瑞申|拉尔夫·埃宾豪斯|丹尼尔·吉丁斯·瓦桑|诺曼·拉特克利夫|托马斯·拉尔森
德国耶拿马克斯·普朗克地质人类学研究所 07745
**摘要**
当前的化学暴露研究通过基于平均值的浓度来表征化学风险，将个体层面的变异性视为统计噪声。然而，这种变异性可能携带结构化的生态信息，而基于平均值的方法系统性地忽略了这些信息。在这里，我们提出个体对全氟和多氟烷基物质（PFAS）的暴露变异性构成了一个结构化的生态信号，这种信号受到海洋梯度上的栖息地使用和个体觅食行为的影响，而基于平均值的方法并不适合捕捉这种信号。为了验证“变异性作为信号”的假设，我们使用了两种共存的海鸠物种（Uria aalge，n = 67 和 Uria lomvia，n = 45）在2018年繁殖季节期间采集的数据，整合了两个独立的个体稳定性指标。我们将从血浆PFAS浓度得出的PFAS变异性分数与从双组织稳定同位素（血浆和红细胞中的δ13C和δ15N）得出的同位素一致性分数进行了配对。这些一致性分数代表了整个繁殖季节中的个体觅食稳定性，从而能够重建觅食历史和海洋栖息地使用情况。我们的研究结果表明，PFAS的变异性在化合物类别上具有高度结构化，主要由长链全氟烷基羧酸（PFCAs；占方差的79%）和全氟辛烷磺酸盐（PFOS；占方差的13%）主导。聚类分析确定了两种主要的暴露状态：PFOS变异性受限与PFCA变异性受限。双变量分段回归揭示了污染物获取的层次结构：海洋环境（由δ13Cconsist表示）是主要驱动因素，在受大西洋影响的水域中PFOS的变异性更为显著。在这些环境中，营养来源（由δ15Nconsist表示）作为次要条件调节因素，特别是在高营养级的个体中限制了PFCA的变异性。在群体层面，精细的生态位划分，如垂直觅食策略以及利用冰川峡湾和冰缘的个体特化行为，产生了与区域层次结构不同的化合物特定模式。随着气候变化继续重新分配北极和大西洋的水团并重塑食物网结构，将污染物变异性视为生态信号的方法对于预测暴露模式的变化将变得越来越有价值。
**1. 引言**
海洋生态系统占据了地球上超过90%的宜居生物圈体积[1]，受到多种人为压力的威胁[2]，包括普遍存在的合成化学化合物，如全氟和多氟烷基物质（PFAS）[3]。这些持久性有机污染物具有稳定的碳-氟键，对环境降解具有极强的抵抗力[4]，并且容易在生物体内积累[5][6]。PFAS的毒性效应对人类和生态系统健康构成可测量的风险，特别是在海洋环境中，由于从浮游植物到顶级捕食者的有效营养传递，生物放大效应尤为明显[6][7][8][9]。传统的生物积累研究主要考察平均生物放大趋势，但这些平均值周围的变异却很少受到分析关注[10]。我们认为，这种变异性并不代表随机噪声，而是具有记录个体觅食一致性和栖息地使用信息的潜在生态结构，将其视为生态信号可以为理解PFAS动态提供补充方法。PFAS的物理化学性质决定了它们在海洋生物体内的生物积累模式[11][12]。海洋捕食者的组织通常以全氟辛烷磺酸盐（PFOS）和长链全氟烷基羧酸（PFCAs）为主[7][13][14][15]。PFOS由于其磺酸基团而表现出更强的蛋白质结合亲和力和更长的保留时间，该基团比PFCAs的羧酸基团与血清蛋白的结合更强[16][17][18][19]。这些分子层面的差异导致捕食者的暴露模式不同，PFOS的持久性更强，且在更长的时间内累积[12][20]。这意味着这两种化合物类别可能对相同的生态梯度有不同的反应，个体组织浓度中的变异性原则上可能携带化合物特定的生态信息。实际上，在生物积累研究中，这种变异性大多被视为噪声[6][8][21][22]。PFAS的生物积累研究传统上依赖于基于平均值的指标，如营养放大因子和生物放大因子[21][22][23][24][25][26]。这些指标虽然具有信息价值，但通过对个体、时间和空间的平均处理，可能会掩盖生态变异[22]。PFAS组织浓度在种群内部和之间的变异性可以反映潜在的生态过程——如猎物选择、栖息地使用和觅食一致性的差异——而这些是基于平均值的分析可能无法捕捉到的。例如，海鸟个体间的低变异性可能表明在一致的栖息地内进行专门化的觅食，而高变异性可能反映了季节性变化的猎物群落或空间异质环境[27][28]。随着气候变化继续重新分配北极和大西洋的水团并重塑食物网结构，将污染物变异性视为生态信号的方法对于预测暴露模式的变化将变得越来越有价值。
**2. 方法与材料**
2.1. 研究设计
我们分析了2018年6月和7月在冰岛五个繁殖地收集的112份海鸠血液样本（UA，n = 67 和 UL，n = 45）[59]。采样地点涵盖了南北和东西方向的多种海洋环境影响。该地区的已发表稳定同位素数据显示出明显的空间模式：δ13C值遵循纬度梯度，在受大西洋影响的水域中较高，而δ15N值反映了营养位置和局部海洋条件[60]。
