《Journal of Hazardous Materials》:Unraveling the Adverse Outcome Pathways of Metabolic Dysfunction-Associated Steatotic Liver Disease Triggered by Environmental Mixtures via Biological Knowledge-Driven Machine Learning
编辑推荐:
Jiaming Fu|Guojie Qiao|Kerong Ma|Jinhao Jia|Honghui Li|Zeyang Bai|Limeng Xiong|Yuhan Zhang|Xiaozhe Geng|Hongju Duan|Yuxi Wang|Chunqing Gao|X
Jiaming Fu|Guojie Qiao|Kerong Ma|Jinhao Jia|Honghui Li|Zeyang Bai|Limeng Xiong|Yuhan Zhang|Xiaozhe Geng|Hongju Duan|Yuxi Wang|Chunqing Gao|Xiaoyu Li|Yi Zhao|Hao Hu|Guangjun Wang|Rui Zhang|Yihong Di|Huifang Yang|Jian Sun
中国宁夏回族自治区银川市750004,宁夏医科大学总医院公共卫生学院医学记录与统计科
摘要
环境污染物混合物可能是代谢功能障碍相关脂肪性肝病(MASLD)的潜在风险因素,但在复杂的共同暴露情境下它们的联合效应以及毒理学机制尚未完全阐明。这项横断面研究通过质谱法检测了银川老年人群体中1,036名受试者的54种尿液环境污染物。逻辑回归和混合暴露模型用于分析流行病学关联及联合效应,而基于生物学知识的机器学习算法则用于提取机制特征。贝叶斯加权分位数和回归分析显示,新烟碱类物质和金属(类金属)混合物与MASLD患病风险显著增加有关,每增加一个四分位数,其风险比值分别为1.73(1.37,2.20)和1.51(1.22,1.84),其中乙酰甲胺磷和锌是主要贡献因素。交互作用分析发现,噻虫嗪与铅、尼硫平与硒之间存在显著的协同效应。结合生物学知识图谱特征的机器学习模型将整合素α-M(CD11b)和白血病抑制因子确定为关键靶蛋白,同时将GO:0006558和GO:0032125确定为与炎症信号传导、DNA损伤及细胞凋亡相关的核心通路。针对在逻辑回归中与MASLD显著正相关且被机器学习模型保留的六种污染物(铊、3-羟基碳呋喃、乙酰甲胺磷、锌、丁氟螨酯和噻虫嗪),研究者构建了不良结局路径框架,将雌激素受体激动作用及NR1I3(持续雄激素受体)抑制作用与下游的DNA损伤、氧化应激和细胞凋亡视为主要的机制途径。本研究提供了一种将群体层面的混合物暴露与机制假说相连接的整合方法,为环境化学物质的健康风险评估提供了科学依据。
概要
通过结合流行病学模型与基于生物学知识的机器学习,本研究确定了关键的污染物–蛋白质–通路关联,并构建了不良结局路径框架,将这些发现与机制假说联系起来。
引言
脂肪肝疾病的命名和诊断框架近期经历了重大变革。一项多国参与的德尔菲共识会正式将非酒精性脂肪肝病(NAFLD)更名为代谢功能障碍相关脂肪性肝病(MASLD)[1]。作为最常见的慢性肝病,MASLD对公共健康构成了严重威胁[2]。值得注意的是,中国的MASLD患病率高于全球平均水平且呈持续上升趋势[3]。仅靠不良生活方式和遗传因素无法完全解释那些没有肥胖问题的群体中MASLD发病率急剧上升的现象[4]。现有证据表明,环境因素对慢性疾病风险的影响可能远大于遗传因素[5]。因此,那些会扰乱肝脏脂质平衡的广泛存在的化学污染物已成为一种重要却常被忽视的可改变风险因素。
随着全球工业化进程的加速,人类不得不长期面临各种污染物的暴露[6]、[7]、[8]。作为世界上工业和农业规模最大的国家,中国在金属和农药的生产与应用方面均位居全球首位[9]、[10]。包括重金属、持久性有机污染物和微塑料在内的多种环境化学物质会严重干扰肝脏的脂质代谢,引发氧化应激或纤维化,进而促进MASLD的发展[11]、[12]、[13]、[14]、[15]、[16]、[17]、[18]、[19]、[20]、[21]、[22]。
