Soňa Smetanová
smetanova@recetox.muni.cz
Model rozložení citlivosti druhů
(Species Sensitivity Distribution; SSD)
Úvod do SSD
??? SSD – Species Sensitivity Distribution ???
v ČR pořád celkem neznámý a v pozadí zájmu
v Evropě čím dál více důležitý !
využití v hodnocení ekotoxikologických rizik
toxických látek a jejich účinků na ekosystémy
Co to tedy je???
Motivace – teoretický příklad praktického využití
U jedné továrny vyrábějící insekticid XY leží chráněné jezero, ve kterém žijí velmi
vzácné druhy organismů.
Pro insekticid XY byl vytvořen model SSD, kterým byla stanovena bezpečná
koncentrace nepoškozující ekosystém na 1,8 µg/l
Jednoho dne se v továrně stala nehoda, insekticid XY unikl do okolí a jeho
koncentrace v jezeře byla 2 dny zvýšená na 9,6 µg/l. Poté začala klesat.
Podle již vytvořeného SSD modelu bylo nejen rychle zjištěno, že bezpečný limit
látky XY byl překročen, ale dokonce i to, že tato koncentrace bude mít potenciálně
negativní akutní vliv na 74% druhů žijících v jezeře a že je nutné začít neprodleně
jednat a snažit se obnovit fungující ekosystém
Úvod do SSD
1. princip:
„Různé druhy organismů jsou různě citlivé k určité
toxické látce“
Ok
Úvod do SSD
1. princip:
„Různé druhy organismů jsou různě citlivé k určité
toxické látce“
Akutní EC50 hodnoty pro herbicid alachlor
Pseudokirchneriella subcapitata řasa 7 µg/l
Chlorella vulgaris řasa 26 µg/l
Lemna minor vyšší rostlina 150 µg/l
Danio rerio ryba 1 750 µg/l
Lepomis macrochirus ryba 5 277 µg/l
Chironomus riparius hmyz 15 049 µg/l
Daphnia magna korýš 21 000 µg/l
Úvod do SSD
2. princip:
„Logaritmy citlivostí (log EC50 či log NOEC) všech
druhů organismů z jednoho ekosystému mají
normální (Gaussovo) rozložení“
Úvod do SSD
1. a 2. princip obrazem
3.5 3.8 4.1 4.5 4.8 5.1 5.5 5.8 6.1
log(NOEC or ECx)
0
5
10
15
20
25
30
35
Numberoforganisms
log(NOEC or EC50)
Početdruhů
3.2 3.6 4.0 4.4 4.8 5.2 5.6 6.0 6.4
log(NOEC or ECx)log(NOEC or EC50)
Taxony
= SSD model
Úvod do SSD
Výhoda normálního (Gaussova) rozložení
Pouze dva parametry: aritmetický průměr µ
směrodatná odchylka σ
3.5 3.8 4.1 4.5 4.8 5.1 5.5 5.8 6.1
0
5
10
15
20
25
30
35
g
σ
µ
𝜇𝜇 =
1
𝑛𝑛
� 𝑥𝑥𝑖𝑖
𝑛𝑛
𝑖𝑖=1
𝜎𝜎 = �
1
𝑛𝑛
�(𝑥𝑥𝑖𝑖 − 𝜇𝜇)2
𝑛𝑛
𝑖𝑖=1
Úvod do SSD
 Vyjádření pomocí kumulativní distribuční funkce a
zjištění HCp či PAF
K čemu použít Gaussovo rozložení?
3.5 4.0 4.5 5.0 5.5 6.0
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Fractionoforganisms
PAF
HCp
Procentodruhů
3.5 3.8 4.1 4.5 4.8 5.1 5.5 5.8 6.1
0
5
10
15
20
25
30
35
NumberoforganismsPočetdruhů
log(NOEC or EC50)
= SSD model= SSD model
Úvod do SSD
K čemu použít Gaussovo rozložení?
HCp … Hazard Concentration for p-percent of species
… „koncentrace toxické látky, která podle SSD modelu
negativně ovlivní p-procent druhů organismů“
3.5 4.0 4.5 5.0 5.5 6.0
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Fractionoforganisms
PAF
HCp
Procentodruhů
3.5 3.8 4.1 4.5 4.8 5.1 5.5 5.8 6.1
0
5
10
15
20
25
30
35
NumberoforganismsPočetdruhů
log(NOEC or EC50)
= SSD model
Úvod do SSD
K čemu použít Gaussovo rozložení?