**下载：**下载高分辨率图像（1MB）
**下载：**下载全尺寸图像
**图1. 2018年6月冰岛周围的海表温度和海鸠采样点。**海表温度（SST）与影响冰岛水域的主要洋流一起显示：温暖的黑尔明格洋流和北大西洋洋流，以及寒冷的东格陵兰洋流和东冰岛洋流。海鸠在五个繁殖地被采样：**
- 拉特拉比亚尔格（西北部 [NW]；65.50° N, 24.52° W），位于温暖的黑尔明格洋流和寒冷的东格陵兰洋流的交界处；
- 格里姆塞岛（北部 [N]；66.57° N, 18.02° W），主要受黑尔明格洋流的影响，同时受到较冷的东冰岛洋流的一定影响；
- 兰加内斯半岛（东北部 [NE]；66.38° N, 14.54° W），黑尔明格洋流和东冰岛洋流的交汇处；
- 帕佩（东南部 [SE]；64.59° N, 14.18° W），位于较冷的东冰岛洋流中，靠近其与温暖的大西洋洋流的交汇处；
- 哈夫纳贝格（西南部 [SW]；63.75° N, 22.75° W），受温暖的大西洋洋流的影响。
三个北部繁殖地（NW、N 和 NE）同时有普通海鸠（Uria aalge，UA）和布鲁尼奇海鸠（Uria lomvia，UL）。根据2008年的普查，NW繁殖地是最大的繁殖地（343,900对海鸠；UA:UL = 1.9:1.0），N繁殖地是第二大的（71,400对；UA:UL = 16.4:1.0）[87]。只有南部两个繁殖地（SE 和 SW）有UA繁殖。SST数据来自哥白尼海洋环境监测服务全球海洋物理再分析[88]。
三个最北部的繁殖地（NW、N 和 NE）同时有UA和UL种群，而两个最南部的繁殖地（SE 和 SW）只有UA。在三个最北部的繁殖地，我们每个物种每个繁殖地收集了15个样本（UL共45个样本，UA共45个样本）。在只有UA繁殖的两个南部繁殖地，由于后勤限制，我们在SE收集了15个样本，在SW收集了7个样本。血液样本被分离成细胞和血浆，以评估不同时间尺度上的海鸠觅食情况。由于PFAS与白蛋白（一种主要的血浆蛋白）结合紧密，因此测量了血浆中的PFAS浓度。
两个物种在最北部的繁殖地的共存使得在相同的海洋条件下直接比较PFAS暴露成为可能。北部繁殖地的平衡采样设计（每个物种15个样本）为这种比较提供了足够的统计功效。两种物种的迁徙模式不同：UL在繁殖后从高纬度繁殖地迁移到低纬度的越冬区，NW繁殖地的鸟类通常在格陵兰西南部越冬，而N和NE繁殖地的鸟类则在格陵兰西部和冰岛北部越冬[61]。相比之下，UA通常在靠近其繁殖地的区域越冬，尽管有些个体迁移到大西洋中脊或法罗群岛、苏格兰和设得兰群岛之间的水域[62]。
**2.2. 样本收集**
为了确保冰岛海鸟种群的代表性，我们按照Bonnet-Lebrun[63]的描述从选定的繁殖地收集了血液样本。从每只海鸟身上通过静脉穿刺收集了大约1毫升的血液，使用快速、微创的采样技术以确保动物福利。收集后，血液样本使用Micro Star 12离心机（VWR，比利时鲁汶）以12,300转/分钟的速度离心四分钟，以分离血浆和细胞。分离出的组分被转移到玻璃培养皿中，并在干燥器中于室温下干燥四到六天。样本制备遵循标准化协议（补充方法部分1.1.2.3）。PFAS化学分析PFAS分析在Helmholtz-Zentrum Hereon（德国Geesthacht）进行。目标分析包括14种PFAS：九种PFCAs（C5–C13）、四种全氟烷基磺酸（PFSAs：C4、C6、C8、C10）和六氟丙烯氧化物二聚酸（HFPO-DA）（补充表S1）。PFAS使用改良的季铵盐基离子配对方法从干燥的血浆样本中提取[64]，[65]。提取前，样本用13C标记的PFAS内标物强化，并用碳酸钠（1毫升，0.5 M，pH 10.0）缓冲。分析程序按照详细的提取协议进行，涉及特定的溶剂等级和化学试剂（补充表S2；补充方法部分1.3）。分析使用高效液相色谱-串联质谱（HPLC–MS/MS）进行，采用电喷雾离子化方式，并在多反应监测模式下进行（补充表S3–S4）。色谱分离使用Synergi Fusion-RP C18柱和含有乙酸铵缓冲液的水-甲醇梯度完成。所有目标化合物的方法检测限范围为0.05至0.07 ng/mL（补充表S6）。PFAS浓度以干重为基础报告（ng g−1 DM），这与干燥样本制备方法一致。详细的分析参数、质量保证和质量控制程序记录在补充材料中（补充表S5–S6；补充方法部分1.5）。2.4. 稳定同位素分析此处报告的血细胞稳定同位素数据之前由Bonnet-Lebrun [63]发表，而血浆同位素数据是首次在本研究中呈现。同位素值用δ表示法表示如下：δ=(Rsample/Rstandard−1)×1000，其中Rsample是样本中重同位素与轻同位素的比率，Rstandard是国际标准中的相应比率。同位素值以千分之一（‰）表示，相对于维也纳Pee Dee贝lemnite的碳和大气空气的氮。