溞类˗PFOS复合物
Daphnia−PFOS complex278.15 −146.565 ± 8.293 −8.998 ± 16.647 89.816 ± 17.212 −82.546 ± 14.301 298.15 −170.929 ± 9.341 36.950 ± 17.532 49.673 ± 18.927 −101.015 ± 12.336 318.15 −152.399 ± 8.975 18.115 ± 30.024 88.624 ± 27.073 −61.869 ± 11.181 藻类˗PFOS复合物
Algae-PFOS complex278.15 −122.821 ± 13.460 90.512 ± 22.131 32.320 ± 26.749 −14.755 ± 19.730 298.15 −124.864 ± 9.444 83.837 ± 19.968 15.242 ± 19.260 −39.925 ± 14.539 318.15 −135.743 ± 11.553 47.583 ± 28.508 84.377 ± 6.359 −19.814 ± 10.680
下载: 导出CSV
表 7 NaCl浓度分别为0.1、0.6、1 mol∙L−1时配体-受体复合物的分子动力学模拟计算结果
Table 7. Molecular dynamics simulation results of ligand-receptor complexes at NaCl concentrations of 0.1, 0.6, 1 mol∙L−1, respectively
复合物
ComplexNaCl/
（mol∙L−1）范德华相互作用/
（kJ∙mol−1）
Evdw库伦静电相互作用/
（kJ∙mol−1）
Eele极性溶剂化相互作用/
（kJ∙mol−1）
Epol结合自由能/
（kJ∙mol−1）
Ebinding鱼类˗PFOS复合物
Fish-PFOS complex0 −164.172 ± 8.069 −135.446 ± 15.984 191.516 ± 13.703 −126.502 ± 11.607 0.1 −157.771 ± 9.086 −187.942 ± 16.014 238.860 ± 14.519 −124.694 ± 9.861 0.6 −152.825 ± 9.780 −165.361 ± 13.384 220.216 ± 14.168 −116.360 ± 16.182 1 −146.544 ± 14.694 −163.274 ± 27.731 207.116 ± 26.236 −119.863 ± 14.917 大型溞类˗PFOS复合物
Daphnia−PFOS complex0 −170.929 ± 9.341 36.950 ± 17.532 49.673 ± 18.927 −101.015 ± 12.336 0.1 −142.792 ± 7.510 143.973 ± 23.438 46.414 ± 19.640 31.702 ± 12.868 0.6 −170.729 ± 7.728 116.128 ± 24.750 73.824 ± 24.629 2.872 ± 14.113 1 −143.026 ± 9.699 185.967 ± 34.741 39.209 ± 43.124 66.295 ± 23.973 藻类˗PFOS复合物
Algae-PFOS complex0 −124.864 ± 9.444 83.837 ± 19.968 15.242 ± 19.260 −39.925 ± 14.539 0.1 −120.556 ± 8.550 83.668 ± 16.481 51.460 ± 13.060 0.280 ± 15.115 0.6 −126.559 ± 10.802 28.340 ± 22.413 83.884 ± 27.601 2.500 ± 16.444 1 −129.374 ± 11.888 −6.653 ± 21.713 173.339 ± 20.881 21.310 ± 11.549
下载: 导出CSV
-
[1] BUCK R C, FRANKLIN J, BERGER U, et al. Perfluoroalkyl and polyfluoroalkyl substances in the environment: Terminology, classification, and origins[J]. Integrated Environmental Assessment and Management, 2011, 7(4): 513-541. doi: 10.1002/ieam.258 [2] ARVANITI O S, ANDERSEN H R, THOMAIDIS N S, et al. Sorption of perfluorinated compounds onto different types of sewage sludge and assessment of its importance during wastewater treatment[J]. Chemosphere, 2014, 111: 405-411. doi: 10.1016/j.chemosphere.2014.03.087 [3] WANG T, WANG Y W, LIAO C Y, et al. Perspectives on the inclusion of perfluorooctane sulfonate into the Stockholm Convention on Persistent Organic Pollutants[J]. Environmental Science & Technology, 2009, 43(14): 5171-5175. [4] LU Y, LIANG Y, ZHOU Z, et al. Possible fluorinated alternatives of PFOS and PFOA: Ready to go?[J]. Environmental Science & Technology, 2019, 53(24): 14091-14092. [5] MAHONEY H, XIE Y W, BRINKMANN M, et al. Next generation per- and poly-fluoroalkyl substances: Status and trends, aquatic toxicity, and risk assessment[J]. Eco-Environment & Health, 2022, 1(2): 117-131. [6] WANG Y, CHANG W G, WANG L, et al. A review of sources, multimedia distribution and health risks of novel fluorinated alternatives[J]. Ecotoxicology and Environmental Safety, 2019, 182: 109402. doi: 10.1016/j.ecoenv.2019.109402 [7] LIU F Q, PIGNATELLO J J, SUN R Z, et al. A comprehensive review of novel adsorbents for per- and polyfluoroalkyl substances in water[J]. ACS ES& T Water, 2024, 4(4): 1191-1205. [8] ZHANG B, HE Y, YANG G, et al. Legacy and emerging poly- and perfluoroalkyl substances in finless porpoises from East China Sea: Temporal trends and tissue-specific accumulation[J]. Environmental Science & Technology, 2022, 56(10): 6113-6122. [9] 刘梦琳, 王冰菁, 宿琪, 等. 