暴露场。础基的景设定是毒理学风险评估的核心环节，其准确性直接决定风险结论的可靠性——若场景偏离真实暴露情况，即使毒性数据再精准，评估结果也可能误导监管或风险管理决策。当前传统暴露场景常依赖默认假设（如“成人每日饮水量2升”“护肤品涂抹量2mg/cm²”），易忽视人群行为异质性、环境动态变化等因素，导致风险低估或高估。优化暴露场景需以“真实世界关联性”为核心，整合数据、方法与多学科知识，将“假设性场景”转化为“贴合实际的精准场景”，为风险评估提供更扎实的基础。
基于真实世界数据的暴露场景锚定
真实世界数据是优化暴露场景的“地基”，能替代传统的“默认参数”。例如，收集某地区儿童零食消费数据时，可通过学校问卷调查获取“每周食用薯片、果冻的频率与分量”，而非直接采用“儿童每日零食摄入量100g”的通用值；针对家居清洁剂的经皮暴露，可通过生物监测（如检测尿液中清洁剂代谢物浓度）反推实际皮肤接触量，避免依赖“手套使用频率100%”的理想假设。
大数据技术能进一步拓展真实数据的覆盖范围。比如，利用电商平台的消费记录分析护肤品的“实际使用周期”（如一瓶50ml面霜的平均使用天数），或通过社交媒体的用户评论提取“真实使用方法”（如“防晒霜只涂脸” vs “全身涂抹”）。这些数据能打破“实验室假设”与“实际行为”的壁垒，让场景更贴近人群的真实暴露状态。
需注意的是，真实数据的质量控制至关重要——问卷调查需避免回忆偏倚（如让受访者记录3天内的饮食日记而非“过去一个月”），环境监测需覆盖不同区域（如城市 vs 农村的空气污染物浓度差异），确保数据的代表性与可靠性。
暴露途径的全链条精细化拆分
化学物质的暴露是“多环节叠加”的结果，需将每个途径拆分为具体的“传递链条”。以“蔬菜中农药残留的经口暴露”为例，传统场景仅考虑“蔬菜中农药残留量×食用量”，但实际上需拆分：农药喷施剂量→作物吸收量→收获后存储中的降解量→烹饪前清洗的去除率→烹饪过程中的热降解率→最终进入人体的量。每个环节都需量化，比如“清水浸泡10分钟可去除80%的表面残留农药”“高温油炸会让农药降解50%”。
经皮暴露的拆分更需关注“皮肤接触的有效性”。比如，护肤品中的防腐剂经皮吸收，需考虑：产品中的防腐剂浓度→涂抹时的“实际接触面积”（如面霜涂满脸部约30cm²，而身体乳涂全身约1.5m²）→皮肤的“渗透系数”（婴儿皮肤比成人更薄，渗透系数高2-3倍）→涂抹后的“停留时间”（是否清洗掉）。这些细节的加入，能让经皮暴露量的计算更精准。
吸入暴露则需考虑“空气动力学直径”——不同大小的颗粒物（如PM2.5 vs PM10）在呼吸道的沉积部位不同，沉积率也不同。比如，气态化学物质（如甲醛）的吸入暴露需结合“室内通风频率”（开窗时浓度下降70%）、“停留时间”（成人每日在家6小时），而非仅用“室内空气浓度×呼吸频率”的简单公式。
暴露人群的分层与敏感亚群识别
不同人群的生理特征、行为模式差异会导致暴露量天差地别。儿童是典型的敏感亚群：他们的体重轻（相同暴露量下，单位体重暴露量更高）、饮食结构特殊（吃更多水果、零食，而这些食物的农药残留或添加剂含量较高）、行为习惯（喜欢啃咬玩具、手口接触频繁）。比如，儿童接触玩具中的邻苯二甲酸酯，需考虑“啃咬频率”（每天10次，每次30秒）和“玩具表面的转移量”（每平方厘米转移1μg邻苯二甲酸酯），而非用成人的“皮肤接触”场景。
孕妇也是敏感人群，需考虑“代谢变化”——孕期肝脏的细胞色素P450酶活性改变，可能影响化学物质的代谢速率，导致体内蓄积量增加。比如，咖啡中的咖啡因，孕妇的代谢半衰期从成人的4小时延长到10小时，因此“每日饮用1杯咖啡”的暴露量对孕妇的风险更高，场景设定需单独调整。
老年人的敏感点则在于“排泄能力下降”——肾脏功能随年龄增长下降30%-50%，化学物质的排泄速率减慢，导致体内暴露量累积。比如，长期服用含金属元素的保健品，老年人的体内铅含量可能比年轻人高2倍，场景设定需考虑“排泄速率”的差异。
动态暴露场景的构建与时间维度整合
传统暴露场景多为“静态快照”，假设“每日暴露量恒定”，但实际暴露是“时间依赖”的。比如，防晒霜的使用频率：夏天（6-8月）每周使用5次，冬天（12-2月）每月使用1次；加湿器中的消毒剂暴露：干燥季节（11-3月）每天使用，潮湿季节（4-10月）停用。这些季节变化需整合到场景中，计算“年度平均暴露量”而非“每日固定量”。
