5.2 混合毒性試驗結果分析
5.2.2 混合模式推估(CA、IA)
由文獻回顧中了解到，許多毒物學家認為CA 模式預測出的混合結果 較為嚴重，至於IA 所預測的結果大部分為毒性減弱(Antagonism) [16] [20]。 故毒物學家們建議，若要運用至風險評估上，使用CA 模式較為保守。這 些文獻所提出的結論其實僅侷限在ρ= 1 的情況下，在 ρ= 1 時 CA 所預測 的結果一定會比IA 來的嚴重。我們曉得毒性容忍相關係數 ρ 的範圍介於-1 至1 之間，但文獻中的預測模式皆未考慮到 ρ 的變異；除此之外，斜率的 變動亦會影響模式預測混合毒性的結果(RM 及 RA)，然而其他毒物學家在 使用CA 及 IA 模式時並未將斜率此項因素納入考量。因此在本節研究中在 使用預測模式推估實際混合結果時，將會把ρ 值及毒物的斜率納入考慮。
isobologram
0 0.2 0.4 0.6 0.8 1 1.2
0 0.2 0.4 0.6 0.8 1 1.2 2,3-DP (TU)
Formaldehyde (TU)
CA NA
NA
RM RA
圖5.2.1 甲醛與 2,3-DP 之 isobologram
isobologram
0 0.2 0.4 0.6 0.8 1 1.2
0 0.2 0.4 0.6 0.8 1 1.2 2,4-DP (TU)
Formaldehyde (TU)
CA NA
NA
RM RA
isobologram
0 0.4 0.8 1.2 1.6 2
0 0.4 0.8 1.2 1.6 2
2-CP (TU)
Propionaldehyde (TU
CA NA
NA
RA
圖5.2.3 丙醛與 2-CP 之 isobologram
isobologram
0 0.4 0.8 1.2 1.6 2
0 0.4 0.8 1.2 1.6 2
2,3-DP (TU)
Propionaldehyde (TU
NA
NA CA
RA
圖5.2.4 丙醛與 2,3-DP 之 isobologram
isobologram
0 0.2 0.4 0.6 0.8 1 1.2
0 0.2 0.4 0.6 0.8 1 1.2 2,3-DP (TU)
Butyraldehyde (TU)
NA
NA CA
RA RM
圖5.2.5 丁醛與 2,3-DP 之 isobologram
isobologram
0 0.2 0.4 0.6 0.8 1 1.2
0 0.2 0.4 0.6 0.8 1 1.2
2,4-DP (TU)
Butyraldehyde (TU)
NA
CA NA
RA
RM
圖5.2.6 丁醛與 2,4-DP 之 isobologram
isobologram
Glutaraldehyde (TU)
CA NA
Glutaraldehyde (TU)
CA
表5.2.3 基本四種混合效應定義
Parameter Type of action Response Effect ρ λ
1 1 CA CA
1
1
∑
== n
i ECxi
ci Additive 1 0 NA IA max (P1,P2) Antagonistic
0 0 RM IA 1-(1-P1)(1-P2) -
-1 0 RA IA min (1, P1+P2) -
由5.2.3 的表格中可瞭解到當 λ = 0 時 (作用位址不同) 存在三種不同 情形的獨立作用(Independent action , IA)：NA、RM 及 RA，但文獻中使用 的IA model 僅為一種：ρ= 0、λ= 0 的 RM 模式；故於此比較 CA、RM 及 RA 三種不同模式預測能力的準確度。比較的結果如表 5.2.4，由表中可看 出，當毒物皆具小斜率時，以RA model 所預測出的結果最為嚴重，也最 接近實驗的結果；當混合毒物的斜率較大(如 2,4,6-TP+甲醛、2,4,6-TP+丙 醛、PCP+丙醛)，此時 CA 所預測出的結果比 IA (RM)來的嚴重；同時，由 表中也可發現RA 模式預測結果與實驗結果最為相近，其差值最小。此外，
將模式預測出的結果與實驗結果比較並整理於表5.2.5 中，發現以 RA 模式 與實驗結果最為符合，符合的百分比高達75%，且與實驗結果差值最小者 仍為RA 模式，故我們可由表中得知，模式預測力的準確度為：RA > RM >
CA。由各個模式的比較結果可發現，針對本研究毒物而言，IA model 較 CA model 適用，推測原因，也許與試驗物種有關，本研究中選用的螢光菌 屬bacteria 類，由文獻中得知，IA 模式針對 bacteria 及 algae 物種擁有較 佳的預測能力[53]，此部分結果與文獻一致。
表5.2.4 不同模式的預測力比較
表5.2.5 不同模式的預測力整理
模式種類 與實驗結果符合組數 符合百分比 實驗差值最小者
RA 21 75% 22 ( 76% )
RM 17 61% 4 ( 14% )
CA 3 11% 3 ( 10% )
接著以isobologram 的圖形來說明模式的預測力，圖 5.2.1-5.2.8 為醛 與氯酚在不同TU 比混合下的 isobologram，圖中實線代表實驗所得的曲 線，是利用最適解ρ、λ 值( Best Fit )繪圖而得。至於 CA、NA、RM 及 RA 係根據表5.2.3 中 ρ 與 λ 值的定義繪圖而得，從圖中可看出 RA 及 RM 模式 隨著化合物的斜率不同而改變其曲線；CA 及 NA 則否，無論毒性物質的 斜率為何其曲線皆相同。在甲醛及丁醛混氯酚的isobologram 中，IA 模式 所預測出的曲線與實驗曲線較符合，其中以RA 曲線的抑制情形更為嚴重 也更接近實驗曲線，同時這也代表著RA 模式預測混合毒性變化的準確 性；丙醛的部份，因為此兩組混合正好為與預測不符的情形，而導致CA 模式較符合實際實驗的情形；在戊醛的混合結果中則發現實驗曲線凹向原 點，混合毒性劇烈增加，且與IA 的預測曲線相距甚遠，不過兩相比較下，
IA 仍比 CA 具較佳的預測能力。
從這八個isobologram 中，我們發現 IA (RA 及 RM) 的預測力較 CA 好，換句話說，本研究中的毒物以IA 模式預測較適合。IA 的定義即為相 互混合的毒物機制不同且作用位置不一樣，本研究選用的毒物為反應性醛 及麻醉性氯酚，毒物機制完全不同故使用IA 較適合。如上所述，RA 及 RM 模式預測的結果隨著毒物的斜率變動而不同：當物質具小斜率時以毒 性增強為主；反之，預測結果則為毒性減弱。故運用在風險評估上，若化
合物皆為小斜率，此時以IA 模式所預測的結果較為嚴重；相反地，當物 質具大斜率的劑量-反應曲線時應選擇 CA model 較為保守。本試驗結果與 Cedergreen[47]結論相似。