血细胞的元素含量和整体同位素值按照Bonnet-Lebrun [63]的方法制备，并在GEOMAR（德国基尔）的实验生态学组的稳定同位素设施中使用定制的高灵敏度元素分析仪和稳定同位素比率质谱仪（DeltaPlus Advantage，Thermo Fisher Scientific，德国）进行分析，如Hansen和Sommer [66]所述。分析精度（标准偏差）为δ13C为0.15‰，δ15N为0.25‰（n = 3）。2.5. 统计分析所有统计分析均在Python 3.9.16中使用Pandas 1.5.3、NumPy 1.24.3、SciPy 1.10.1、Scikit-learn 1.2.2、Statsmodels 0.13.5、Matplotlib 3.7.1和Seaborn 0.12.2进行。分析工作流程包括四个连续步骤，旨在表征PFAS变异模式及其与生态指标的关系。首先，对PFAS浓度数据进行对数转换以改善正态性。然后进行主成分分析（PCA）以减少维度并识别不同鸟类之间PFAS的主要协变模式。根据PCA结果（补充图S1），将个体PC得分标准化为z分数，以量化每只鸟表达这些协变模式的程度。z分数为零表示群体平均值。负z分数表示更受限制（一致）的暴露模式，而正z分数表示更可变（异质）的暴露模式。重要的是，这些z分数的解释特定于本数据集中观察到的PCA加载结构，用于区分具有受限与可变PFAS暴露模式的个体，这可能反映了不同的觅食策略。其次，使用K均值聚类来表征群体水平的PFAS变异模式。通过轮廓分析确定最佳簇数，该分析最大化簇内相似性和簇间分离。轮廓分数的范围是从-1到+1，较高的值表示更好的簇分配。最后，为了评估同位素一致性与PFAS变异模式之间潜在的阈值效应，应用了双变量分段回归。使用PCA计算同位素一致性分数（δ13Cconsist和δ15Nconsist）以捕捉组织间的共享一致性，然后将其标准化为z分数。一致性分数为零表示群体平均值，正负值分别表示组织间一致性的高低。这些分数的绝对大小反映了个体同位素模式与群体平均值的偏离程度。为了量化海洋学对PFAS变异性的影响，我们开发了一个双变量分段回归模型（补充部分2.4）。我们利用同位素功能断点（ψ）来表征不同生态制度之间的转换，使用觅食一致性指标（δ13Cconsist和δ15Nconsist）（补充部分2.3）来绘制同位素景观。每个觅食象限的不确定性分别估计，而不是全局平均。每个制度的标准差来自中位数绝对偏差缩放的残差（补充部分2.4），生成距离加权的95%置信区间。暴露表面使用识别的断点和特定段的斜率进行参数化，预测双变量同位素景观上的PFAS变异（补充部分2.5）。为了最小化过拟合的风险并确保我们的发现的普遍性，我们实施了双重验证策略。首先，同位素阈值是固定的，而不是针对特定数据集进行优化。其次，数据集被划分为训练（80%）和测试（20%）子集。使用决定系数（R2）和均方根误差（RMSE）在保留的测试数据上评估模型性能。估计系数的统计推断，包括段间交互项，是从方差-协方差矩阵得出的，以计算稳健的标准误差和双尾p值（α = 0.05）（补充部分2.6）。3. 结果3.1. PFAS变异模式PFAS浓度分析显示两种海鸠物种（UA和UL）的暴露模式一致。长链PFCAs（C9–C13）和PFOS（线性和支链）是所有样本中检测到的主要化合物。PFOS占UA总PFAS负担的62–73%，占UL的70–89%。在PFCAs中，PFUnDA（C11）和PFTrDA（C13）最为丰富，中位浓度范围分别为UA的10.0至23.3 ng/g DM和UL的6.6至10.0 ng/g DM。短链PFCAs（例如PFPeA、PFHxA）、PFBS和HFPO-DA在任何样本中均未检测到。所有PFAS的检测频率和浓度范围均已确定，中位PFAS浓度按物种和群体显示（表1；图2）。表1. 布伦尼奇海鸠（Uria lomvia，UL）和普通海鸠（Uria aalge，UA）中每种和多氟烷基物质（PFAS）的检测率和浓度范围化合物ULUADF中位数最小值最大值DF中位数最小值最大值（%）（ng/g DM）（%）（ng/g DM）PFPeA490.10.9270.10.4PFOA470.41.8400.52.8PFNA1003.40.916.51004.41.124.2PFDA1002.70.415.51005.61.021.5PFUnDA10010.01.348.110023.35.995.5PFDoDA1002.40.39.31005.01.617.9PFTrDA1006.61.220.410012.94.238.7PFBS330.1210.2PFHxS270.41.2400.41.7PFHpS71.90.61.942.21.65.0PFOS10069.822.820310010323.1409.7PFDS691.512.7700.77.0HFPO-DAn.d.< MDLn.d.DF，检测频率；DM，干重；MDL，方法检测限；n.d.：未检测到。