-
大气细颗粒物 (PM2.5)是影响我国大多数城市空气质量的主要污染物[1-2]。碳质气溶胶是PM2.5的重要组成部分，主要组分包括有机碳(OC)和元素碳(EC)，约占PM2.5质量的20%—70%[3-5]。OC来源复杂，除污染源(如机动车、化石燃料、生物质燃烧等)直接排放的一次有机碳(POC)外，还有来自光化学反应生成的二次有机碳(SOC)[6]；EC主要来自化石燃料和生物质的不完全燃烧[7]。研究表明，碳质气溶胶对能见度、空气质量和区域气候都有很大影响[8-9]。因此，研究碳质气溶胶的污染特征及来源对有效控制碳质颗粒物至关重要。
近年来，研究学者对PM2.5中OC、EC进行了大量研究，探讨了含碳质组分的浓度水平、季节分布以及污染来源等特征。如张婷婷等[10]对北京市城区碳质组分分析发现，OC在PM2.5中所占比例(13%)大于EC(5%)，二者季节变化特征均为冬季最高，夏季最低。程渊等[11]发现SOC为天津市夏季和冬季碳质组分中重要组成部分，在OC中占比分别为34%和27%。张懿华等[12]对上海城区碳质组分进行分析，发现燃煤源、机动车排放、扬尘源和生物质燃烧源是OC、EC的主要来源。董贵明等[13]使用潜在源贡献因子法分析发现，西南部的山西省和河南省部分地区是北京市大气PM2.5中OC的主要潜在源区，南部的山东省和河南省部分地区是EC的主要潜在源区。目前，对碳质气溶胶的研究主要集中在京津冀、长三角、珠三角及关中地区等城市[11，14-15]，为颗粒物中碳质气溶胶污染防治提供了重要的研究基础。
阳泉市位于山西省东部，是京津冀大气污染传输通道“2+26”城市之一。电力、煤炭、水泥、有色金属冶炼及加工等是阳泉市主导产业，经济结构整体偏重，再加上近些年机动车保有量逐年上升，导致阳泉市大气颗粒物污染问题日益突出，阳泉市2018年全年污染天数120 d，占比达33.0%，PM2.5浓度为59 μg·m−3是国家Ⅱ类标准限值[16](35 μg·m−3) 的1.7倍.已有的研究包括利用空气质量模式对阳泉市重污染过程中PM2.5的来源进行分析，利用受体模型对阳泉市秋冬季PM2.5化学组分及来源分析等[17-18]，但鲜有文献对阳泉市不同季节PM2.5中碳质气溶胶进行研究。
本研究以阳泉市城区为研究对象，对2018年7月—2019年4月PM2.5样品中OC和EC组分含量进行分析，使用最小相关系数法(MRS)估算了SOC的浓度，并利用比值分析、相关性分析及潜在源贡献因子分析(PSCF)研究了PM2.5中碳质气溶胶的来源，以期为阳泉市颗粒物污染防治提供方向。
-
阳泉市是典型的山地型城市(“两山夹一谷”)，属暖温带半干旱大陆性季风气候。本研究采样点(113.61°E，37.85°N)位于阳泉市文化宫3层楼顶平台，距地面约11 m，为教育、住宅、商业混合区，附近无明显排放源(图1).
PM2.5样品采集时间为2018年7月2日至2018年7月31日、2018年10月15日至11月30日和2019年3月1日至2019年3月31日，分别代表夏季、秋冬季和春季，样本数分别为26、46和26。采样期间每天10:00至次日09:00使用多通道采样器(TH-16A，武汉天虹仪表有限公司)采集PM2.5样品，采样器流量为16.7 L·min−1。选择直径为47 mm的石英滤膜进行PM2.5的采集，并用于分析碳质组分。
气象参数(风速、湿度和温度)和气态污染物(SO2、NO2、CO和O3-8H)来自中国环境监测总站的“全国城市空气质量实时发布平台”[19]。
-
使用美国Sunset实验室研发的Model 5L OC/EC热光碳分析仪对样品中的OC、EC进行分析测定，主要分析原理是IMPROVE热光反射法[20]，即使用程序升温，分2个阶段：第1阶段为纯氦环境下升温，分别在140、280、480、580 ℃条件下得到OC1、OC2、OC3、OC4这4种亚组分，第2阶段为在有氧环境(2%氧+98%氦)下升温，分别在580、740、840 ℃条件下得到EC1、EC2、EC3的3种亚组分。升温全程采用633 nm激光照射样品，测定有机碳碳化形成的裂解碳(OPC)，最终定义：
-
石英滤膜在使用前先在450 ℃下燃烧4 h，除去滤膜中残留碳及其他杂质。采样前后滤膜置于恒温恒湿箱(温度22 ℃、相对湿度40%)内平衡24 h后，在电子天平室进行称重(检测限是1 μg)，最后将滤膜用铝箔纸包好保存在−20 ℃的冰箱。采样期间，定期对相关配件和耗材进行更换，以及对采样器进行校准；每批次样品分析时，采用CH4/He 标准气体对仪器进行校正，相对标准偏差不超过5%，每次10%样品进行重复分析。
-
通过计算污染轨迹与所有轨迹在途径区域中的停留时间之比来解析每个网格对受点区域污染的贡献。将所选研究区域划分为i×j个网格，mij为经过这些网格的污染轨迹数，nij为所有轨迹数量，本研究设定的污染阈值为各季节各污染物70%分位数浓度水平，PSCF计算公式为：
由于PSCF是一种条件概率函数，当nij较小时，会增加结果的不确定性。为降低这种误差，引入权重函数Wij，即WPSCF=Wij×PSCF。当某个网格中的nij小于研究区域内每个网格平均轨迹数的3倍时，需要引入Wij来降低PSCF的不确定性。WPSCF值越大，表明此区域对受点的质量浓度贡献越大。
-
如表1所示，采样期间阳泉市ρ(PM2.5)为(69.4±26.6) μg·m−3 (19.5—252.5 μg·m−3)，是GB3095—2012 Ⅱ类标准年均限值[16](35 μg·m−3)的2.0倍，是世界卫生组织(WHO)环境空气指导值[21](10 μg·m−3)的6.9倍，表明阳泉市细颗粒物污染较为严重。采样期间ρ(PM2.5)的季节变化明显，主要表现为春季（(81.8±28.4）μg·m−3) >秋冬季（(74.0±28.6）μg·m−3) >夏季（(48.6±11.7）μg·m−3)。分析发现ρ(PM2.5)的季节变化主要是受到污染源和气象因素的双重影响。秋冬季与春季观测期间PM2.5浓度因受采暖期(2018年11月1至2019年3月31日)燃煤及生物质燃烧的影响而高于夏季PM2.5浓度。春季低湿度(47%，显著低于其他季节)和高风速(1.4 m·s−1，显著高于其他季节)使颗粒物再次悬浮，导致春季ρ(PM2.5)高于秋冬季(表1)。夏季ρ(PM2.5)最低是由于空气对流增强以及降雨较其他季节多。
总碳气溶胶(TCA)指气溶胶中的含碳组分，可反映区域碳质气溶胶的污染严重程度[22]，通常计算方法为有机物(OM=1.6×OC)和EC的质量浓度之和[23]，即TCA=OM+EC。采样期间TCA浓度为16.4 μg·m−3，在PM2.5中的占比为23.6%，高于太原[15](20%)和广州[14](22%)，低于北京[13](25%)、天津[11](27%)、武汉[24](27%)、菏泽[25](25%)等城市(表2)。说明阳泉市碳质气溶胶污染处于中等水平。
采样期间OC、EC的平均浓度分别为(8.0±2.8) μg·m−3和(3.6±1.5) μg·m−3，均呈秋冬季（(9.8±2.9）μg·m−3、（4.6±1.7） μg·m−3)>春季（(7.9±1.9）μg·m−3、（3.5±1.1） μg·m−3)>夏季（(5.1±1.0）μg·m−3、（2.0±0.4 μg·m−3)，季节性变化趋势与ρ(PM2.5)不同。春季和夏季OC、EC在PM2.5中的占比均明显低于秋冬季(表1)。分析发现，虽然秋冬季与春季均受到燃煤源的影响，但春季碳含量相对较低的扬尘、矿物质等组分对ρ(PM2.5)的贡献高于冬季[17]，最终导致出现春季ρ(PM2.5)高于秋冬季，而秋冬季OC、EC浓度及其在PM2.5中占比却高于春季的现象. EC在PM2.5中占比与其浓度的季节变化一致，即秋冬季(6.2%)>春季(4.3%)>夏季(4.1%)(表1)，这一结果与纪尚平等[26]2015和2017年在邯郸市的研究结果一致。
-
目前技术还难以直接区分气溶胶中一次有机物(POC)和SOC[27]。最常用的SOC计算方法是EC示踪法，计算公式[23]为：
式中，SOC为估算的二次有机碳质量浓度，µg·m−3；(OC/EC)pri为一次排放到大气中的OC/EC比值.
