化学环境物质与疾病之间的关系大家首先想到的是什么？是不是网络毒理学，除了网络毒理学还有什么呢？看看这篇文章，应该能为大家扩宽思路。
馆长要给大家分享的是发表在《Ecotoxicology and Environmental Safety》期刊上的文章，这本期刊之前连续三年霸榜二区Top，现在对于纯生信的文章还是十分友好，今天要说的是东南大学团队的研究，他们想要探究环境化学物质与obesity之间的关系，用到了什么技术？数据来源是什么？感兴趣的宝子们跟着馆长一起看下去吧～
🔵这篇文章采用到了6种机器学习算法，用SHAP分析来识别关键预测因子，将变量对XGBoost模型的全局贡献可视化，证实了环境化学物质，如重金属、多环芳烃等与obesity之间存在很强的相关性。
🔵这篇文章的数据来自
NHANES数据库，颗粒度小，精确到个人水平数据，除了本研究应用在环境暴露评估中，还可以在慢病研究、营养状况分析等领域对该数据库进行分析。相比起GBD数据库来说，相应的研究还不是特别多，还是公开可下载的数据，想利用NHANES数据分析发文，请来联系馆长，这里有经验丰富的生信团队，定能为你的研究指点一二，还有咱生信人必备的服务器，锁定馆长，生信分析我们是专业的。
研究思路
🔵研究人群来自NHANES数据库，环境化学物质选取了常见人类暴露的9类56种，拓宽了对化学物质影响的理解。
🔵ML模型包括SVM、KNN、RF、NB、AdaBoost和XGBoost，6种。ML算法能够揭示原本可能被忽视的复杂关系和非线性模式
。
🔵SHapley解释基于合作博弈论中的Shapley值理论，用于评估每个特征对模型预测的影响，为复杂的机器学习模型提供透明度。
选题介绍
🔵Obesity会扰乱多个器官和组织的代谢功能，导致2型糖尿病、脂肪肝、高胆固醇和动脉粥样硬化等疾病，严重损害患者的生活质量。遗传因素会导致obsity，环境因素更容易改变，但同时也为改善和干预提供重要机会。
研究结果
图1 使用六个评估指标比较了六种机器学习模型预测全身性/腹部obsity的性能
图2 SHAP模型贡献的可视化
图3 全身性/腹腔性obsity与前五名SHAP值中的环境化学物质的关联
图4 全身性/腹部obsity与前五种SHAP值中的环境化学物质的剂量反应关系图
馆长总结
这篇文章采用机器学习+SHAP分析的方法，调查多种环境化学物质与obsity之间的关联，并确定具有obsity风险预测价值的特定化学物质，探讨了血脂在环境化学物质与obsity关联中的中介作用，除了构建预测模型外，本研究主要关注单个化学物质，其中重金属和多环芳烃被确定为所研究化学物质中obsity风险的最强预测因子。
这篇文章也有一定的局限性，获得的研究结果还需要独立的外部数据集进行验证。当然NHANES还可以与其他数据库联合应用，如NHANES+GBD：多维评估铅暴露与疾病之间的关系，除了这一联合应用，宝子们还有那些好的想法可以留言。如果你也想纯生信发文，赶紧滴滴馆长吧，晚一步，发文难度高一层呀，咱这的专业团队，十年经验，生信分析和思路定制都可以！
馆长会持续为大家带来最新生信思路，也可以提供特色数据库构建、思路评估、生信分析等服务，对数据库构建和生信分析感兴趣的朋友可以咨询馆长哦！
