Antibiotic Source Apportionment in Stream Sediments Using PMF with Combined Antibiotic and Heavy Metal(loid) Profiles
Deze studie toont aan dat het integreren van zware metaal(loïd)profielen met antibiotische gegevens in Positive Matrix Factorization (PMF) modellering de nauwkeurigheid en ruimtelijke coherentie van bronherkomstbepaling voor antibiotica in stroomsedimenten aanzienlijk verbetert, waardoor effectiever beheer van vervuiling wordt gefaciliteerd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Rivieren zijn meer dan alleen stromend water; het zijn archieven van het land waar ze doorheen lopen. Lang nadat een chemische stof uit een landbouwveld of een waterzuiveringsinstallatie is weggespoeld, kunnen de sporen ervan neerslaan in de rivierbedding en deel uitmaken van het sediment. Deze modder fungeert als een traag bewegend verslag van menselijke activiteit, waarin stoffen zoals antibiotica en zware metalen worden vastgehouden lang nadat ze uit het water daarboven zijn verdwenen. Wetenschappers gebruiken deze begraven verslagen al lang om te achterhalen waar vervuiling vandaan komt, een proces dat bronherkomstbepaling (source apportionment) wordt genoemd. De uitdaging is echter dat veel verschillende activiteiten vergelijkbare chemicaliën vrijgeven. Een medicijn dat wordt gebruikt om een ziek koe te behandelen, kan precies lijken op een medicijn dat wordt gebruikt om een mens te behandelen, en zodra ze zich in de rivier mengen, wordt het moeilijk om te onderscheiden of het nu uit de stal of uit het huis kwam. Om dit op te lossen, zoeken onderzoekers vaak naar andere aanwijzingen, zoals de aanwezigheid van zware metalen, die de neiging hebben aan de modder te kleven en als unieke vingerafdrukken voor specifieke soorten vervuiling kunnen dienen.
In een recente studie naar de Muhan-stroom in Zuid-Korea besloot een team van onderzoekers te testen of het toevoegen van gegevens over zware metalen aan hun analyse zou kunnen helpen om de bronnen van antibioticaveluiling te ontrafelen. Ze verzamelden modderstalen van twaalf verschillende plekken langs het onderste deel van de stroom, een gebied dat bekendstaat om de aanwezigheid van een mix van potentiële vervuilers, waaronder een openbare afvalwaterzuiveringsinstallatie, een faciliteit die mest van vee verwerkt, en talrijke vee- en varkenshouderijen. De wetenschappers analyseerden deze monsters op elf verschillende antibiotica en tien verschillende zware metalen. Hun doel was om te zien of een computermodel, dat complexe mengsels ontleedt in hun waarschijnlijke bronnen, beter zou werken wanneer het zowel de gegevens over de medicijnen als de gegevens over de metalen samen kreeg, in plaats van alleen de gegevens over de medicijnen.
Toen de onderzoekers hun model voor het eerst draaiden met alleen de antibioticagegevens, waren de resultaten enigszins verwarrend. Het model identificeerde vijf verschillende bronnen, maar had moeite om ze duidelijk van elkaar te scheiden. Zo kon het model bijvoorbeeld niet gemakkelijk het onderscheid maken tussen de vervuiling die afkomstig was van de afvalwaterzuiveringsinstallatie en de vervuiling die afkomstig was van de faciliteit voor de verwerking van dierlijke mest. Beide bronnen leken bij te dragen aan dezelfde plekken langs de rivier, en de chemische handtekeningen van de medicijnen alleen waren niet onderscheidend genoeg om ze uit elkaar te houden. Dit is een veelvoorkomend probleem in de milieuwetenschap: wanneer verschillende bronnen vergelijkbare chemicaliën vrijgeven, wordt het signaal wazig, waardoor het moeilijk wordt om precies te weten waar de inspanningen voor schoonmaak op gericht moeten worden.
De onderzoekers probeerden vervolgens een andere aanpak. Ze voerden hetzelfde computermodel een gecombineerde dataset die de concentraties van de antibiotica evenals de tien zware metalen die ze hadden gemeten, bevatte. Deze keer werd het beeld veel duidelijker. De zware metalen fungeerden als een aanvullende set aanwijzingen die het model hielpen de bronnen te scheiden. De metalen, die niet zo gemakkelijk afbreken als antibiotica en vaak andere patronen vertonen afhankelijk van of ze van een boerderij of een stad komen, boden het extra contrast dat nodig was om de bronnen te onderscheiden. Met deze gecombineerde informatie kon het model duidelijk laten zien dat de afvalwaterzuiveringsinstallatie verantwoordelijk was voor een specifiek type vervuilingspatroon, terwijl de mestverwerkingsfaciliteit en de nabijgelegen boerderijen een ander, afzonderlijk patroon creëerden. Het vermogen van het model om deze bronnen aan te wijzen verbeterde aanzienlijk, waarbij werd aangetoond dat de met mest gerelateerde bronnen geconcentreerd waren nabij de verwerkingsfaciliteit en de boerderijen, terwijl de afvalwaterzuiveringsinstallatie haar eigen specifieke voetafdruk had.
De studie onderzocht ook het ecologische risico dat door deze antibiotica werd veroorzaakt. Door gebruik te maken van de nieuwe, duidelijkere uitsplitsing van bronnen door het model, konden de onderzoekers berekenen welk deel van het risico door elke bron werd veroorzaakt. Ze ontdekten dat de bronnen gerelateerd aan dierlijke mest — specif{%}
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.