EC示踪法的关键是确定(OC/EC)pri的值，本研究使用最小相关系数法(MRS，Minimum R Squired)来确定(OC/EC)pri比率[28]。MRS通过计算一组假设的(OC/EC)pri和SOC值得到(OC/EC)pri，产生最小R2 (SOC，EC)的(OC/EC)pri即为实际的(OC/EC)pri比率[29]。结果显示春季、夏季和秋冬季(OC/EC)pri的值分别为1.37，1.53和1.39 (图2)。
如表3所示，采样期间SOC的平均浓度为(3.0±1.4) µg·m−3，在OC中占比达到38%，说明SOC是阳泉市PM2.5中OC的重要组成部分. SOC浓度季节变化趋势为秋冬季（(3.4±1.6） µg·m−3)>春季（(3.2±1.4）µg·m−3)>夏季（(2.0±0.7）µg·m−3)，SOC浓度的季节变化趋势与OC、EC浓度季节变化特征一致，但与SOC/OC的季节变化不同，春季和夏季的SOC/OC值均为40%，均高于秋冬季(35%)。春季SOC/OC值较高，是由于阳泉春季的风速较大且湿度较低，同时城市周边存在大量裸露的山地，极容易发生扬尘天气，扬尘的碱性特征有利于酸性气体的吸附和异相反应，发生了扬尘和有机物耦合反应，促进了二次有机物的转化[30-32]。相比于其他季节，夏季气温较高 (26 ℃)，湿度大 (88%)，有利于挥发性、半挥发性有机物等前体物的光化学反应生成 SOC[33]。秋冬季SOC/OC值较低，与秋冬季温度低导致SOC前体物的转化率下降有关[9]。
-
不同污染源排放的碳质气溶胶中OC/EC比值不同，因此可以采用OC/EC来定性确定碳质气溶胶的来源。典型污染源包括燃煤(OC/EC=2.5—10.5)[34]、机动车尾气(OC/EC=1.0—4.2)[35]和生物质燃烧(OC/EC=16.8—40.0)[36]。阳泉市采样期间OC/EC在1.4—4.8之间，春季、夏季和秋冬季OC/EC分别为2.5、2.6和2.3，说明采样期间各季节PM2.5中碳质气溶胶的主要来源可能是燃煤源和机动车尾气。
有研究表明，通过OC和EC之间的相关性，可以初步判断二者是否都具有同源性[29]。若OC和EC的相关性较好，说明二者具有相似的来源，反之，说明二者可能来源差异较大或具有二次污染[23，37]. OC与EC在夏季、春季和秋冬季均呈弱相关(图3)，R2分别为0.54，0.43和0.61，这表明阳泉市的碳质气溶胶来源较为复杂，受到多种排放源和大气化学转化过程的影响。
-
研究表明[38-39]，城市环境大气中SO2主要来源于燃煤排放，而CO和NO2主要来源于机动车尾气排放，O3和SOC主要是由光化学反应产生。因此，通过分析碳质组分与气态污染物之间的相关性，可定性地判断碳质组分的形成和来源。从全年来看，OC和EC与气态污染物SO2、NO2和CO均呈显著正相关，说明阳泉市碳质气溶胶可能受到机动车尾气和燃煤源的影响(表4)。从季节变化来看，夏季、秋冬季和春季PM2.5中OC和EC与SO2、NO2和CO均呈显著正相关，表明燃煤源和机动车尾气对各季节碳质组分的影响都比较大。夏季和春季OC和SOC与O3均呈正相关，尤其是夏季(0.731和0.657，P<0.01)，而秋冬季OC和SOC与O3呈负相关(表4)。夏季和春季的日均O3浓度(111 µg·m−3和62 µg·m−3)明显高于秋冬季(33 µg·m−3)，说明夏季和春季大气氧化作用强，加快污染物光化学反应的进行，促进SOC和O3的形成，而秋冬季由于光照时间短，大气氧化能力弱，污染天气频发，能见度下降，不利于光化学反应的进行，这与前文对SOC的研究结果一致，即秋冬季OC中SOC的占比低于春季和夏季。
-
源谱研究[10，40-41]发现，不同污染源源排放的碳质亚组分组成都有一定的差异，可以分析碳质气溶胶的来源[15]。其中，OC1主要是生物质燃烧排放的碳质组分，OC2是燃煤排放的标识组分，OC3和OC4是道路扬尘中丰富的碳质组分，EC1在汽油车尾气中的含量较高，EC2和EC3在柴油车尾气中的含量较高.如图4为不同季节8种碳亚组分的浓度，与OC、EC的季节变化规律一致，均呈秋冬季>春季>夏季。同时，各季节碳质组分浓度排序基本一致，均呈现EC2、OPC、EC1和OC2浓度最高，OC3和OC4居中，OC1和EC1最小的趋势。各季节EC2、EC1和OC2等亚组分的浓度之和在总碳(TC)中的占比在春季、夏季和秋冬季分别达到76%、79%和77%，表明阳泉市各季节碳质气溶胶主要来源于机动车尾气和燃煤源，这与OC/EC比值法以及碳质气溶胶与气态污染物相关性分析的污染来源一致。此外，各季节OC3、OC4浓度在TC中占比均超过15%，说明扬尘源对阳泉市碳质气溶胶的贡献也不容忽视。春季和秋冬季OC3、OC4浓度之和在TC中占比分别为20%和18%，明显高于夏季(15%)，说明春季和秋冬季扬尘源对碳质气溶胶的贡献高于夏季。
-
采样期间碳质组分PSCF分析结果如图5所示。整体来看，碳质组分除受到本地排放的影响之外，秋冬季和春季OC受到周边区域的影响较大，EC受到远距离传输的影响较大，而夏季OC、EC均受到近距离的影响。
夏季OC、EC的潜在源区分布在阳泉市南部和东部方向的区域范围内，WPSCF 值均处于较低水平，该区域传输影响较弱。春季OC、EC的潜在源区主要分布在阳泉市西部和南部方向的区域内，同时EC也受到阳泉市西北方向的内蒙古和蒙古国部分地区的远距离传输的影响。春季OC、EC的WPSCF高值(>0.6)[42-43]主要出现在阳泉市西部方向的山西省中部地区和南部方向的山西省东南部地区。山西省中部和东南部都是重要的煤炭生产和使用地区，其排放的污染物对于阳泉市碳质气溶胶的影响较大。秋冬季OC、EC的潜在源区在阳泉市各方向上均有分布，在西北和东南方向分别最远延伸至内蒙古西部和河南省的东部地区。相比于EC，秋冬季OC受到本地以及周边区域的影响明显增加，WPSCF高值(>0.6)分布较为集中，分布在山西省以及河南省和河北省的部分地区，形成了一个WPSCF高值带。
-
(1) 采样期间ρ(PM2.5)为(69.4±26.6) μg·m−3，其中春季ρ(PM2.5)为(81.8±28.4) μg·m−3，高于夏季和秋冬季(48.6±11.7)μg·m−3和(74.0±28.6) μg·m−3。OC、EC的浓度分别为(8.0±2.8)μg·m−3和(3.6±1.5) μg·m−3，季节性变化趋势均呈秋冬季>春季>夏季。
(2) PM2.5中SOC的平均浓度为(3.0±1.4) µg·m−3，在OC中为38%，在春季和夏季的占比(40%)高于秋冬季(35%)。OC、EC与气态污染物SO2、NO2和CO均显著相关，表明燃煤源和机动车尾气对碳质组分的影响较大。
(3) 各季节碳质亚组分分析显示PM2.5中碳质气溶胶主要来源于机动车尾气、燃煤源和扬尘源，其中扬尘对春季和秋冬季碳质气溶胶的贡献高于夏季。
(4) PSCF分析表明，碳质组分除受到本地排放的影响之外，秋冬季和春季的OC受到周边区域的影响较大，EC受到远距离传输的影响较大，而夏季OC、EC均受到近距离的影响。
阳泉市PM2.5中碳质气溶胶污染特征及来源分析
Pollution characteristics and sources analysis of carbonaceous aerosols in PM2.5 in Yangquan
-
