Fraunhofer-Institut für Molekularbiologie und Angewandte Oekologie IMEKI-gestützte Bewertung chronischer Mischungsrisiken
Im Bereich der Umweltrisikobewertung gewinnt die Bewertung chronischer Chemikalienmischungen zunehmend an Bedeutung, da aquatische Organismen in der Realität komplexen Stoffgemischen und nicht einzelnen Substanzen ausgesetzt sind. In einer Studie, veröffentlicht in Environment International, untersuchte das Team der Abteilung Umweltmedienbezogene Ökotoxikologie des Fraunhofer IME unter der Leitung von Prof. Henner Hollert diese Problematik am Beispiel eines kleinen europäischen Flusses. Ziel war es, mithilfe künstlicher Intelligenz Datenlücken in der chronischen Toxizität von Einzelstoffen zu schließen und eine realitätsnahe Risikobewertung für Mischungen durchzuführen.
Die Kombination aus chemischer Analytik, empirischen und KI-modellierten Toxizitätsdaten lässt die Bewertung von Risiken zu.
Entlang von sechs Standorten wurden 192 organische Spurenstoffe analytisch erfasst. Für weniger als die Hälfte lagen experimentelle chronische Toxizitätsdaten vor. Um diese Lücken zu überwinden, verwendeten sie ein Open-Source, KI-gestütztes Vorhersagemodell, das validiert ist und auf etwa 144.000 empirischen Toxizitätsmessungen für 6.469 Substanzen in 1.842 Arten trainiert wurde. Es wurden fehlende Effektkonzentrationen für Algen, aquatische Invertebraten und Fische abgeschätzt. Auf dieser Basis wurden mit Hilfe des Konzentrationsadditions-Ansatzes Risikoquotienten berechnet und Hotspots mit erhöhtem chronischem Risiko identifiziert.
Die Ergebnisse zeigen, dass mehrere Flussabschnitte ein relevantes ökologisches Risiko aufweisen, wobei Fische die sensitivste Organismengruppe darstellten. Besonders auffällig war, dass Humanpharmazeutika – darunter Antibiotika, Analgetika und kardiovaskulär wirksame Substanzen – den größten Beitrag zum Gesamtrisiko leisteten. Die Einbeziehung KI-basierter Vorhersagen führte zu höheren, vermutlich realistischeren Risikoschätzungen im Vergleich zu Ansätzen, die ausschließlich auf empirischen Daten basierten.
Die Studie verdeutlicht, dass KI-gestützte Methoden eine robuste Ergänzung klassischer Bewertungsstrategien darstellen können, wenn die zugrundeliegenden Annahmen und Funktionsweisen der KI-Systeme durch Anwenderinnen und Anwender nachvollziehbar sind. Durch die Verknüpfung von Umweltmonitoring mit fortschrittlichen Modellierungsmethoden wird ein konzeptioneller Rahmen geschaffen, um innovative Modellierungsansätze in zukünftige ökotoxikologische Bewertungen zu integrieren und Regulierungsbehörden eine fundiertere Entscheidungsgrundlage im Umgang mit chemischer Gewässerbelastung zu bieten.