基于人工智能的框架用于分析人类母乳中持久性有机污染物的动态

科学领域:

• 环境科学
• 毒理学
• 数据科学

背景情况:

• 人类牛奶生物监测已经追踪了多双 (PCB) 和有机农药 (OCP) 等污染物几十年.
• 了解像人乳这样复杂的基质中的污染物相互作用和共同暴露模式仍然是一个挑战.
• 人工智能 (AI) 为增强生物监测提供了先进的数据建模功能,但其在该领域的应用尚未得到充分利用.

研究的目的:

• 应用基于人工智能的框架来分析母乳中的污染物动态.
• 确定影响多二-170 (PCB-170) 水平的关键预测因子和相互作用.
• 倡导修订的生物监测策略,重点关注多重污染物的评估.

主要方法:

• 使用了整合机器学习,超参数优化和可解释AI (SHAP) 的AI框架.
• 在186名母亲的母乳样本中分析了24种持久性有机污染物.
• 研究影响PCB-170度的预测因素和相互作用.

主要成果:

• 六合和六合化PCB (PCB-180, -153, -138) 和p,p'-DDE是PCB-170最有影响力的预测剂.
• 孕产妇的年龄和其他POP对PCB-170水平的影响是微不足道的.
• 在SHAP分析中,高化PCB同源物之间有显著的共同行为和相互作用.

结论:

• 对于准确的风险评估,污染物相互作用,特别是高度的PCB,至关重要.
• 目前的监测策略应进行修订,以优先考虑多重污染物的评估.
• 专注于毒理学上相关的PCB组可以改善实际暴露风险评估.