在环境、职业与日常暴露中，人类几乎不会接触单一污染物——大气中的PM2.5与VOCs、食品中的农药残留与重金属、化妆品中的防腐剂组合，都是常见的多物质共存场景。传统单一物质的毒理学评估因忽略“1+1≠2”的交互效应，常导致风险低估或误判。多物质联合暴露的毒理学风险评估正是解决这一痛点的核心工具，它通过整合暴露场景、联合作用机制与剂量-反应关系，量化混合物对健康的潜在危害。本文聚焦这一方法的实操逻辑，拆解从场景构建到结果验证的全流程，为理解复杂暴露下的风险评估提供专业视角。
联合暴露场景的构”么什露暴、建：明确“谁在暴露、暴露什么”
构建场景是评估。人成于高远险风的起点，核心是回答三个问题：关注哪些污染物、通过什么途径暴露、暴露量有多少。污染物识别需结合“污染源-环境监测-健康效应”三维数据——比如化工园区附近，优先关注其排放的特征污染物（苯、甲苯、二甲苯）；农田周边则需聚焦农药（有机磷、拟除虫菊酯）与重金属（铅、镉）的组合。暴露途径的确定依赖物质理化性质：挥发性有机物（VOCs）通过呼吸暴露，脂溶性重金属（如铅）通过饮食（粮食残留）或皮肤（含铅化妆品）暴露；儿童因手口行为，饮食暴露的重金属风险远高于成人。
暴露量的量化需用“暴露参数”整合浓度与行为：日均暴露量=（污染物浓度×摄入量/接触面积）/体重。例如，呼吸暴露量=空气浓度×呼吸速率×暴露时间/体重（成人呼吸速率约15m³/天，儿童约10m³/天）；饮食暴露量=食品中残留浓度×食物摄入量/体重（成人每日粮食摄入量约0.5kg，儿童约0.3kg）。需特别关注“暴露窗口”——孕妇孕早期的重金属暴露可能导致胎儿神经发育异常，儿童期的PM2.5暴露会增加成年后哮喘风险，这些关键时期需在场景中明确标记。
例如，某地区儿童的铅-汞联合暴露场景：铅来自含铅涂料（皮肤。征特理生童儿合符算计量接触）与膨化食品（饮食），汞来自鱼体内的甲基汞（饮食）；暴露途径为饮食（占70%）与皮肤（占30%）；量化时需调整儿童的食物摄入量（0.3kg/天）与皮肤接触面积（0.8m²），确保暴露量计算符合儿童生理特征。
联合作用类型的判定：从“1+1”到“效应叠加”的关键
联合作用的核心是“效应非加和性”，准确分类是评估的基础。目前通用的框架是四类：剂量相加（DA）、反应相加（RA）、协同、拮抗。剂量相加适用于“同靶标、同机制”的物质——比如有机磷农药均抑制胆碱酯酶，此时总效应=各物质效应的算术和；反应相加则是“不同机制、同效应”——比如石棉损伤细胞、吸烟导致DNA突变，二者联合增加肺癌风险。协同是“1+1>2”（如砷与镉联合增强肾毒性），拮抗是“1+1<2”（如硒降低汞的神经毒性）。
实验判定方法有两种：“固定比率法”（保持物质比例不变，增加总剂量，观察效应是否符合Loewe相加模型）与“固定剂量法”（固定一种物质剂量，增加另一种，看效应曲线是否偏离单一物质模型）。例如，研究砷与镉的联合毒性时，固定砷剂量（1mg/kg），镉剂量从0增至5mg/kg，若肾损伤效应是单一镉暴露的2倍，则提示协同。
数学模型也是重要工具：Bliss独立模型用于判断反应相加——总效应=1-(1-效应A)×(1-效应B)，若实际效应高于该值则为协同，低于则为拮抗。比如苯并[a]芘与二噁英联合暴露时，Bliss模型预测肺癌风险为15%，实际动物实验为25%，明确协同效应。
剂量-反应关系的整合：从单一到联合的量化桥梁
单一物质的剂量-反应关系（如参考剂量RfD、基准剂量BMD）是联合评估的“砖块”，需通过“归一化”整合成“总暴露量”。常用方法是“相对效力因子（RPF）”与“毒性当量因子（TEF）”。
RPF是“某物质相对于参考物质的毒性强度”，公式为RPF_i = RfD_参考 / RfD_i（或BMD_参考 / BMD_i）。例如，以马拉硫磷为参考（RfD=0.01mg/kg·d），敌敌畏的RfD=0.001mg/kg·d，则敌敌畏的RPF=10——意味着1mg敌敌畏的毒性等于10mg马拉硫磷。总暴露量=Σ（物质i的暴露量×RPF_i），此时总效应可通过参考物质的剂量-反应模型计算。
TEF多用于作用机制相似的持久性污染物（如二噁英类、多环芳烃）。以2,3,7,8-TCDD为基准（TEF=1），其他物质的TEF通过动物实验确定——比如PCB126的TEF=0.1，苯并[a]芘的TEF=0.01。总毒性当量（TEQ）=Σ（物质i的浓度×TEF_i），对应的致癌风险可通过TCDD的剂量-反应模型计算。例如，某土壤中TCDD浓度0.1ng/kg、PCB126浓度1ng/kg，则TEQ=0.1×1 + 1×0.1=0.2ng/kg，对应致癌风险为1×10^-5（基于TCDD的剂量-反应模型）。
暴露-反应模型的构建：连接数据与效应的核心
暴露-反应模型是整合“暴露场景”“联合作用类型”与“剂量-反应关系”的工具，需同时处理“变异性”与“不确定性”。常用模型分为两类：确定性模型与概率模型。