下载：下载高分辨率图像（373KB）下载：下载全尺寸图像图2. 冰岛海鸠中PFAS的组成和浓度。比较了布伦尼奇海鸠（Uria lomvia，UL）和普通海鸠（Uria aalge，UA）在冰岛五个群体中的每种和多氟烷基物质（PFAS）的分布。a，五种长链全氟烷基羧酸（C9–C13 PFCAs）和全氟辛烷磺酸（PFOS，线性和支链）的中位PFAS浓度。左：UL；右：UA。b，对数转换后的PFAS浓度（包括C9–C13 PFCAs和PFOS）显示为分割小提琴图。每个数据点代表一只鸟，而分割小提琴形状反映了每个群体和物种的总体分布。黑色点表示每个群体中每个物种的中位值，星号表示同域群体间的物种显著性水平（*p ≤ 0.05）。PCA确定了PFAS变异的两个主要轴。第一个主成分（PC1）主要由长链PFCAs（C9–C13）驱动，解释了总方差的79%。第二个成分（PC2）主要由PFOS驱动，并与其他化合物独立变化，解释了额外的13%的方差（补充图S1）。基于这些模式，计算了PFCA驱动的变异（zPFCA）和PFOS驱动的变异（zPFOS）的z分数，以量化个体水平的每种暴露模式。zPFCA值在所有个体中的范围为-2.3至2.9。最北端的UA主要显示负z分数（中位数：-0.6至0.2），表明围绕区域平均值的聚集更紧密，个体间变异较小。相比之下，最北端的UL主要显示正z分数（中位数：0.3–1.1），表明变异较大。zPFOS值的范围为-2.1至3.4。最南端的UA群体显示出较高的正z分数（中位数：0.7–0.8），表明PFOS暴露较高（最大值，SW：3.4；SE：2.7）。两种物种的最北端群体显示出更受限制的PFOS模式，群体间的z分数主要为负（中位数，UA：-0.7至-0.2；UL：-0.5至-0.4）。为了根据它们的PFAS暴露变异模式对鸟类进行分类，我们进行了k均值聚类。k均值模型（k = 3）识别出三种不同的PFAS变异模式（图3），总体轮廓分数为0.4。第一个簇（n = 46；轮廓分数：0.4）的中心位于zPFCA = 0.4 ± 0.6和zPFOS = -0.8 ± 0.6，表明PFCA变异分散且PFOS变异受限。第二个也是最大的簇（n = 48；轮廓分数：0.3）显示出相反的模式，PFCA变异一致但PFOS变异高（zPFCA = -0.8 ± 0.6；zPFOS = 0.3 ± 0.6）。最小的簇（n = 18；轮廓分数：0.3）在两种PFAS类别中都显示出较高的变异，两个指标的值都显著为正（zPFCA = 1.1 ± 0.8；zPFOS = 1.3 ± 0.9）。下载：下载高分辨率图像（647KB）下载：下载全尺寸图像图3. 普通海鸠和布伦尼奇海鸠的PFAS变异聚类。a，基于标准化变异（z分数）对长链PFCAs（zPFCA，C9–C13）和PFOS（zPFOS）的K均值聚类。阴影区域代表每个簇的核密度估计轮廓，显示观测值的概率密度；较深的内部阴影表示数据密度最高的区域。每个轴上的零点表示平均变异，正负值分别表示高于和低于平均值的变异。每个点代表一只海鸟，边缘颜色表示物种（黑色：Uria lomvia [UL]；白色：Uria aalge [UA]），形状表示群体位置，填充颜色表示簇分配。紫色星号标记簇中心。b，群体级别的簇成员分布，显示每个群体中每个物种的个体比例。群体代码：NW，西北；N，北；NE，东北；SW，西南；SE，东南。PFAS变异模式显示出明显的南北梯度。簇1（PFCA变异分散，PFOS变异低）主要分布在北部群体，而簇2（PFCA变异低，PFOS变异分散）主要分布在南部群体。物种组成因位置而异。在NW群体中，UA个体主要分配到簇2，而UL个体主要分配到簇1。在N群体中，两种物种都主要分布在簇1，但在次级簇成员身份上有所不同，UA主要分布在簇2，UL主要分布在簇3。在NE群体中，两种物种都主要分布在簇1，显示出最小的物种间差异。3.2. 组织间的同位素一致性红细胞δ13C值显示出明显的南北梯度，范围从-22‰到-19‰，北部群体的值更负，南部群体的值更正（图4）。血浆δ13C值遵循类似的空间模式，但总体上略负（图4）。红细胞δ15N值的范围为11‰至14‰，而血浆δ15N值的范围为11‰至15‰。两种组织在SE群体的δ15N值最高。稳定同位素值因组而异，具体中位数和四分位数范围详见补充表S7。下载：下载高分辨率图像（576KB）下载：下载全尺寸图像图4. 冰岛群体中海鸠组织的稳定同位素组成。分割小提琴图显示了布伦尼奇海鸠（Uria lomvia，UL）和普通海鸠（Uria aalge，UA）在五个地理群体（SW，西北；N，北；NE，东北；SE，东南）中的红细胞（a，c）和血浆（b，d）的碳（δ13C；a，c）和氮（δ15N；c，d）同位素值。小提琴图显示了核密度估计，上面叠加了单个数据点；黑色点表示中位数。星号表示同域群体间物种比较的统计显著性（*p < 0.05，**p < 0.01）。