種群生態風險評估方法研究進展

謝銳莉，許宜平，張慧，王子健

1. 中國科學院生態環境研究中心，中國科學院飲用水科學與技術重點實驗室，北京 10008 2. 中國科學院生態環境研究中心，環境水質學國家重點實驗室，北京 100085 3. 中國科學院大學，北京 100049

人類活動已經對地球生態系統產生了不可逆轉的影響，在眾多脅迫因子中，化學物質通過對野生生物的毒害作用導致群落和生態系統結構和能流的改變是一個廣為關注的命題。工業化過程中產生的大量未知化學品進入環境，許多低濃度化學物質的生態影響經長期暴露才能顯現出來，而區域或流域尺度的種群、群落和生態系統的響應需要更長時間才能顯示出來，這就需要建立一種有效的方法體系，來替代傳統的依據單一生物毒性響應或物種敏感度分布的風險預測或評估方法[1-3]。

生態風險評估的核心目標之一是評估暴露于毒物中的自然種群的動態變化[4]。傳統的生態風險評估方法，如評估因子法(assessment factor, AF)和物種敏感度分布法(species sensitivity distribution, SSD)等，均基于單物種的毒性測試，再經外推得出一個敏感物種響應的最低濃度閾值或基準值[1-2,5-6]。在個體水平的實驗室標準毒性測試中，實驗周期通常較短，且暴露條件往往保持恒定[7]。然而，進入環境的化學物質會受到各種因素的影響，從而導致暴露環境受到不斷擾動，短時間內的單代毒性測試無法反映化學物質對生物體的長期累積效應和對物種繁衍歷程的影響。其次，個體水平的毒性數據通常來源于多個物種，而不同物種的生活史特征存在差異，比如壽命、生殖時間以及產生的后代數目。這種差異使得生物對化學物質的敏感性不同，即使在外推過程中進行標準化處理也無法消除，從而增加了風險評估過程中的不確定性[8]。最后，生態系統是一個動態的實體，個體之間、個體與環境之間均存在復雜的相互作用，個體層面的風險評估無法真實反映暴露于化學物質中的種群動態變化和物種之間的捕食關系變化[7,9]。因此，需將生態風險評估受體的生物水平拓展至種群以提高評估結果的真實性。

基于種群水平的風險評估方法整合了較低層次生物組織的影響，可反映化學壓力源對群落結構的累積效應，減少了生態系統響應外推過程的不確定性[10-11]，并將生態系統的復雜性納入到風險評估中，有助于降低生態風險評估結果的不確定性，從而為環境管理者提出更有效的生態保護條例提供基礎參考[12]。本文闡明了生態風險評估從個體水平向種群水平的發展歷程，并綜述了國內外種群層面生態風險評估的常用技術及模型，希望能夠對我國生態風險評估方法和技術發展提供借鑒。

1 種群生態風險評估發展歷程(Historical Perspective of population level ecological risk assessment)

生態風險評估的最終目的是保護種群、群落以及生態系統免受污染脅迫因子的威脅[4]。然而傳統的基于個體水平的風險評估方法與種群乃至群落層面的風險管理之間存在著持續的脫節[7,12-13]。早期的生態風險評估研究多針對單一風險源或風險因子，評估尺度也局限在單物種水平。這一時期，環境管理中采用的多數化學物質的預測無效應濃度(predicted no-effect concentration, PNEC)均依據實驗室產生的單物種毒性測試結果，進而外推到風險熵或概率風險水平。評估因子法和物種敏感度分布曲線法是常用的2類外推方法。然而，由于外推過程中是基于單一物種對脅迫因子敏感度的原理，這2種方法在評估化學物質暴露引起的生態系統響應時存在很大的不確定性。

2005年，美國環境保護局(US EPA)風險評估論壇風險評估委員會(Risk Assessment Forum)成立了一個專門的技術小組，探討與種群級別生態風險評估相關的一系列問題，最終確定了3項旨在加強種群風險評估的措施，包括擴展種群水平生態風險評估的試驗、召開種群水平生態風險評估的方法技術研討會以及為種群水平生態風險評估制定合適的指南。2008年6月，US EPA風險評估委員會再次召開了一次關于種群水平生態風險評估的技術研討會，探討了種群水平生態風險評估的必要性并提出了一些技術方法和模型[14]。隨著有毒有害化學品的日益增多以及環境條件的日趨復雜，人們逐漸意識到傳統的生態風險評估方法不能有效預測種群、群落以及生態系統所經受的真實風險。與此同時，國內外學者通過風險相關的生物調查、野外毒性毒理實驗和生態學模型等方法開展了大量種群水平的生態風險研究，種群水平的生態風險評估也從傳統的單一野外觀測和生態毒理模型逐漸發展到中宇宙模擬、野外模擬試驗和對種群的動態模擬，發展了如生命表分析、Logistic曲線等，模擬種群的分布格局及豐度，進而將生物生理參數納入模型以預測種群的年齡、階段、遺傳結構和滅絕時間等[15-16]。

