我國土壤受試植物篩選與毒性預測

羅晶晶,吳 凡,張加文,劉征濤,張 聰,王曉南*

我國土壤受試植物篩選與毒性預測

羅晶晶1,吳 凡1,張加文1,劉征濤1,張 聰2,王曉南1*

(1.中國環境科學研究院,環境基準與風險評估國家重點實驗室,北京 100012；2.海油環境科技(北京)有限公司,北京 100027)

生態毒性數據缺乏是我國土壤基準與生態風險評估研究中一直存在的問題,開展本土受試植物的篩選可提供更多的生態毒理試驗選材,從而獲得不同物種的生態毒性數據.鑒于植物對土壤污染物的敏感性,從被子植物中依據分布范圍、代表性和易于獲得性等原則,對我國潛在的受試植物進行篩選,結果發現,13科53種被子植物分布廣泛且易于獲取,可作為本土受試植物;結合生態毒性數據的搜集與分析,其中12種受試植物的生態毒性數據相對豐富,并對部分典型污染物表現高敏感.此外在受試植物生態毒性預測模型研究方面,對12種受試植物兩兩進行建模預測,共得到132個物種種間關系估算模型(Interspecies Correlation Estimation,ICE),其中88個為顯著性模型(檢驗<0.05);此處,回歸分析了已構建ICE模型的評價參數,得出預測效果較好的ICE模型應滿足交叉驗證成功率380.00%、MSE￡0.62、230.76和分類學距離￡4的標準.最終篩選出25個符合上述標準的ICE模型,涉及禾本科-禾本科、十字花科-十字花科的相互預測,其中當燕麥、蕪青、普通小麥、玉蜀黍和黑麥草等作為替代物種時,預測物種的實際生態毒性值與預測值較為接近.受試植物的篩選與生態毒性預測模型的建立有助于生態毒性數據的產生,并為土壤污染管理和生態風險評估提供科學依據.

土壤生態基準；受試生物篩選；被子植物；物種敏感度分析；ICE模型預測

土壤污染問題的發生通常會推動土壤污染管控的進程,1934年美國黑色風暴事件、1979年荷蘭萊克爾克土壤污染事件,都促使這兩國較早開展了土壤污染相關研究及政策制定.在土壤生態安全方面,目前各國基本建立了相應的土壤基準值確定方法,如美國的生態篩選值(Ecological Soil Screening Levels, ECO-SSLS)、加拿大的土壤質量指導值(Soil Quality Guideline,SQG)、英國的土壤篩選值(Soil Screening Values,SSVS)、澳大利亞的生態調查值(Ecological Investigation Levels,EIL)、新西蘭的生態安全環境指導值(Environmental Guideline Values, EGV)[1],我國于20世紀80年代后陸續開展土壤背景值和土壤環境容量的調查工作[2].目前我國土壤污染問題涉及地區較多、類型復雜、污染物種類廣泛[3],總體情況不容樂觀,這不僅提高了我國土壤生態風險評估的難度,也致使我國土壤環境基準研究發展相對緩慢.

因此有必要開展我國土壤生態風險評估和環境基準中關鍵技術的探索,生態毒性數據便是其中基礎且重要的一環,但現有的生態毒性數據相對缺乏,并存在污染物涵蓋不足、涉及生物物種相對單一、終點指標及試驗方法不統一等問題.在生態毒理試驗中,普通小麥[4-5]、大麥[6-7]、黃瓜[5]、西紅柿[8]、蘿卜[9-10]、高粱、玉蜀黍等是現階段常用的受試植物,其主要是禾本科、十字花科等的農作物,而我國植物物種資源豐富,以上農作物的使用相對片面、代表性不全.使用基礎信息與來源較為全面的受試生物有助于獲得更為精確的毒性數據[11].國內外最早在水質基準受試生物篩選上進行了大量研究[12-13],目前土壤環境基準研究方面,基于具體污染場地的情況來篩選相應受試植物,如許霞等[14]篩選出蠶豆作為廢棄農藥廠的敏感植物,金鑫[15]篩選了化工污染場地的受試植物.受試植物的篩選也會考慮到物種代表性及分布范圍,本文以高等植物中被子植物的篩選開展研究,為生態毒理試驗提供可參考的備選試驗材料,并進一步得到更多相關植物物種的生態毒性數據.

此外,土壤生態毒性數據預測模型也能進一步擴充生態毒性數據.美國環保署(USEPA)構建的物種種間關系估算模型(Interspecies Correlation Estimation,ICE),在水生態毒性數據預測中得到了廣泛應用,可以預測250多個水生生物種的生態毒性[16],如魚類和水生無脊椎動物、藻類和野生動物[17-18],且ICE模型得到的預測毒性值與實測值之間表現出較高的一致性[19].在土壤生態毒性研究方面,USEPA研究人員近年開始了土壤生物的ICE模型構建,主要是土壤無脊椎動物毒性數據的預測,得出模型在目分類水平上表現出高的預測精度(例如,蚯蚓-蚯蚓),但在兩個跨類群物種(節肢動物-環節動物)中預測精度較低[20].目前尚未建立植物相關模型.

