近日，我院李雪花教授在环境领域著名学术期刊Environmental Science & Technology上发表了题为“AI-Driven Species Sensitivity Distribution (AI-4-SSD) Framework for Predicting Aquatic Ecological Risks of Chemical Pollutants in Global Near-Coastal Environments”的研究论文。

该研究针对全球近岸海域新污染物赋存特征不清楚、风险底数不明确的现状，耦合大数据挖掘及多模态深度学习AI技术，建立了海洋新污染物暴露-毒性-风险的全链路定量预测(AI-4-SSD)框架。基于该框架，高通量预测了全球近岸海域近3000种新污染物对多营养级、多物种的毒性效应，定量解析了不同暴露时间下海洋新污染物的跨物种毒性敏感性机制，快速填补了海洋生态毒性数据缺口，并构建了包含10万余条记录的海洋生态危害数据集。进一步整合50万余条新污染物环境暴露数据与生态危害数据，定量预测了复合暴露场景下近3000种新污染物对海洋生物群落的累积概率风险，支撑了海洋新污染物的风险管理及海洋生物多样性保护。

图文摘要

(一) 基于大数据挖掘技术揭示全球近岸海域新污染物赋存底数

整合开源数据库、已发表文献以及课题组研究基础，建立了涵盖全球66个海域内近3000种新污染物在近岸海水、沉积物以及生物体内的超50万条暴露数据集。基于该数据集的分析，发现已有794种新污染物在全球近岸海域中检出，远超以往研究识别出的种类数量，表明全球海洋正面临新污染物的复合暴露问题。

图1 全球近岸海水、沉积物及生物中新污染物的检出数目分布

(二) 基于多模态深度学习技术高通量预测新污染物的海洋生态毒性

整合分子图、物种特征及暴露时间等多模态特征，建立了涵盖三科八种海洋生物水生毒性的图卷积神经网络定量预测模型，高通量定量预测了近3000种新污染物在不同暴露时间下对海洋多物种的毒性数据，并构建了物种敏感度分布曲线，定量表征新污染物对海洋生物群落的危害性，识别高危害物质。

图2 多模态深度学习建模框架

(三) 基于AI-4-SSD方法定量解析化学混合物对海洋生物的累积生态风险

耦合大数据挖掘及多模态深度学习技术，建立了AI-4-SSD框架，应用于全球近岸海域新污染物暴露-毒性-风险的全链路定量预测，并识别出6种高风险物质。耦合浓度加和、效应加和模型，定量揭示了化学混合物对海洋生物群落的概率风险。结果表明，即便单一新污染物的风险可忽略不计，其复合暴露所引发的联合生态风险仍可能对近岸海域海洋生物多样性造成不良影响。

图3 海洋新污染物暴露-毒性-风险的全链路定量预测框架

文章信息:

第一作者：朱永乐 博士研究生

通讯作者：李雪花 教授

通讯单位：大连理工大学

原文链接：https://pubs.acs.org/doi/10.1021/acs.est.6c00675