經濟的快速增長和電子設備的廣泛使用導致全球電子廢物持續增加，2019年達到5360萬噸，預計到2050年將超過1.1億噸[1]。液晶顯示器（LCDs）作為電子產品的核心組件，預計到2025年的產量將達到約4.5億平方米[2]。液晶單體（LCMs）是LCDs的重要組成部分，在生產、使用和處置過程中可能會釋放[3]。2021年全球LCMs的出貨量約為1300噸[4]，每年約有214噸LCMs排放到環境中[5]。因此，LCMs對環境的潛在影響不容忽視。氟化液晶單體（FLCMs）在LCMs中占很大比例[6]，已在多種環境介質中被檢測到，包括大氣[7]、土壤[8]、灰塵[9]、城市污水和污泥[10]、沉積物[11]、樹皮[12]、生物體[13][14]、人血清[15][16]和人乳[17]。膳食研究中的檢測頻率分別達到90.5%和99.5%[18]。美國住宅區的灰塵監測結果顯示，FLCMs占LCMs的59%，其中五種最豐富的物質均為FLCMs（即PDTFMTFT、ETDFPPBC、FPP-BCHC、MPPCHC和EFPrTP）[9]。LCM/LCD制造商附近的河流區域以及電子廢物回收場地的濃度最高[11]。盡管傳統的廢水處理方法對LCMs的去除效率較高（可達84%），但FLCMs仍可在廢水中檢測到[5]，這引發了人們對海洋生態系統的擔憂。值得注意的是，93.2%的FLCMs被歸類為持久性、生物累積性和有毒（PBT）化學品[6]，其生態和健康風險超過其他LCMs[19]。因此，系統研究FLCMs相關風險至關重要。

除了FLCMs本身，其轉化產物（TPs）的毒性和生態風險也需要特別關注。某些污染物的TPs表現出比母體化合物更高的毒性和環境風險，因此不能忽視這些TPs的毒性風險[20]。例如，苯酚UV濾光片的微生物降解產物具有增強的內分泌干擾活性[21]；N-苯基-N’-(1,3-二甲基丁基)-對苯二胺醌（6PPDQ）的消毒產物具有增加的水生毒性[22]；FLCMs的大氣氧化產物如m-TEB對魚類和水蚤具有較高的慢性毒性[23]，而EDPrB的生物代謝產物具有與母體化合物相當甚至更高的水生生態毒性[24]。因此，評估FLCMs的TPs的生態風險是必要的。FLCMs在環境中的典型轉化過程包括水環境中的光催化氧化[25][26]、大氣氧化[27]、微生物降解[28]、生物代謝[24]以及植物葉片中的光降解[29]�，F有研究主要關注單一介質途徑，缺乏跨環境介質的系統性比較。為填補這一空白，本文推導并評估了選定FLCMs的轉化途徑及其相關TPs的風險，實現了對多種環境介質中潛在轉化途徑的全面覆蓋。

目前，大多數FLCMs的毒性數據仍然有限，實驗方法受到效率低下、成本高昂和倫理限制的影響，限制了其在研究和管理中的應用[30]。現有的毒性研究主要關注孤立的毒性終點，如植物毒性[31]、肝毒性[2][32]、代謝毒性[24][33]、腎毒性[34]以及生殖和發育毒性[16]。對整體毒性風險的系統定量分析仍然較少。李等人[35]指出，定量毒理學評估應綜合考慮多維指標。污染物的綜合指標通常包括環境特征、生物毒性和人類健康風險[19][36]。根據FLCMs的環境特征、生物毒性和人類健康風險制定優先控制清單，可以進一步確定需要優先控制的FLCMs及其TPs[37][38][39]。因此，使用了估算程序接口套件（EPI Suite）、生態結構活性關系（ECOSAR 2.2）和毒性預測平臺來生成FLCMs及其TPs的毒性和理化指標數據。結合熵權重方法，建立了涵蓋環境特征、生物毒性和人類健康風險的定量評估系統，為優先控制清單的制定提供了理論基礎。

構建的優先控制清單的驗證采用了機器學習（ML）和深度學習（DL）方法。ML和DL在數據分析、生態建模和健康相關風險預測中得到了廣泛應用，支持化合物風險評估和關鍵風險因素的識別[40]。已有研究利用ML方法對LCMs的毒性進行了研究。例如，何等人[6]使用K均值聚類模型建立了LCMs的人類健康風險清單；何等人[41]使用多層感知器（MLP）模型評估了清單構建的準確性，并識別了影響人類目標蛋白毒性的關鍵因素；張等人[42]基于兩種傳統ML模型和兩種DL模型預測了LCMs的腸道毒性，并識別了影響腸道毒性的關鍵因素。然而，ML方法對數據的適應性和學習機制不同，可能導致研究結論的不一致性。因此，使用多種模型交叉評估數據非常重要[43]。此外，傳統的ML模型（如決策樹、隨機森林和支持向量機）依賴手動輸入進行特征學習和特征重要性解釋，難以完全捕捉多維特征之間的復雜相互作用。相比之下，DL模型可以通過分層特征抽象自動學習非線性模式，在復雜的環境健康數據中表現出更高的預測能力和泛化性能[44]。在DL方法中，表格神經網絡（TabNet）模型憑借基于注意力機制的動態特征選擇策略和可解釋的特征掩碼結構，在表格數據建模方面具有優勢和解釋性[45]。因此，本研究結合了多種傳統ML模型與TabNet DL模型和SHapley Additive exPlanations（SHAP）可視化分析方法[46]，系統評估了FLCMs及其TPs的優先控制清單的準確性和合理性。

因此，本研究的目標包括：1）使用EPI Suite、ECOSAR 2.2和毒性預測平臺預測24種代表性FLCMs的風險；2）通過熵權重方法定量評估FLCMs及其TPs的全面毒性效應，并使用層次聚類模型制定優先控制清單；3）通過九種傳統ML分類模型和TabNet DL模型驗證清單的準確性和合理性；4）使用TabNet模型的全局特征重要性和SHAP分析識別環境TPs的毒性關鍵因素。本研究建立了綜合考慮FLCMs及其TPs的環境、生物和人類健康風險的多維評估框架。這是首次系統性地研究24種代表性FLCMs在多種環境介質中的轉化途徑，并全面評估相應TPs的生態風險。研究結果為新型LCMs及其代謝物的風險識別、毒性預測和綜合環境管理提供了理論基礎和技術支持。

徐穎杰：軟件、方法論、調查、正式分析、概念化。張萌：撰寫——審稿與編輯、初稿撰寫。楊浩：軟件、方法論、調查、正式分析。費凡：軟件、調查。鄭天龍：數據整理。金杰：軟件、調查、數據整理。李宇：撰寫——審稿與編輯、監督、資金獲取、正式分析、概念化。

作者聲明沒有已知的競爭性財務利益或個人關系可能影響本文所述的工作。