2 種群生態風險評估框架(A general framework for population level ecological risk assessment)

Landis和Kaminski[17]提出種群生態風險評估終點應為生態實體和其屬性的結合。選擇評估種群時應納入環境保護目標，優先考慮對脅迫源敏感、對生態系統功能影響大的種群。種群屬性是種群內個體屬性，包括人口統計學特性、棲息地使用、生理和基因屬性的綜合特性。種群豐度是核心的屬性參數，包括種群大小、種群密度、自然狀態下的平衡豐度以及環境容納量。種群增長率描述了種群豐度的時間變化，可反映種群的健康狀況，通常用內稟增長率(r)表示。種群結構表征了個體的年齡、大小、性別和發育階段的分布。空間分布和棲息地屬性則反映了種群和環境的交互作用。由于種群屬性和個體屬性間存在區別，因此評估終點也存在差異(表1)。個體水平的評估終點主要反映個體的存活、生長和繁殖情況，種群水平的評估終點包括種群豐度、密度、內稟增長率、滅絕風險和恢復概率等，更注重種群在脅迫狀態下的可持續發展能力。

表1 個體屬性和種群屬性的對比[18]Table 1 Comparison of attributes between individuals and populations[18]

雖然環境管理者一直將種群作為保護目標，但鮮有研究將種群水平的風險評估和生態風險評估框架結合。Shaffer[19]于1990年提出了種群生存力分析(population viability assessment, PVA)框架，能夠識別脅迫源并預測種群持續生存特定時間的可能性，但該框架主要用于瀕危物種的保護。Efroymson等[20]于2004年初步提出了種群水平生態風險評估的框架，并應用該框架成功預測了脊椎動物暴露于石油中時種群密度的變化和滅絕的可能性。Barnthouse等[18]在US EPA頒布的生態風險評估框架的基礎上正式提出了種群水平生態風險評估(population level ecological risk assessment, PERA)的框架，評估過程與個體水平生態風險評估框架的思路一致。在Barnthouse基礎上進一步補充細化的種群水平生態風險評估框架如圖1所示。一個系統的種群生態風險評估過程，主要包括風險管理規劃、提出問題、風險評估、風險表征和風險管理5個步驟。風險管理規劃階段必須明確管理目標，特定的管理目標能夠作為問題提出的起點，為后續的風險分析提供導向。在提出問題階段，需要確定待評估的種群和評估終點，并選擇合適的概念模型和評估種群風險的工具。按照研究對象，種群水平的風險評估方法主要劃分為以下2類：(1)直接以種群作為研究對象的評估方法；(2)個體水平毒性數據結合種群模型的外推方法。分析階段主要是開展實驗或輸入數據運行模型，判斷實驗結果和模型輸出結果的可靠性。風險表征階段即利用分析階段所得的結果進行風險評估，并考慮所用工具和分析過程中的優點和不足。最后將評估結果應用于實際的風險管理中，促進管理目標的實現。

圖1 種群水平生態風險評估的框架[18]Fig. 1 A general framework for population level ecological risk assessments[18]

3 直接以種群為研究對象的評估方法(Direct assessment methods based on population attribute)

直接以種群為研究對象的評估方法包括微宇宙、基于eDNA技術的野外群落調查以及關注生物種群結構的非結構化模型和結構化模型，它們可直接通過種群屬性對暴露于脅迫源中的種群進行風險評估。

3.1 微宇宙

由于以單物種毒性測試為基礎的生態風險評估不能直接反映自然界中的種內和種間關系，且野外規模試驗耗費大量人力、物力，微宇宙試驗法逐漸受到廣泛關注。微宇宙可視為一個小型的生態系統，包含了天然生態系統中的主要物種和生化過程。按照構建的場所，可分為室外微宇宙和室內微宇宙[21]。室外微宇宙與室內微宇宙相比體積更大，營養結構更為復雜，更接近真實的生態系統。室內微宇宙可進一步分為混合培養微宇宙和人工組合微宇宙。混合培養微宇宙內的環境介質和生物種群均來自天然生態系統，可支持多種藻類、微型動物甚至魚類的生存，而人工組合微宇宙中的環境介質由人工配制而成，在接種生物后，經培養演化，成為小型的生態系統，其優點在于最初的生物種群可以人為控制。