PAF … Potentially Affected Fraction
… „frakce (procento) organismů, která bude negativně ovlivněna
působením určité koncentrace dané toxické látky“
3.5 4.0 4.5 5.0 5.5 6.0
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Fractionoforganisms
PAF
HCp
Procentodruhů
3.5 3.8 4.1 4.5 4.8 5.1 5.5 5.8 6.1
0
5
10
15
20
25
30
35
NumberoforganismsPočetdruhů
log(NOEC or EC50)
= SSD model
Úvod do SSD
K čemu použít Gaussovo rozložení?
3.5 4.0 4.5 5.0 5.5 6.0
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Fractionoforganisms
PAF
HCp
Procentodruhů
PAF
• kvantitativní zhodnocení
ekotoxikologického stavu
ekosystému
• (tj. retrospektivní analýza rizik)
! PAF = 6 % vs PAF = 62 % !
HCp
• stanovení PNEC (Predicted
no-effect concentration) limitů
• (tj. prospektivní analýza rizik)
•Evropa: HC5 jako limit
(~ taková koncentrace látky,
která ještě nemá statisticky
významný negativní účinek na
společenství organismů v
ekosystému)
Úvod do SSD
Výhody PAF a HCp oproti klasickým přístupům
3.5 4.0 4.5 5.0 5.5 6.0
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Fractionoforganisms
PAF
HCp
Procentodruhů
PAF
• Kvantitativní zhodnocení
negativních efektů (na rozdíl od
běžně požívaného přístupu
„koncentrace látky v prostředí je
pod/nad PNEC hodnotou“.
HCp
• Menší nejistoty (limit odvozen
z velkého množství taxonů a
druhů, nejen ze tří standardních
organismů, jak tomu je
v případě klasických postupů)
Nízké faktory nejistoty
(Assessment factors)
aplikované na hodnoty HC5 pro
zisk PNEC
Úvod do SSD
Výhody PAF a HCp oproti klasickým přístupům
Faktory nejistoty pro zisk PNEC hodnot; faktory se liší podle zvolené
metody (Guidance Document EU CIS-WFD No. 27)
Tvorba SSD modelu – vstupní data
Online databáze
(např. US EPA ECOTOX: http://cfpub.epa.gov/ecotox či IUCLID Chemical
Data Sheets: http://esis.jrc.ec.europa.eu)
•Chronické NOEC / akutní EC50 hodnoty …
Pozor na odlišný význam SSD modelu
•Sladkovodní/slanovodní/suchozemské druhy
• Data z testování efektů s přímým vlivem na změnu
abundance a složení společenství organismů (růst, biomasa,
mortalita, imobilizace)
Tvorba SSD modelu – vstupní data
• Hodnoty EC50 (či NOEC) vzniklé testováním čistých látek
(min. 90%)
• Kontrola a odstranění replikací a podezřelých údajů
• Převod všech hodnot na stejné jednotky (µg/l)
Tvorba SSD modelu – vstupní data
Tvorba SSD modelu – vstupní data
• do SSD vždy pouze jedna EC50 (NOEC) hodnota pro jeden druh
a) Druhová EC50 s nejnižší hodnotou
b) průměr všech EC50 hodnot pro tento druh
Tvorba SSD modelu – aproximace Gaussovou distribucí
µ … aritmetický průměr
σ … směrodatná odchylka
x … hodnota na ose x
(hodnota log(EC50) z
databáze), pro kterou
funkce vypočítá hustotu
pravděpodobnosti f(x)
3.5 3.8 4.1 4.5 4.8 5.1 5.5 5.8 6.1
log(NOEC or ECx)
0
5
10
15
20
25
30
35
Numberoforganisms
log(NOEC or EC50)
Početdruhů
𝑓𝑓(𝑥𝑥) =
1
𝜎𝜎√2𝜋𝜋
𝑒𝑒
−(𝑥𝑥−𝜇𝜇)2
2𝜎𝜎2
 ETX 2.0 software / Statistica software
= SSD model
Tvorba SSD modelu – ověření normality
a) Testy normality
(Anderson-Darling nebo Kolgomorov-Smirnov test)
• p ≥ 0,05  použitá data logEC50 (či logNOEC) splňují normalitu
a aproximace Gaussovou (normální) distribucí je adekvátní
• p < 0,05  ???