六氟环氧丙烷三聚体羧酸(HFPO-TA)污染现状和生物毒性研究进展[J]. 环境化学, 2024, 43(5): 1415-1428. doi: 10.7524/j.issn.0254-6108.2022111102 LIU M L, WANG B J, SU Q, et al. A review of contamination status and and biotoxicity of hexafluoropropylene oxide trimer acid(HFPO-TA)[J]. Environmental Chemistry, 2024, 43(5): 1415-1428 (in Chinese). doi: 10.7524/j.issn.0254-6108.2022111102
[10] SINCLAIR E, KANNAN K. Mass loading and fate of perfluoroalkyl surfactants in wastewater treatment plants[J]. Environmental Science & Technology, 2006, 40(5): 1408-1414. [11] LAU C, ANITOLE K, HODES C, et al. Perfluoroalkyl acids: A review of monitoring and toxicological findings[J]. Toxicological Sciences, 2007, 99(2): 366-394. doi: 10.1093/toxsci/kfm128 [12] LU G H, GAI N, ZHANG P, et al. Perfluoroalkyl acids in surface waters and tapwater in the Qiantang River watershed-Influences from paper, textile, and leather industries[J]. Chemosphere, 2017, 185: 610-617. doi: 10.1016/j.chemosphere.2017.06.139 [13] WANG Z Y, DeWITT J C, HIGGINS C P, et al. A never-ending story of per- and polyfluoroalkyl substances (PFASs)?[J]. Environmental Science & Technology, 2017, 51(5): 2508-2518. [14] KOTTHOFF M, MÜLLER J, JÜRLING H, et al. Perfluoroalkyl and polyfluoroalkyl substances in consumer products[J]. Environmental Science and Pollution Research International, 2015, 22(19): 14546-14559. doi: 10.1007/s11356-015-4202-7 [15] BARZEN-HANSON K A, ROBERTS S C, CHOYKE S, et al. Discovery of 40 classes of per- and polyfluoroalkyl substances in historical aqueous film-forming foams (AFFFs) and AFFF-impacted groundwater[J]. Environmental Science & Technology, 2017, 51(4): 2047-2057. [16] PREVEDOUROS K, COUSINS I T, BUCK R C, et al. Sources, fate and transport of perfluorocarboxylates[J]. Environmental Science & Technology, 2006, 40(1): 32-44. [17] WANG T Y, WANG P, MENG J, et al. A review of sources, multimedia distribution and health risks of perfluoroalkyl acids (PFAAs) in China[J]. Chemosphere, 2015, 129: 87-99. doi: 10.1016/j.chemosphere.2014.09.021 [18] FENTON S E, DUCATMAN A, BOOBIS A, et al. Per- and polyfluoroalkyl substance toxicity and human health review: Current state of knowledge and strategies for informing future research[J]. Environmental Toxicology and Chemistry, 2021, 40(3): 606-630. doi: 10.1002/etc.4890 [19] SUNDERLAND E M, HU X C, DASSUNCAO C, et al. A review of the pathways of human exposure to poly- and perfluoroalkyl substances (PFASs) and present understanding of health effects[J]. Journal of Exposure Science & Environmental Epidemiology, 2019, 29(2): 131-147. [20] AHRENS L, BUNDSCHUH M. Fate and effects of poly- and perfluoroalkyl substances in the aquatic environment: A review[J]. Environmental Toxicology and Chemistry, 2014, 33(9): 1921-1929. doi: 10.1002/etc.2663 [21] SAVOCA D, PACE A. Bioaccumulation, biodistribution, toxicology and