通過微宇宙實驗對種群進行生態風險評價時，首先要選擇受試生物，在適宜的光照強度和溫度下進行微宇宙的構建和馴化，一般應包括3個及以上營養級組分，以反映種群間的捕食和競爭關系。然后設置受試物濃度梯度，進行微宇宙毒性測試。最后在不同時間采集樣品，測定理化參數及受試物濃度，并對受試生物進行計數，通過微宇宙內種群密度或豐度的變化反映受試物對種群的毒性效應，通過理化因子的波動指示微宇宙結構和功能的變化。劉建梅等[22]構建了包括浮游藻類、輪蟲和大型溞的微宇宙系統，通過定期測定銅離子濃度和種群豐度的變化曲線并結合物種敏感度分布預測了銅離子對該系統的63 d無效應濃度(no observed effect concentration, NOEC)。袁丙強和李少南[23]為探究有機磷殺蟲劑三唑磷的水生態風險，構建了室內微宇宙系統，通過冗余分析、蒙特卡羅檢驗、顯著性分析和多重比較得出了三唑磷對于大型溞、萼花臂尾輪蟲和綠色湖灣介這3類浮游動物種群的最高無效應濃度和最低有效濃度(the lowest effective concentration, LOEC)。Haegerbaeumer等[24]構建了土壤微宇宙系統，探究了殺真菌劑氟蟲腈對線蟲的毒性效應。

微宇宙可模擬自然環境中化學物質暴露下的種群動態，以此為基礎的生態風險評價更具有真實性。然而由于構建微宇宙所選擇的生物通常是易于飼養的，未涵蓋全部生態位的生物，因此對受試物的危害評估考慮不足。

3.2 基于環境DNA技術的野外群落調查

環境DNA(environmental DNA, eDNA)技術于20世紀80年代被提出，最早應用于微生物群落研究中，隨著第二代測序技術(next-generation sequencing, NGS)的發展，研究對象逐漸拓展，由最初的單物種過渡到了種群、群落水平，現已成為生物監測、物種多樣性保護和風險評估領域的非侵入性技術方法[25-28]。eDNA技術是指從環境樣品，包括土壤、沉積物、水體和空氣等中提取DNA片段，進而利用PCR擴增和高通量測序對環境樣品中的目標群落進行定性和定量分析的方法。

利用該技術進行種群生態風險評估時，主要包括環境樣品采集、DNA提取和DNA分析3個部分[29-31]。首先，采集環境樣本。與傳統采樣方法不同，浮游植物、浮游動物及魚類的采集可直接過濾水樣，將濾膜保存于無菌凍存管中，采集底棲動物時直接收集沉積物于無菌凍存管中。然后，使用DNA提取試劑盒提取環境樣品中的DNA，通過PCR擴增和高通量測序進行可操縱分類單元(operational taxonomic units, OTU)的聚類及物種信息注釋。根據后續的數據處理，可得到樣本中的物種組成信息，并進一步計算出每個物種的相對豐度。此時，將環境因子或化學物質濃度與種群密度進行相關性分析，可評估種群密度隨暴露濃度的波動情況，由此得出該物質的生態風險。Yang等[32]利用eDNA技術鑒定出了太湖流域的浮游動物種群，評估了pH、化學需氧量(COD)、總氮、總磷和硝酸鹽等環境因素對浮游動物種群結構的影響，并結合物種敏感度分布推導了特定位點的總氨氮水質基準。該研究團隊也將微宇宙實驗與eDNA宏條形碼技術結合，鑒定出了澳大利亞墨爾本某濕地的939個原核分類單元和878個真核分類群，評估了沉積物中的銅對種群密度、種群結構、生物多樣性和生物相互作用的影響[33]。

利用eDNA技術可快速從環境樣品中鑒定出多個物種，克服了傳統形態學分類的諸多限制。其次，還可與生態學理論結合建模，納入物種特定的人口統計學特征、污染源的時空變化以及預測種群在污染物脅迫下的反應。但由于該技術費用較高且環境中eDNA技術獲得的每個物種的測序序列數與生物量之間的準確定量關系難以確定，因此該技術的使用仍然有限。

3.3 非結構化模型

非結構化模型將種群內個體視為相同個體，用少數變量描述特定種群的動態變化。Malthus模型由英國人口統計學家Malthus在研究歷史人口統計資料后提出，最初用于預測人口的變動情況，后被廣泛應用于生態學中種群數量波動的研究[34-35]。該模型假設種群內稟增長率(r)保持恒定，種群數量可由式(1)表示，當時間趨于無窮大時，只要r>0，種群數量(Nt)最終一定會趨于無窮大。

Nt=N0er(t-t0)

(1)

