普林斯·库马尔·辛格 | 英德拉吉特·库马尔 | 乌梅什·库马尔 | 拉胡尔·普拉萨德·辛格 | 拉姆·沙兰·辛格 | 拉杰什·库马尔·夏尔马
印度理工学院化学工程与技术系，瓦拉纳西-221005，印度
**摘要**
环境稳定性是维持健康生态系统和保护人类生命的基础，但持久性重金属的无情积累严重破坏了生态完整性和公共健康。准确评估重金属污染及其对食品安全的影响对于有效的风险管理至关重要。传统的环境风险评估（ERA）方法受到劳动密集型和耗时过程的限制。新兴的新方法（NAMs）现在提供了创新且高效的替代方案，用于评估与重金属污染相关的环境和食品安全风险。NAMs包括计算机模拟方法、高通量筛选方法以及预测建模框架，能够快速、经济且可靠地评估与重金属相关的危害和风险。在当代毒理学中，人工智能（AI）和机器学习（ML）的整合进一步扩展了分析能力，使得可以解释复杂的大规模数据集，以识别机制洞察和毒性模式。本综述分析了新NAMs的优势和局限性，并阐明了通过AI、ML、多组学整合和混合机制-数据范式增强ERA和全球食品安全精度的潜力。
**引言**
环境不断暴露于各种化学污染物中，其中重金属是一个特别令人担忧的群体，这是由于工业化、城市化和其他人为活动的迅速增加所致。重金属污染是一个重大的全球生态问题，因为这些金属是环境中最常见的无机污染物（Briffa等人，2020年）。由于来源多样且长期数据匮乏，重金属分布的空间异质性严重阻碍了跨生态系统的多源污染评估，从而复杂化了来源分配、时空趋势分析和风险评估模型。世界卫生组织（WHO）估计，每年全球有超过一百万人死于化学物质暴露（WHO，2021年）。这一令人担忧的统计数据，加上对人类、动物、植物和环境健康相互关联性的认识，突显了全面和协作管理化学品使用的迫切需求（Bronzwaer等人，2022年）。为了保护公共健康并应对当代全球毒理学风险（de Jongh等人，2022年），欧盟委员会实施了可持续性化学品战略，这是欧洲绿色协议的重要组成部分，旨在实现无毒环境（EC，2020年）。相应地，卫生、农业和工业部门的全球倡议通过促进有害化学品和重金属的替代和限制来支持这一议程（WHO，2021年）。
**传统分析方法**
迄今为止，经典的分析方法仍然是精确量化和监测重金属离子的基准。这些方法包括原子吸收光谱法（AAS）（de Almeida Pereira等人，2004年）及其变体，如火焰原子吸收光谱法（F-AAS）、石墨炉原子吸收光谱法（GF-AAS）（Chen和Teo，2001年）、冷蒸气原子吸收光谱法（CV-AAS）和氢化物生成原子吸收光谱法（HG-AAS），以及先进的等离子体和荧光方法，如电感耦合等离子体质谱法（ICP-MS）、原子发射光谱法（ICP-AES）（Zhang等人，2008年）和能量分散X射线荧光光谱法（E-DXRF）（Menéndez-Alonso等人，1999年）。尽管传统分析技术在检测微量重金属方面表现出色，但它们仍受到便携性差、依赖熟练操作员和分析程序繁琐的限制（Kawamura和Miyata，2016年；Luo等人，2016年）。传统的毒性和环境风险评估（ERA）方法的特点是处理速度慢、资源需求大以及伦理限制等。新兴的自动化和集成系统方法（如NAMs）能够检测早期分子和细胞反应，如氧化损伤积累、ATP合成受损以及表观遗传和转录调节等，从而在表型变化出现之前提供敏感的毒性指标。当与组学数据集和计算建模结合时，这些方法通过将暴露与不良结果途径（AOP）关联起来，提高了预测的准确性，从而减少了危害评估和外推的不确定性（da Silva等人，2020年）。