为了评估繁殖季节的觅食一致性，我们检查了血浆和红细胞之间的同位素关系。观察到δ13C（r = 0.7，p < 0.001）和δ15N（r = 0.7，p < 0.001）之间存在显著的正面相关性，表明觅食行为在时间上是一致的（补充图S2）。为了量化这种一致性，我们对δ13C和δ15N的双组织数据分别应用了主成分分析（PCA），捕捉了每种同位素在血浆和红细胞测量值之间的共同变异性（补充图S3–S4）。PCA的第一主成分得分被标准化为z分数，分别表示为δ15Nconsist和δ13Cconsist。同位素一致性在不同物种和群体间存在差异。对于氮同位素（δ15Nconsist），最南端的群体表现出主要为正的z分数（中位数：SE，1.3；SW，1.4），表明其两种组织中的δ15N值相对于其他群体而言始终较高。相比之下，两种物种的最北端群体表现出负的z分数（范围从-0.9到-0.2），表明其两种组织中的δ15N值始终较低。碳同位素一致性（δ13Cconsist）显示出类似的地理模式，最南端群体的δ13Cconsist值为正（中位数：SE，2.0；SW，1.6），表明δ13C值相对较低；而最北端群体的δ13Cconsist值为负（范围从-0.9到-0.1），表明δ13C值相对较高。两种同位素系统都显示出明显的南北梯度，其中最北端的群体与最北端的Uria aalge群体相似。
3.3 条件分段回归和预测风险测试
为了划分同位素空间中的觅食栖息地，我们确定了同位素分界点（δ13Cconsist = 0.2；δ15Nconsist = 0.0），作为碳-氮值显著变化的生物地球化学转变点。这种方法使我们能够根据水的同位素值区分不同的水体，并评估PFCAs和PFOS变异性的相应响应轨迹。分段回归曲线（图5a–d）显示，一旦超过这些水体边界，变异性就会发生非线性变化。
下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像
图5. 海鸠中PFAS变异性的双变量分段回归和预测暴露表面。a–d，长链PFCAs（a，b）和PFOS（c，d）的z分数与同位素觅食一致性指标（δ13C [a，c] 和 δ15N [b，d]）之间的分段回归关系。垂直虚线绿色线条表示识别的分界点，前后的斜率已标注（星号表示显著性：*p < 0.05，**p < 0.01）。阴影代表95%置信区间，底层的绿色等高线代表数据密度（核密度估计）。e–f，等高线图显示了zPFCA（e）和zPFOS（f）中δ13Cconsist和δ15Nconsist之间的双向交互作用。虚线标记了分界点（δ13Cconsist = 0.2，垂直；δ15Nconsist = 0.0），划分出四个觅食策略象限：受北极影响的栖息地特化物种（δ13Cconsist < 0.2 和 δ15Nconsist < 0.0）、在北极影响水域内的生态位划分（δ13Cconsist < 0.2 和 δ15Nconsist > 0.0）、受大西洋影响的广食性物种（δ13Cconsist > 0.2 和 δ15Nconsist > 0.0），以及碳同位素一致性高但氮同位素一致性低的个体（δ13Cconsist > 0.2 和 δ15Nconsist < 0.0）。颜色渐变表示预测的PFAS z分数，范围从-3.0（蓝色）到4.0（红色）。物种通过颜色区分，繁殖群体通过标记形状区分。UA：Uria aalge，普通海鸠；UL：Uria lomvia，布伦尼奇海鸠。五个地理群体：西南（SW）、西北（NW）、北部（N）、东北（NE）和东南（SE）。
对于PFCAs，其变异性受氮介导的衰减控制（图5b）。在氮分界点（δ15Nconsist = 0.0）以下，PFCAs的变异性（zPFCA）相对稳定（βpre = −0.1；图5b）。然而，超过这一阈值后，其下降幅度显著增加了七倍（βpost = −0.7，p < 0.05；图5b）。相比之下，PFOS的变异性（zPFOS）沿碳梯度呈现斜率反转（图5c）。在碳分界点（δ13Cconsist = 0.2）以下，PFOS的变异性（zPFOS）与碳值呈显著负相关（βpre = −0.2，p < 0.01；图5c）。一旦超过这一阈值，其轨迹转变为更大的正斜率（βpost = 0.9，p < 0.05；图5c），表明在高碳环境中从抑制转变为增强。重建的性能表面（图5e，f）显示了PFCAs和PFOS变异性的两种不同模式。在低氮水域中，zPFCA保持稳定；随着氮同位素值的增加，zPFCA下降（图5e）。在低碳段中，zPFOS受到限制；在碳和氮值都升高的区域观察到局部增加（图5f）。