式中：Nt表示t時刻的種群數量，N0表示種群初始數量，t表示結束時間，t0表示初始時間。

然而，由于自然界中資源有限且存在種內競爭等因素，種群增長率不可能一直保持恒定，因此該模型的應用存在限制。1838年Verhulst在考慮密度制約的情況下，提出了更符合種群增長規律的Logistic方程[36]，如式(2)所示，納入環境容納量(K)，將種群增長分為起始期、增速期、轉折期、減速期和飽和期5個階段。在此情況下，當時間t趨于無窮大時，種群數量會接近穩定值K。

Nt=KN0/[(N0+KN0)e-rt]

(2)

Hallam和de Luna[37]假設在種群增長率和種群對有毒物質的吸收率之間存在線性關系，提出了生態毒理學上的種群增長模型，運用積分均值法得出了種群平均持續生存的閾值。金香琴[38]利用Logistic模型探究了多環芳烴脅迫對淡水生物種群生長及種間關系的影響。Barnthouse[39]利用離散的Logistic模型預測了枝角類和橈足類等水生生物在農藥擾動下種群的恢復時間。

上述Malthus模型和經典Logistic模型多用在單種群的動態分析中，Lotka-Volterra模型以種間競爭關系為基礎，表征了2個種群之間互利共生、捕食-被捕食以及相互競爭的關系，能評估多個種群在化學物質暴露條件下的種群動態。Deines等[40]利用Lotka-Volterra模型預測了在外來物種入侵、毒物脅迫和環境變化的條件下，本地物種的種群大小隨時間的波動情況以及種群的擴散遷移趨勢。由于非結構化模型中，種群內個體均視為相同個體，所以可通過少數變量描述種群特點，但簡化的同時也忽略了個體間的差異，導致模型準確度和現實性低。

3.4 結構化模型

結構化模型將種群內個體按照年齡、大小、性別和發育階段等進行分類，用多組變量描述各類別屬性，最經典的是矩陣模型和種群生命表。

Leslie[41]開發的Leslie矩陣是根據個體生命階段的繁殖力和存活率預測種群增長的模型。該模型將生物種群所有成員按年齡大小等間隔劃分為n個年齡組，通過繁殖率和存活率構成的矩陣預測種群的大小、繁殖力和存活率信息。應用該模型進行種群水平生態風險評估時，可通過文獻中的歷史數據或多代標準毒理學測試獲得模型構建的初始參數。Hanson和Stark[42]構建了棉鳚和鱸魚的Leslie矩陣模型，在密度依賴性和環境隨機性條件下，預測了2類種群暴露于壬基酚(NP)、三丁基錫(TBT)、氯化汞(MC)和吡啶硫酮鋅(ZnP)中滅絕的可能性及種群的平均恢復時間，結果顯示，與傳統急性和慢性毒性數據相比，Leslie矩陣方法分別將評估的不確定性降低了80%和61%。Chandler等[43]利用Leslie矩陣構建了橈足類生物暴露于氟蟲腈的三代種群模型，結果表明，氟蟲腈具有生殖毒性，影響了個體的生殖發育和種群的性別比例。與個體水平的毒性效應評估相比，矩陣模型能夠利用有限的數據提高種群水平風險評估的現實性，在種群生態風險評估領域被廣泛使用。

生命表是系統記錄種群死亡率、存活率和生殖率的一種工具，是最清楚、最直接地展示種群死亡和存活過程的一覽表。根據研究對象和數據類型主要分為動態生命表和靜態生命表，動態生命表假定種群所經歷的環境條件沒有變化，真實記錄生物同生群個體在各年齡段和發育階段的存活情況，同時還可以查明和記錄死亡原因，從而可以分析種群發育的薄弱環節，找出造成種群數量下降的關鍵因素，適用于世代不重疊的生物。靜態生命表是根據特定時間和區域內種群的年齡分布和存活數據編制而成，種群內個體出生于不同年，經歷的環境條件也有所差異，適用于開放、復雜或非人工控制的環境下種群大小和年齡結構趨向穩定的種群，但該模型無法分析死亡原因，也不適用于出生或死亡變動很大的種群。An等[44]基于野生蟑螂的生命周期參數構建了暴露于內分泌干擾物質的種群生命表，結合年齡結構矩陣評估了內分泌干擾物對蟑螂性別變異的影響，并預測雙性個體的出現會顯著增加種群的滅絕風險。Ducrot等[45]對暴露于鋅中的蘇氏尾鰓蚓(Branchiurasowerbyi)進行了完整的生命周期測試實驗，使用貝葉斯公式擬合出生命表參數，結合矩陣模型預測了種群每日的漸近增長率。運用種群生命表能對種群進行最真實的風險評估，但由于野外觀測耗費大量人力物力，因此該方法如今應用較少。