本研究創新點一是提供可行的受試植物篩選方法,并得到土壤生態毒理試驗的受試植物名單;二是探索了生態毒性數據預測模型的建立,為植物物種創建物種種間關系估算模型,并提出評價模型預測效果的相關標準.這有助于土壤生態風險評估與環境基準中生態毒性數據缺乏及現存問題的解決.

1 材料與方法

1.1 土壤受試植物的篩選

依據《中國生物物種名錄第一卷植物》(上中下冊)[21]對我國植物物種多樣性的記錄,統計高等植物(苔蘚、蕨類、被子、裸子植物)的省份分布,鑒于我國氣候類型復雜、植物種類豐富,整理分布在20個省份及以上的植物物種,認為其具有可靠的本土植物代表性.高等植物中,苔蘚植物與蕨類植物依靠孢子繁殖,對周圍生長環境變化表現出高敏感,現有毒性數據少且購買渠道不便,故未推薦作為受試植物;裸子植物均為多年生木本植物,與周圍環境因素關系復雜,不宜在短期內觀察生長情況,故未推薦作為受試植物.因此,本研究在梳理各高等植物分布及物種量的基礎上,選擇被子植物作為主要的受試植物選擇庫.

圖1 高等植物在不同分類學水平的數目

數據來自《生物物種名錄第一卷植物》[21]

我國被子植物物種資源豐富,《中國生物物種名錄第一卷植物》(上中下冊)[21]記錄在冊的被子植物共有263科總計30379種,占高等植物總物種數的85%(圖1),其中菊科、禾本科、豆科、蘭科、毛茛科、唇形科、莎草科、蕁麻科等均含有較多物種數.從中選擇在我國20個省份及以上有分布的被子植物,進一步搜集其購買及野外采集信息,將易獲得且分布廣泛的被子植物作為受試植物.受試植物應具備一定的可操作性,便于獲得且易于培養[1],可在實驗室環境下提供良好的毒性數據.

1.2 受試植物的生態毒性數據檢索

搜集受試植物名單中各物種的生態毒性數據,考察其對污染物的敏感性情況.在ECOTOX數據庫(https://cfpub.epa.gov/ecotox/index.cfm)以及公開發表的文獻中,檢索并記錄受試植物現有的生態毒性數據,毒性終點選擇EC50、IC50、LC50三類指標.獲得毒性數據后按照以下條件進行篩選:①有明確的毒性終點記錄;②單位統一,符合土壤生態毒理試驗的真實情況.因研究人員采用不同的試驗方法,如水培或者土培養,導致毒性數據濃度值單位不一致,本研究以mg/kg作為統一篩選單位;③對于同一污染物,如有較多毒性值,優先采用來源相同的可靠數據,計算幾何平均值作為種平均毒性值[22].記錄毒性數據相對豐富(即含有三種及三種以上污染物毒性數據)的受試植物,并將各受試植物的污染物毒性值均按從小到大的順序排列,獲得對相應受試植物毒性最大(毒性值最小)的污染物種類.

1.3 敏感性受試植物與高毒性污染物分析

匯總對各受試植物毒性最大的污染物種類,記錄重疊次數,排除重疊次數為1的污染物,其余污染物以CAS號、中英文名稱等從ECOTOX數據庫及公開發表的文獻中檢索毒性數據,保留被子植物物種的毒性數據.毒性數據篩選原則同1.2,計算各被子植物物種對同一污染物的累積概率,以種平均毒性值的對數為橫坐標,以對應的累積概率為縱坐標,繪制物種敏感度分布曲線.毒性數據相對豐富的受試植物若累積概率排在前列,則為敏感性受試植物,該污染物為高毒性污染物.所用軟件為Excel 2019及Origin 9.1.

1.4 物種種間關系估算模型構建

物種種間關系估算ICE模型,即將毒性數據相對豐富的受試植物,其一作替代物種,另一作預測物種,兩組數據進行回歸分析,判斷兩組數據間是否有較強相關性,在強相關性下得出回歸方程,根據檢驗,得到顯著性模型(<0.05),計算模型的均方差誤MSE、擬合優度R;并將預測物種的預測值與實測值進行驗證,得到交叉驗證成功率;同屬物種分類學距離為1,同科物種分類學距離為2,以此外推得到分類學距離.衡量以上四個評價指標,得出本研究ICE模型的評價標準及最終的ICE模型.所用軟件為Excel 2019、SigmaPlot 12.0及Matlab 8.1.0.604.

ICE模型采用的線性回歸方程如下:

式中:為預測物種的毒性數據值;為替代物種的毒性數據值.

我國土壤受試植物篩選和毒性預測ICE模型構建的技術路線見圖2.

