使用机器学习模型预测人类尿液中的p-phenylenediamine抗氧化剂度

科学领域:

• 环境化学环境化学
• 毒理学 毒理学 毒理学
• 计算生物学 计算生物学

背景情况:

• 抗氧化剂 (PPD) 广泛用于制造,造成潜在的健康和环境风险.
• 目前用于生物监测人类暴露于PPD的方法资源密集,数据有限.
• 需要有效的预测模型来评估暴露水平并促进健康风险评估.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测人体尿液中PPD和2-anilino-5-[(4-methylpentan-2yl) amino]cyclohexa-2,5-diene-1,4-dione (6PPDQ) 的度.
• 确定影响PPD和6PPDQ暴露的关键人口和环境因素.
• 建立一个新的框架,以提高暴露评估的准确性和效率.

主要方法:

• 收集了来自中国江省三个城市的759名参与者的尿液样本.
• 分析了PPD和6PPDQ度,使用液体染色学-并联质谱法.
• 采用了8种机器学习模型,包括随机森林,以根据年龄,性别,BMI和职业等因素预测化学度.

主要成果:

• 最常检测到的PPD是N-(1,3-dimethylbutyl) -N'-phenyl-p-phenylenediamine (6PPD),其次是6PPDQ和N-phenyl-N'-cyclohexyl-p-phenylenediamine. N-phenyl-N'-cyclohexyl-p-phenylenediamine是最常检测到的PPD,其次是N-phenyl-N'-cyclohexyl-p-phenylenediamine.
• 随机森林模型在预测尿路PPD和6PPDQ度方面取得了最高的准确性.
• 年龄,体重指数 (BMI) 和职业被确定为PPD和6PPDQ水平的重要预测因素.

结论:

• 机器学习模型提供了一种强大而有效的方法,以提高PPD和6PPDQ对人类暴露评估的准确性.
• 年龄,BMI和职业等人口因素在确定暴露水平方面发挥着至关重要的作用.
• 这项研究为未来研究与PPD和6PPDQ相关的环境健康风险提供了一个新的框架.