使用机器学习方法探索血液中的金属混合物与功能和瘤亡因子α的关联

科学领域:

• 环境健康 环境健康
• 毒理学 毒理学 毒理学
• 生物统计学 生物统计学
• 机器学习在健康中的应用

背景情况:

• 血液中的金属混合物与各种健康问题有关,包括功能障碍和炎症.
• 了解有毒和必需金属之间的相互作用及其对健康标志物的影响至关重要.
• 机器学习为分析复杂的生物数据和预测健康结果提供了强大的工具.

研究的目的:

• 使用机器学习研究血液金属含量,功能 (估计的膜过率 - eGFR) 和瘤亡因子α (TNF-α) 之间的关系.
• 识别关键金属及其相互作用,预测eGFR和TNF-α水平的变化.
• 探索先进机器学习模型在多金属暴露场景中精确预测风险的潜力.

主要方法:

• 血液中的金属含量 (Pb,As,Cd,Se,Cu,Zn,Co) 在421名参与者中使用诱导合等离子体质谱学量化.
• 使用一套机器学习算法 (KNN,NB,SVM,RF,GBDT,CatBoost,XGBoost,WXGBoost) 来建模这些关系.
• 使用特征选择和SHAP分析来解释模型预测并识别关键的交互特征.

主要成果:

• 较高的 (Pb), (As), (Cd),铜 (Cu) 和 (Zn) 含量与TNF-α的增加有关.
• 较低的eGFR与增加的Pb,As,Cd, (Co),Cu和 Zn 的水平有关.
• 机器学习模型达到超过85%的准确性,确定Pb为TNF-α和As的eGFR的关键预测因素;As和Cd对TNF-α预测产生了协同作用,而Pb和Zn与下降的eGFR强烈相互作用.

结论:

• 同时接触多种金属显著改变功能和TNF-α水平.
• 机器学习,特别是XGBoost与SHAP,为个性化风险预测和金属的复杂相互作用提供了宝贵的见解.
• 这项研究强调了计算方法在揭示环境金属暴露对健康的影响方面的潜力.