编辑推荐：
在风险评估中，基准剂量（BMD）用于确定物质可接受日摄入量的起始点。研究人员评估了贝叶斯模型平均（BMA）法中 5 种边际似然（ML）近似方法下 BMD 估计值的一致性。发现非信息先验分布下一致性低，信息先验分布下部分方法一致性也低，该研究为 BMD 方法实施提供重要参考。
在风险评估的领域中，确定化学物质对人体健康的影响一直是个至关重要的问题。以往，在评估化学物质毒性时，常以无观察到有害作用水平（NOAEL）或最低观察到有害作用水平（LOAEL）作为确定物质可接受日摄入量的起始点（POD） 。然而，这两个指标对动物实验的样本量和评估剂量水平十分敏感，很容易出现不准确的情况。于是，美国环境保护署（EPA）、欧洲食品安全局（EFSA）和世界卫生组织（WHO）纷纷推荐使用基准剂量（BMD）法来建立 POD。
BMD 法通过数学模型来估计 POD，综合考虑了所有剂量水平的数据，比传统方法更加科学。不过，实施 BMD 法时可选择多种模型，模型选择的不确定性使得最终计算出的 BMD 下限（BMDL）可能不准确。为了解决这个问题，贝叶斯模型平均（BMA）法应运而生，它基于后验概率对多个模型进行加权平均，有望更精确地估计 BMD。
如今，有不少软件包应用 BMA 法来实现 BMD 法，比如 BBMD、ToxicR 和 EFSA 平台。但这些软件在计算模型后验概率时，都需要计算边际似然（ML），而 ML 的解析计算非常困难，所以只能采用近似方法。可不同近似方法得到的 ML 值不同，进而影响后验概率和 BMD 估计值，然而这种差异却一直未得到广泛关注和定量评估。
在这样的背景下，来自未知研究机构的研究人员开展了一项重要研究。他们旨在评估 BMA 法中 5 种 ML 近似方法得到的 BMD 估计值和 BMDL 估计值的一致性。研究结果表明，在非信息先验分布下，近似方法之间的一致性往往较低；虽然在信息先验分布下一致性总体较高，但部分近似方法的一致性仍然较低 。这意味着在实施 BMD 法时，近似方法和先验分布的选择至关重要，需谨慎考虑。该研究成果发表在《Computational Toxicology》上，为风险评估中 BMD 法的应用提供了关键的参考依据，有助于提高风险评估的准确性和科学性。
研究人员开展研究时用到的主要关键技术方法如下：首先确定了计算环境，使用一台配备 11 代英特尔酷睿 i5 - 1135G7 CPU（2.40 GHz）和 16 GB 内存的台式电脑。在统计分析方面，运用了 R 版本 4.2.0 进行数据处理。研究中考虑了 BBMD 和 ToxicR 中采用的 8 种剂量 - 反应关系模型以及 3 种先验分布，并基于 518 个实验数据集展开分析。
下面来看具体的研究结果：
- 贝叶斯 BMD 法：在该方法中，研究人员先对参数进行估计，进而计算所有模型的后验分布，之后运用 BMA 法得到 BMD 的后验分布。此次研究仅使用了二分数据集。
- 数值示例：研究人员明确了具体的计算环境和所使用的统计分析软件，这为研究的可重复性提供了保障。
- 讨论：研究人员深入探讨了拉普拉斯近似在 BBMD 非信息先验和基于数据的信息先验下一致性低的原因。当在上述两种先验分布下，对于零剂量无反应的数据集使用拉普拉斯近似时，多阶段 - 2 模型中的参数α和截距参数的估计值接近零。在这种情况下，由于数值导数的宽度过窄难以计算，行列式常得到极值，这直接影响了 BMD 估计值的准确性。
- 结论：再次强调了由于 ML 解析计算困难，在常用软件包中采用多种 ML 近似方法，但这些方法的差异未得到充分评估。通过此次研究，明确了 5 种 ML 近似方法在 BMD 估计值和 BMDL 估计值上的一致性情况，为后续 BMD 方法实施时近似方法和先验分布的选择提供了重要参考。
综上所述，该研究全面评估了 BMA 法中 5 种 ML 近似方法对 BMD 估计值的影响。研究结果清晰地展示了不同先验分布下近似方法一致性的差异，尤其是揭示了拉普拉斯近似在特定情况下的问题。这不仅加深了人们对 BMD 法中近似方法的理解，更为实际风险评估工作提供了科学、可靠的依据，指导研究人员在选择方法时更加科学合理，避免因方法选择不当导致风险评估结果出现偏差，对推动风险评估领域的发展具有重要意义。