摘要: 采集了阳泉市城区2018年7月—2019年3月PM2.5样品，分析了样品中有机碳(OC)和元素碳(EC)组分含量，使用最小相关系数法估算了二次有机碳(SOC)的浓度，并利用比值分析、相关性分析及潜在源贡献因子等方法研究了PM2.5中碳质气溶胶的来源。结果表明，采样期间ρ(PM2.5)为(69.4±26.6) μg·m−3，其中春季ρ(PM2.5)为(81.8±28.4) μg·m−3，高于夏季和秋冬季(48.6±11.7) μg·m−3和(74.0±28.6) μg·m−3。OC、EC的浓度分别为(8.0±2.8)、(3.6±1.5) μg·m−3，均呈秋冬季>春季>夏季的季节变化趋势. PM2.5中SOC的平均浓度为(3.0±1.4) µg·m−3，在OC中为38%，在春季和夏季的占比(40%)高于秋冬季(35%)。OC、EC与气态污染物SO2、NO2和CO均显著相关，表明燃煤源和机动车尾气对碳质组分的影响较大。各季节碳质亚组分分析显示PM2.5中碳质气溶胶主要来源于机动车尾气、燃煤源和扬尘源，其中扬尘对春季和秋冬季碳质气溶胶的贡献高于夏季。对潜在源区分析表明，碳质组分受到本地和近距离区域排放影响较大，秋冬季和春季的EC也受到远距离传输的较大影响。Abstract: PM2.5 samples were collected from July 2018 to March 2019 in the urban area of Yangquan, and the carbon component of organic carbon (OC) and elemental carbon (EC) in the PM2.5 samples were analyzed. The concentration of secondary organic carbon (SOC) was estimated by the minimum phase relation number method (MRS), and sources of carbonaceous aerosols in PM2.5 were conducted by ratio analysis, correlation analysis and potential source contribution factor analysis (PSCF). The results showed that the PM2.5 concentration during the sampling period was (69.4±26.6) μg·m−3, while the concentration of (81.8±28.4) μg·m−3 in the spring was higher than that in the summer ((48.6±11.7)μg·m−3) and autumn-winter ((74.0±28.6)μg·m−3). The concentrations of OC and EC were (8.0±2.8)μg·m−3 and (3.6±1.5) μg·m−3, respectively, with a seasonal trend of autumn-winter>spring>summer. The average SOC concentration was (3.0±1.4) μg·m−3, which accounted for 38% of OC. The proportions of SOC in OC were higher in the spring (40%) and summer (40%) than in the autumn-winter (35%). OC and EC were significantly correlated with gaseous pollutants of SO2, NO2, and CO, which indicated that coal combustion and vehicle emissions had a great influence on carbonaceous aerosols. The analysis of carbon subcomponents in each season showed that the main sources of carbonaceous aerosols in PM2.5 were vehicle emissions, coal combustion and dust, and the contribution of dust in the spring and autumn-winter was higher than that in the summer. Potential source contribution function (PSCF) analysis showed that the carbon components were strongly influenced by local and nearby area emissions, while the EC was also significantly affected by long-range transport in the spring and autumn-winter.
-
邻苯二甲酸酯类化合物（phthalate esters， PAEs）是邻苯二甲酸酐与醇反应生成的化合物，它是提高聚氯乙烯（polyvinyl chloride，PVC）弹性的重要添加剂，其中邻苯二甲酸二（2-乙基己基）酯（Di（2-ethylhexyl）phthalate，DEHP）是目前使用量最大的一种邻苯二甲酸酯，用量高达80%[1]. DEHP广泛应用于儿童玩具、塑料包装、化妆品及各类医疗器械[2-3]. DEHP的广泛使用导致了不可避免的环境释放以及人体摄入. 大量实验指出我国人群DEHP的暴露剂量约为11—116 μg·kg−1·d−1，接近DEHP的每日可耐受摄入量（TDI）（20—140 μg·kg−1·d−1），表明 DEHP对人群的健康构成重大危害[4].
DEHP具有内分泌干扰效应，可以诱发生殖发育毒性、肝脏毒性、胚胎毒性等多种毒性[5-6]. DEHP通过消化道进入人体后在胃肠道的脂肪酶作用下水解成初级代谢物乙基己醇（2-EH）和邻苯二甲酸单乙基己基酯（mono-ethylhexyl phthalate，MEHP），再通过尿液排出体外[7]. 通过对尿液的单酯类物检测发现，原尿和酶解后的尿液中 MEHP 的检出率最高，平均检出率超过60% [8]. 此外，试验结果表明DEHP的毒性主要来源于其代谢物 MEHP，其毒性作用高达DEHP的10倍[9]. 同时，MEHP的动物实验表明，其主要分布在肾脏、膀胱和肝脏，其中肝脏为MEHP最主要的靶器官[10]. Thomas等的研究中，大鼠口服500 mg·kg−1 DEHP，30 min后，肝脏MEHP水平为12.5 mg·g−1 [11]. MEHP毒性作用主要体现在增加肝脏亲脂活性，导致肝脏中出现脂肪堆积，继而引发肝细胞脂肪变性[12].
肝脏在体内发挥着外源物质解毒和代谢脂类物质的主要作用. 肝脏内游离脂肪酸增加和甘油三酯沉积是肝脏脂质代谢紊乱的主要表现. 近年来，全球肥胖病与非酒精性脂肪肝患病率快速上升. 体内体外实验提示脂肪代谢紊乱会增加肥胖、糖尿病、非酒精性脂肪肝病的患病危险度. 流行病学和毒理学研究报告称，接触DEHP会影响机体脂肪代谢，从而促进肥胖[13]. 体内实验表明大鼠用DEHP处理后，肝脏重量增加，主要机制可能与肝代谢酶改变有关[14]. 有体外实验表明，MEHP处理HepG2细胞后，激活了PPARα使脂肪酸的氧化分解受到抑制[9]，导致肝细胞内的脂质堆积并造成肝脏损伤. 在本课题组的前期研究发现，MEHP 处理后的HepG2 细胞的乙酰辅酶 A 羧化酶（acetyl-CoA carboxylase, ACC）的亚型ACC1蛋白表达水平增加，最终使肝脏细胞中脂肪酸合成增加. 这些结果表明，MEHP 可能通过影响脂质合成相关基因或蛋白的表达，从而导致肝细胞脂肪代谢出现紊乱. 为此，本实验以HepG2细胞为实验对象，通过MEHP染毒，观察细胞内脂质代谢情况，并通过基因芯片高通量筛查差异基因，探讨MEHP对体外脂质合成的影响及其可能的作用机制.