通过比较训练和验证子集的预测误差来评估模型性能（表2）。虽然绝对方差反映了PFAS变异性的内在复杂性，但训练和验证误差之间的狭窄差距表明所识别的同位素阈值在结构上是稳健的。这些分界点代表了普遍的生态转变，而不是训练数据的伪影。具体来说，zPFCA总方差的55.0%可归因于与氮阈值相关的段效应。在低碳/低氮环境中，zPFCA保持较高；在氮阈值之后，相对变异性系统性地下降（表2）。相比之下，zPFOS显示出碳和氮段之间的显著交互作用（δ13Cconsist x δ15Nconsist，p = 0.03；表2）。碳阈值解释了总效应大小的65.7%，在该阈值之后观察到斜率反转（β = 1.2，p < 0.01）。在孤立的高氮条件下，平均zPFOS为-0.4；当碳和氮值都超过各自的阈值时，平均zPFOS增加到0.8（完整参数估计：补充表S8–S9）。
表2. 同位素环境中PFAS变异性的双变量分段回归的模型性能和参数估计。
由于样本量不足（n = 6），高碳/低氮环境被排除在分析之外。
响应变量 参数/指标
PFCA (zPFCA) PFOS (zPFOS)
模型性能
R² 训练 0.20.3
R² 验证 0.10.2
RMSE 训练 0.90.8
RMSE 验证 1.11.0
系数
截距 0.3 −0.4
**(p值) δ13Cconsist 0.2 −0.2
δ13Cconsist段 −0.11.2**
δ15Nconsist −0.10.1
δ15Nconsist段 −0.6 −0.1
δ13Cconsist x δ15Nconsist −0.20.1*
段均值
低C / 低N (n = 65) 0.2 −0.3
低C / 高N (n = 15) −0.3 −0.4
高C / 高N (n = 26) −0.50.8
a. 显著性水平：*p < 0.05，**p < 0.01
b. 训练观测值：84；验证观测值：22
c. 变量段：与段的交互作用（分界点后的斜率变化）
d. x：变量之间的交互项
e. 段组合代表研究中识别的不同生物地球化学区域。
4. 讨论与结论
海洋捕食者中的PFAS暴露模式反映了环境暴露途径和营养传递的综合影响[5]，[6]。尽管先前的研究通常将个体间变异性视为统计噪声，但本分析将其视为具有生态信息性的，揭示了基于平均值分析可能忽略的污染物动态方面[5]，[6]，[12]。通过使用双同位素一致性指标（δ13Cconsist和δ15Nconsist分数），我们展示了PFAS变异性如何反映将觅食行为和栖息地使用与污染物暴露联系起来的生态过程。尽管存在下面讨论的方法学限制，这种方法为海洋系统中污染物动态的生态驱动因素提供了新的见解[39]，[67]。
4.1 PFAS变异性作为结构化的生态信号
我们预测：(1) PFAS暴露变异性将包含反映觅食策略和海洋学影响的结构化生态信号；(2) UL和UA将表现出不同的变异模式，其中UL表现出更受限制的模式，而UA表现出更大的变异性。结果强烈支持第一个假设，揭示了结构化的变异簇（图3）和在北极-大西洋过渡处的显著阈值效应（表2，图5）。然而，与我们的第二个假设相反，物种间的相对约束因化合物类别和海洋学背景而异，而不是一个物种始终表现出更受限制的变异性。
有三条证据表明PFAS变异性反映了结构化的生态信号，而不是统计噪声。首先，变异簇的空间组织（图3）提供了证据，表明暴露区域是由不同海洋水体之间的转换结构划分的。最北端群体的鸟类在寒冷的、受北极影响的水体中觅食（δ13C和δ15N值更负；图4），主要被归类为簇1（图3），与最南端的温暖、咸水大西洋流入区域形成鲜明对比（δ13C和δ15N值更正；图4），这些群体主要被归类为簇2（PFOS变异性较高；图3）。由于北极和大西洋水体之间的同位素基线不同[68]，[69]，因此δ15N值被解释为区域内的营养梯度指标，而不是跨群体的绝对营养比较。这种地理模式与假设一致，即不同的水体调节了污染物在食物网中的传播效率，尽管仅凭同位素代理无法确定这种关系的方向性。具体来说，这里通过当地猎物组成和食物链长度定义的水体之间的食物网结构差异，可能影响了不同群体中PFAS吸收效率的变化。预计嵌入在更复杂或更长食物网中的群体中的鸟类捕食者将表现出更大的PFAS暴露变异。从这个意义上说，海洋学环境可能作为生物地球化学模板，在当地食物网的基础层建立了PFAS的可用性基线，而该食物网的生态结构——其长度、分类组成和能量结构——决定了PFAS在顶级捕食者中的吸收程度和变异性。
其次，我们的条件分段回归确定了同位素功能分界点（δ13Cconsist = 0.2和δ15Nconsist = 0.0），这些分界点与不同海洋学环境之间的转换一致（表2）。在没有同位素基线的情况下，这些阈值作为内部衍生的生物地球化学参考点，区分了受北极影响的水体和受大西洋影响的觅食栖息地[69]。需要认识到，这些分界点是从双同位素关系本身内部分确定的；因此，它们被解释为识别同位素觅食指标之间的统计耦合发生结构变化的位置，而不是作为独立的海洋学边界标志。因此，海洋学环境似乎定义了PFAS积累的条件，决定了特定化合物类别是在逐渐增加还是在相对狭窄的浓度范围内保持不变。因此，在簇分析中观察到的空间组织（图3）被解释为这些特定化合物同位素驱动因素的结构化结果，其中水体之间的转换对应于污染物动力学的转变。