尽管先前的流行病学研究已经证实了这些毒性关联,但大多数研究仅关注单一化学物质或某一类化学物质。实际上,人类会同时暴露于多种不同类别的复杂污染物混合物中[23],这些混合物可能会引发复杂的协同或拮抗效应[18]、[19]、[24]。加权分位数和(WQS)以及贝叶斯核机器回归(BKMR)等先进的混合暴露模型被广泛用于分析这类联合效应[25]、[26]、[27]。这些统计模型虽能有效识别出关键的毒性成分,但对于微观生物学机制而言仍属于“黑箱”。最近的一些研究试图解决这一问题,它们运用生物学知识图谱网络将环境混合物与不良健康后果联系起来[28]。不良结局路径(AOP)框架也被越来越多地使用,用于描述肝脏毒素的分子作用过程[29]。目前尚无研究将AOP框架与流行病学发现及机器学习相结合,以解释MASLD的整个生物学过程。
本研究整合了流行病学模型、基于生物学知识图的机器学习以及AOP框架,旨在分析尿液污染物混合物与MASLD风险之间的关联,并揭示其潜在的生物学机制。这种整合方法将流行病学关联与分子生物学相结合,为探究潜在的病理生理过程提供了有力的框架。
章节节选
研究人群
本次横断面研究的数据来源于银川地区的社区老年人群体。在5,037名符合条件的人员中,通过计算机生成的随机数序列采用简单随机抽样方法选取了1,200人作为研究对象。为尽量减少潜在的混淆因素并确保诊断的准确性,在经过严格的排除标准筛选——包括缺失数据、病毒性肝炎、使用致脂药物以及过度饮酒等情况后,最终有1,036人参与了本研究。
研究人群的基线特征及尿液中多种污染物的暴露情况
本研究最终纳入了1,036名参与者,其中266人患有MASLD,患病率为25.7%。表S6总结了研究人群的基线特征。MASLD组与非MASLD组在吸烟状况上存在统计学上的显著差异(P = 0.045)。MASLD组的体重指数(BMI)和腰围也明显高于非MASLD组(两者均P < 0.001)。此外,MASLD组还表现出
讨论
在本研究中,我们系统地分析了环境污染物混合物对MASLD风险的影响。通过将流行病学模型与基于知识的机器学习相结合,我们确定了新烟碱类物质、有机磷化合物以及某些金属是导致MASLD的主要因素,同时还构建了一个AOP框架,将该疾病的发生与雌激素受体激动作用及NR1I3抑制作用联系起来,进而将这些作用视为导致DNA损伤、氧化应激和细胞凋亡等关键病理过程的途径。
我们的逻辑回归和WQS模型
结论
本研究分析了环境污染物混合物暴露与MASLD风险之间的关系。污染物之间的共同暴露,尤其是新烟碱类杀虫剂和重金属,会通过协同作用增加肝脏脂肪变性的风险。通过将混合暴露模型与基于知识的机器学习算法相结合,我们找到了与DNA损伤、氧化应激和细胞凋亡相关的核心生物学通路,同时还确定了ITGAM和LIF这两种关键蛋白质。
环境意义:
接触农药和金属的混合物会对肝脏健康造成严重危害。我们的研究表明,新烟碱类物质和重金属会共同增加代谢功能障碍相关脂肪性肝病(MASLD)的风险,而噻虫嗪与铅等特定组合还会产生协同效应。这些结果提示,在进行环境安全性评估时,应考虑化学物质的混合物而非单一污染物,从而为相关评估提供科学依据。
资助情况
本研究得到了以下项目的支持:中国国家自然科学基金(82460631和U22A20360)、宁夏自治区自然科学基金项目(2025AAC020074和2024AAC03772)、宁夏回族自治区重点研发计划项目(2024FRD05106和2023BEG02028)、宁夏医科大学特殊人才启动资金项目(XT2024004)、中国科学院“西部之光”人才培养计划项目(XAB2022YW18)以及宁夏的相关支持项目。
未引用参考文献
[7]、[12]、[13]、[14]、[15]、[16]、[17]、[20]、[21]、[26]
CRediT作者贡献说明
李晓宇:数据整理。王广军:概念构思。李鸿辉:方法设计。张瑞:概念构思。白泽阳:方法设计。赵毅:监督指导。马克荣:方法设计、定量分析、数据整理、概念构思。胡浩:监督指导。贾金豪:方法设计。孙健:初稿撰写、监督指导、研究实施、定量分析、概念构思。耿晓哲:文章审阅与编辑。段洪举:研究实施。狄一红:初稿撰写,
利益冲突声明
所有作者均声明不存在任何可能影响本研究结果的已知利益冲突或个人关系。
致谢
本研究的所有作者都要感谢在研究过程中给予帮助的所有人。
补充信息
补充方法1–6:涵盖尿液中多种污染物定量检测、MASLD临床诊断、协变量评估、统计建模框架、基于生物学知识的机器学习应用以及AOP框架构建的详细步骤。图S1–S7和表S1–S19:包含受试者筛选流程、方法验证参数等内容。