1. 材料与方法（Materials and methods）
1.1 细胞培养与染毒
从中国科学院上海生命研究院细胞资源中心购买HepG2细胞. 细胞培养基含 10%胎牛血清、1%青霉素庆大霉素双抗. 细胞培养条件为37 ℃、5% CO2. 取指数生长期的细胞进行染毒，参考相关文献[9]及我国人群接触水平设置染毒浓度. 共设置5个染毒浓度 ：阴性对照（完全培养基）、阳性对照（1 mmol·L−1油酸）、0.01 、1 、10 μmol·L−1MEHP. 染毒48 h后进行相关实验.
1.2 细胞油红 O 染色
为了研究细胞中脂滴的蓄积，用油红O法对HepG2细胞进行染色. 5个实验组的细胞染毒48 h后进行染色. 主要步骤为：弃去孔中废弃培养基，用 PBS 漂洗细胞，4%（质量分数）多聚甲醛固定细胞，油红O染色30 min，60%（体积分数）异丙醇洗去多余染料，苏木精复染细胞核10 s. 用显微镜获取图像并观察细胞内脂滴情况.
1.3 芯片数据以及数据前处理
用1 μmol·L−1 MEHP处理的细胞进行芯片分析，Agilent （人）表达谱芯片由博奥晶典公司完成. 步骤如下：以待检测样品的 total RNA 为起始，进行体外扩增和荧光标记，然后用Oligo（dT）Primer 引物合成cRNA并进行纯化和反转录得到cDNA. 最后用 Klenow Fragment 酶合成带有荧光基团的DNA 进行芯片杂交. 用 Feature Extraction 提数软件对芯片杂交扫描后的图片数据进行处理分析.
1.4 差异基因的筛选
通过Ｒstudio limma包将芯片基因的数据进行处理，以表格格式导出并进一步筛选差异表达基因. 差异表达基因（DEG）定义为差异倍数 FC大于 1.5或小于0.67且 P值小于 0.05的基因.
1.5 DEG功能富集分析
将上述分析得出的DEG导入 DAVID在线数据库（
https://david.ncifcrf.gov/tools.jsp ），进行GO分析. 通过对显著表达的基因进行功能注释分析，包括生物学过程（BP）、细胞组成（CC）和分子功能（MF），进而了解差异表达基因的生物学意义. 以 P<0.05认为具有显著性.1.6 PCR验证
按照1.1节对处于指数生长期的细胞进行染毒，每个实验组设置6个平行对照，染毒48 h后提取RNA. 细胞样品用Trizol试剂裂解，提取总RNA. 用超微量分光光度计测定RNA的含量和纯度. 将符合条件的RNA （A260/A230>2.0，和A260/A280=1.8—2.0）样本用反转录试剂盒将RNA反转录为cDNA备用.
从具有显著性且参与脂质代谢过程的差异基因中选取丙酮酸脱氢酶磷酸酶催化亚基2（PDP2）、磷脂酶A2组 IVE（PLA2G4E）、脂肪酸去饱和酶 6（FADS6）、Q型蛋白酪氨酸磷酸酶受体（PTPRQ）、CD28、甾醇-C5-去饱和酶（SC5D）、甲羟戊酸二磷酸脱羧酶（MVD）作为目的基因，检测mRNA表达水平（荧光定量PCR仪为Line Gene 9600）. 引物信息如表1所示. 以GAPDH为内参，数据分析时取Ct值的平均值，用相对定量法2−△△ct法计算目的基因表达的变化情况. 采用 SPSS 26.0 软件对数据进行统计学分析，多组间比较使用单因素方差分析，事后比较用LSD 检验进行，P<0.05认为具有统计学意义.
表 1 实时定量PCR引物序列Table 1. Primer sequences for real-time quantitative PCR基因Gene 引物Primer PDP2 S——GAAGATGAGGTGACAAGGAA F——GCCAGCACAAG MVD GAACTTA PLA2G4E S——TTCTGTCCTATGGCTCCTT F——GTTCTTCACTCGGCTCTG FADS6 S——CCTCAACCGCTATGTCTAC F——CGATGTGCTGGAAGATGT PTPRQ S——ATGTCTATATTGCGGCTGAA F——TTCTTACTTGCGTGGATTCT CD28 S——GCTCTTGGCTCTCAACTTA F——CCTGCTCCTCTTACTCCT SC5D S——CTTGCTGGAGATAAGAGGTT F——TATGGTGGTCTGTATGATGAG MVD S——CAAGGACTTCACCGAGGA F——GTAGGCTAGGCAGGCATA | Show Table
DownLoad:
CSV
1.7 基因表达谱数据动态分析
将细胞脂质代谢通路的基因输入 GEPIA 在线分析网站（http://gepia.cancer-pku.cn/），分析其在肝癌组织中的表达. P<0.05认为具有统计学意义.
2. 结果与讨论（Results and discussion）
2.1 油红O 染色结果
如图1所示，阴性对照组细胞有明显的边界，细胞内没有脂滴存在. 油酸染毒的细胞可见大量明显着色的脂滴，主要分布在细胞膜内侧区域，大小不等. 与阴性对照组相比，0.01 μmol·L−1 MEHP剂量组未见明显改变；1、10 μmol·L−1 MEHP剂量组可观察到少量红色脂滴，且随着染毒浓度的增大，脂滴的数量也逐渐增加，暂时未见对细胞边界的影响. 在前期实验中本课题组对MEHP染毒的HepG2细胞中的甘油三酯（TG）含量进行了定量检测， TG含量结果与油红O染色结果相一致，提示较高剂量 MEHP 暴露可提高细胞中的脂质水平[8]. 这一结果表明， MEHP暴露后，导致HepG2细胞中的甘油三酯蓄积，从而引起肝细胞中的脂质沉积.
图 1 不同浓度MEHP染毒对HepG2细胞内脂肪积累的影响（×400）Figure 1. Effects of different concentrations of MEHP on lipid accumulation in HepG2 cells（×400）A:光镜下未染色HepG2细胞；B:阳性对照组；C:阴性对照组；D、E、F：0.01、1、10 μmol·L−1 MEHP组. →为 HepG2 细胞内红色脂滴.A: HepG2 cells were not stained under light microscope; B: Positive control group; C:Negative control group; D、E and F: 0.01、1 and 10 μmol·L−1 MEHP groups; →represents red lipid droplets.2.2 差异基因筛选
如图2所示，根据P<0.05，FC>1.5或<0.67的筛选标准，共筛选出93个差异表达基因（表2），其中上调的基因57个，下调的基因36个.
