![]()
中文标题：机器学习预测孕妇血清 PFOA 和 PFOS 水平：脂肪酸状态对模型性能的增强.英文标题：Machine learning predicts the serum PFOA and PFOS levels in pregnant women: Enhancement of fatty acid status on model performance.人类暴露于全氟和多氟烷基物质 (PFAS) 已引起广泛关注，尤其是孕妇，因为她们的生理状态和饮食习惯会发生巨大变化。尚未有研究根据外部和相关参数预测孕妇体内 PFAS 暴露情况。本文开发了机器学习 (ML) 模型来预测 588 名孕妇血清中 PFOA 和 PFOS 的浓度。饮食暴露特征、人口统计参数，尤其是血清脂肪酸 (FA) 数据用于模型开发。拟合结果表明，加入 FA 作为协变量可显著提高 ML 模型的性能，其中随机森林 (RF) 模型对 PFOA（R2 = 0.33、MAE = 1.51 ng/mL 和 RMSE = 1.89 ng/mL）和 PFOS（R2 = 0.12、MAE = 2.65 ng/mL 和 RMSE = 3.37 ng/mL）的预测性能最佳。特征重要性分析显示，血清脂肪酸对孕妇体内 PFOA 浓度有显著影响，饱和脂肪酸与 PFOA 水平降低有关，不饱和脂肪酸与 PFOA 水平升高有关。与一室药代动力学模型的比较进一步证明了 ML 模型在预测孕妇 PFAS 暴露方面的优势。我们的模型首次使用 ML 将血液化学浓度与人体脂肪酸状态相关联，为预测孕妇体内 PFAS 水平提供了一种新视角。这项研究为外部暴露产生的 PFAS 的内部暴露提供了宝贵的见解，并有助于孕妇人群的风险评估和管理。![]()
![]()
图 1. 使用 ML 模型预测孕妇血清 PFAS 浓度的工作流框架。
![]()
图 2. 使用含 FA 的数据集预测孕妇血清 PFOA 和 PFOS 浓度的六个 ML 模型的预测性能。
![]()
图 3. 特征重要性分析。（a）RF、XGBoost 和 LightGBM 模型中用于预测孕妇血清 PFOA 浓度的热门特征。（b）基于 RF 模型的 PFOA 预测中所选 FA 和食物项目的部分依赖性。
在本研究中，我们开发了六个 ML 模型，根据饮食暴露、人口统计参数，尤其是血清 FA 含量，对 588 名孕妇血清中的 PFOA 和 PFOS 浓度进行建模和预测。通过将 FA 作为协变量，RF 模型对 PFOA 和 PFOS 的预测性能最佳。特征重要性分析显示，脂肪酸被列为关键特征，强调了它们作为捕捉饮食暴露和生物过程的综合特征的作用。与单室 PK 模型的比较进一步证明了使用脂肪酸增强的 ML 模型在预测孕妇人群方面的优势。本研究首次在 ML 技术中将血液化学浓度与人体脂肪酸状态关联起来，为预测孕妇体内 PFAS 暴露提供了一种创新方法。
文章DOI：10.1016/j.envint.2024.108837声明：
本公众号仅分享PFAS相关研究进展成果，无商业用途。如有涉及侵权，请立即联系公众号后台或发送邮箱，我们会及时修订或删除！欢迎投稿或合作！
邮箱：pfas2022@163.com