圖2 受試植物的篩選和毒性預測ICE模型構建

2 結果與分析

2.1 我國土壤受試植物篩選結果

在高等植物中,分布在我國20個省份及以上的裸子植物主要有杉科的杉木、水杉;柏科的柏木、圓柏;松科的雪松、馬尾松,共6種(圖3).分布廣泛的苔蘚植物主要來自青蘚科,如青蘚屬、燕尾蘚屬、美喙蘚屬、同蒴蘚屬、鼠尾蘚屬、長喙蘚屬等,此外細鱗苔科也提供了較多的物種數.分布廣泛的蕨類植物涉及24科,如鐵角蕨科.盡管苔蘚植物在我國大部分省份可見蹤跡,但部分苔蘚植物對污染物過于敏感[23],受到毒害作用可能來自于空氣中污染物,影響了其在土壤生態毒性研究中的應用.分布廣泛的被子植物共有78種,其中53種易于購買,且部分物種可在野外進行采集,種子獲取渠道較為多樣,符合受試植物種子易得易栽培的條件;此外,這53種植物分布在我國多數省份,橫跨多個氣候帶,在我國擁有較長的發展史,與人類生活息息相關,故認為其具有本土代表性,可作為我國土壤受試植物(表1).禾本科與十字花科依然占據了較多物種數,多數主要用于農作,唇形科的物種常見用途是藥用,其他科物種則功能不一.

圖3 高等植物廣泛分布物種數(種分類水平)

表1 受試植物名單

注:以上物種均屬于被子植物,并可在網購平臺購買;“野外”指是否可在野外進行采集, -表示不易在野外采集.

在受試植物名單中,作為常見的藥用植物,和尚菜、牛蒡[24]、蒲公英、香薷、活血丹[25]、益母草[26]、一串紅[27]、馬齒莧[28]等的基因組都已得到部分研究,遺傳背景相對清晰,有利于生態毒理試驗的開展.作為常見牧草,柳枝稷[29]近年被發現可作為生物燃料,格蘭馬草因具有較高的遺傳多樣性[30],在開發優良高產牧草研究中顯現出較好應用前景,野牛草、草木樨[31]等同樣在其他領域被發現可加以利用.作為常見的經濟作物,如普通小麥、燕麥、玉蜀黍等,其本身在人類生活中就扮演著重要角色,一旦受到污染,不僅引發糧食安全、生態污染問題,也會影響到人體健康.篩選得到的受試植物,每個物種基本都具有兩種以上的功能,如草木樨既是常見牧草也是中草藥之一,馬齒莧既是中草藥也是牧草、蔬菜[28],多樣化的功能使得其與人類生產活動互相影響,因其在人類生活中的重要角色,及現有生物技術手段對其遺傳背景的研究,將其應用在生態毒理試驗中可行性較高,對于土壤生態風險評估及環境基準的研究也具有實際的生態意義.

其中,燕麥、普通小麥和蕪青被國際標準化組織(ISO)優先推薦為受試植物,玉蜀黍與豆科植物在必要條件下也可使用[32-33];歐洲油菜、蕪青、黃瓜、綠豆、大麥、黑麥草、高粱、普通小麥、玉蜀黍、稻被經濟合作與發展組織(OECD)推薦為土壤生態毒理試驗的受試植物[34];黃瓜、燕麥、黑麥草、玉蜀黍、蕪青、歐洲油菜被USEPA推薦作為植物早期幼苗生長試驗的受試植物[35-36].此外,OECD與USEPA也提出了非農作物的受試植物名單,并認為具有生態或經濟價值的植物在特定條件下用作受試植物具有重大意義.

2.2 受試植物生態毒性數據篩查結果

對表1中53種受試植物進行土壤生態毒性數據的搜集,根據條件篩選后,共有12種受試植物具有相對豐富的毒性數據,即毒性數據涉及污染物33個 (圖4).篩選后的現有毒性數據涉及污染物最多的是燕麥,共37個污染物,其次是蕪青,普通小麥與玉蜀黍涉及相同數目的污染物,涉及污染物最少的是大麥,僅有4個,12種受試植物平均涉及的污染物個數為12,多數受試植物涉及的污染物未達到平均個數.12種受試植物目前均在中國多個省份有分布[21],并有相關報道已應用于毒理試驗并獲得可靠的毒性數據,燕麥、蕪青、普通小麥、玉蜀黍是各國際組織普遍推薦的受試植物[32-36],在考慮毒性數據共享的情況下,其他物種在符合試驗標準的環境下得到的毒性數據同樣可錄入相關數據庫,并用于土壤基準值推導和生態風險評估等環節.

圖4 12種受試植物毒性數據涉及的污染物數目

12種受試植物涉及污染物總數118個,對各物種毒性較大的污染物見表2,排除污染物重疊后,共有13個污染物對兩種及兩種以上受試植物表現出較高毒性.即阿特拉津(CAS:1912249)、西瑪津(CAS: 122349)、氨磺樂靈(CAS:19044883)、氟樂靈(CAS: 1582098)、二丙烯草胺(CAS:93710)、唑嘧磺草胺(CAS:98967409)、2,6-二氯芐腈(CAS:1194656)、重鉻酸鉀(CAS:7778509)、五氯酚(CAS:87865)、硼酸(CAS:10043353)、硫酸銅(CAS:7758987)、2,4,6-三硝基甲苯(CAS:118967)、2,4-二硝基甲苯(CAS: 121142),以上污染物用在農業中主要起除草、殺蟲、除菌等作用.此外,對稻毒性較大的5個污染物對其他受試植物未見明顯毒害作用 (表2),可能是稻的特異性谷胱甘肽S-轉移酶(GST)對常見除草劑類污染物有解毒作用造成的[37-38].