表 2 差异基因的表达情况Table 2. The expression of differentially expressed genesUp Down symbol lgFC P.Value symbol lgFC P.Value DPPA3 0.743871 0.000032637 TTTY14 −0.75345 0.000683968 MYLIP 0.685596 0.000320629 XLOC_008352 −0.691 0.001413602 XLOC_000888 0.664559 0.000498704 LOC100129112 −0.83639 0.001799658 LOC100127994 0.609364 0.00056601 SC5D −0.92097 0.002090916 SYT17 0.650856 0.000986627 XLOC_004178 −0.72657 0.002192512 XLOC_008003 0.727595 0.00115933 C14orf119 −0.78947 0.003595082 LOC100506487 0.589801 0.001543009 XLOC_l2_012082 −0.61338 0.004605101 FADS6 0.784036 0.002373877 XLOC_012908 −0.92876 0.006283058 AQP10 0.603687 0.00355145 GABRG1 −1.01945 0.007994 XLOC_001387 0.675839 0.003916862 NUMB −0.57939 0.008775398 KCNE4 0.831973 0.003949384 FLJ21408 −0.61905 0.009899712 XLOC_005215 0.65671 0.004608305 LOC100505657 −0.89616 0.010826125 OR5L1 0.922639 0.004609802 ZNF554 −0.60913 0.011699612 C14orf180 0.649561 0.005207664 XLOC_012871 −0.78553 0.01385829 RHOXF1 0.622636 0.007822227 XLOC_007131 −0.7273 0.014006601 PTPRQ 0.739332 0.008548009 XLOC_l2_014785 −0.66169 0.01855114 LOC286382 0.586815 0.008726912 PRO0611 −0.78996 0.018748849 ACOD1 0.61305 0.008957375 CREG2 −0.70749 0.018758137 LOC100130744 0.85844 0.009748146 XLOC_l2_004857 −0.66225 0.023632428 ZAP70 0.625018 0.010183849 PDP2 −0.80976 0.023933353 PLA2G4E 1.427762 0.011394311 XLOC_l2_011207 −0.57923 0.026335268 LOC652586 0.614123 0.011818286 XLOC_007761 −0.58384 0.027416794 XLOC_006019 0.666199 0.012002598 GNL3LP1 −0.6286 0.027632132 SLAMF7 0.896594 0.013447959 XLOC_l2_013646 −0.89314 0.028992205 XLOC_005433 0.588529 0.014072632 MVD −0.63712 0.031037423 KRTAP13-2 0.681023 0.014111061 LOC728065 −0.58089 0.031598939 XLOC_008237 0.804098 0.01445258 XLOC_l2_011011 −0.60147 0.033573436 XLOC_008244 0.677154 0.01652238 XLOC_001687 −1.03697 0.037696163 LOC100505966 0.836326 0.01818776 XLOC_004804 −0.68571 0.039579631 XLOC_001422 2.454291 0.018227482 LOC100507110 −0.60107 0.041523521 CSN2 1.0231 0.020348553 CACNG8 −0.61314 0.041704333 XLOC_003782 0.639271 0.021116476 SNORD70 −0.92894 0.044259091 XLOC_005572 0.585382 0.02204518 LOC100128126 −1.05439 0.044856832 XLOC_003349 1.233979 0.022738339 NPPA-AS1 −0.59523 0.048087643 XLOC_l2_00770 0.610547 0.023106187 XLOC_001550 −0.64752 0.04894801 SNORD115-48 0.719119 0.024508996 INE1 −1.017 0.0496582 SNORD115-4 0.688309 0.026211298 XLOC_001755 0.605516 0.028061446 ANK2 0.906401 0.029169596 CD28 0.589859 0.029610282 LOC100506563 1.019834 0.029837404 ANXA10 0.626939 0.030222491 CYBB 1.151916 0.03336549 XLOC_012064 1.019834 0.0345969 XLOC_013649 0.624561 0.035226312 XLOC_010183 1.380268 0.035959747 XLOC_006983 0.862151 0.040708371 XLOC_004274 0.720596 0.040795527 XLOC_008690 0.686422 0.041491936 XLOC_007888 0.852148 0.04152697 XLOC_l2_011145 0.704819 0.042378972 SLC24A4 0.757531 0.043335006 XLOC_013458 0.71734 0.043999913 TREML1 0.800135 0.047577606 TRIM49 0.796312 0.048328175 ANKDD1B 0.683738 0.049447534 DUSP21 0.604901 0.049510457 | Show TableDownLoad:
CSV
2.3 差异基因的功能富集分析
通过对差异基因进行GO分析探讨差异基因所涉及的生物学过程，包括基因的３个部分：分子功能（MF）、细胞组分（CC）、生物过程（BP）. 结果显示，可以识别的基因一共有48个，显著富集的GO条目一共有13条（P<0.05），其中生物过程7条（图3）. 前5条通路及具体信息见表3，主要包括细胞脂质代谢过程（cellular lipid metabolic process）、T细胞阴性选择（negative T cell selection）、跨膜运输（transmembrane transport）、跨膜转运的调控（regulation of transmembrane transport）、先天免疫反应（innate immune response）；分子功能2条,包括被动跨膜转运活性（passive transmembrane transporter activity）、基质特异性跨膜转运蛋白活性（substrate-specific transmembrane transporter activity）；细胞组分4条，包括膜的外部成分（extrinsic component of membrane）、等离子体膜（plasma membrane）、质膜部分（plasma membrane part）.GO 分析表明, 最显著激活的通路是细胞脂质代谢通路，他由上调基因 FADS6、PTPRQ、CD28、 PLA2G4E 和下调基因 SC5D、PDP2、MVD 组成.
图 3 DAVID分析中生物过程通路的GO条目与基因Figure 3. Chord plot depicting the relationship between genes and GO terms of biological process表 3 DAVID分析中前5个通路（BP）与基因Table 3. Top 5 GO terms （BP） of the genes with the DAVID analysisGO TermGO 条目 Count数量 Genes基因 Fold Enrichment富集倍数 P Value P值 GO:0044255cellular lipid metabolic process 7 PDP2, PLA2G4E, FADS6, PTPRQ, CD28, SC5D, MVD 3.85628326776209 0.0068 GO:0045087innate immune response 5 TREML1, ZAP70, CYBB, ACOD1, SLAMF7 3.042438312 0.0494 GO:0055085transmembrane transport 7 SLC24A4, CACNG8, KCNE4, AQP10, CYBB, ANK2, GABRG1 3.024137931 0.0204 GO:0006629lipid metabolic process 7 PDP2, PLA2G4E, FADS6, PTPRQ, CD28, SC5D, MVD 5.660947851 0.0210 GO:0034762regulation of transmembrane transport 4 CACNG8, KCNE4, CYBB, ANK2 3.43652037617554 0.0300 | Show TableDownLoad:
CSV
2.4 PCR验证
MEHP染毒后相关基因mRNA表达水平的变化如图4所示. 与阴性对照组相比，基因FADS6 在1 μmol·L−1 MEHP染毒样品内基因表达水平明显增加（P<0.05）；基因SC5D、PDP2在1 μmol·L−1 MEHP剂量组基因表达水平明显降低（P<0.05），MVD在10 μmol·L−1 MEHP剂量组基因表达水平明显降低（P<0.05）. 其中，基因SC5D、PDP2、MVD、FADS6的mRNA表达水平与芯片结果表达一致，基因PTPRQ、CD28、PLA2G4E结果不一致.
图 4 不同浓度MEHP染毒对 HepG2 细胞相关基因mRNA表达水平影响Figure 4. Effects of different concentrations of MEHP on mRNA expressions of relative genes in HepG2 cells本研究通过转录组数据分析探讨MEHP在HepG2细胞脂质代谢过程中发挥作用的基因，发现细胞脂质代谢通路上的基因FADS6、MVD、SC5D、PLA2G4E在代谢过程中起重要作用. 脂肪酸去饱和酶（FADS6）在多不饱和脂肪酸（PUFA）的合成途径中起关键作用，参与了PUFA合成过程中的限速步骤，并调节PUFA的代谢通量[15]. 据报道，FADS6的活性是调节生物体中多不饱和脂肪酸比例的主要因素,其活性改变会影响一些疾病，如炎症和肿瘤发生，2型糖尿病，心血管疾病，代谢紊乱和神经精神疾病[16]. Montell的研究发现，含不饱和脂肪酸的二脂酰甘油（DAG）比饱和脂肪酸的DAG对二酰基甘油酰基转移酶（DGAT）有更强的亲和力，即肝脏合成 TG 首先利用不饱和脂肪酸, 更容易导致甘油三酯积累，而饱和脂肪酸多以 DAG 的形式蓄积[17].
