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~）
小记者认为，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！（想自学机器学习的朋友们可以看看小记者新上线的视频课，点击文末链接即可观看哈）
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记者，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
公众号回复“999”领取原文PDF，文献编号：241104
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记者，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记者多说了吧！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，欢迎联系小记者！专业团队为你保驾护航，1V1定制创新思路~
小记者话生信
如果您的时间和精力有限或者缺乏相关经验，并且对生信分析和期刊推荐有所需要的话，“生信日报”非常乐意为您提供如下服务：免费思路评估、付费生信分析和方案设计以及付费选刊等，有意向的小伙伴欢迎咨询小记者哦！
生信分析
思路设计
服务器租赁
扫码咨询小记者
1、超高分sci！将近50分你还有不看的理由？德国学者真是把机器学习玩出花了，直接构建一个新生信分析方法，还不快看！
2、国自然出品就是牛！复旦大学施思&虞先濬团队：借公共数据库+RNA-seq+湿实验研究癌症成纤维，IF近9分属实佩服！
3、MDPI期刊再爆丑闻！23本期刊存在“审稿人工厂”问题！