biomonitoring of organofluorine compounds in aquatic organisms[J]. International Journal of Molecular Sciences, 2021, 22(12): 6276. doi: 10.3390/ijms22126276 [22] MA T T, YE C R, WANG T T, et al. Toxicity of per- and polyfluoroalkyl substances to aquatic invertebrates, planktons, and microorganisms[J]. International Journal of Environmental Research and Public Health, 2022, 19(24): 16729. doi: 10.3390/ijerph192416729 [23] SCHMALE M C, NAIRN R S, WINN R N. Aquatic animal models of human disease[J]. Comparative Biochemistry and Physiology. Toxicology & Pharmacology, 2007, 145(1): 1-4. [24] DAI Z N, XIA X H, GUO J, et al. Bioaccumulation and uptake routes of perfluoroalkyl acids in Daphnia magna[J]. Chemosphere, 2013, 90(5): 1589-1596. doi: 10.1016/j.chemosphere.2012.08.026 [25] 黄柳青, 王雯冉, 张浴曈, 等. 地表水中全氟及多氟烷基化合物(PFASs)的污染现状研究进展[J]. 环境化学, 2024, 43(3): 693-710. doi: 10.7524/j.issn.0254-6108.2022090901 HUANG L Q, WANG W R, ZHANG Y T, et al. Research progress on the pollution status of per-and polyfluoroalkyl substances(PFASs) in surface water: A review[J]. Environmental Chemistry, 2024, 43(3): 693-710 (in Chinese). doi: 10.7524/j.issn.0254-6108.2022090901
[26] GUILLETTE T C, McCORD J, GUILLETTE M, et al. Elevated levels of per- and polyfluoroalkyl substances in Cape Fear River Striped Bass (Morone saxatilis) are associated with biomarkers of altered immune and liver function[J]. Environment International, 2020, 136: 105358. doi: 10.1016/j.envint.2019.105358 [27] HUANG J, LIU Y, WANG Q Y, et al. Concentration-dependent toxicokinetics of novel PFOS alternatives and their chronic combined toxicity in adult zebrafish[J]. Science of the Total Environment, 2022, 839: 156388. doi: 10.1016/j.scitotenv.2022.156388 [28] YANG H B, ZHAO Y Z, TANG Y, et al. Antioxidant defence system is responsible for the toxicological interactions of mixtures: A case study on PFOS and PFOA in Daphnia magna[J]. Science of the Total Environment, 2019, 667: 435-443. doi: 10.1016/j.scitotenv.2019.02.418 [29] JEONG T Y, YUK M S, JEON J, et al. Multigenerational effect of perfluorooctane sulfonate (PFOS) on the individual fitness and population growth of Daphnia magna[J]. Science of the Total Environment, 2016, 569/570: 1553-1560. doi: 10.1016/j.scitotenv.2016.06.249 [30] MOJIRI A, NAZARI VISHKAEI M, ANSARI H K, et al. Toxicity effects of perfluorooctanoic acid (PFOA) and perfluorooctane sulfonate (PFOS) on two green microalgae species[J]. International Journal of Molecular Sciences, 2023, 24(3): 2446. doi: 10.3390/ijms24032446 [31] LIU X L, LI Y Y, ZHENG X W, et al. Anti-oxidant mechanisms of Chlorella pyrenoidosa under acute GenX exposure[J]. Science of the Total Environment, 2021, 797: 149005. doi: 10.1016/j.scitotenv.2021.149005 [32] BENIGNI R, GIULIANI A. Putting the predictive toxicology challenge into perspective: Reflections on the results[J]. Bioinformatics, 2003, 19(10): 1194-1200. doi: 10.1093/bioinformatics/btg099 [33] MURATOV E N, BAJORATH J, SHERIDAN R P, et al. QSAR without borders[J]. Chemical Society Reviews, 2020, 49(11): 3525-3564. doi: 10.1039/D0CS00098A [34] LIN X Q, LI X, LIN X B. A review on applications of computational methods in drug screening and design[J]. Molecules, 