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%。