3.5 直接以種群為研究對象的評估方法的優缺點

直接以種群為研究對象的評估方法歷經多年的發展，在種群生態風險研究中的應用已較為成熟，在表2中總結了各類方法的優缺點及適用范圍。微宇宙能反映化學物質在真實生態系統中的毒性效應，但由于人為馴化和飼養條件的限制，一般只適用于植物、浮游動物、底棲動物和藻類。eDNA技術能快速檢測物種在環境中的分布，實驗過程簡單快速，但費用昂貴。非結構化模型對數據要求低，一般應用于昆蟲類種群生態風險的初步評估。一般動物種群的生態風險評估均可采用結構化模型，但由于數據要求高，因此需要大量歷史實測數據。

表2 種群水平生態風險評估(PERA)直接評估技術方法和模型比較[2,18]Table 2 The direct techniques and models for population level ecological risk assessment (PERA) [2,18]

4 個體水平毒性數據結合種群模型的外推方法(Extrapolation assessment methods based on individual-level toxicity data and population models)

種群生態風險評估的另一類方法，是以動態能量收支模型(dynamic energy budget, DEB)、生態有害結局路徑(ecological adverse outcome pathway, eAOP)以及其他綜合生態風險模型等種群生態模型為核心，基于生物個體水平的毒性測試數據，考慮生物和環境介質以及生物之間的相互作用，通過種群模型的動態模擬將個體水平的毒性效應外推至種群水平。

4.1 動態能量收支模型

DEB模型由Kooijman[46]于1986年提出，該模型基于能量代謝的物理、化學特性，量化了能量在生物體整個生活史階段的分配情況。如圖2所示，在標準的DEB模型中，生物體從食物中攝取能量，同化后儲存在儲存庫中，用于生長、成熟和繁殖等生命過程。能量的利用遵循Kappa規則，即儲存的能量分為2個部分，其中，固定比例的儲存能量(κ)用于體細胞維持和生長(體細胞維持優先于生長)，剩余部分的能量(1-κ)用于成熟度維持、成熟和繁殖(成熟度維持優先于成熟和繁殖)。胚胎和幼體利用儲備的能量構建生理系統和生殖器官。如果儲備的能量不足以維持正常生命活動的能耗，則個體可能會減輕重量或死亡。隨著發育停止，當幼體到達成年階段時，能量將重新分配[47]。

圖2 基于動態能量收支(DEB)模型的評估方法[47]注：IBM表示基于個體的模型，f、L0、Lp、Lm、rB和Rm分別表示攝食率、出生體長、成熟時的體長、最大體長、呼吸率和最大繁殖率，CBR表示臨界體殘留，CTO表示臨界靶位點占據，CAUC表示曲線下臨界面積，DAM表示損害評估模型，TDM表示閾值損害模型。Fig. 2 The assessment method based on dynamic energy budget (DEB) models[47]Note: IBM stands for individual-based model; f, L0, Lp, Lm, rB and Rm stand for feeding rate, length at birth, length at puberty, maximum length, respiration rate, and maximum reproduction rate, respectively. CBR stands for critical burden residue; CTO stands for critical target occupation; CAUC stands for critical area under the curve; DAM stands for damage assessment model; TDM stands for threshold damage model.

DEBkiss模型是標準DEB模型的簡化形式，生物體用于生長和繁殖的所有能量均直接從食物中獲取，而不是首先儲存在儲存庫中，該模型具有更多的物種和背景特異性，在理解復雜暴露場景下隨時間變化的毒性效應方面非常有用[48]。Billoir等[49]在分析標準大型溞繁殖慢性毒性測試的數據時，在標準DEB模型的基礎上，提出DEBtox(dynamic energy budget in toxicology)模型。該模型納入了毒代動力學(toxicokinetics, TK)和毒效動力學(toxicodynamics, TD)過程，將污染物的暴露濃度作為協變量，生物生活史特征(存活、生長和繁殖)作為時間和暴露濃度的連續變量，通過各種反應機理評估污染物的毒性效應。TK模型能定量反映外源性化學物質在體內的吸收、分布、代謝和排泄等動力學過程，從而預測目標位點的濃度，主要劃分為經驗房室模型和生理毒代動力學模型兩大類[50]。TD模型引入損害動力學，用于描述靶位點濃度變化對特定毒性終點的影響[51]。目前，已開發出許多反映暴露時間和毒性效應之間機制關系的TK-TD模型，包括臨界體殘留(CBRs)、臨界靶位點占據(CTO)、曲線下臨界面積(CAUC)、損害評估模型(DAM)和閾值損害模型(TDM)等。DEB模型與TK-TD模型的結合可反映不同化學物質的生理作用模式和毒性作用機制，能對種群所經歷的生態風險做出更精準的預測。

