GEO挖够了？来NHANES新赛道！机器学习挑大梁，集结两大发文利器，纯生信3个月斩获Q1区，河北农大团队赢麻了！

学术 2024-11-11 10:03 上海

有人说，NHANES数据库是最容易发文的数据库，你觉得呢？（欢迎在评论区各抒己见~）

小云认为，从发文数量上来看是这样的。NHANES数据库中包含的数据类型很多，可挖掘内容也多，那么我们就可以不局限于做一些简单的统计分析（这块已经开卷了），还可以利用某些数据进行机器学习分析、建模等（替代已经挖够了的GEO），把分析层次拉高，去开辟新的发文道路，突破内卷！

说到机器学习，绝对是生信中提分利器，现在又获得了2大诺奖加持，火热程度指日可待，估计后面做科研的都要来分一杯羹了，所以咱们生信圈的赶紧跑快些，新思路用起来，一不小心可能就被后来者居上了！

下面就看一篇NHANES和机器学习强强联合的文章：出自河北农业大学团队，基于NHANES中的尿代谢物数据开发6个机器学习模型，预测CVD风险。用NHANES替代GEO，新数据创新性更强；集结6大机器学习算法，分析层面进行拔高，更容易发文！想用公共数据库建模的朋友，可以另辟蹊径用下NHANES数据库，比GEO更新颖更容易出高分，当然如果不会选数据，不会分析的朋友也可以滴滴小云，背靠坚实团队，服务一步到位

定制生信分析

云服务器租赁

(加微信备注99领取试用)

题目：使用环境挥发性有机化合物暴露识别美国人群的心血管疾病风险:基于SHAP方法的机器学习预测模型

杂志：Ecotoxicology and Environmental Safety（IF=6.2）

发表日期：2024年10月

研究背景

心血管疾病(CVD)仍然是全球死亡的主要原因。环境污染物，特别是挥发性有机化合物(VOCs)，已被确定为重大风险因素。这项研究的目的是开发一个机器学习(ML)模型来预测CVD风险，该模型基于VOC暴露和人口统计学数据，使用SHapley Additive exPlanations(SHAP)进行解释。

研究思路

该研究利用了2011年至2018年NHANES的数据（包括5098名参与者），通过15种尿代谢物指标评估VOC暴露。将数据集分为训练集(70 %)和测试集(30 %)，开发六个ML模型来预测CVD风险，包括随机森林(RF)、光梯度推进机(LightGBM)、决策树(DT)、极限梯度推进(XGBoost)、多层感知器(MLP)和支持向量机(SVM)。使用受试者操作特征曲线下面积(AUROC)、准确性、平衡准确性、F1评分、J指数、kappa、马修相关系数(MCC)、阳性预测值(PPV)、阴性预测值(NPV)、敏感性(sens)、特异性(spec)评估模型性能，并应用SHAP解释最佳性能模型。

主要结果

1. 基线分析和逻辑回归分析

基线分析中随机选择了515名CVD患者和4583名对照，基线特征显示CVD患者往往年龄较大，SBP、DBP、身体质量指数、HbA1c较高，HDL-C、PIR较低，更可能是男性、糖尿病患者、吸烟者、白人和受教育程度较低者。在mVOCs方面，CVD疾病患者的T34_MHA、AMCC、CYMA、DHBMA、CEMA、T2HPMA、MHBMA3、PGA、MA和HMPMA水平明显较高，而ATCA水平明显较低（表1）。使用逻辑回归分析mVOCs组分和CVD风险之间的相关性，结果显示，在调整完协变量的模型 3 中，ATCA、CEMA、CYMA、X2HPMA 和 PGA 水平仍与心血管疾病风险显著相关，其中只有ATCA是CVD风险的保护因素，而其余三种mVOCs均以浓度依赖的方式导致人群CVD风险增加（表2）。

表1：基线特征（完整图表见原文）

表2：逻辑回归分析mVOCs组分和CVD风险之间的相关性（完整图表见原文）

2. 模型变量选择

首先将数据集分为70 %训练集(n =3568)和30 %测试集(n =1530)进行模型构建（图1）。使用具有阴影特征的 Boruta 算法划分出 21 个潜在有效的预测变量（图2，绿色模块）。阴影特征变量用于训练和建立 ML 模型，其中包括高血压、年龄、SBP、DBP、性别、PIR、BMI、T2MHA、T34_MHA、AAMA、AMCC、ATCA、SBMA、CEMA、T3HPMA、CYMA、DHBMA、T2HPMA、MHBMA3、PGA、MA 和 HMPMA。

图1：研究流程图

图2：模型变量选择

3. 模型评估和比较

基于上面选择的模型变量构建了6个机器学习（ML）模型，并利用多个指标评估其性能。ROC曲线显示，RF模型具有最好的预测性能和模型拟合度，AUROC为0.8143（图3）。进一步在训练(A)和测试(B)集上跨多个评估指标（包括准确性、平衡准确性、F1评分、J指数、kappa、马修相关系数(MCC)、阳性预测值(PPV)、阴性预测值(NPV)、精确度、召回率、ROC AUC、灵敏度(sens)和特异性(spec)）比较6个模型的性能，结果显示RF模型的性能最佳。因此，在随后的分析中，最佳模型(RF)的可解释性分析是研究的第一要务。（ps：自己个人电脑跑生信代码是不是经常崩溃？想免费试用服务器联系小云，双11还有超级优惠！）