**新方法的出现**
新化学实体的迅速出现需要强大的安全管理支持，NAMs通过整合计算机模拟、体外实验、化学实验和组学方法来填补数据空白，提高预测能力，并减少化学风险评估中的成本和动物实验（Parish等人，2020年）。印度最近的监管改革使得NAMs能够纳入ERA框架，尽管仍处于起步阶段，但正在努力建立综合监管路径。预测人类模型系统中心（CPHMS）与Atal孵化中心-CCMB（AIC-CCMB）是通过Humane Society International-India和细胞与分子生物学中心的合作倡议建立的，作为一个促进机制相关毒理学方法研究的领先中心。CPHMS中NAM相关倡议的扩展体现了印度在预测毒理学方面的能力提升，同时国家法规也在不断完善。2024年7月，CPHMS、中央药品标准控制组织（CDSCO）和印度医学研究委员会（ICMR）联合举办了一个里程碑式的工作坊，强调了为复杂的体外和计算机模拟模型制定基准监管指南的紧迫性（Mahadik等人，2025年）。NAMs的可扩展性受到验证差距、方法标准化不足以及体外、计算机模拟和组学框架之间缺乏协调一致的制约。体外方法涵盖了从传统细胞测定到复杂组织和器官芯片系统的连续体，需要严格的实验优化和领域特定专业知识。互补的计算模型越来越多地用于表征重金属来源和扩散，从而允许在较低样本输入下进行快速评估（McBratney，2003年；Wang等人，2015年）。
**人工智能（AI）的作用**
人工智能（AI）并不被视为NAMs的一个子集；相反，它作为一个补充的计算层，增强了NAM衍生数据集的可解释性、集成性和预测性能。实际上，AI驱动的方法应用于NAM平台的高维输出，以提取复杂的非线性关系，促进暴露-反应建模，并提高危害识别和优先级。AI指的是设计用于在有限的人类干预下表现出智能行为的计算架构，它正在迅速发展，能够执行超出人类能力的复杂认知任务（Hamet和Tremblay，2017年；Davidovic等人，2021年）。在这个领域中，机器学习（ML）是一个基本组成部分，它利用统计和算法技术实现复杂数据集中的自动化模式识别。这些系统在接触更多数据时不断改进，允许数据驱动的预测和决策，而无需显式的基于规则的编程（Minasny和McBratney，2025年）。计算方法（如AI和ML）的进步现在使得可以监测水质、土壤和空气质量，并量化重金属污染，尽管仍存在可能影响生态系统稳定性的不确定性。本综述批判性地考察了NAMs和AI在推进毒理学研究中的整合。它总结了当前在将NAMs（涵盖体外测定、计算机模拟、高通量筛选和基于组学的技术）与传统毒理学对齐方面的进展和挑战。基于AI的模型，包括神经网络、梯度提升、随机森林（RF）和广义线性模型，被评估其在预测毒理学和ERA中的作用。该综述提出了一个结构化框架，以标准化NAM在风险评估中的应用，解决复杂性和不确定性问题。总体而言，它全面总结了NAM和AI驱动方法在重金属分析方面的原理、能力和局限性，并概述了这一不断发展的领域的未来方向。
**参考文献**
Di Nicola等人，2022年；EFSA等人，2021年；欧盟委员会，2020年；欧洲替代动物测试伙伴关系，2023年；IHMod - Outil - INRS，2016年；Jiang等人，2020年；Kumar等人，2022年；Kumar等人，2025年；Levine等人，2025年；Liu等人，2025年；Malik和Pirzadah，2020年；McBratney等人，2003年；McCulloch和Pitts，1943年；Polishchuk，2017年；Quinlan，1992年；世界卫生组织，2021年；Ziemba，2025年。
**利益冲突**
作者声明他们没有任何可能影响本文工作的竞争性财务利益或个人关系。
**数据可用性**
本文描述的研究没有使用任何数据。
**资金**
这项工作没有收到任何特定的财务资助。
**利益冲突声明**
作者声明他们没有任何已知的竞争性财务利益或个人关系可能影响本文的工作。
**致谢**
作者感谢印度理工学院化学工程与技术系（IIT-BHU），瓦拉纳西-221005，印度提供的必要研究设施。
打赏
