空气污染在全球每年导致数百万例过早死亡,是当代社会面临的重大环境问题之一。大气中除了颗粒物,还有气体污染物以及生物成分如过敏原、毒素等。人体呼吸暴露的健康效应需要考虑所有这些物质的效应以及它们可能存在的协同作用。大气化学过程与污染源变化会导致空气毒性快速波动。然而,目前主要还是依赖颗粒物质量浓度来评估空气质量,难以对真实的健康效应进行考量。此外,目前研究空气污染健康效应的方法通常采用离线技术,如PM鼻腔灌注、血液注射或富集后再气溶胶化,并需要进行繁琐、有创的组织或血液取样分析, 严重缺乏时效性。这些缺点限制了对真实环境中空气污染健康危害的精准的、具有时效性的评估和预警。
针对如上难题,要茂盛团队研发了空气毒性活体监测系统(Air Toxicity in vivo Monitoring System, ATMS),实现了对空气污染健康效应的原位、实时、在线监测。通过与各地高校和科研院所合作,团队在2023年冬季和2024年春季分别在中国7个和13个城市部署了该套系统,并系统开展了24小时全天候大气污染健康效应实时无人值守的监测,时间分辨率为3秒。通过监测暴露于不同城市环境空气中的大鼠呼出气中的8种标志物(VOCs、CO2、CO、NO、H2S、H2O2、O2、NH3),结合机器学习方法,实现对了不同城市空气毒性的实时监测和评估(图1)。

图1 全国多城市空气毒性监测示范应用
运用EconML因果推断机器学习模型,研究发现不同城市相同质量浓度的PM2.5-10、PM2.5、O3对大鼠呼出气中炎症和氧化应激标志物的影响存在明显差异,提示了来源、季节对颗粒物健康效应的重要影响,以及真实环境中颗粒物与臭氧间的协同健康效应(图2)。

图2 不同城市颗粒物和臭氧对大鼠呼出气中关键标志物的影响差异
研究基于大鼠呼出气中的8种标志物(VOCs、CO2、CO、NO、H2S、H2O2、O2、NH3),运用机器学习算法构建了一个能够实时反映空气综合毒性的Air Toxic Index(ATI),并结合深度神经网络(DNN)模型与Shapley加法解释算法(SHAP)解析了驱动ATI变化的关键因素。 结果显示,在冬季,北京在11:00、20:00~次日凌晨3:00存在毒性高峰;太原、西安、郑州在10:00~24:00、0:00~2:00空气毒性较高;长沙10:00~16:00空气毒性较高(图3)。时间和城市是ATI的首要影响因素,PM2.5是影响各城市空气毒性的首要污染物,且影响模式随浓度增加呈非线性。春季各城市ATI的日内波动相对平缓,空气毒性以O3为主导,PM2.5则影响较弱(图4)。在监测结束后,研究也通过组织病理学证实了不同城市空气污染对大鼠肺组织损伤的差异。

图3 冬季各城市空气毒性综合指数(ATI)日变化对比及影响因素分析

图4 春季各城市空气毒性综合指数(ATI)日变化对比及影响因素分析
本研究在国内外首次实现利用活体大鼠实时在线监测大气污染健康效应,为研究空气污染健康效应开启了新范式。 该研究不仅建立了空气污染健康效应实时监测的新方法,更在多个污染水平不同的城市开展了大规模应用,揭示了不同城市空气毒性的时空差异特征。该技术体系有望为优化空气污染控制策略和公众健康防护提供重要技术支撑,可推广用于大范围日常监测,弥补现有监测体系对健康效应关注的不足。研究成果以“Air Toxicity Surveillance across Thirteen Cities Using Rats”为题发表在Environmental Science & Technology刊物上。论文的第一作者为北京大学环境科学与工程学院博士生朱晨宇,北京大学要茂盛教授为通讯作者。参与监测的合作单位包括山西大学、郑州大学、兰州大学、中南大学、江苏省疾病预防控制中心、中国科学院地球环境研究所、西安交通大学、四川大学、浙江中医药大学、内蒙古大学、内蒙古师范大学环境健康研究院、河北医科大学、华中师范大学、昆明理工大学和北京工匠生物科技有限公司。该项目主要得到了国家自然科学基金(NSFC)创新研究群体项目(基金号:22221004)、国家重点研发计划(基金号:2023YFC3708200)以及广州国家实验室项目(项目号:GZNL2024A01028和SRPG22-007)的资助。
论文链接:
https://pubs.acs.org/doi/full/10.1021/acs.est.5c01250