spICP-TOF-MS及相关技术如何开始助力环境科学的革命性发展

今日热点

     单颗粒电感耦合等离子体质谱（spICP-MS）技术早在20多年前就已被用于单个纳米及微米颗粒分析。^[1]仪器的"前端"进样经过持续改进，能够将液体或气体流中的单颗粒逐一引入等离子体发生室。每个颗粒在等离子体中会转化为转瞬即逝的元素离子云，随后由飞行时间质谱仪进行广谱全元素分析，离子云的所有原子成分均根据其质荷比进行检测和识别，不到一毫秒的时间内，我们即可获知单颗粒的化学成分，并且这一过程可以分析任意数量的颗粒。毋庸置疑，该方法会快速生成海量数据，因此需借助机器学习技术来识别每个颗粒，并在理想情况下判定其排放来源。

      尤其值得注意的是，若从环境分析化学的整个发展历程来看，spICP-TOF-MS数据的最新进展与改进使该技术处于一个非常独特的地位。需要明确的是，当今最广泛应用的化学分析工具大多开发并于20世纪中后期实现商业化。对该科学领域至关重要的革命性工具包括气相与液相色谱、离子选择性电极等电化学仪器、紫外-可见光谱与红外光谱等光子光谱技术、质谱技术、结合能散X射线分析的扫描/透射电子显微镜、光学共聚焦显微镜，以及同步辐射光源提供的众多分析工具（此清单并不完整，仅列举最常用和/或典型示例）。这些工具通过联用技术、灵敏度提升及自动化操作的改进而日益实用，且均针对无机和有机组分进行了优化。与此同时，在与仪器革命相互促进的过程中，极具复杂性的环境分析化学在新应用与发现方面取得了快速发展。例如，没有当时先进的环境分析化学工具，就不可能有 Rachel Carson 1960年代出版的20世纪伟大科学著作《寂静的春天》——该书既是经典之作，亦具有深远影响力。

     进入21世纪后，Bland等人^[2]于2022年发表了运用spICP-TOF-MS的突破性研究。该研究首次系统采集多种工业源的颗粒物，并获取了详尽的spICP-TOF-MS数据。他们采用机器学习算法提炼不同来源含金属颗粒的化学特征，寻找最能区分各来源的金属组合类型与范围。研究方法的有效性通过以下方式验证：将已知比例的各来源测试样本混合，用算法"猜测"每个颗粒的来源，再与已知混合比例比对。针对五个来源的样本，随机猜测的正确率应为20%，而他们的机器学习算法正确率达到73%，表明该方法具有良好的预测性和实用价值。

      Silva和Evans（2024）^[3]在《人工智能与机器学习在大气化学中的应用》这篇简短而具启发性的评论中，肯定并阐释了AI/ML（人工智能/机器学习）在当今分析大气化学中的发展。该研究领域每年涌现数十篇spICP-TOF-MS相关论文，且数量持续快速增长。通过结合其他辅助分析工具、不同类型的ML算法及多样化的科学与工程应用，数据采集、分析与解读的角度不断拓展。这种组合效应正推动这个对公众健康未来至关重要的领域取得非凡进展。

      在本期Environment & Health（《环境与健康》）中，Wang等人^[4]将此类研究提升至新的关键水平：他们整合了空气中细颗粒物的单颗粒元素组成数据，采用与Bland开创性研究类似的机器学习技术进行颗粒识别与源解析，并首次对中国上海采集区的各类颗粒物进行了细胞毒性测试。研究人员通过该特大城市的五类排放源参考样本（包括当地扬尘、燃煤电厂颗粒物、柴油车/汽油车/电动车排放物、生物质燃烧产物）对spICP-TOF-MS仪器数据进行训练，以优化颗粒源识别能力。传统的细胞毒性测试基于人支气管上皮细胞暴露于各参考颗粒物的体外实验，通过评估不同暴露浓度下活性氧生成量与细胞死亡概率来确定细胞毒性。

      该研究结果尤为引人注目，它对现行基于质量的颗粒物监管范式提出了挑战，证明PM2.5的毒性主要取决于来源而非浓度。研究表明，上海空气中的污染物中，毒性最强的是含铁细小颗粒（常含微量重金属）。即使在通常认为安全的晴朗天气，由于含铁细颗粒物浓度仍相对较高，实际风险可能更大。这是因为硅铝等大颗粒易通过降水和强风从大气中清除，而富铁等小颗粒沉降速率慢、大气滞留时间长，导致其在非雾霾日相对富集。

      Wang等人^[4]论文的重要性可引用其文末一句话概括："尽管存在局限，我们的研究首次阐明：即使PM2.5质量浓度符合世卫组织指南，长期暴露于低浓度含金属细颗粒物（尤其是富铁颗粒）仍可能因其在关键器官中的长期生物滞留性而构成重大健康风险。"

      上述论文及近些年该研究领域的诸多结论通常附有负责任科学研究所强调的注意事项。机器学习作为人工智能的一种形式存在潜在缺陷，任何模型的输出结果都不等同于现实。正如Silva和Evans所指出的，相关性并不意味因果关系。然而，随着spICP-TOF-MS技术在未来数百项新研究中不断推进，这些方法将持续完善，最终达到当今天气预报的精密水平。虽然任重道远，但此类突破性研究无疑至关重要。