中国环科院李西西、吉林大学孙佩萱团队JHM：利用深度学习算法编制液晶单体淡水食物链PBT效应优先控制清单

本研究针对液晶单体（LCMs）在淡水食物链中的持久性、生物富集性和毒性（PBT）效应，构建了一个结合分子对接、机器学习与深度学习算法的风险评估框架。研究背景源于LCMs作为广泛使用的新兴污染物，其潜在生态风险亟待评估。研究目的是编制LCMs淡水食物链PBT效应的优先控制清单，并识别关键影响因素。通过分析1431种商业LCMs，利用残余神经网络（ResNet）等模型，成功筛选出509种高风险LCMs，并发现分子电负性是影响PBT效应的关键因素。结论表明，该数据驱动方法能有效补充传统风险评估，为LCMs的监管和环保替代品设计提供了科学依据。