对于PFOS变异性，δ13Cconsist分界点对应于PFOS-栖息地关系的方向和幅度的明显反转（表2，图5）。在这个碳阈值以下，对北极影响栖息地具有高忠诚度的鸟类（δ13Cconsist：−2到0）显示出显著的负斜率（βpre = −0.2），这与栖息地使用限制PFOS变异性的受限积累模式一致，这是簇1的特征（图3）。超过这个阈值后，随着鸟类向大西洋影响的水域转移，关系转变为正斜率（βpost = 0.9），这与在高碳环境中PFOS的生物放大作用一致，导致簇2中最南端群体中观察到的浓度（图2）和变异性的增加。
对于PFCAs的变异性，营养位置（δ15Nconsist）仅在大西洋影响的水域中成为调节因素（表2），表明氮介导的影响是有条件的而不是普遍的。在北极水域中，PFCAs的变异性与营养位置统计上解耦；这种耦合仅在碳分界点之后变得明显（βpost = −0.7，p < 0.05；图5b）。然而，交叉验证大大削弱了这一发现：尽管氮段解释了55.0%的训练方差，但在验证期间没有个别因素达到显著性（表2）。有两种非互斥的解释与此结果一致：一种是PFCA较短的半衰期和相对于PFOS较低的生物放大潜力驱动的真正生化衰减[70]；另一种是训练阶段的模型过拟合。这种特定化合物的差异与第一条证据中的观察结果一致：觅食栖息地对不同PFAS类别的可靠性不同，对于PFCAs，当前模型没有产生可推广的预测结构。
综上所述，这些特定化合物的模式与一种层次结构一致，在这种结构中，大尺度海洋学（δ13Cconsist）限制了微观尺度营养相互作用（δ15Nconsist）塑造PFAS变异性的条件。在这个层次结构中，海洋学环境定义了可能的暴露条件范围，而营养位置作为次要调节因素，减少了在大西洋食物网中高营养水平鸟类中的PFCAs变异性，并放大了在大西洋影响鸟类中PFOS的变异性。两个结果的簇模式，即北极影响鸟类中受限制的PFOS变异性和在大西洋影响鸟类中升高的PFOS变异性，代表了可重复的、受海洋学边界限制的暴露状态，而不是统计伪影。这些同位素定义的生态相关性的生物学相关性得到了血浆-细胞同位素强相关性（δ13C和δ15N均为r = 0.7）以及在繁殖期间记录的高站点忠诚度的支持[71]。尽管血液中的稳定同位素通常会整合几周内的饮食信息，而不是几个月或几年的时间，但这种在不同组织中的一致性表明，这些个体在整个繁殖季节都在稳定的海洋环境中觅食。因此，同位素模式与PFAS（全氟和多氟烷基化合物）变异之间的关联不太可能反映短期饮食波动；更有可能反映的是在较长时间内累积的特定栖息地暴露。这使得所确定的同位素阈值成为衡量这些捕食者PFAS暴露的更广泛海洋条件的有用指标。
在西北和北部殖民地，细尺度的模式突显了生态上的细微差别，其中微妙的行为变化对PFAS暴露变异产生了不成比例的影响，超出了区域海洋环境的预测。在西北殖民地，物种间的聚类分配差异表明，个体层面的觅食行为可能偏离了区域同位素模式。尽管这两个物种都处于相同的栖息地（低于阈值的碳值），并且模型预测它们的PFOS变异程度相似，但只有UL（一种鸟类）符合这一预期。而UA（另一种鸟类）主要被分配到第2簇（图3），尽管它们在受北极影响的水域中觅食，但其PFOS变异程度仍然较高。这种差异表明，虽然模型能够捕捉到宏观尺度的栖息地使用情况，但它无法完全解析该地点的细尺度觅食生态位，这些生态位决定了暴露变异的程度。对于UL来说，它们对冰川峡湾和边缘冰区的高度依赖[59]使其PFOS变异程度保持在第1簇内（图3）。相比之下，UA可能通过Irminger洋流[59]中的不同垂直或时间上的猎物获取方式，在更广泛的猎物范围内觅食，从而产生与北极趋势不同的变异模式。
在北部殖民地，我们的分析遇到了另一个重要的生态边界：细尺度的时间和垂直异质性。UA分布在所有三个簇中，但主要聚集在第1簇（PFOS变异程度较低），只有一个个体出现在第3簇（两种PFAS类的变异程度都较高），而UL则更频繁地被分配到第3簇。这种差异不能用广泛的δ13C梯度来解释，这表明时间或垂直生态位的差异是造成这种对比的原因。先前的追踪和观察数据表明，UL主要在夜间在浅水层觅食[71]，这种策略使它们能够接触到多种垂直迁移的猎物群落[72]、[73]。相比之下，UA更一致的深水觅食行为[71]使它们的变异程度更加稳定。这种时间和深度相关的划分可能导致UL相对于UA更一致的深水觅食行为而具有更大的暴露异质性。
在东北部殖民地，两种鸟类主要都被分配到第1簇（图3）。这种一致性与该地点物种间没有生态位划分的报告[59]相符，并且碳阈值以下的显著负斜率（表2）预测在受北极影响的水域中觅食的鸟类PFOS变异程度较低且一致。因此，东北部的模式揭示了在海洋环境均匀的情况下，共享相似猎物如何减少个体间PFAS暴露的差异。