利用DEBtox軟件及相關毒性數據庫，輸入個體生理學參數和化學物質毒性參數，運行模型，可得到個體水平的濃度響應曲線和半數致死濃度(LC50)或無效應濃度(NEC)值，結合種群模型，可將個體水平的效應外推到種群水平。首先，DEB模型可以和矩陣模型相結合。在矩陣模型中，個體根據年齡、大小和發育階段被分為離散的類別，可通過DEB模型中的個體數據來推導每個類別的存活率和生殖率等信息。張慧[52]利用DEB模型建立了稀有鮈鯽在鎘暴露下存活、生長和繁殖的脅迫響應關系及能量分配策略，獲得了稀有鮈鯽在重金屬鎘脅迫下的種群安全濃度閾值。Lopes等[53]將搖蚊暴露于甲硫威中進行毒性實驗，所得的存活數據作為DEB模型的輸入參數，利用DEBtox預測了自然死亡率、致死率、清除率和NEC的值。之后結合Leslie矩陣證實甲硫威濃度超過21 μgL-1時會對搖蚊的種群動態造成影響。其次，DEB模型可與基于個體的模型(individual-based model, IBM)相結合。DEB-IBM模型由Martin等[54]于2012年開發，DEB模型描述個體層面的生理過程，而IBM模型則能夠追蹤每個個體在不同時間的特征并模擬脅迫源對生理過程或者行為產生效應的機理。它們可以將個體新陳代謝與種群動態聯系起來，分析壓力源對個體代謝的影響并推斷到種群水平。Vlaeminck等[11]利用DEB模型解釋個體水平上由于不同食物來源所導致的蝸牛敏感度的差異，通過DEB-IBM模型將食物源效應外推到種群水平，結合生長和繁殖的終點信息，發現抑制能量同化是銅最合理的生理作用模式。

利用DEB模型進行生態風險評估時，不僅能實現個體到種群水平的外推，還能實現不同物種和化學物質間的外推，同時還能評估混合物的毒性效應，但是，構建該模型所需數據量大，物種信息數據庫及毒性數據庫有待進一步更新。

4.2 生態有害結局路徑

生態有害結局路徑(ecological adverse outcome pathway, eAOP)是根據化學物質環境暴露的已知信息，結合暴露評估和毒性鑒別，描述分子起始事件與生物組織水平的有害結局之間聯系的概念性框架，在化學品環境風險識別及管控中發揮了重要作用。如圖3所示，環境中的污染源通過各種介質遷移轉化后轉移到生物體內，經吸收、分布、代謝和排泄等實現生物體內部暴露，當靶位點濃度達到激活劑量時，分子起始事件經細胞、器官響應后產生個體、種群及生態系統水平的有害結局[55-56]。個體水平的有害結局包括傳統毒性終點和非傳統毒性終點。傳統生物毒性測試可以測定存活、生長和繁殖等毒性終點，它們可以直接用于種群模型的計算中。其他類型的終點，例如與活動、行為、發育和免疫功能相關的參數，只能通過數學關系和機理將其與種群水平相聯系，在個體水平有害結局的基礎上，通過種群建模闡明高階群體水平效應。研究者通過AOP將乙酰膽堿酯酶活性的降低與鮭魚攝食行為、食物消耗和生長聯系起來，將個體數據整合到生活史種群矩陣中，從而預測到攝入農藥降低了魚體細胞的生長速率，并使種群數量減少[56-57]。Doering等[58]構建了類二噁英化合物芳香烴受體激活的eAOP框架，可定量預測魚類及鳥類暴露于此類物質時生命早期階段的劑量-反應曲線。Hines等[59]基于AOP框架系統收集有關暴露、化學物質性質和毒代動力學的信息，構建總體暴露途徑(aggregate exposure pathway, AEP)框架，預測了多種脊椎動物及無脊椎動物暴露于高氯酸根中的有害結局。

在eAOP框架下整合多種暴露途徑的累積毒性效應及不同生物組織水平的毒性效應數據，有助于毒理機制研究和風險評估，但目前對于大多數化學物質的生物大分子的分子起始事件以及關鍵事件的識別仍存在挑戰。

4.3 其他綜合生態風險模型

綜合生態風險模型納入了環境因子，模擬化學物質在生態系統中的遷移、轉化和歸趨過程，能在更大的尺度上進行種群水平的風險評估。按照評估尺度可分為基于食物網的模型、基于生態系統的模型和基于社會生態系統的模型[61]。

圖3 生態有害結局路徑(eAOP)概念圖[60]Fig. 3 Conceptual framework of the ecological adverse outcome pathway (eAOP) [60]