基于生態系統中物質循環的基本原則,土壤污染與地下水污染、飲用水污染等具有一定關聯性[39].在以上13個污染物中,阿特拉津與西瑪津是常見的三嗪類除草劑,三嗪類除草劑因發明較早效果顯著得到了大面積應用,其中阿特拉津已被公認為地表水和地下水的主要污染物之一[40],在土壤中對豆科植物的毒性可在使用18周后仍被檢測到[41].氟樂靈是一種廣泛使用且在環境中持久存在的二硝基苯胺類除草劑,具有顯著的生態毒性[42].二丙烯草胺被歸類為土壤中的淋濾劑,其對地下水的污染潛力與甲草胺和異丙甲草胺相當[43].在土壤中,2,6-二氯芐腈本身不但抑制燕麥幼苗發芽,還會殺死或阻礙幼嫩植物的生長[44],其降解產物2,6-二氯苯甲酰胺(BAM),已在19%的丹麥地下水樣本中檢出[45].2, 4,6-三硝基甲苯,對植物根系的微觀結構會造成損害并抑制光合作用,如造成紫苜蓿氧化酶系統紊亂[46],其在土壤中的代謝物質2,4-二硝基甲苯等可對人體及環境造成潛在的危害[47-48].此外,五氯酚對土壤微生物群具有高毒性[49],唑嘧磺草胺會抑制豆科作物的發芽并導致植物死亡[50].這13個污染物,使用年限較久,在土壤中具有一定的積累性,對土壤中植物、微生物等均有不同程度的毒害作用,它們及其降解產物會隨著物質循環進入水體影響到水體安全,當人體直接或間接接觸到時也會產生相應的健康問題,因此人們對其進行了較多的研究.

表2 12種受試植物的污染物毒性EC50和IC50值

注:*前數字表示化合物CAS號.

2.3 受試植物對高毒性污染物的敏感性

搜集這13個污染物的毒性數據,根據篩選條件得到了5種及5種以上被子植物對6個污染物的毒性數據(數據分析的基本數據點要求).采用log- logistic物種敏感度分布法[51–53],對2,4-二硝基甲苯、2,4,6-三硝基甲苯、阿特拉津、氟樂靈、硫酸銅和西瑪津植物毒性效應進行敏感性分析(圖5).結果發現黑麥草對2,4-二硝基甲苯、硫酸銅、2,4,6-三硝基甲苯較為敏感,紫苜蓿對2,4,6-三硝基甲苯較為敏感,大麥對阿特拉津較為敏感,高粱對氟樂靈較為敏感,普通小麥對西瑪津表現敏感.

由圖5可見,現有研究多集中在農作物上,其他生產生活功能的植物物種研究較少,植物物種代表性不足.此外,涵蓋的污染物數據也不夠全面,缺少近年新興污染物的研究,考慮到化合物總體數量的龐大,我國的生態毒性數據尚需要更多補充.本土生態毒性數據多維度的不足,將不利于我國土壤生態風險的評估及環境基準的推導.

圖5 受試植物對典型污染物的物種敏感度分布

Fig.5 Distribution of species sensitivity of test plants to typical pollutants

未標注物種來自于禾本科、豆科、十字花科、葫蘆科、茄科、菊科、傘形科等

2.4 物種種間關系預測模型(ICE)

ICE模型最初被USEPA應用在水生生物毒性預測、水質基準和風險評估中,USEPA提出了水生生物ICE模型的篩選評價標準:交叉驗證成功率385%、MSE￡0.22、230.6、分類學距離￡4[54].Wang等[18]初步構建了我國水生生物的ICE模型,經過分析提出可依據交叉驗證成功率380%、MSE￡0.54、230.78對模型進行篩選.

本研究對生態毒性數據相對豐富的12種受試植物兩兩進行ICE毒性預測,共得到132個ICE模型,任一模型均含有MSE、2參數.采用檢驗判斷模型所得方程是否顯著,當<0.05時認為該線性關系總體顯著,共88個模型滿足值要求(表3),其中黑麥草做替代物種時,對其余11種受試植物預測得到的方程均達到顯著.采用留一交叉驗證法(Leave-One-Out Cross Validation)來分析ICE模型的預測準確度,實際生態毒性數值與預測值相比較得到ICE模型關鍵參數-交叉驗證成功率.對交叉驗證成功率與MSE和2的相關性進行分析發現: MSE與交叉驗證成功率有顯著的負相關關系(相關系數=-0.7861),MSE與交叉驗證成功率的線性方程:=1.1056-0.4897(2=0.61,<0.0001);2與交叉驗證成功率有較弱的正相關關系(相關系數= 0.3676),2與交叉驗證成功率的線性方程:= 0.3509+0.5930(2=0.13,=0.0004)(圖6).為保證ICE模型的預測效果(交叉驗證成功率380.00%),由線性方程計算得MSE￡0.62、230.76,此外,分類學距離￡4有利于ICE模型預測效果更好[54].

