聚苯乙烯纳米塑料在运输和再分配过程中对不同植物物种的毒性影响：一项结合根部分割实验和代谢组学分析的研究

时间：2026年1月15日

来源：Environmental Pollution

编辑推荐：

本研究通过整合网络毒理学、转录组学和斑马鱼模型，揭示了DPhP通过干扰葡萄糖-脂质代谢及线粒体功能导致多器官毒性，为新兴污染物风险评估提供新方法。

苏州科技大学环境科学与工程学院，中国苏州 215009

摘要

二苯基磷酸盐（DPhP）作为芳香族有机磷阻燃剂的主要代谢物和环境污染物，由于其在大范围环境介质中的存在及其潜在的健康风险而受到了广泛关注。在这项研究中，我们建立了一个综合框架，结合了网络毒理学、转录组学和斑马鱼实验方法，以阐明DPhP的毒理机制。网络毒理学和转录组学分析一致表明，DPhP响应基因主要富集在调控细胞能量稳态的通路中，包括葡萄糖-脂质代谢和线粒体氧化磷酸化。这些结果共同表明，DPhP会干扰葡萄糖和脂质代谢过程，损害线粒体功能，并降低ATP生成能力。使用斑马鱼进行的体内验证进一步证明了DPhP暴露后的显著代谢重编程。在25 μM浓度下，DPhP显著升高了全身葡萄糖（约1.3倍）和丙酮酸水平（约5倍），并导致肝脏脂质积累，表现为甘油三酯（TG）和总胆固醇（T-CHO）浓度增加（约3倍）。这种代谢变化伴随着线粒体膜电位的显著下降、电子传递链活性的抑制以及ATP含量大幅减少（降至对照组的25%以下）。这些代谢紊乱最终表现为心包水肿、生长受损、血管异常和浓度依赖的行为改变。通过描绘从线粒体功能障碍到全身能量失衡和多器官毒性的过程，本研究为DPhP的作用提供了新的机制见解。此外，将化学结构分析、靶点预测、组学分析和体内验证相结合的综合方法为推进机制毒理学研究和新兴污染物的环境风险评估提供了一种灵活的方法论框架。

引言

有机磷阻燃剂（OPFRs）作为溴化阻燃剂（BFRs）和多氯联苯（PCBs）的替代品，由于其优异的阻燃性能和增塑效果，被广泛用于塑料、橡胶、纤维、木材、纸张和涂料中（Yao等人，2021；Zhang等人，2021）。由于OPFRs是物理混合在材料中而非化学结合的，因此在产品制造、使用和处置过程中容易渗入环境，导致其在室内空气、灰尘、地表水、野生动物甚至人体中广泛存在（Liu等人，2024；Rauert等人，2018；Yao等人，2021）。OPFR家族包含多种化合物，通常根据化学结构分为卤代、烷基和芳基有机磷阻燃剂。其中，芳基有机磷阻燃剂通过形成炭层并释放PO·自由基来发挥阻燃作用（Shmakov等人，2024；Yin等人，2018）。这些化合物被广泛应用于指甲油、橡胶、涂料、摄影胶片、粘合剂、颜料分散体、手机屏幕和食品包装中。与具有高生物累积性、强生物放大效应和长期环境持久性的BFRs相比，OPFRs通常具有较短的环境半衰期和较低的生物累积潜力，因此被认为对环境更为友好（Pantelaki和Voutsa，2019）。然而，近年来，由于芳基有机磷阻燃剂的生物累积潜力（Huang等人，2023）、高检测频率（Zhu等人，2025）以及其在人体样本中的浓度增加（Chen等人，2025），它们受到了特别关注。代表性的芳基有机磷阻燃剂包括三苯基磷酸盐（TPHP）、2-乙基己基二苯基磷酸盐（EHDPP）、二苯基磷酸盐（DPhP）、甲酚二苯基磷酸盐（CDP）和异癸基二苯基磷酸盐（IDDP）（Chen等人，2021；Huang等人，2023；Jiang等人，2024；Ni等人，2024；Yu等人，2024）。其中，DPhP不仅被广泛用于提高工程塑料合金、聚氯乙烯（PVC）树脂和外墙保温板的防火性和柔韧性（Marklund等人，2003），还是其他芳基有机磷阻燃剂如TPHP和EHDPP的代谢物和降解产物（Chen等人，2021）。由于其广泛的环境来源和相当的化学稳定性，DPhP经常在各种环境样本中被检测到。在西班牙和荷兰的室内灰尘中，DPhP的浓度高达923–79,661 ng/g（Björnsdotter等人，2018）。在美国污水处理厂的废水中，DPhP的浓度范围为0.03至1.29 μg/L（Kim等人，2017）。对美国67个污水处理厂的全国性调查显示，污水污泥中的DPhP浓度高达0.93–1680 ng/g干重（Wang等人，2019），表明污水处理技术未能显著降低DPhP的水平。同样，在中国南方的电子废物拆解园区及其周边地区的空气中也检测到了DPhP，浓度范围为1.82至7.06 × 10² pg m^-3（Yue等人，2022）。此外，DPhP还通过大气沉降、地表径流等途径扩散，可能通过食物网积累，对生态系统和人类健康构成风险。DPhP在人体样本中的广泛检测引起了越来越多的关注。一项研究发现，女性尿液中的DPhP浓度（1.84 ng/mL）显著高于男性，这表明可能存在性别特异性敏感性（Preston等人，2017）。