本实验富集分析与PCR的结果显示，FADS6的mRNA表达水平升高，促进了HepG2细胞中多不饱和脂肪酸合成，这可能是HepG2细胞中甘油三酯合成增多进而出现脂肪堆积的原因. 甲羟戊酸二磷酸脱羧酶（MVD）参与胆固醇生物合成过程中的早期步骤. 通过Jump实验中转录组数据的KEGG分析显示，MVD参与SREBP激活基因表达、SREBP调节胆固醇生物合成、脂类和脂蛋白代谢等胆固醇代谢相关的通路，MVD的变化可调控乙酰乙酰-辅酶A的变化，进而改变）胆固醇调节元件结合蛋白（SREBP）的表达水平[18]，已有研究证明SREBP的上调导致肝细胞内胆固醇合成增加 [19] . 甾醇-C5-去饱和酶（SC5D）是一种胆固醇生物合成酶，它催化乳甾醇（lathosterol）转化为7-脱氢胆固醇（7-dehydrocholesterol），参与胆固醇合成中的酶促反应通路[20]. 有文献报道SC5D基因缺陷会引起乳甾醇症（Lathosterolosis），一种罕见的常染色体隐性胆固醇生物合成障碍疾病[21]. SC5D基因在HepG2细胞中表达水平的改变导致细胞内胆固醇合成发生紊乱. 磷脂酶A2（PLA2）是一种参与脂蛋白代谢和炎症途径的酶，所产生的脂质介质对细胞代谢起重要调控作用. 有文献报道NAFLD病人血浆中PLA2水平和肝脏的脂肪变性程度呈显著正相关,这说明PLA2可能参与肝细胞代谢过程中[22]. 有研究证实PLA2过表达的肝脏甘油三酯（TG）含量显著增加，同时增加趋势与PLA2的表达趋势相一致[23]. PLA2G4E作为PLA2的一种，对肝脏细胞的代谢也有调控作用. 本研究中发现，芯片结果中PLA2G4E表达水平升高，提示PLA2G4E是MEHP诱导甘油三脂含量增加，扰乱肝细胞脂质代谢的原因之一.
2.5 关键差异基因的在肝癌中的表达
利用在线分析工具GEPIA分析以上基因在肝细胞癌组织的表达水平，如图5所示. 这7个基因在肝细胞癌组织中的表达变化对比正常组织没有显著性. 但是以上基因在HepG2肝癌细胞脂质代谢过程中的表达水平均具有明显改变，导致肝癌细胞脂质代谢紊乱、脂肪堆积.
图 5 关键基因在肝癌中的表达水平Figure 5. Relative expression comparison of key genes in liver cancer samples in GEPIA database非酒精性脂肪性肝病（nonalcoholic fatty liver disease，NAFLD）是一种可逆性的疾病，但随着研究的不断深入， NAFLD的发病范围由单纯脂肪肝、脂肪肝、肝硬化发展到原发性肝细胞癌[24]. 多项研究证明NAFLD可逐渐发展为非酒精性脂肪性肝炎（Nonalcoholic steatohepatitis，NASH），从而导致肝硬化[25]，而肝硬化是除HBV、HCV引起原发性肝癌的另一主要原因. 因此假如高龄、胰岛素抵抗、肥胖等危险因素持续存在，NAFLD最终可引起肝癌. 同时Iris [26]的动物实验和Ertle[27] 的研究证实，NAFLD可不经肝硬化阶段发展为原发性肝癌. 由此可知，虽然以上基因在肝癌组织中的表达没有明显变化，但是对肝癌的前身——NAFLD发生发展具有重要作用.
3. 结论（Conclusion）
本研究以HepG2细胞为研究对象，结合油红O染色以及基因芯片等技术，发现MEHP暴露影响了细胞脂质代谢等信号通路，改变了关键因子FADS6、MVD、SC5D、PLA2G4E的表达水平，导致肝脏细胞中甘油三酯与胆固醇的合成增加，肝脏细胞出现脂肪蓄积. 综上所述，MEHP暴露可以通过改变细胞代谢相关基因引起肝脏细胞内脂质代谢紊乱.
-
图 4 采样期间PM2.5中碳质组分浓度
Figure 4. Carbon components concentrations during the sampling period
表 1 采样期间PM2.5、OC、EC浓度以及气象参数
Table 1. The concentration of PM2.5, OC, and EC, and meteorological parameters during the sampling period
季节Season 温度/℃ Temperature 相对湿度/%Relative humidity 风速/(m·s−1)Wind speed PM2.5/(µg·m−3) OC/(µg·m−3) EC/(µg·m−3) (OC/PM2.5)/% (EC/PM2.5)/% 春季 8±3 47±11 1.4±0.7 81.8±28.4 7.9±1.9 3.5±1.1 9.6 4.3 夏季 26±2 88±7 0.7±0.4 48.6±11.7 5.1±1.0 2.0±0.4 10.4 4.1 秋冬季 8±3 69±12 0.8±0.6 74.0±28.6 9.8±2.9 4.6±1.7 13.3 6.2 平均 13±7 69±17 0.9±0.6 69.4±26.6 8.0±2.8 3.6±1.5 11.5 5.2
下载: 导出CSV
表 2 阳泉市OC、EC、TCA浓度及TCA/PM2.5与国内其它城市比较
Table 2. Comparison of OC、EC and TCA concentrations, and TCA/PM2.5 values in Yangquan and other Chinese cities
城市City 采样时间Time OC/(μg·m−3) EC/(μg·m−3) TCA/(μg·m−3) (TCA/PM2.5)//% 分析方法Method 文献Reference 阳泉 2018.07—2019.3 8.0±2.8 3.6±1.5 16.4 23.6 IMPROVE TOR 本研究 太原 2014.03—2014.12 13.5±14.0 6.5±6.1 28.1 20 IMPROVE TOR [13] 广州 2015.06—2016.05 8.2±5.0 1.8±0.8 14.9 22 IMPROVE TOR [14] 北京 2017.12—2018.12 11.2±7.8 1.2±0.8 19.1 25 IMPROVE TOR [15] 天津 2016.02—2016.08 10.6 4.2 21.2 27 IMPROVE TOR [16] 武汉 2011.07—2012.02 19.4 2.9 34.4 27 IMPROVE TOR [17] 菏泽 2015.08—2016.04 13.2±9.6 5.2±3.6 26.3 25 IMPROVE TOR [18]
下载: 导出CSV
表 3 采样期间二次有机碳浓度特征
Table 3. Concentration characteristics of second organic carbon during the sampling period
季节Season OC/EC (OC/EC)pri SOC/(µg·m−3) POC/(µg·m−3) (SOC/OC)/% 春季 2.5±0.7 1.37 3.2±1.4 4.8±1.5 40 夏季 2.6±0.4 1.53 2.0±0.7 3.0±0.7 40 秋冬季 2.3±0.5 1.39 3.4±1.6 6.4±2.4 35 平均 2.4±0.6 1.43 3.0±1.4 5.1±2.1 38
下载: 导出CSV
表 4 采样期间PM2.5中碳质组分与气态污染物间相关性
Table 4. Correlation of carbon components in PM2.5 with gaseous pollutants during the sampling period
季节Season 碳质组分 SO2/(µg·m−3) NO2/(µg·m−3) CO/(mg·m−3) O3/(µg·m−3) 全年 OC 0.839** 0.744** 0.729** −0.470** EC 0.824** 0.772** 0.593** −0.514** SOC 0.421** 0.310** 0.494** −0.196 夏季 OC 0.417* 0.703** 0.405* 0.731** EC 0.445* 0.519** 0.642** 0.395* SOC 0.129 0.476* −0.112 0.657** 秋冬季 OC 0.820** 0.639** 0.916** −0.311* EC 0.866** 0.744** 0.775** −0.291 SOC 0.229 0.092 0.499** −0.136 春季 OC 0.695** 0.648** 0.834** 0.185 EC 0.488* 0.485* 0.492* −0.047 SOC 0.512** 0.448* 0.702** 0.303 注:**在0.01水平(双侧)上显著相关；*在0.05水平(双侧)上显著相关. Note: ** P≤0.01; represents significant correlation; * P≤0.05; represents significant correlation.