滿足以上四個評價標準的ICE模型共25個(表4),其中黑麥草作為替代物種時,有4個模型,分別是對燕麥、稻、普通小麥、玉蜀黍的預測;燕麥、普通小麥、玉蜀黍作為替代物種時,各自有4個模型滿足評價標準,這三個物種的兩兩預測模型均表現較好,同時參與預測的毒性數據值(N)312,而燕麥與蕪青作為毒性數據值較為豐富的兩個物種,盡管分類學距離上不占優勢,但相互預測的MSE、2均滿足評價標準,且交叉驗證成功率在95%以上.因此,豐富的毒性數據有利于預測模型的精準化[20],燕麥、蕪青、普通小麥、玉蜀黍、黑麥作為替代物種時,所得到ICE模型均預測效果較好.

表3 受試植物及其顯著性模型(F檢驗P<0.05)統計

歐洲油菜與蕪青是同屬的植物物種,相互預測時ICE模型均滿足評價標準,盡管歐洲油菜僅有5個毒性數據值,但交叉驗證成功率達到了100%;對于一些同科的替代-預測物種,其預測效果不一,這可能是由毒性數據少造成的,如紫苜蓿與綠豆是同科的物種,但受限于較少的毒性數據,其模型預測結果較差,綠豆作為替代物種時MSE>0.62,且交叉驗證成功率僅有40%,紫苜蓿作為替代物種時,MSE> 0.62.此外,在88個顯著性模型(檢驗<0.05)中,禾本科做替代物種的模型有42個,其中約六成模型滿足本研究評價標準(表4).由此可見,現有的生態毒性數據多集中在禾本科植物,其他科植物數據缺乏,因此,系統開展其他受試植物的土壤生態毒性數據預測是有必要的.

跨類群進行預測時,禾本科作為替代物種對十字花科的預測效果較好,十字花科與豆科作替代物種時對禾本科的預測效果同樣較好,這與它們的物種及毒性數據較多是密切相關的.分類學距離的增加會導致預測精度降低[20],因此在越近的分類學距離上模型更易于有較好的預測效果,而跨類群的模型預測效果則有較多不確定性[55-56].

表4 滿足評價標準的ICE模型

3 結論

3.1 篩選得到53種分布廣泛且易于獲取的被子植物物種可推薦為土壤基準和生態風險評估研究中的受試植物,分別來自菊科、禾本科、豆科、薔薇科、毛茛科、唇形科、莎草科、蕁麻科、茜草科、傘形科、十字花科、馬齒莧科、葫蘆科.

3.2 分析發現12種被子植物的毒性數據較為豐富,分別是禾本科的燕麥Avena sativa、大麥Hordeum vulgare、黑麥草Lolium perenne、稷Panicum miliaceum、高粱Sorghu bicolor、普通小麥Triticum aestivum、玉蜀黍Zea mays、稻Oryza sativa,十字花科的歐洲油菜Brassica napus、蕪青Brassica rapa,豆科的紫苜蓿Medicago sativa、綠豆Vigna radiata.

3.3 共構建了88個顯著性模型(檢驗<0.05),統計分析后得出模型評價標準為:交叉驗證成功率380.00%、MSE￡0.62、230.76、分類學距離￡4,符合上述標準的模型有25個,涉及禾本科-禾本科、十字花科-十字花科的相互預測,其中燕麥、蕪青、普通小麥、玉蜀黍、黑麥草等做替代物種時預測效果較好,跨類群的模型預測有較多不確定性.

[1] 馬 瑾,劉奇緣,陳海燕,等.世界主要發達國家土壤環境基準與標準理論方法研究[M]. 北京:科學出版社, 2021.

Ma J, Liu Q Y, Chen H Y, et al. Study on the theory and methods of soil environmental criteria and standard in major developed countries in the world [M]. Beijing:Science Press, 2021.

[2] 葛 峰,徐坷坷,劉愛萍,等.國外土壤環境基準研究進展及對中國的啟示[J]. 土壤學報, 2021,58(2):331-343.

Ge F, Xu K K, Liu A P, et al. Progress of the research on soil environmental criteria in other countries and its enlightenment to China[J]. Acta Pedologica Sinica, 2021,58(2):331-343.

[3] Hu B F, Shao S, Ni H, et al. Assessment of potentially toxic element pollution in soils and related health risks in 271cities across China[J]. Environmental Pollution, 2020,270,116196.

[4] 宋玉芳,周啟星,許華夏,等.重金屬對土壤中小麥種子發芽與根伸長抑制的生態毒性[J]. 應用生態學報, 2002,13(4):459-462.

Song Y F, Zhou Q X, Xu H X, et al. Eco-toxicology of heavy metals on the inhibition of seed germination and root elongation of wheat in soils[J]. Chinese Journal of Applied Ecology, 2002,13(4):459-462.