食物網分析是生態風險評估的重要組成部分，特定的生態食物網所反映的物種間的復雜關系以及時空變化信息能用來評估有毒化學物質以及其他脅迫源的累積效應。常用的模型包括：多介質箱體模型(multimedia box models, MBMs)[62]、AQUATOX模型[63]、三相生態食物網模型(three-phase ecological food web analysis, TEFWA)[64]、基于逸度的食物網模型(fugacity-based food web model, FFWM)[65]。AQUATOX模型由US EPA發布，描述生態系統的概念模型如圖4所示，該模型將生產者、消費者、分解者以及相關環境變量納入其中，構建食物網，模型輸入參數包括化學物質的物化性質和毒性參數、環境因子參數以及生物參數，這些參數來自野外實際監測和數據庫檢索。該模型能模擬氮循環、營養鹽的吸收排泄、化學物質的生物積累與轉化以及生物的生理生化等過程，能預測由食物網引起的間接生態效應，現已被廣泛應用于溪流、池塘、湖泊、河口和水庫等各種場景的水生態風險評估中[66]。根據模型輸出結果，可預測種群在特定脅迫源下生物量的變化情況，結合后續敏感度分析得到種群生物量變化(±20%)的概率。張璐璐等[67]為探究白洋淀多溴聯苯醚(PBDEs)的生態風險，根據淀內優勢種群特征和持久性有機污染物的時空分布特征構建了AQUATOX模型，得出了各個種群的生物量變化(±20%)的風險水平，為污染物環境基準的建立提供了較為可行的方法。

基于生態系統的風險評估模型不僅能反映生物間的捕食和競爭關系，同樣關注污染源脅迫下生物和環境因子間的相互作用。常用的模型包括：綜合水生系統模型(comprehensive aquatic systems model, CASM)[68]、區域脆弱性評估(regional vulnerability assessment, ReVA)[69]、生態網絡分析(ecological network analysis, ENA)[70]。CASM模型由Dynamic Solution公司開發，是一個通用的質量平衡水生食物網建模平臺，已用于各種淡水和沿海水生生態系統中。輸入參數包括基本水質和環境參數、系統總初級生產力、系統呼吸作用、營養物質變化和分解參數、污染物毒性參數等，可以模擬多個種群存在條件下的捕食競爭關系，通過微分方程表示每個狀態變量的變化情況，從而預測種群暴露于溶解性化學污染物條件下數量變化的可能性。Naito等[71]利用CASM模型評估了諏訪湖浮游植物、浮游動物、底棲動物以及魚類種群暴露于線性烷基苯磺酸鹽中的風險，以生物量變化(±20%)作為潛在毒性終點估算了其NOEC值。

圖4 AQUATOX模型的評估流程圖[74]Fig. 4 Risk assessment procedure with the AQUATOX model[74]

以上2類模型主要關注種群、群落和生態系統在脅迫源下結構和功能的改變，而社會生態層面的風險評估模型是在法律決策背景下評估自然脅迫源和人為活動的綜合風險，包括：凈效益分析模型(net benefit analysis model, NBAM)[72]和社會生態系統脆弱性模型(socio-ecological systems vulnerability model, SSVM)[73]。

在生態系統規模上建立的綜合生態風險評估模型不僅關注種群間的關系，而且反映了暴露條件下生物與環境因素之間相互作用的改變，在風險管理背景下評估各種生態系統中種群結構和功能響應具有很大潛力。

4.4 個體水平毒性數據結合種群模型的外推方法的優缺點

個體水平毒性數據結合種群模型的外推方法在種群生態風險評估中的應用越來越廣泛，筆者總結了上述方法的優缺點和適用范圍(表3)。DEB結合矩陣模型和IBM模型能對種群生態風險做出準確的預測，但數據需求量大，模擬過程復雜。eAOP能將毒性效應從分子、細胞水平推至種群水平，利于明確化學物質的毒性作用機制，但由于分子起始事件和細胞關鍵事件的識別較難，因此適用的化學物質有限。綜合生態風險模型適用于大尺度下的種群生態風險評估，更具有生態現實性，但對現場環境因子和生物參數的數據量和準確度要求較高。

表3 PERA外推模型方法比較[10,47,61]Table 3 The extrapolation techniques and models for PERA[10,47,61]

5 種群生態風險評估的風險表征與不確定性分析(Risk characterization and uncertainty analysis of population level ecological risk assessment)