下载: 导出CSV
-
[1] QI M, ZHU X, DU W, et al. Exposure and health impact evaluation based on simultaneous measurement of indoor and ambient PM2.5 in Haidian, Beijing [J]. Environmental Pollution, 2017, 220: 704-712. doi: 10.1016/j.envpol.2016.10.035 [2] 赵晴, 李岩岩, 贺克斌, 等. 2019年元宵节重污染期间济宁市PM2.5化学组分特征及污染成因分析 [J]. 环境化学, 2020, 39(4): 900-910. doi: 10.7524/j.issn.0254-6108.2019090902 ZHAO Q, LI Y Y, HE K B, et al. Analysis of PM2.5 chemical characteristics and causes during heavy pollution in Jining City around the Lantern Festival of 2019 [J]. Environmental Chemistry, 2020, 39(4): 900-910(in Chinese). doi: 10.7524/j.issn.0254-6108.2019090902
[3] JIMENEZ J, DONAHUE N, PREVOT A, et al. Evolution of organic aerosols in the atmosphere [J]. Science, 2009, 326: 1525-1529. doi: 10.1126/science.1180353 [4] PACHAURI T, SINGLA V, SATSANGI A, et al. Characterization of carbonaceous aerosols with special reference to episodic events at Agra, India [J]. Atmospheric Research, 2013, 128: 98-110. doi: 10.1016/j.atmosres.2013.03.010 [5] BALACHANDRAN S, PACHON J E, LEE S, et al. Particulate and gas sampling of prescribed fires in South Georgia, USA [J]. Atmospheric Environment, 2013, 81: 125-135. doi: 10.1016/j.atmosenv.2013.08.014 [6] WANG Q, JIANG N, YIN S, et al. Carbonaceous species in PM2.5 and PM10 in urban area of Zhengzhou in China: Seasonal variations and source apportionment [J]. Atmospheric Research, 2017, 191: 1-11. doi: 10.1016/j.atmosres.2017.02.003 [7] 尹寒梅, 陈军辉, 冯小琼, 等. 宜宾市PM2.5中碳组分的污染特性及来源分析 [J]. 环境化学, 2019, 38(4): 738-745. doi: 10.7524/j.issn.0254-6108.2018061504 YIN H M, CHEN J H, FENG X Q, et al. Pollution characteristics and source analysis of carbonaceous aerosol in PM2.5 in Yibin, China [J]. Environmental Chemistry, 2019, 38(4): 738-745(in Chinese). doi: 10.7524/j.issn.0254-6108.2018061504
[8] YU S Y, LIU W J, et al. Characteristics and oxidative potential of atmospheric PM2.5 in Beijing: Source apportionment and seasonal variation [J]. Science of the Total Environment, 2019, 650: 277-287. doi: 10.1016/j.scitotenv.2018.09.021 [9] CAO J J, LEE S C, CHOW J C, et al. Spatial and seasonal distributions of carbonaceous aerosols over China [J]. Journal of Geophysical Research Atmospheres, 2007, D112(D22): D22S11. [10] 张婷婷, 马文林, 亓学奎, 等. 北京城区PM2.5有机碳和元素碳的污染特征及来源分析 [J]. 环境化学, 2018, 37(12): 2758-2766. ZHANG T T, MA W L, QI X K, et al. Characteristics and sources of organic carbon and element carbon in PM2.5 in the urban areas of Beijing [J]. Environmental Chenistry, 2018, 37(12): 2758-2766(in Chinese).
[11] 程渊, 刘保双, 毕晓辉, 等. 天津市区夏冬季环境空气PM2.5中碳组分污染特征及来源研究 [J]. 环境科学学报, 2018, 38(9): 3394-3405. CHENG Y, LIU B S, BI X H, et al. Character and source analysis of carbonaceous aerosol in PM2.5 during summer-winter period, Tianjin urban area [J]. Acta Scientiae Circumstantiae, 2018, 38(9): 3394-3405(in Chinese).
[12] 张懿华, 王东方, 赵倩彪, 等. 上海城区PM2.5中有机碳和元素碳变化特征及来源分析 [J]. 环境科学, 2014, 35(9): 3263-3270. ZHANG Y H, WANG D F, ZHAO Q B, et al. Characteristics and sources of organic carbon and elemental carbon in PM2.5 in Shanghai urban area [J]. Environmental Science, 2014, 35(9): 3263-3270(in Chinese).
[13] 董贵明, 唐贵谦, 张军科, 等. 北京南部城区PM2.5中碳质组分特征 [J]. 环境科学, 2020, 41(10): 4374-4381. DONG G M, TANG G Q, ZHANG J K, et al. Characteristics of carbonaceous species in PM2.5 in Southern Beijing [J]. Environmental Science, 2020, 41(10): 4374-4381(in Chinese).
[14] 刘晶晶, 胡献舟, 黄凤莲, 等. 广州PM2.5中有机碳和元素碳的污染特征 [J]. 湖南科技大学学报, 2019, 34(4): 111-117. LIU J J, HU X Z, HUANG F L, et al. Characteristics of organic carbon (OC) and elemental carbon (EC) in PM2.5 in Guangzhou, China [J]. Journal of Hunan University of Science & Technology, 2019, 34(4): 111-117(in Chinese).
[15] 张大宇, 刘效峰, 彭林, 等. 太原市PM2.5中含碳气溶胶特征分析 [J]. 环境化学, 2019, 38(12): 2719-2727. doi: 10.7524/j.issn.0254-6108.2019010203 ZHANG D Y, LIU X F, PENG L, et al. Analysis of characteristics of carbonaceous aerosols in PM2.5 of Taiyuan [J]. Environmental Chemistry, 2019, 38(12): 2719-2727(in Chinese). doi: 10.7524/j.issn.0254-6108.2019010203
[16] GB 3095—2012环境空气质量标准[S]. 北京: 中国环境科学出版社, 2012. Ambient air quality standards (GB3095—2012)[S]. Beijing:China Environmental Science Press, 2012(in Chinese).
[17] 王成, 闫雨龙, 谢凯, 等. 阳泉市秋冬季PM2.5化学组分及来源分析 [J]. 环境科学, 2020, 41(3): 1036-1044. WANG C, YAN Y L, XIE K, et al. Analysis of chemical components and sources of PM2.5 during Autumn and Winter in Yangquan City [J]. Environmental Science, 2020, 41(3): 1036-1044(in Chinese).
[18] 曹云擎, 王体健, 韩军彩, 等. “2+26”城市一次污染过程PM2.5化学组分和来源解析研究 [J]. 环境科学学报, 2020, 40(2): 361-372. CAO Y Q, WANG T J, HAN J C, et al. Study on chemical composition and source apportionment of PM2.5 during a pollution episode in “2+26” cities [J]. Acta Scientiae Circumstantiae, 2020, 40(2): 361-372(in Chinese).
[19] 中国环境监测总站. 全国城市空气质量实时发布平台[EB/OL]. [2019-11-20]. http://113.108.142.147:20035/emcpublish/. China National Environmental Monitoring Centre. National urban air quality real-time release platform [EB/OL]. [2019-11-20]. http://113.108.142.147:20035/emcpublish/.