[5] 鞠 鑫.銻對不同植物的毒理效應及其土壤生態基準研究[D]. 北京:華北電力大學, 2016.

Ju X. The toxicological effects of antimony on different plants and its soil ecological criteria [D].Beijing:North China Electric Power University, 2016.

[6] 朱廣云,蔣 寶,李菊梅,等.土壤Mehlich-3可浸提態鎳對大麥根伸長的毒性[J]. 中國環境科學, 2018,38(8):345-352.

Zhu G Y, Jiang B, Li J M, et al. Toxicity thresholds based on Mehlich-3extractable nickel to barley root elongation[J]. China Environmental Science, 2018,38(8):3143-3150.

[7] 付平南,貢曉飛,羅麗韻,等.不同價態鉻和土壤理化性質對大麥根系毒性閾值的影響[J]. 環境科學, 2020,41(5):2398-2405.

Fu P N, Gong X F, Luo L Y, et al. Toxicity of chromium to root growth of barley as affected by chromium speciation and soil properties[J]. Environmental Science, 2020,41(5):2398-2405.

[8] 宋玉芳,周啟星,許華夏,等.菲、芘、1,2,4-三氯苯對土壤高等植物根伸長抑制的生態毒性效應[J]. 生態學報, 2002,22(11):1945-1950.

Song Y F, Zhou Q X, Xu H X, et al. Eco-toxicological effects of phenanthrene, pyrene and 1,2,4-Trichlorobenzene in soils on the inhibition of root elongation of higher plants[J]. Acta Ecologica Sinica, 2002,22(11):1945-1950.

[9] 龔 平,周啟星,宋玉芳,等.重金屬對土壤中蘿卜種子發芽與根伸長抑制的生態毒性[J]. 生態學雜志, 2001,20(3):4-8.

Gong P, Zhou Q X, Song Y F, et al. Eco-Toxicology of heavy metal on the inhibition of seed germination and root elongation of turnip in soil[J]. Chinese Journal of Ecology, 2001,20(3):4-8.

[10] 楊 倩,王 希,沈禹穎.異齡苜蓿土壤浸提液對3種植物種子萌發的影響[J]. 草地學報, 2009,17(6):784-788.

Yang Q, Wang X, Shen Y L. Effect of soil extract solution from different aged alfalfa standings on seed germination of three species[J]. Acta Agrestia Sinica, 2009,17(6):784-788.

[11] 劉 娜,金小偉,王業耀,等.生態毒理數據篩查與評價準則研究 [J]. 生態毒理學報, 2016,11(3):1-10.

Liu N, Jin X W, Wang Y Y, et al.Review of criteria for screening and evaluating ecotoxicity data [J]. Asian Journal of Ecotoxicology, 2016, 11(3):1-10.

[12] HJ831-2022 淡水生物水質基準推導技術指南[S].

HJ831-2022 Technical guideline for deriving water quality criteria for freshwater organisms [S].

[13] Office of science and technology. Guidelines for deriving numerical national water quality criteria for the protection of aquatic organisms MD their uses [M]. Washington DC: United States Environmental Protection Agency, 1985.

[14] 許 霞,薛銀剛,劉 菲,等.廢棄農藥廠污染場地土壤浸出液的急性毒性和遺傳毒性篩查[J]. 生態毒理學報, 2017,12(6):223-232.

Xu X, Xue Y G, Liu F, et al. Screening of acute toxicity and genetic toxicity of soil leachates from abandoned pesticide factory contaminated site[J]. Asian Journal of Ecotoxicology, 2017,12(6):223-232.

[15] 金 鑫.典型化工類污染場地的調查診斷與生物毒性試驗的應用研究[D]. 南京:南京農業大學, 2008.

Jin X. Typical chemical industry contaminated sites Investigation and diagnosis and the application of biological toxicity test research [D]. Nanjing: Nanjing Agricultural University, 2008.

[16] Willming M M, Lilavois C R, Barron M G, et al. Acute toxicity prediction to threatened and endangeredspecies using interspecies correlation estimation (ICE) models [J]. Environmental Science and Technology, 2016,50(19):10700?10707.

[17] Fan J, Yan Z, Zheng X, et al. Development of interspecies correlation estimation (ICE) models to predict the reproduction toxicity of EDCs to aquatic species[J]. Chemosphere, 2019,224:833-839.

[18] Wang X N, Fan B, Fan M, et al. Development and use of interspecies correlation estimation models in China for potential application in water quality criteria [J]. Chemosphere, 2019,240:124848.

[19] Bejarano A C, Barron M G. Aqueous and tissue residue-based interspecies correlation estimation models provide conservative hazard estimates for aromatic compounds[J]. Environmental Toxicology and Chemistry, 2016,35(1):56-64.

[20] Barron M G, Lambert F N. Potential for interspecies toxicity estimation in soil invertebrates[J]. Toxics, 2021,9(10):265.

[21] 王利松,賈 渝,張憲春.中國生物物種名錄第一卷植物[M]. 北京:科學出版社, 2018.

