近日，我校环境科学与工程学院瞿剑里博士在环境科学与工程领域顶级期刊《Environment International》（中科院一区Top，影响因子IF=9.7）发表题为“Integrating machine learning and metabolomics to identify PFAS associated metabolic alterations related to lung cancer risk”的原创研究论文。该研究整合机器学习与代谢组学方法，识别了与肺癌风险相关的PFAS代谢扰动特征。瞿剑里博士为论文第一作者，浙江水利水电学院为第一署名单位；浙江工业大学金航标副教授和温州医科大学项思成副研究员为共同通讯作者；环境学院本科生张欣国、金芊汛、郭亚燊、于浩淼、詹国银等参与了此项工作。
（原文链接：https://doi.org/10.1016/j.envint.2026.110276）
研究背景
全氟和多氟烷基物质（PFAS）作为一类广泛存在的持久性有机污染物，因其化学稳定性而在环境和人体中普遍蓄积，且可能与多种健康风险相关；肺癌作为全球死亡率最高的癌症，其传统危险因素之外，环境暴露（尤其是PFAS）逐渐受到关注。PFAS暴露后引发的代谢紊乱及其与肺癌之间潜在联系的系统性研究尚属空白。近年来，代谢组学能够全面捕捉环境暴露导致的生化变化，机器学习方法则在高维数据建模和非线性关系识别上表现优异，为揭示暴露-代谢-疾病之间的分子机制提供了有力工具。
研究内容
针对这一关键科学问题，研究团队基于衢州环境暴露与人群健康队列（QEEHH），开展了包含408例肺癌病例与421例健康对照的巢式病例对照研究。采用液相色谱-高分辨质谱法定量分析血清中7种典型PFAS（包括PFOA、PFNA、PFDA、PFUnA、PFHxS、PFOS及新型替代物6:2Cl PFESA），并通过非靶向代谢组学检测了1403个血清代谢特征。研究运用多元逻辑回归、贝叶斯核机器回归（BKMR）、加权分位数和回归（WQS）评估单个及混合PFAS暴露与肺癌风险的关联；同时构建了多元线性回归（MLR）、LASSO、随机森林（RF）、LightGBM和支持向量机（SVM）等5种机器学习模型，基于高维代谢组数据建立肺癌风险预测模型，并筛选关键代谢标志物及紊乱通路。
研究结果
研究首先分析了PFAS暴露与肺癌风险之间的剂量 效应关系。 结果显示，血清中PFOA、PFNA、PFHxS、PFOS及6:2Cl PFESA浓度升高均与肺癌风险上升呈显著正向关联。其中，PFOA最高四分位暴露组的肺癌风险OR=7.94（95% CI: 5.02–12.8），新型替代物6:2Cl PFESA的OR=5.54（95% CI: 3.55–8.75），表明传统与新型PFAS均具有显著的健康危害。混合暴露分析（BKMR与WQS）进一步证实PFAS混合物存在正向联合效应，PFOA、PFHxS和PFNA为主要贡献组分。
在代谢组学特征与机器学习预测模型方面，团队对比了5种机器学习算法，发现LASSO模型在预测肺癌风险中表现最优（测试集AUC=0.726，PR-AUC=0.787）。该模型精准筛选出ATP、瓜氨酸、左旋肉碱（L-carnitine）、1-甲基组氨酸和乙醇胺等关键差异代谢物。这些代谢物主要归属于脂肪酰基类（27.4%）、羧酸及其衍生物（21.8%）和有机氮化合物（12.8%）。
对于PFAS相关代谢通路紊乱，通路富集分析显示，PFAS暴露主要干扰磷脂酰胆碱生物合成、磷脂代谢、磷脂酰乙醇胺生物合成及天冬氨酸代谢等通路。其中，PFOA、PFNA、PFHxS、PFOS和6:2Cl PFESA均与乙醇胺显著正相关（β=5.96–51.04，p<0.05），提示PFAS暴露可能通过重塑脂代谢和氨基酸代谢影响肺癌相关生物学过程。
本工作得到了国家自然科学基金（42477453）和浙江省自然科学基金（LY21B070006; LR23D030001）的资助。