b) Optické posouzení
Tvorba SSD modelu – ověření normality
b) Optické posouzení – z histogramu
Tvorba SSD modelu – ověření normality
b) Optické posouzení – z P-P plotu či Q-Q plotu
Q-Q plot
Tvorba SSD modelu – výpočet HCp a PAF
3.5 4.0 4.5 5.0 5.5 6.0
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Fractionoforganisms
PAF
HCp
Procentodruhů
3.5 3.8 4.1 4.5 4.8 5.1 5.5 5.8 6.1
0
5
10
15
20
25
30
35
NumberoforganismsPočetdruhů
log(NOEC or EC50)
= SSD model
𝐹𝐹(𝑥𝑥) = �
1
𝜎𝜎√2𝜋𝜋
𝑒𝑒
−
(𝑥𝑥−𝜇𝜇)2
2𝜎𝜎2
𝑥𝑥
−∞
𝑑𝑑𝑑𝑑
= SSD model
Hustotní funkce  Kumulativní distribuční funkce
𝑓𝑓(𝑥𝑥) =
1
𝜎𝜎√2𝜋𝜋
𝑒𝑒
−(𝑥𝑥−𝜇𝜇)2
2𝜎𝜎2
Tvorba SSD modelu – výpočet HCp a PAF
𝐹𝐹(𝑥𝑥) = �
1
𝜎𝜎√2𝜋𝜋
𝑒𝑒
−
(𝑥𝑥−𝜇𝜇)2
2𝜎𝜎2
𝑥𝑥
−∞
𝑑𝑑𝑑𝑑
!! Změna významu osy x (už ne logEC50 či logNOEC) !!
3.5 4.0 4.5 5.0 5.5 6.0
log(NOEC or ECx)
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Fractionoforganisms PAF
log(změřenákonc.látky v prostředí)
3.5 4.0 4.5 5.0 5.5 6.0
log(NOEC or ECx)
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Fractionoforganisms
HCp
log(teoretická konc.látky v prostředí)
Procentoovlivněnýchdruhů
… známé parametry modelu
Tvorba SSD modelu – výpočet HCp a PAF
𝐹𝐹(𝑥𝑥) = �
1
𝜎𝜎√2𝜋𝜋
𝑒𝑒
−
(𝑥𝑥−𝜇𝜇)2
2𝜎𝜎2
𝑥𝑥
−∞
𝑑𝑑𝑑𝑑
Výpočet PAF (tj. F(x)) a HCp (tj. 10^x) ne úplně triviální
ETX 2.0
Excel (funkce NORMDIST a NORMINV)
Modifikace SSD modelu
• Aproximace rozložení log(EC50) či log(NOEC) hodnot jinou než
Gaussovou (normální) distribucí : logistická, triangulární, …
• Použití neparametrických technik či Bayesovské statistky pro
tvorbu SSD modelu
• Použití pouze vybraných taxonomických skupin (např.
primárních producentů v případě tvorby SSD modelu pro
herbicid)
Limitace SSD modelu
• Je HC5 opravdu dostatečný limit ?
• Jaké je minimální množství druhových dat sensitivity (např.
hodnot logEC50), aby z nich vytvořený SSD model nebyl
výrazně zkreslený?
(EU doporučuje minimálně 10 hodnot z různých taxonomických skupin)
• Jsou splněny základní předpoklady SSD metody?
(resp. Vadí jejich nesplnění?)
Limitace SSD modelu
Základní předpoklady SSD metody
• Hodnoty EC50 (či NOEC) v databázi pro SSD popisují citlivost
náhodného a representativního výběru společenstva organismů
•Laboratorní sensitivita odpovídá reálné
•Neexistují „důležitější“ druhy
•Neexistují interakce mezi druhy
•Neexistují další environmentální faktory ovlivňující sensitivitu
Limitace SSD modelu
„Všechny modely jsou špatně.
Některé ale mohou být užitečné.“
George E. P. Box
… A model Species Sensitivity Distribution se užitečným být zdá…
Závěr – návrat k teoretickému příkladu
U jedné továrny vyrábějící insekticid XY leží chráněné jezero, ve kterém žijí velmi
vzácné druhy organismů.
Byla vytvořena databáze vhodných akutních EC50 hodnot látky XY pro různé
sladkovodní druhy a z logaritmů těchto hodnot byl vytvořen model SSD, kterým
byla stanovena bezpečná koncentrace nepoškozující ekosystém neboli HC5 (XY)
na 1,8 µg/l
Jednoho dne se v továrně stala nehoda, insekticid XY unikl do okolí a jeho
koncentrace v jezeře byla 1 den zvýšená na 9,6 µg/l. Poté začala klesat.
Podle již vytvořeného SSD modelu bylo nejen rychle zjištěno, že bezpečný limit
látky XY byl překročen, ale dokonce i to, že tato koncentrace bude mít potenciálně
negativní akutní vliv na 74% druhů žijících v jezeře (PAF = 74%)