图3：ROC曲线

图4：不同机器学习模型在训练(A)和测试(B)集上跨多个评估指标的性能比较

4. 特征重要性的可视化

作者随后进行了SHAP分析，以评估RF模型中每个特征变量的重要性及其在模型预测中的作用，结果始终强调年龄是所有变量中最重要的，拥有最大的SHAP值，是CVD风险的重要风险因素。最重要的mVOCs成分是ATCA，它在所有变量中的重要性排在年龄之后，同时它对CVD的发展有保护作用（图5）。

图5：SHAP分析

4. 关键mVOCs对CVD的交互作用

利用SHAP相互作用值分析年龄、高血压和ATCA水平的相互作用效应。结果显示，较高的ATCA水平与CVD风险的降低相关，特别是在高血压个体和老年人中，表明ATCA与这些因素有显著的交互作用（图6）。

图6：ATCA的相互作用效果图

小结

这文章是不是很新颖呢？文章有2大亮点：一个是NHANES数据库的应用，挖掘热度高、数据量大、可挖掘空间大，可以替代GEO数据库；另一个是6大ML模型分析+SHAP分析，拔高分析层次，蹭蹭提分！看完这个思路该干啥不用小云多说了吧！学起来，用起来，趁着机器学习还没全普及，发他个几篇高分！如果你也想用NHANES数据库+机器学习建模发高分，但搞不定数据选择和分析，欢迎联系小云！专业团队为你保驾护航，1V1定制创新思路~

定制生信分析

云服务器租赁

热点推荐

代码合集（点击查看）

http://mp.weixin.qq.com/s?__biz=MzAwNjE0MDY3MQ==&mid=2650809269&idx=2&sn=7fbea8c3f920ac8434f8721f16af940d

