先进的可解释机器学习方法为复杂的污染物相互作用提供见解

传统的环境健康研究通常侧重于单一化学物质暴露的性。然而，在现实世界中，人们会同时接触多种污染物，这些污染物可能会以复杂的方式相互作用，从而有可能增强或减弱其性作用。

传统模型假设了浓度增加和独立作用等附加效应，在这些情况下可能会产生误导。尽管已经采用了先进的统计和机器学习方法来解决这个问题，但由于复杂性、相互作用的污染物数量众多以及无法提取每种污染物的绝对效应，这些方法往往无法奏效。

为了解决这个问题，釜山国立大学的 Kuk Cho 教授领导的一组研究人员引入了特征局部截距变换-Shapley 加性解释 (FLIT-SHAP) 来应对这些挑战。这种工具的独特之处在于它分解了混合物中特定污染物的影响，而传统方法则采用更广泛的方法。

这种注重细节的技术对于了解空气中颗粒物 (PM) 的 OP 特别有用，众所周知，PM 会导致各种健康问题。这项研究发表在《危险材料杂志》上。

Cho 教授解释说： “PM 的 OP 是指这些颗粒产生活性氧的能力，活性氧会导致体内氧化应激和炎症，从而导致呼吸系统疾病和心血管疾病等各种健康问题。”科学家使用 FLIT-SHAP 检查污染物混合物中这些颗粒的 OP。实验室控制数据用于训练强大的机器学习模型，如 eXtreme Gradient Boosting (XGBoost)，并使用他们的 FLIT-SHAP 解释工具揭示重要见解。

Cho 教授补充道：“我们发现，在受控的实验室环境中，55-63% 的相互作用具有协同作用(意味着它们共同作用以增加性)，而 25-42% 的相互作用具有拮抗作用(即它们相互抵消)。然而，在现实世界中，拮抗作用更为常见，导致总体性低于旧模型的预测值。”

一个令人惊讶的发现是，一组称为醌的化学物质产生了重大影响，它们对性的贡献比以前认为的要大。这一见解挑战了当前控制污染物的方法，并表明需要更加关注这些化学物质。FLIT-SHAP 不仅以惊人的准确度(R² = 0.99)预测了性，而且还提供了有关不同污染物如何相互作用的详细见解。这使它成为进行现实风险评估和增强我们对环境健康风险理解的有力工具。

研究人员通过严格的测试，发现了污染物在不同浓度下如何相互作用，并发现传统的加性模型经常高估或低估混合物的性。通过 FLIT-SHAP，他们确定了不同环境中污染物贡献的关键细微差别，强调了进行精细风险评估的必要性。

虽然这项研究集中于一组选定的污染物和性终点，但对更广泛的情景进行进一步研究是必不可少的。FLIT-SHAP 代表着一次重大飞跃，提供了一种评估化学混合物性的精确工具。这一进步有望做出更好的监管决策，以有效保障人类健康。