2020, 25(6): 1375. doi: 10.3390/molecules25061375 [35] YANG X H, LYAKURWA F, XIE H B, et al. Different binding mechanisms of neutral and anionic poly-/ perfluorinated chemicals to human transthyretin revealed by in silico models[J]. Chemosphere, 2017, 182: 574-583. doi: 10.1016/j.chemosphere.2017.05.016 [36] ZHANG J W, ZHANG M T, TAO H Y, et al. A QSAR-ICE-SSD model prediction of the PNECs for per- and polyfluoroalkyl substances and their ecological risks in an area of electroplating factories[J]. Molecules, 2021, 26(21): 6574. doi: 10.3390/molecules26216574 [37] PAVIĆ Z, NOVOSELAC V. Notes on TOPSIS method[J]. International Journal of Research in Engineering and Science, 2013(2): 5-12. [38] GU W W, LI X X, DU M J, et al. Identification and regulation of ecotoxicity of polychlorinated naphthalenes to aquatic food Chain (green algae-Daphnia magna-fish)[J]. Aquatic Toxicology, 2021, 233: 105774. doi: 10.1016/j.aquatox.2021.105774 [39] 覃礼堂, 刘树深, 肖乾芬, 等. QSAR模型内部和外部验证方法综述[J]. 环境化学, 2013, 32(7): 1205-1211. doi: 10.7524/j.issn.0254-6108.2013.07.012 QIN L T, LIU S S, XIAO Q F, et al. Internal and external validtions of QSAR model: Review[J]. Environmental Chemistry, 2013, 32(7): 1205-1211 (in Chinese). doi: 10.7524/j.issn.0254-6108.2013.07.012
[40] KARELSON M, LOBANOV V S, KATRITZKY A R. Quantum-chemical descriptors in QSAR/QSPR studies[J]. Chemical Reviews, 1996, 96(3): 1027-1044. doi: 10.1021/cr950202r [41] TUPPURAINEN K. Frontier orbital energies, hydrophobicity and steric factors as physical qsar descriptors of molecular mutagenicity. A review with a case study: MX compounds[J]. Chemosphere, 1999, 38(13): 3015-3030. doi: 10.1016/S0045-6535(98)00503-7 [42] MENGER F, POHL J, AHRENS L, et al. Behavioural effects and bioconcentration of per- and polyfluoroalkyl substances (PFASs) in zebrafish (Danio rerio) embryos[J]. Chemosphere, 2020, 245: 125573. doi: 10.1016/j.chemosphere.2019.125573 [43] ZHONG W J, ZHANG L Y, CUI Y N, et al. Probing mechanisms for bioaccumulation of perfluoroalkyl acids in carp (Cyprinus carpio): Impacts of protein binding affinities and elimination pathways[J]. Science of the Total Environment, 2019, 647: 992-999. doi: 10.1016/j.scitotenv.2018.08.099 [44] FLEMING I. Molecular orbitals and organic chemical reactions[M]. New York: Wiley, 2010. [45] GALLAGHER A, KAR S, SEPÚLVEDA M S. Computational modeling of human serum albumin binding of per- and polyfluoroalkyl substances employing QSAR, read-across, and docking[J]. Molecules, 2023, 28(14): 5375. doi: 10.3390/molecules28145375 [46] 丁蕊, 陈景文, 于洋, 等. 基于集成学习算法构建有机化学品鱼体生物富集因子的QSAR预测模型[J]. 环境化学, 2021, 40(5): 1295-1304. doi: 10.7524/j.issn.0254-6108.2021011304 DING R, CHEN J W, YU Y, et al. Using ensemble learning algorithms to develop QSAR models on bioconcentration factors of organic chemicals in multispecies fish[J]. Environmental Chemistry, 2021, 40(5): 1295-1304 (in Chinese). doi: 10.7524/j.issn.0254-6108.2021011304
[47] LEVET A, BORDES C, CLÉMENT Y, et al. Acute aquatic toxicity of organic solvents modeled by QSARs[J]. Journal of Molecular Modeling, 2016, 22(12): 288. doi: 10.1007/s00894-016-3156-0 -
点击查看大图
图( 8) 表( 7)
计量
- 文章访问数: 905
- HTML全文浏览数: 905
- PDF下载数: 49
- 施引文献: 0