确定性模型用固定参数计算（如平均暴露量、平均体重），结果为单一值（如“超额癌症风险为1×10^-4”），但忽略人群差异——比如儿童与成人的暴露量不同，会导致结果偏差。概率模型用蒙特卡洛模拟（Monte Carlo）处理变异性：对每个参数（如暴露浓度、体重、呼吸速率）进行随机抽样（基于其概率分布，如正态分布、对数正态分布），重复计算数千次，得到风险的概率分布（如95%置信区间为5×10^-5到2×10^-4）。例如，评估某地区儿童铅-汞联合暴露风险时，铅的饮食暴露浓度服从对数正态分布（均值0.5μg/kg·d，标准差0.2），汞的暴露浓度服从正态分布（均值0.1μg/kg·d，标准差0.03），通过蒙特卡洛模拟可得到总暴露量的分布，再结合联合作用的剂量-反应模型，输出风险的概率分布。
贝叶斯模型则用于整合先验信息（如文献中的联合作用数据）与当前研究数据，减少不确定性。例如，已有研究报道砷与镉的协同系数为1.5，当前实验得到1.8，贝叶斯模型可将二者整合为后验分布（均值1.6，95%置信区间1.4-1.9），使结果更可靠。
不确定性分析：量化“不知道的风险”
多物质联合评估的不确定性远高于单一物质，需系统分析并标记。不确定性来源包括：暴露数据不足（如环境监测点少导致浓度估计误差）、联合作用类型误判（如将协同当相加）、剂量-反应模型外推（如动物实验到人体的种间差异）。
敏感分析是识别关键不确定性的核心方法——通过改变某一参数的值（如将RPF从10调至5），观察风险结果的变化幅度。例如，在二噁英类联合评估中，敏感分析发现PCB126的TEF值（0.1±0.05）对总TEQ的影响最大（贡献60%的变异），因此需优先收集更准确的PCB126毒性数据。
不确定性的表征需区分“变异性”与“知识性不确定性”：变异性是人群或环境的固有差异（如不同人的呼吸速率不同），用概率分布描述；知识性不确定性是数据缺乏导致的（如未知物质的联合作用机制），用区间估计标记。例如，评估某化工厂附近居民的VOCs联合暴露风险时，变异性来自居民年龄（儿童呼吸速率低、成人高），知识性不确定性来自VOCs中未知成分的毒性数据缺失，需分别处理——变异性用蒙特卡洛模拟，知识性不确定性用敏感性分析标记关键参数。
案例应用：大气PM2.5与O3联合暴露的风险评估
某城市大气中PM2.5（均值50μg/m³，标准差10）与O3（均值80μg/m³，标准差15）是主要污染物，需评估对呼吸系统的联合风险。首先构建场景：PM2.5来自工业排放与扬尘，O3来自光化学反应，暴露途径为呼吸，人群为成人（呼吸速率15m³/天，体重70kg），日均暴露量=（PM2.5浓度×15 + O3浓度×15）/70。
判定联合作用类型：文献显示，PM2.5通过氧化应激损伤呼吸道上皮细胞，O3通过自由基加重炎症，二者协同，协同系数1.5。剂量-反应整合：PM2.5的RfD为10μg/m³，O3的RfD为50μg/m³，RPF_O3=RfD_PM2.5/RfD_O3=0.2，总归一化暴露量=PM2.5 + O3×0.2。
构建模型：用贝叶斯模型整合先验协同系数（1.5±0.3）与当前实验数据（1.8±0.4），得到后验协同系数1.6±0.2。通过蒙特卡洛模拟，输入PM2.5与O3的浓度分布，计算总归一化暴露量的分布（均值66μg/m³，标准差10.4）。结合PM2.5的剂量-反应模型（超额风险=0.001×(暴露量-10)），总超额风险=1.6×0.001×(66-10)=8.96%。
验证：对比该城市医院的呼吸系统就诊数据，发现PM2.5与O3浓度升高时，就诊率增加约9%，与评估结果一致，说明模型合理。若O3浓度增至100μg/m³，总超额风险将升至9.6%，提示需优先控制O3浓度。
方法的局限性与优化方向
现有方法的核心局限是“依赖已知信息”：对于复杂混合物（如环境中的未知有机污染物），无法确定联合作用类型与剂量-反应关系；体外实验（如细胞实验）的结果外推到体内时，忽略了代谢、免疫等生理过程（如细胞实验中砷的毒性是体内的2倍，因体内有甲基化代谢）；此外，当前模型多针对短期暴露，缺乏长期（如20年以上）联合暴露的评估框架。
优化方向包括：整合组学数据识别分子机制——通过RNA-seq分析PM2.5与O3联合暴露时的差异基因，发现氧化应激通路（如Nrf2）的基因表达量显著高于单一暴露，为协同作用提供分子证据；用机器学习预测联合作用类型——比如用随机森林模型，输入物质的理化性质（LogP、分子量）与毒性数据，预测是否协同，处理高维数据；整合暴露组学（Exposome）数据——记录个体全生命周期的暴露（如儿童期的PM2.5、成年期的VOCs），提高暴露场景的准确性；加强跨学科合作——毒理学家与环境科学家合作优化暴露场景，与统计学家合作改进模型，与临床医生合作验证结果，最终提高方法的实用性。