目前，大多数毒理学研究集中在DPhP的前体化合物上，如TPHP和EHDPP。例如，Preston等人使用人体尿液中的DPhP水平作为TPHP暴露的生物标志物来评估其与甲状腺功能的相关性，但没有考虑DPhP本身的潜在毒性作用（Preston等人，2017）。在早期研究中，Su等人发现，尽管DPhP在鸡胚胎肝细胞中的细胞毒性低于TPHP，但它引发了更广泛的转录组变化（Guanyong和Doug，2014）。与TPHP和EHDPP相比，DPhP更易溶于水，急性毒性较低；其在斑马鱼中的96小时LC50为49.98 ± 7.06 mg/L（Funk等人，2019），显著高于TPHP（5.13 ± 1.66 mg/L）（Zhang等人，2023b）和EHDPP（2.476 ± 0.87 mg/L）（Ni等人，2024）。然而，尽管急性毒性较低，但在受控条件下（27 ± 0.3 °C，14:10光/暗周期，溶解氧>6 mg/L，pH 7.7 ± 0.1，每个重复实验50个胚胎），斑马鱼在受精后2小时开始暴露于35.6 μg/L的DPhP中120天后，雄性鱼的体重和长度显著下降（Chen等人，2021）。同样，FVB雌性小鼠在5至17周龄期间通过饮用水长期暴露于10 mg/L的DPhP也会显著抑制肝脏脂肪酸代谢，最终导致体重减轻（Selmi-Ruby等人，2020）。这些有限的报告表明，DPhP暴露可能对多个生物系统产生毒性作用，但其毒性可能被低估，其潜在机制仍不完全清楚。

作为跨学科前沿领域，网络毒理学和生物信息学通过多维度整合和分析显著提高了毒理学研究的有效性。网络毒理学基于“化合物-靶点-通路-疾病”多层网络模型，有助于精确预测毒性机制并优化实验验证策略（Li等人，2019）。生物信息学利用多组学数据整合和机器学习，系统分析与毒性相关的分子网络并构建预测模型，从而加速毒性评估过程（Yuefa等人，2022）。在神经退行性疾病研究中，网络毒理学和生物信息学的结合，特别是加权基因共表达网络分析（WGCNA），已成功应用于关键机制发现和生物标志物识别。例如，针对阿尔茨海默病的研究揭示了参与矿物质吸收的核心调控网络以及NF-κB和cGMP-PKG信号通路（Liang等人，2018），而帕金森病的研究则突出了TMEM243等核心基因，其生物标志物潜力已通过q-RT-PCR得到验证（Jin等人，2020）。这些方法创新不仅加深了对疾病发病机制的理解，还为污染物毒理学评估提供了强大的框架。

在这项研究中，我们利用网络毒理学和生物信息学技术探索DPhP的毒性效应，特别关注其发育毒性和潜在机制。以斑马鱼为模式生物，我们进一步验证了DPhP引起的发育障碍，并阐明了相关通路，从而为DPhP的健康风险评估和环境管理提供了关键数据。

化学试剂

DPhP（CAS编号838-85-7，纯度≥98.0%）和二甲基亚砜（DMSO，CAS编号67-68-5，纯度≥99.0%）购自Sigma-Aldrich（美国圣路易斯）。更多详细信息见文本S1。

靶点基因预测

DPhP的三维化学结构数据来自PubChem平台（https://Pubchem.ncbi.nlm.nih.gov），保存为mol₂格式，并提交到PharmMapper数据库（http://www.lilabecust.cn/pharmmapper/）以识别和统计分析其潜在的靶蛋白。

DPhP的靶点基因预测

使用PharmMapper平台进行毒性相关靶点基因预测后，共鉴定出139个DPhP的核心毒性调控基因。利用DisGeNET（v7.0）数据库对这些139个核心靶基因进行疾病注释分析，发现该基因集与多种疾病之间存在显著关联，包括肝脏损伤（肝 cirrhosis/Experimental, Hepatitis/Drug-Induced）、神经系统疾病（双相情感障碍、单相抑郁症、精神分裂症）等。

讨论

目前关于二苯基磷酸盐（DPhP）的毒理学研究仍受到一些限制，主要包括研究范围碎片化、机制解释肤浅以及缺乏明确的分子靶点。Mitchell等人报告称，胚胎暴露于高浓度DPhP（125–1000 μM）后会出现心脏循环缺陷和血红蛋白水平下降。然而，他们的研究仅关注心脏和造血结果，且暴露水平远超实际可能的影响范围。

结论

通过网络毒理学和转录组学的多维度整合，我们确定了DPhP诱导的发育毒性的关键靶点，包括糖脂代谢、线粒体功能和氨基酸代谢通路。补充的斑马鱼实验证实，DPhP暴露会破坏线粒体膜电位和呼吸链功能，抑制TCA循环和脂肪酸β-氧化，从而引发能量

CRediT作者贡献声明

Yue Huang：可视化、研究、正式分析。RunFeng Chang：方法学、研究、正式分析。Anyu Ni：写作 – 审稿与编辑、方法学。Jin Yan：监督、资金获取、概念化。Lu Fang：数据管理。Xin Zhou：软件、研究。Miaomiao Teng：资金获取。Qiuhui Qian：方法学、研究。Zejun Wang：软件、研究。Shanshan Di：资金获取。XueDong Wang：写作 – 审稿与编辑。Huili Wang：

注释

本研究得到了中国苏州科技大学的伦理委员会批准。

作者声明没有竞争性财务利益。

声明竞争性利益

☒ 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了国家自然科学基金（22106118, 32071617, 32371705）和江苏省研究生研究与实践创新计划（SJCX24_1900）的支持。