基因是最灵敏的环境风险预警指标么？
这是镉（Cd）、铜（Cu）和锌（Zn）对水生生物的个体水平急性、慢性和基因表达效应数据的SSD曲线。“■”表示急性毒性数据，“●”表示慢性毒性数据，“▲”表示基因表达效应数据，曲线由对数-逻辑斯谛函数拟合，HC5表示5%的物种受胁迫的污染物浓度。
虽然迄今为止并没有进行过系统的研究，但人们普遍相信基因是污染物毒理学上最灵敏的效应指标，从而可以作为理想的环境风险早期预警指标。然而，一项近期的前人研究意外地发现，重金属污染物镉的基因效应数据灵敏度明显低于生物个体水平上的慢性效应数据，因此提出基因可能不是毒理学上最灵敏的效应指标。中国环境科学研究院环境基准与风险评估国家重点实验室的闫振广博士、刘征涛研究员及其同事搜集了更多污染物效应数据对本问题进行了进一步探讨，发现由于现有数据的数量与质量的差异，对于铜，基因可能是最灵敏的效应指标，但对于镉和锌，基因数据并没有个体水平上的慢性效应指标灵敏。该项研究发表在2012年《中国科学 地球科学》英文版第55卷第6期，文章题目为“基于基因表达效应的物种敏感度分析初探”。
由于现今环境污染物的广泛分布，科研人员从分子、细胞、组织、个体、种群以及群落等水平开展了大量的污染物毒理学研究，产生了大量的生态毒理学数据。从20世纪90年代始，“组学”技术进入生态毒理学研究领域并很快成为研究热点，人们从基因水平上对污染物毒理学效应进行了大量研究。人们相信，基因对环境污染物的响应要比个体水平或其他水平上的效应指标更灵敏，其响应也更早于其他指标，因此，将基因效应指标应用于环境风险早期预警成为一个重要研究方向。
为了评价基因效应数据在环境风险评估中的应用，荷兰Radboud大学的Fedorenkova等以镉为示例，对个体水平的急性、慢性毒性效应数据和基因效应数据进行了对比分析，研究结果发表在2010年Environ Sci & Technol第44卷第11期。文中进行对比分析的数据来源于荷兰毒性效应数据库e-toxBase和相关文献，研究结果出人意料地发现镉的基因效应数据敏感度显著低于个体水平上的慢性效应数据，作者因而提出分子水平上的基因数据可能并不是最敏感的污染物毒理学效应指标，基因能否作为环境风险的早期预警指标也值得商榷。然而，该研究所选取的污染物和毒性效应数据的数量都并不充足，因此，需要对更多的污染物和效应数据进行分析才能得出可靠的结论。
闫振广等人的研究从ECOTOX、TOXNET、GEO和CNKI数据库及相关文献中搜集了更广泛的镉毒性效应数据，对镉的个体水平上的急性、慢性效应数据和分子水平上的基因效应数据再次进行了对比分析。同时，也选取了另外2种效应数据相对充沛的重金属污染物，铜和锌对镉的研究结论进行验证。为分析效应数据之间的敏感性差异，利用逻辑斯谛函数对三种数据（急性、慢性和基因数据）的物种敏感度分布进行了拟合（见图1）。结果表明不同重金属污染物的效应数据敏感度不同，镉数据的物种敏感度排序为：慢性>基因>急性。铜和锌的基因效应数据没有镉充沛，但物种敏感度的趋势依然是明显的，从趋势上看，锌的效应数据敏感度排序与镉类似，铜的基因效应数据在三种数据中是最敏感的。另外，三种重金属的急性效应数据敏感度相对于其他两种数据都是最低的。
为定量分析急性、慢性和基因数据的物种敏感度差异，该研究利用三种数据分别计算了水环境质量基准（安全阈值）的重要参考数值HC5，HC5能保护95%的水生生物不受污染物浓度的危害。由HC5来看，镉的基因数据敏感度比个体水平上的急性数据高7倍，但比慢性数据低3倍。铜和锌的基因效应数据较少，分别只有7个和3个，铜的基因数据物种敏感度比急性和慢性数据都高；锌的基因数据展示在图1中，但由于数量太少没有进行曲线拟合。
综上，该研究选取了更充分的数据和更多的污染物种类对个体水平上的急性、慢性数据和分子水平上的基因数据进行了对比分析，其中镉数据的分析结论与Fedorenkova等人相同，三种数据的物种敏感度顺序为“慢性>基因>急性”，但铜的基因效应数据在三种数据中是最敏感的，特别是在低浓度区间，明显比个体水平上的慢性效应敏感，而该区间对环境风险的早期预警具有重要意义，从而表明基因效应数据可以作为环境风险的早期预警指标。但现有数据的数量和质量尚不足以支持其广泛应用。首先，现有文献研究中设立的基因效应试验浓度比较高，如果在研究中能设定更低的基因效应试验浓度，基因数据的敏感度还将进一步提高；其次，生物体内有成千上万的基因对一种污染物的胁迫发生应激响应，目前文献中研究的目标基因很可能不是最先对污染物发生响应的基因，因此，只有通过高通量的基因组学技术才有可能筛选到最敏感的响应基因，从而对基因效应的敏感度做出正确评价。最后，该研究也注意到，个体水平的急性、慢性效应数据和基因数据的物种敏感度分布具有逻辑性，通过后续的继续研究，也许能为基因效应数据在水环境安全阈值或者水环境质量基准推导中的应用提供部分基础。
EurekAlert!
