环境化学因素与人类生物年龄加速：基于可解释机器学习的混合暴露效应研究

《Archives of Gerontology and Geriatrics》：Environmental Chemical Factors Associated with Human Biological Age Acceleration: An Interpretable Machine Learning Study

　　本研究通过可解释机器学习（ML）框架分析NHANES数据，发现临床因素（如糖尿病、BMI）是生物年龄加速（BA-Accel）的主要预测因子，同时识别出血液甲苯（B_TOL）、尿苯代谢物（U_DHB）等关键化学驱动因子，揭示了环境化学混合物与衰老的非线性相互作用，为公共卫生风险评估提供新视角。

　　

研究亮点

本研究采用可解释机器学习框架，系统分析了78种环境化学物质与两种生物年龄加速指标（KDM-BA-Accel和PhenoAge-Accel）的关联。机器学习模型表现出中等预测性能（最佳模型R2为0.20–0.27），但化学暴露数据并未显著提升模型预测能力。临床因素（如糖尿病、体重指数BMI）被确认为BA-Accel的最显著预测因子。通过SHAP分析，血液甲苯（B_TOL）、尿中苯代谢物（U_DHB）和尿中苯酚-3（U_BP3）被识别为关键化学贡献者。该框架进一步揭示了这些化学物质与BA-Accel之间复杂的非线性关系和潜在的协同相互作用。敏感性分析证实了糖尿病状态与血液甲苯之间存在显著交互作用。

讨论

本研究利用可解释机器学习框架，系统探讨了78种环境化学混合物与两种生物年龄加速指标（KDM-BA-Accel和PhenoAge-Accel）之间的复杂关系。关键发现表明，虽然横断面化学暴露数据在个体衰老速率预测中的整体价值有限（R2约0.20–0.27），但分析框架成功识别出一组关键化学贡献者，并揭示了其与衰老加速的非线性作用模式。

结论

本研究结论指出，横断面环境化学暴露数据对个体生物衰老速率的增量预测价值有限，这反映了暴露测量（短期）与衰老结果（长期）之间的时间尺度错配。因此，本研究的主要贡献并非提供高精度预测工具，而是开发并应用了一种创新分析策略，用于评估环境混合物对衰老的复杂影响。