Wang L S, Jia Y, Zhang X C. Catalogue of life China, Volume 1, Plants [M]. Beijing:Science Press, 2018.

[22] 劉婷婷,鄭 欣,閆振廣,等.水生態基準大型水生植物受試生物篩選[J]. 農業環境科學學報, 2014,33(11):2204-2212.

Liu T T, Zheng X, Yan Z G, et al. Screening of native aquatic macrophytes for establishing aquatic life criteria[J]. Journal of Agro-Environment Science, 2014,33(11):2204-2212.

[23] Ray S, Bhattacharya S. Manual for bryophytes: Morphotaxonomy, diversity, spore germination, conservation[M]. Manual for Bryophytes, 2021.

[24] Nie L, Cui Y, Chen X, et al. Complete chloroplast genome sequence of the medicinal plant(Burdock)[J]. Genome, 2020,63(1):53-60.

[25] Li Q, Mo J. Complete chloroplast genome of clonal medicinal plant,, in China[J]. Mitochondrial DNA Part B-Resources, 2019,4(1):2019-2020.

[26] Sun J, Wang Y, Garran T A, et al. Heterogeneous genetic diversity estimation of a promising domestication medicinal motherwortbased on chloroplast genome resources[J]. Frontiers in Genetics, 2021,12:1806.

[27] Dong A X, Xin H B, Li Z J, et al. High-quality assembly of the reference genome for scarlet sage,, an economically important ornamental plant[J]. GigaScience, 2018,7(7):giy068.

[28] Liu X, Yang H, Zhao J, et al. The complete chloroplast genome sequence of the folk medicinal and vegetable plant purslane (L.)[J]. Journal of Horticultural Science and Biotechnology, 2018,93(4):356-365.

[29] Sena K L, Goff B, Davis D, et al. Switchgrass growth and forage quality trends provide insight for management[J]. Crops and Soils, 2019,52(2):44-51.

[30] Morales-Nieto C R, Lvarez-Holguín A, Villarreal-Guerrero F, et al. Phenotypic and genetic diversity of blue grama () populations from Northern Mexico[J]. Arid Land Research and Management, 2019,34(5):1-16.

[31] Akhzari D, Mahdavi S, Pessarakli M, et al. Effects of arbuscular mycorrhizal fungi on seedling growth and physiological traits ofL. grown under salinity stress conditions[J]. Communications in Soil Science and Plant Analysis, 2016,47(7):822-831.

[32] Soil quality -Determination of the effects of pollutants on soil flora.Part 1:Method for the measurement of inhibition of root growth ISO11269-1[M]. International Organization for Standardization,2012.

[33] Soil quality -Determination of the effects of pollutants on soil flora.Part 2:Effects of chemicals on the emergence and growth of higher plants ISO11269-2[M]. International Organization for Standardization,2012.

[34] Guideline for the testing of chemicals.Proposal for updating guideline 208 [M]. Organization for Economic Cooperation and Development,2006.

[35] Ecological effects test guidelines.OPPTS 850.4230. Early Seedling growth toxicity test [M]. Environmental Protection Agency,2012.

[36] Ecological Effects Test Guidelines.OPPTS 850.4100.Seedling Emergence and Seedling Growth[M]. Environmental Protection Agency,2012.

[37] Lee J J, Jo H J, Kong K H. A plant-specific tau class glutathione S-transferase fromhaving significant detoxification activity towards chloroacetanilide herbicides[J]. Bulletin-Korean Chemical Society, 2011,32(10):3756-3759.

[38] Hu T. A glutathione S-transferase confers herbicide tolerance in rice[J].Crop Breeding and Applied Biotechnology, 2014,14(2):76-81.

[39] Xue X, Hawkins T R, Ingwersen W W, et al. Demonstrating an approach for including pesticide use in life-cycle assessment: estimating human and ecosystem toxicity of pesticide use in midwest corn farming[J]. The International Journal of Life Cycle Assessment, 2015,20(8):1117-1126.

[40] Mesquini J, Sawaya A, López B, et al. Detoxification of atrazine by endophyticisolated from sugarcane and detection of nontoxic metabolite[J]. Bulletin of Environmental Contamination and Toxicology, 2015,95(6):803-809.

[41] Simarmata M, Harsono P, Hartal H. Sensitivity of legumes and soil microorganisms to residue of herbicide mixture of atrazine and mesotrione[J]. Asian J. Agri. and Biol., 2018,6(1):12-20.

[42] Coleman N V, Rich D J, Tang F, et al. Biodegradation and abiotic degradation of trifluralin: Acommonly used herbicide with a poorly understood environmental fate[J]. Environmental Science and Technology, 2020,54(17):10399-10410.

[43] Balinova A M. Acetochlor-A comparative study on parameters governing the potential for water pollution[J]. Journal of Environmental Science and Health Part B, 1997,32(5):645-658.

[44] Koopman H, Daams J. 2,6-Dichlorobenzonitrile: anew herbicide[J]. Nature, 1960,186(4718):89-90.