[20] SUN F, LUN X X, LIU X, et al. Analysis of organic and elemental carbon in heating and non-heating periods in four locations of Beijing [J]. Environmental technology, 2015, 37 (1): 121-128. [21] World Health Organization. Air quality guidelines. Global update 2005[M]. Copenhagen, Denmark: World Health Organization, 2006. [22] 郑晓伍, 陈家灯, 刘子龙, 等. 石河子市PM2.5中有机碳和元素碳的变化特征与来源解析 [J]. 环境化学, 2018, 37(1): 115-122. doi: 10.7524/j.issn.0254-6108.2017042401 ZHENG X W, CHEN J D, LIU Z L, et al. Characteristics and source apportionment of organic carbon and elemental carbon in PM2.5 in Shihezi, Xinjiang, China [J]. Environmental Chemistry, 2018, 37(1): 115-122(in Chinese). doi: 10.7524/j.issn.0254-6108.2017042401
[23] 李杏茹, 白羽, 陈曦, 等. 北京冬季重污染过程大气细颗粒物化学组成特征及来源分析 [J]. 环境化学, 2018, 37(11): 2397-2409. doi: 10.7524/j.issn.0254-6108.2018011401 LI X R, BAI Y, CHEN X, et al. Chemical composition and source apportionment of PM2.5 during winter in Beijing [J]. Environmental Chemistry, 2018, 37(11): 2397-2409(in Chinese). doi: 10.7524/j.issn.0254-6108.2018011401
[24] 成海容, 王祖武, 冯家良, 等. 武汉市城区大气PM2.5的碳组分与源解析 [J]. 生态环境学报, 2012, 21(9): 1574-1579. doi: 10.3969/j.issn.1674-5906.2012.09.011 CHENG H R, WANG Z W, FENG J L, et al. Carbonaceous species composition and source apportionment of PM2.5 in urban atmosphere of Wuhan [J]. Ecology and Environment, 2012, 21(9): 1574-1579(in Chinese). doi: 10.3969/j.issn.1674-5906.2012.09.011
[25] 刘泽珺, 吴建会, 张裕芬, 等. 菏泽市PM2.5碳组分季节变化特征 [J]. 环境科学, 2017, 38(12): 4943-4950. LIU Z J, WU J H, ZHANG Y F, et al. Seasonal variation of carbon fractions in PM2.5 in Heze [J]. Environmental Science, 2017, 38(12): 4943-4950(in Chinese).
[26] 纪尚平, 王丽涛, 赵乐, 等. 邯郸市PM2.5中碳组分的浓度, 来源及其变化 [J]. 环境科学学报, 2019, 39(9): 2873-2880. JI S P, WANG L T, ZHAO L, et al. Concentrations, sources, and changes of carbon fractions in PM2.5 in Handan [J]. Acta Scientiae Circumstantiae, 2019, 39(9): 2873-2880(in Chinese).
[27] JI D S, ZHANG J K, HE J, et al. Characteristics of atmospheric organic and elemental carbon aerosols in urban Beijing, China [J]. Atmospheric Environment, 2016, 125: 293-306. doi: 10.1016/j.atmosenv.2015.11.020 [28] WU C, YU J. Determination of Primary combustion source organic carbon-to-elemental carbon (OC/EC) ratio using ambient OC and EC measurements: Secondary OC-EC correlation minimization method [J]. Atmospheric Chemistry and Physics, 2016, 16: 5453-5465. doi: 10.5194/acp-16-5453-2016 [29] JI D S, GAO M, MAENHAUT W, et al. The carbonaceous aerosol levels still remain a challenge in the Beijing-Tianjin-Hebei region of China: Insights from continuous high temporal resolution measurements in multiple cities [J]. Environment International, 2019, 126: 171-183. doi: 10.1016/j.envint.2019.02.034 [30] 刘庆阳, 刘艳菊, 赵强, 等. 2012年春季京津冀地区一次沙尘暴天气过程中颗粒物的污染特征分析 [J]. 环境科学, 2014, 35(8): 2843-2850. LIU Q Y, LIU Y J, ZHAO Q, et al. Chemical characteristics in airborne particulate matter (PM10) during a high pollution spring dust storm episode in Beijing, Tianjin and Zhangjiakou, China [J]. Environmental Science, 2014, 35(8): 2843-2850(in Chinese).
[31] DAN M, ZHUANG G, LI X, Tao H, Zhuang Y. The characteristics of carbonaceous species and their sources in PM2.5 in Beijing [J]. Atmospheric Environment, 2004, 38: 3443-3452. doi: 10.1016/j.atmosenv.2004.02.052 [32] AYMOZ G, JAFFREZO L J, JACOB V, et al. Evolution of organic and inorganic components of aerosol during a Saharan dust episode observed in the French Alps [J]. Atmospheric Chemistry and Physics Discussions, 2004, 4: 2499-2512. [33] 杨健, 丁祥, 刘寅, 等. 高原城市昆明PM2.5中碳组分污染特征及来源分析 [J]. 环境化学, 2017, 36(02): 257-264. YANG J, DING X, LIU Y, et al. Characteristics and source analysis of carbonaceous components in PM2.5 at a plateau city, Kunming [J]. Environmental Chemistry, 2017, 36(02): 257-264(in Chinese).
[34] CHEN Y J, ZHI G R, FENG Y L, et al. Measurements of emission factors for primary carbonaceous particles from residential raw-coal combustion in China [J]. Geophysical Research Letters, 2006, 33: L20815. [35] SCHAUER J, KLEEMAN M, CASS G, et al. Measurement of emissions from air pollution sources. 5. C1−C32 organic compounds from gasoline-powered motor vehicles [J]. Environmental Science & Technology, 2002, 36: 1169-1180. [36] ZHANG Y X, SHAO M, ZHANG Y H, et al. Source profiles of particulate organic matters emitted from cereal straw burnings [J]. Journal of Environmental Sciences, 2007, 19: 167-175. doi: 10.1016/S1001-0742(7)60027-8 [37] YANG F, HE K, YE B, et al. One-year record of organic and elemental carbon in fine particles in downtown Beijing and Shanghai [J]. Atmospheric Chemistry and Physics, 2005, 5 (6): 1449-1457. [38] 殷丽娜. 南京市大气细颗粒物中碳组分的时空分布特征及来源研究 [D]. 南京: 南京大学, 2016. YIN L N. Seasonal and spatial variations and potential sources of carbon fractions in fine particle matters in Nanjing [D]. Nanjing: Nanjing University, 2016 (in Chinese).
[39] LIU H, WU B, LIU S, et al. A regional high-resolution emission inventory of primary air pollutants in 2012 for Beijing and the surrounding five provinces of North China [J]. Atmospheric Environment, 2018, 181: 20-33. doi: 10.1016/j.atmosenv.2018.03.013 [40] CAO J J, WU F, CHOW J C, et al. Characterization and source apportionment of atmospheric organic and elemental carbon during fall and winter of 2003 in Xi'an, China [J]. Atmospheric Chemistry and Physics, 2005, 5(11): 3127-3137. doi: 10.5194/acp-5-3127-2005 [41] ZHAO P S, DONG F, HE D, et al. Characteristics of concentrations and chemical compositions for PM2.5 in the region of Beijing, Tianjin, and Hebei, China [J]. Atmospheric Chemistry and Physics, 2013, 13(9): 4631-4644. doi: 10.5194/acp-13-4631-2013 [42] 高韩钰, 魏静, 王跃思. 北京南郊区PM2.5中水溶性无机盐季节变化及来源分析 [J]. 环境科学, 2018, 39(5): 1987-1993. GAO H Y, WEI J, WANG Y S. Seasonal variation and source analysis of water-soluble inorganic salts in PM2.5 in the southern suburbs of Beijing [J]. Environmental Science, 2018, 39(5): 1987-1993(in Chinese).
[43] 郭蒙蒙, 姜楠, 王申博, 等. 郑州市2014~2017年大气污染特征及气象条件影响分析 [J]. 环境科学, 2019, 40(9): 3856-3867. GAO M M, JIANG N, WANG S B, et al. Analysis of air pollution characteristics and meteorological conditions in Zhengzhou from 2014 to 2017 [J]. Environmental Science, 2019, 40(9): 3856-3867(in Chinese).
-
点击查看大图
计量
- 文章访问数: 2825
- HTML全文浏览数: 2825
- PDF下载数: 115
- 施引文献: 0