生命周期的时间维度更需关注。比如，婴儿时期的暴露场景：接触奶粉包装中的双酚A（BPA）→幼儿时期接触玩具中的邻苯二甲酸酯→青少年时期接触化妆品中的防腐剂→成年时期接触工作环境中的有机溶剂→老年时期接触保健品中的重金属。每个阶段的暴露途径和量都不同，场景需“分段构建”，再整合为“终身暴露谱”。
时间-活动模式（Time-Activity Pattern, TAP）数据是构建动态场景的关键。比如，通过 wearable 设备记录某人群的“一日活动”：7:00-8:00在家吃早餐（接触厨房油烟）→8:00-12:00在办公室（接触打印机的臭氧）→12:00-13:00在外吃午餐（接触外卖盒的塑化剂）→13:00-18:00回办公室→18:00-22:00在家（接触家具的甲醛）→22:00-7:00睡觉（接触床上用品的螨虫过敏原）。将每个时间段的暴露量叠加，得到“每日总暴露量”，比静态场景更真实。
暴露场景中不确定性的量化与边界定义
不确定性是暴露场景的固有属性，需“透明化”而非“隐藏”。常见的不确定性来源包括：数据缺失（如某地区没有儿童零食消费数据，需用邻省数据替代）、模型假设（如假设皮肤渗透系数是线性的，而实际可能是非线性）、行为变异性（如有人每天涂防晒霜，有人从不涂）。
蒙特卡洛模拟是量化不确定性的有效方法。比如，针对“食用量”这一参数，若已知其分布为“均值100g，标准差20g的正态分布”，可通过10000次随机抽样，得到“食用量”的概率分布，再结合其他参数（如残留量）的分布，计算出“暴露量”的概率分布。最终结果可表示为“该场景下，95%的人群暴露量低于5μg/kg bw/day”，明确不确定性的范围。
边界定义也很重要——需说明场景的“适用范围”。比如，“本场景适用于中国城市地区18-60岁成人的护肤品经皮暴露，不适用于农村地区或儿童”；或“本场景假设每日通风2次，若通风频率降低，暴露量将增加30%”。这样能避免场景被“误用”到不相关的人群或环境中。
跨学科协作下的场景有效性验证
暴露场景的有效性需通过多学科验证。比如，毒理学家提供“某化学物质的无可见有害作用水平（NOAEL）”，流行病学家通过队列研究观察“暴露量与健康效应（如皮炎、哮喘）的关联”，若场景预测的暴露量与流行病学研究中的“有效暴露量”一致，说明场景是有效的。
行为学家的参与能验证“场景中的行为假设”。比如，场景假设“成人每日洗手5次，每次用2ml洗手液”，行为学家可通过实地观察（如在公共卫生间安装传感器记录洗手次数）或焦点小组访谈（询问“你实际洗手时用多少洗手液”），验证该假设是否符合实际。若实际洗手次数是3次，每次用1ml，需调整场景参数。
统计学专家则能验证“数据的代表性”。比如，收集了1000份问卷调查，需检验“样本是否覆盖了不同性别、年龄、地区的人群”，避免样本偏倚（如仅调查女性，而忽略男性的护肤品使用情况）。
举个实际例子：某团队构建了“儿童玩具中邻苯二甲酸酯的暴露场景”，通过毒理学家验证“邻苯二甲酸酯的毒性阈值”，通过行为学家验证“儿童啃咬玩具的频率（每天3次，每次5分钟）”，通过流行病学家验证“该暴露量与儿童性早熟的关联”，最终确认场景的有效性，为监管部门制定玩具安全标准提供了依据。
暴露场景的可操作性与监管适配性优化
优化后的场景需“好用”——既要科学，又要让监管人员、企业或公众容易理解和应用。比如，可制定“分级场景”：基础场景（使用默认参数，适用于快速评估）、进阶场景（允许调整关键参数，适用于详细评估）、定制场景（针对特定人群或环境，需收集额外数据）。
可视化工具能提升可操作性。比如，开发“暴露场景计算器”，让用户输入“地区（城市/农村）、年龄（儿童/成人）、行为（是否涂防晒霜、是否啃咬玩具）”等参数，自动计算暴露量，并给出“风险等级”（低/中/高）。这样即使非专业人士也能使用场景评估风险。
需与监管框架适配。比如，欧盟的REACH法规要求“暴露场景需涵盖所有相关的暴露途径和人群”，优化后的场景需符合这一要求，明确“哪些人群是关注重点”“哪些途径是主要暴露来源”。比如，针对某化妆品防腐剂，场景需说明“主要暴露途径是经皮，主要关注人群是敏感肌消费者”，这样监管部门能针对性地制定限制措施。