[45] Holtze M S, S?rensen J, Hansen H, et al. Transformation of the herbicide 2,6-Dichlorobenzonitrile to the persistent metabolite 2,6-Dichlorobenzamide (BAM) by soil bacteria known to harbour nitrile hydratase or nitrilase[J]. Biodegradation, 2006,17(6):503-510.

[46] Yang X, Zhang Y, Lai J, et al. Analysis of the biodegradation and phytotoxicity mechanism of TNT, RDX, HMX in alfalfa ()[J]. Chemosphere, 2021,281:130842.

[47] Neuwoehner J, Schofer A, Erlenkaemper B, et al. Toxicological characterization of 2,4,6-Trinitrotoluene, its transformation products, and two nitramine explosives[J]. Environmental Toxicology and Chemistry, 2010,26(6):1090-1099.

[48] Doherty S J, Messan K S, Busby R R, et al. Ecotoxicity of 2,4-Dinitrotoluene to cold tolerant plant species in a sub-arctic soil[J]. International Journal of Phytoremediation, 2019,21:958-968.

[49] Marti E, Sierra J, Caliz J, et al. Ecotoxicity of chlorophenolic compounds depending on soil characteristics[J]. Science of the Total Environment, 2011,409(14):2707-2716.

[50] Bondareva L, Fedorova N. Pesticides: Behavior in agricultural soil and plants[J]. Molecules, 2021,26(17):5370.

[51] Xiao P F, Lin X Y, Liu Y H, et al. Application of species sensitivity distribution in aquatic ecological risk assessment of chlopyrifos for paddy ecosystem[J]. Asian Journal of Ecotoxicology, 2017,12(3):398-407.

[52] Wei W, Liang D L, Chen S B. Plant species sensitivity distribution to the phytotoxicity of soil exogenous Zinc[J]. Chinese Journal of Ecology, 2012,31(3):538-543.

[53] Wang X, Yan Z, Liu Z, et al. Comparison of species sensitivity distributions for species from China and the USA[J]. Environmental Science and Pollution Research, 2014,21(1):168-176.

[54] Raimondo S, Mineau P, Barron M G. Estimation of chemical toxicity to wildlife species using interspecies correlation models[J]. Environmental Science and Technology, 2007,41(16):5888-5894.

[55] Connors K A, Beasley A, Barron M G, et al. Creation of a curated aquatic toxicology database: Enviro Tox[J]. Environmental Toxicology and Chemistry, 2019,38(5):1062-1072.

[56] Gestel C A M VAN, Borgman E, Verweij R A, et al. The influence of soil properties on the toxicity of molybdenum to three species of soil invertebrates[J]. Ecotoxicology and Environmental Safety,2011,74(1):1-9.

Screening of soil test plants and developing of their toxicity prediction models in China.

LUO Jing-jing1, WU Fan1, ZHANG Jia-wen1, LIU Zheng-tao1, ZHANG Cong2, WANG Xiao-nan1*

(1.State Key Laboratory of Environmental Criteria and Risk Assessment, Chinese Research Academy of Environmental Sciences, Beijing 100012, China；2.Offshore Environmental Technology & Services Limited, Beijing 100027, China)., 2022,42(7)：3295～3305

The lack of ecotoxicity data has always been a problem in the research of soil criteria and ecological risk assessment in China. The screening of native test plants can provide more ecotoxicity test materials, so as to obtain the ecotoxicity data of different species. In view of the sensitivity of plants to soil pollutants, potential test plants in China were screened from angiosperms according to the principles of distribution range, representativeness and accessibility. The results showed that 53 species of angiosperms in 13 families were widely distributed and easy to obtain, and could be used as native test plants. The result showed that ecotoxicity data of 12 plant species were relatively abundant. Therefore, the ecotoxicity prediction models were developed in this study. A total of 132 Interspecies Correlation Estimation (ICE) models were obtained for the 12 plant species, of which 88 were significant models (-test<0.05). Moreover, the selection and evaluation principle of the constructed ICE models were analyzed, and it was concluded that the ICE models with better prediction effects should meet the principle of cross-validation success rate380.00%, MSE￡0.62,230.76 and taxonomic distance￡4. Finally, 25ICE models were screened meeting the above principle, involving the mutual prediction of Gramineae-Gramineae and Cruciferae-Cruciferae. Among which when,,,andwere used as the surrogate species, the estimated toxicity values of predicted species were close to the actual tested values. The screening of the test plants and the establishment of the ecotoxicity prediction model can help generate ecotoxicity data and provide a scientific basis for soil pollution management and ecological risk assessment.

soil ecological criteria；screening of test organisms；angiosperm species；species sensitivity analysis；ICE model prediction

X53

A

1000-6923(2022)07-3295-11

羅晶晶(1997-),女,寧夏銀川人,中國環境科學研究院碩士研究生,主要從事生態毒理學研究.

2021-12-28

國家重點研發計劃(2019YFC1804604,2019YFC1803401- 003-03)

* 責任作者, 副研究員, wangxn@craes.org.cn