云生信学生物信息学

专注生信10余年，原创文章数千篇；公号资料免费领，寻求服务找小云；长期学习加关注，生信干货更不停。

这个数据库，心血管已发多篇高分，最快5天接受！北京协和医院张化冰等：ASCVD+多层次比较分析发文1区Top！快来抢发！

老师，我是某科室的，我们能做生物信息学研究吗？

“代谢组”再掀高潮！港中文于君/南医大沈洪兵院士等团队48.8分壮举！这样入手菌群，性价比真高！

TLS热点一出马，简单预后模型也能拿下5分+！机器学习搭配2区生信友好刊，提分效果嗖嗖的，湘雅医院团队这招用的妙啊！

全新思路！“单细胞”角度探究“天然化合物”在非肿瘤疾病中的作用机制，江西中医药大学团队2个月发了14+！

R代码分享：三分钟学会生存曲线加持HR，为论文锦上添花！【代码分享105】

获3项国自然资助！细胞衰老—生信发文新赛道！代谢组学+网络药理学，最佳cp助力南方医科大学团队2个月征服审稿人！

亮瞎审稿人双眼！8种“研究热点”整合，发12分都嫌低！江南大学这篇新作太全面了！MR/NHANES/网药。。。标题都放不下

一分钟讲清什么是网络药理学

药食同源再度“发力”，狠狠拿捏1区Top宝藏期刊！江西中医药大学团队打破常规，代谢组学入手，网药+分子对接助力，一发一个不吱声！

重磅！“棕榈酰化”频频登陆Nature/STTT/Gut/NC等各大顶刊！生信挖掘抓紧提上日程！

“深度学习”是生信的未来！？“国家队”来打样！国家生物信息中心高远团队，神导+神刊，生信人都要来追一追！

每个做生信的人都得有一台服务器

毕业神刊投稿上大分！武汉协和医院二次分析王炸组合“单细胞+空间转录组”数据，多点开花拿捏“0经费”的你！

磷脂代谢这个选题绝对是锦上添花！这篇集“孟德尔随机化、多组学、机器学习、SHAP”多热点于一身的研究，新瓶装新新酒，真香~

想生信快速发文？不蹭“乳酸化”热度你血亏啊！川大华西团队：凭机器学习+单细胞分析（无需测序）1个多月发2区，复现走起！

Aging被踢又如何？这本1区6+Top神刊，清华大学都在投！谁投了谁知道好！

一站式解决中医药科研：1区神刊+发文思路推荐！不信，看中国医科大学团队新作：网药+分子对接+湿实验，轻松到手！

快冲！小众冷门6+纯生信友好期刊！这篇1周前发表的双疾病纯生信1个月接收！分析套路仿佛让我回到了10年前…

中医药又现创新！天然药靶筛选只知道用网药？浙大徐腾飞团队整合“虚拟筛选+化学蛋白组学+代谢组学”，2个月登上1区药学神刊！

老师，别让你的得力干将维护生信服务器了

IF：11.4！双1区顶刊中的“水刊”，巨好投！青岛农大张西峰团队：铁元素切入，多组学加持，4个月拿下！这波操作赢麻了！

MR不仅选题要创新，思路更要创新！复旦团队11+新作：孟德尔随机化结合蛋白组学+机器学习，0实验谁能不爱！

GEO挖够了？来NHANES新赛道！机器学习挑大梁，集结两大发文利器，纯生信3个月斩获Q1区，河北农大团队赢麻了！

单细胞RNA测序模拟，Splatter包让你的研究飞起来！

西湖大学这也太有钱！1000多个样本的蛋白质组测序构建中国EOC蛋白质组图谱，膜拜大佬！

AI在诺奖上杀疯了，不出意外，这本AI、机器学习为主的12+神刊IF将大涨！北协和陈有信团队最近这篇深度学习+影像组学值得一学！

生信分析结果用qPCR或WB验证不出来，我该怎么办？

“单基因研究”费钱？那是你还不懂生信套路！天津医大团队这波“单基因+单细胞”的操作绝了，省钱又省事！拓展一下就是一篇国自然！

你苦苦寻找的孟德尔随机化发文突破口他来了！河北医科大团队“74万队列+氧化应激+多组学”教你拿下这本小众毕业神刊！赶紧码住！

单基因GSEA花了几个小时？批量处理帮你三分钟搞定【代码104】

火爆全领域的孟德尔随机化又杀疯了！代码公开！IF 20+的Nature子刊直接拿下，你信不信，这还不是MR的上限！

铁死亡完美平替—“乳酸化修饰”！搭配影响因子6连涨的2区生信“灌水”神刊，恭喜扬州大学团队3个月拿下！

目标基因选的好，经典生信思路也能上12+！复旦团队这篇预后模型+单细胞，99%都是生信，极具性价比！

科研“摆烂”新指南，临床+基础的完美整合！药物再利用+分子对接，一丁点实验不做也能发7分+！医学人快上车~

为什么搞科研你没有动力？

在“杰青”手里，“转录组”都能玩到Cell顶刊！北京大学杜鹏团队力作，单细胞+表观，“测序”不等于没技术！

全新思路！“单细胞”角度探究“天然化合物”在非肿瘤疾病中的作用机制，江西中医药大学团队2个月发了14+！

孟德尔随机化就应该这样用，不仅更容易中还能发高分！

IF 31.7/ 子刊，饮食习惯并不是造成痛风的主要原因！青岛大学团队权威研究：遗传才是痛风的罪魁祸首！

已发！国自然新宠乳酸化+线粒体+整合多组学数据集+胃腺癌做预后分析，换个癌种可复现！

10分以上最好投的期刊，没有之一！川大华西团队这篇单基因研究带你真实体会一下“研究做的好不如期刊选的好”！

老师，别让你的得力干将维护生信服务器了

出息了，我的宝！新热点“巨泡式死亡”拿下Advanced Sciences，厦门大学硕士发的这篇文章值得细品！

IF：10.5！又一免费数据库亟待挖掘！川大华西团队：超300万病例发JAMA子刊！0成本薅羊毛的机会一定要抓住！

Aging被踢又如何？这本1区6+Top神刊，清华大学都在投！谁投了谁知道好！

3分的研究，直升到21.7分顶刊，“机器学习”挑战极限！预后模型研究，错过了多少篇顶刊了！

中医药又现创新！天然药靶筛选只知道用网药？浙大徐腾飞团队整合“虚拟筛选+化学蛋白组学+代谢组学”，2个月登上1区药学神刊！

分类

时事

民生

政务

教育

文化

科技

财富

体娱

健康

情感

旅行

百科

职场

楼市

企业

乐活

学术

汽车

时尚

创业

美食

幽默

美体

文摘

原创标签

时事社会财经军事教育体育科技汽车科学房产搞笑综艺明星音乐动漫游戏时尚健康旅游美食生活摄影宠物职场育儿情感小说曲艺文化历史三农文学娱乐电影视频图片新闻宗教电视剧纪录片广告创意壁纸头像心灵鸡汤星座命理教育培训艺术文化金融财经健康医疗美妆时尚餐饮美食母婴育儿社会新闻工业农业时事政治星座占卜幽默笑话独立短篇连载作品文化历史科技互联网

发布位置

广东北京山东江苏河南浙江山西福建河北上海四川陕西湖南安徽湖北内蒙古江西云南广西甘肃辽宁黑龙江贵州新疆重庆吉林天津海南青海宁夏西藏香港澳门台湾美国加拿大澳大利亚日本新加坡英国西班牙新西兰韩国泰国法国德国意大利缅甸菲律宾马来西亚越南荷兰柬埔寨俄罗斯巴西智利卢森堡芬兰瑞典比利时瑞士土耳其斐济挪威朝鲜尼日利亚阿根廷匈牙利爱尔兰印度老挝葡萄牙乌克兰印度尼西亚哈萨克斯坦塔吉克斯坦希腊南非蒙古奥地利肯尼亚加纳丹麦津巴布韦埃及坦桑尼亚捷克阿联酋安哥拉