個體水平的生態風險表征一般采用商值法和概率法。商值法是將物質的環境暴露濃度與表征該物質危害程度的毒性數據相比較，比值>1說明有風險。更高層次的風險評估多采用概率法，通過暴露評估和效應評估的結合，把可能發生的風險依靠統計模型以概率的方式表達出來。目前，種群生態風險表征仍然多采用商值法，根據種群水平的評估終點(例如種群內稟增長率(r)為1、種群生物量變化±20%、種群年齡和性別結構維持穩定)確定種群相應的PNEC值。Lin等[75]通過種群內稟增長率判斷青鳉種群暴露于4-壬基酚中的風險，并將r=1時的化學物質濃度作為種群的PNEC值，r<1表明種群受到脅迫，生物量減少。Hanson和Stark[42]將r=1時的化學物質濃度除以評估因子3得到了綿鳚和鱸魚種群暴露于5種化學物質中的PNEC值，從而評估了種群暴露于化學物質中的風險。

為了對種群所遭受的風險進行綜合評估，必須考慮整個評估過程中的不確定性。PERA中的不確定性主要來源于自然變化、模型不確定性和數據不確定性。由于很難在整個時空范圍預測所關注變量的真實值，因此自然界本身所固有的不確定性會對評估結果造成影響。針對自然變化的不確定性，可考慮用所有可能的值構建概率分布。通過蒙特卡羅模型將其整合到PERA的模型中，從每個時間階段的相應概率分布中選擇存活率或繁殖力參數，多次運行，最后得到未來種群豐度的概率分布[76]。模型不確定性是由于生態過程或數學分析的簡化引入的，數據不確定性包括測量誤差和采樣實驗方法設置不合理等。不確定性的數學表征方法包括概率分析法、區間數學法和模糊理論法。在對不確定性進行分析時，常采用敏感度分析法和采樣法。在建模過程中進行敏感度分析時，可多次改變輸入參數的值對模型進行擾動，通過模型輸出結果的變化鑒別敏感參數。采樣法不需要獲取模型方程或者模型程序，通過蒙特卡羅和拉丁超立方體抽樣法從輸入參數的概率密度函數中隨機取樣，多次運行模型得到模型輸出的概率統計分布。

6 種群生態風險評估的應用與展望(Challenges and opportunities of population level ecological risk assessment)

種群水平的生態風險評估歷經多年的發展，評估范圍已經發展到多種群和群落水平，甚至拓展到景觀和區域尺度；評估手段也從傳統的對多物種模擬生態系統的監測轉化為eDNA分子生物學手段對群落生物多樣性的監測以及DEB、綜合水生態模型對種群的動態模擬。它可用于環境風險全過程管理體系，不僅能在種群水平上反映突發環境事件的急性風險，而且能用于預測持久性污染物的長期、慢性環境風險，將事件驅動型的環境風險管理轉變為主動性的風險預警。種群水平的生態風險評價還可用于環境質量評價，為環境標準的制定和修訂提供理論基礎。然而，由于種群模型的復雜性和不確定性，以及基礎數據的獲取需耗費大量物力財力，種群水平的生態風險評估仍停留在科學研究層面，未有效應用到環境風險管理中。隨著環境風險管理對種群、群落以及生態系統保護的要求的提高，需從以下幾方面開展深入研究，以使種群生態風險評價結果能夠更準確地反映生態系統的情況。

(1)拓展PERA的評估框架的理論基礎。目前的評估框架側重于對常規化學物質所導致的生態風險進行評估，缺乏對新型污染物的毒性作用模式研究。通過毒性比率臨界值或化學官能團將毒性化學物質區分為反應型、非反應型、非極性麻醉型和極性麻醉型的理論還存在爭議，需基于生物體內臨界濃度(critical body residue, CBR)衡量外源性化學物質對生物的毒性作用從而建立化學物質分類規則。

(2)優化監測種群屬性的技術方法。建立標準化的微宇宙構建方法，包括生物組成、生物培養介質和試驗條件，從而提高實驗結果的可重復性。優化eDNA的樣品的獲取及分析方法，避免樣品間的交叉污染，使采集樣品能全面真實地反映受試種群的屬性。進一步發展PCR技術及DNA測序技術，降低eDNA技術的成本。

(3)發展PERA評估模型，優化種群動態模擬技術。在種群模型構建上，需要針對具體問題和數據的可利用度來考慮模型的適用性，模型輸出結果應和環境風險管理目標有效結合，表明種群之間、種群和生態系統間的復雜關系，結合毒理學模型，闡明待評估化學物質的作用機制及受體所有可能的暴露途徑，結合計算模擬技術，簡化模型參數的輸入，提高模擬結果的準確度。

(4)判斷評估結果的可信度時，應加強證據權重(WoE)方法體系研究。采用證據權重對各證據的相關性、強度和可靠性進行打分，整合生成證據權重主體，以最終確定是否存在不合理的風險。

(5)在風險交流方面，環境風險管理工作者應積極參與評估過程，將評價結果作為風險管理決策的支撐，在不同的環境管理背景下定義可接受的種群風險，補充整合環境風險信息，構建透明有效的環境風險交流平臺。