2026年7月2日，公共卫生学院杨惠芳、孙健课题组在Journal of Hazardous Materials期刊（IF=10.6，中科院1区，Top文章）发表了题为"Unraveling the adverse outcome pathways of metabolic dysfunction-associated steatotic liver disease triggered by environmental mixtures via biological knowledge-driven machine learning"的研究论文，揭示了环境污染物混合暴露增加代谢功能障碍相关脂肪性肝病（MASLD）风险的联合效应，并基于生物知识驱动机器学习构建了从雌激素受体激动和组成型雄烷受体抑制经DNA损伤、氧化应激至肝脏脂质蓄积的有害结局路径框架。

本研究基于银川社区老年队列，纳入1,036名参与者（MASLD患病率25.7%），对尿液中54种环境污染物进行定量检测，涵盖新烟碱类、有机磷类、拟除虫菊酯类代谢产物及金属（类）元素等八类化合物。通过逻辑回归和混合暴露模型评估了流行病学关联及联合效应。基于生物学知识的机器学习算法提取了机制特征，并基于AOP-Wiki构建有害结局路径框架。贝叶斯加权分位数和回归分析显示，新烟碱类杀虫剂与金属（类金属）混合物与MASLD患病风险升高显著相关（每上升一个四分位数，OR值分别为1.73（1.37, 2.20）和1.51（1.22, 1.84）），其中啶虫脒和锌是主要贡献因素。交互作用分析发现，啶虫脒与铅之间、以及烯啶虫胺与硒之间存在显著的协同效应。融合了生物知识图谱特征的机器学习模型将 ITGAM（整合素α-M，CD11b）和 LIF（白血病抑制因子）保留为关键靶向蛋白，并将 GO:0006558 和 GO:0032125 保留为与炎症信号传导、DNA 损伤和细胞凋亡相关的核心通路。针对在逻辑回归中与MASLD呈显著正相关且被机器学习模型保留的六种污染物（铊、3-羟基克百威、啶虫脒、锌、呋虫胺和噻虫嗪），构建了不良结局通路框架，将雌激素受体激动作用和NR1I3 （构成性雄烷受体，CAR）抑制与下游的DNA损伤、氧化应激和凋亡联系起来，作为关键的机制途径。本研究提供了一种将人群水平的混合物暴露与机制假说联系起来的综合方法，为环境化学物质的健康风险评估提供了科学依据。

杨惠芳、孙健为文章通讯作者，付佳明、乔郭洁为第一作者，该项研究受到国家自然科学基金（82460631、U22A20360）、宁夏自然科学基金项目（2025AAC020074、2024AAC03772）、宁夏回族自治区重点研发计划项目（2024FRD05106、2023BEG02028）、宁夏医科大学引才专项启动经费（XT2024004）、中国科学院"西部之光"人才培养计划项目（XAB2022YW18）、宁夏医科大学特色学科（TSXK2025002）、宁夏回族自治区卫生健康科研项目（2024-NWZC-A030）及宁夏医科大学大学生创新创业发展计划（NYCXCYX062）的资助。

原文链接：https://authors.elsevier.com/a/1nM-w15DSld7Yy

（公共卫生学院 文/吴冰）