在两个最南端的殖民地，UA种群主要聚集在第2簇（图3），其PFOS变异程度较高，而PFCA（全氟羧酸）变异程度较低。这与碳阈值以上的正PFOS斜率（图5d）一致：在大西洋影响的食物网中觅食的鸟类显示出更大的个体间PFOS浓度差异（图2），这种差异与这种海洋环境下的δ13Cconsist值增加有关。簇分布与分段回归斜率之间的这种一致性表明，特定化合物的积累机制在起作用[70]、[74]。对于PFOS来说，大西洋影响区域鸟类中较高的浓度可能会放大原本可能无法检测到的个体间差异。对于PFCAs（全氟羧酸），它们与血清白蛋白的竞争性结合可能导致PFOS从有限的结合位点上取代PFCAs，从而减少可检测到的个体间PFCA浓度差异，无论猎物多样性如何。这些机制仍然是推测性的，需要实验验证，但它们为这两种化合物类别的不同变异模式提供了合理的生化基础。
在受北极影响的殖民地，由于PFAS浓度较低且生物放大作用似乎不那么强烈，这种对比关系被逆转了。较低的总体PFAS浓度可能限制了个体间变异，而缺乏强烈的竞争性结合使得生态因素（如猎物多样性和栖息地使用）能够更直接地反映在PFCA浓度上。这些观察结果表明，PFAS组织浓度的生态变异的可检测性本身取决于浓度范围：在较低浓度下，PFCA模式的变异反映了个体间的觅食差异；而在较高浓度下，PFOS变异对营养级差异更为敏感，PFCA变异可能受到蛋白质结合竞争的抑制。
4.2 方法学考虑
我们利用同位素值（δ13Cconsist和δ15Nconsist分数）的时间一致性来表征觅食行为并解释不同海洋梯度下的PFAS变异。虽然这些一致性指标可以提供繁殖季节觅食情况的见解，但在解释结果时需要考虑几个方法学限制。一个关键的限制是同位素周转率（几周到几个月）与PFAS持久性之间的时间不匹配，某些化合物的持久性可能长达数年。尽管血液中的同位素反映了最近的觅食行为，但测量到的PFAS负担的一部分可能是在繁殖季节之前积累的。这个问题对于像PFOS这样的遗留化合物尤为重要，因为其在海鸟体内的半衰期为数年[75]。此外，同位素基线在不同海洋区域、季节和空间尺度上存在显著差异[76]、[77]。由于缺乏研究区域的直接基线测量，无法完全区分栖息地的营养效应和基线驱动的同位素变异。例如，较高的δ15N值可能反映了基线氮源的变化，而不是实际的营养级[78]。与饮食无关的生理因素也可能影响同位素值和PFAS的积累。个体间的代谢率、生长、繁殖状态或解毒能力的差异可能会独立影响同位素值和PFAS的保留，从而产生不直接反映生态过程的相关性。最后，这项研究的相关性特征排除了同位素模式与PFAS变异之间的因果推断。虽然2018年繁殖季节的数据揭示了与栖息地相关的一致模式，但需要实验验证来阐明觅食生态与PFAS积累之间的机制联系。
一些方法学上的改进可以解决这些限制。在繁殖季节之外形成的组织进行同位素分析，以及特定化合物的同位素分析，可能比整体稳定同位素分析[26]、[79]、[80]、[81]、[82]、[83]、[84]提供更详细的觅食行为和生理过程见解。此外，跨海洋区域的明确基线校正将提高北极和大西洋系统之间的可比性[85]。
4.3 结论与意义
所研究的海鸠的PFAS暴露变异受到海洋梯度的影响，其中北极-大西洋过渡区是一个最重要的阈值：受北极影响的鸟类的PFOS变异受到限制且一致，而在受大西洋影响的鸟类中则显著更高，这反映了与大西洋温暖、生产力更高的食物网相关的更强烈的生物放大作用。长链PFCAs的变异对营养级的响应较弱，且仅限于受大西洋影响的水域，这与PFCAs相对于PFOS较短的半衰期和较低的蛋白质结合亲和力一致。这些特定化合物的响应突显了物理化学性质在决定组织浓度中生态信息表达方式方面的重要性。结果表明，同位素值并不能统一预测所有环境下的PFAS变异。营养级是否具有信息量取决于当前的海洋环境，如果在整个数据集上应用线性模型而不考虑这种条件性，往往会掩盖重要的变异。像这里应用的方法那样识别与栖息地相关的阈值效应，更适合捕捉这些非线性关系。随着气候变化继续改变冰岛周围及亚极地海域的北极和大西洋水体的范围和分布，受限制变异的北极暴露区域与高变异的大西洋暴露区域之间的界限可能会发生变化。了解这些阈值的移动方式以及个别海鸟觅食策略的响应方式，对于预测高纬度海洋捕食者未来污染物暴露的变化非常重要。
**作者贡献声明**
Rui Shen：写作——审稿与编辑、撰写初稿、可视化、验证、软件、方法学、正式分析、数据管理、概念化。
Ralf Ebinghaus：资金获取、概念化。
Thomas Larsen：写作——审稿与编辑、资金获取、正式分析、概念化。
Daniel Giddings Vassão：写作——审稿与编辑、验证、方法学。
Norman Ratcliffe：写作——审稿与编辑、资金获取、概念化。
**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
打赏
