浙江大学刘璟团队EST｜基于机器学习的环境致肥胖物质预测模型

主要观点总结

文章构建了基于分子起始事件（MIEs）的环境致肥胖物质预测模型，结合机器学习算法和3T3-L1前脂肪细胞成脂分化实验验证，鉴定了四种新型环境致肥胖物质。文章首先构建了QSAR模型，并采用SHAP方法分析关键描述符，然后采用外部验证集评估模型预测效果，最后应用于高度关注物质清单中的物质，并进行了进一步的脂肪生成实验验证。

关键观点总结

关键观点1: 构建了基于MIEs的环境致肥胖物质预测模型，结合机器学习算法提高预测准确率。

文章利用随机森林、支持向量机、极端梯度提升和平衡随机森林等算法，构建了基于六个MIEs的QSAR模型，准确率均达70%以上。整合后的预测模型对6个MIEs的QSAR模型具有较高的准确率，基于外部验证集的预测准确率为0.78。

关键观点2: 鉴定了四种新型环境致肥胖物质。

通过3T3-L1前脂肪细胞成脂分化实验验证，鉴定了UV-320、p262-NP、OP1EO和硫丹等四种新型环境致肥胖物质。

关键观点3: 模型具有良好的预测性能。

将模型应用于高度关注物质清单中的物质，正确预测了12种物质中的10种，预测准确率达83%。

文章预览

文章信息 第一作者： 吴思颖 通讯作者：刘璟 教授 通讯单位：浙江大学 https://doi.org/10.1021/acs.est.4c05070 亮点 •  构建了基于分子起始事件（ Molecular initiating events，MIEs）的环境致肥胖物质预测模型。 • 结合机器学习预测模型和3T3-L1前脂肪细胞成脂分化实验验证，鉴定了四种新型环境致肥胖物质。 研究进展 环境致肥胖物质（Obesogens）通过破坏人体脂质代谢平衡导致肥胖，其残留在工业产品及日常用品中被广泛检出，然而目前缺少相应的监管政策。由于体内和体外实验评估化合物致肥胖效应耗时久、成本高，无法应对大量物质的快速筛查，亟需构建适用于高通量筛选环境致肥胖物质的预测模型。分子起始事件（Molecular initiating events，MIEs）是预测化学品暴露引起复杂效应终点的关键，将MIEs作为预测模型的重要特征可提高模型的可解释性。本研究首 ………………………………