机器学习与网络毒理学揭示砷是中药材重金属残留非致癌健康风险的关键驱动因子

这篇综述创新性地结合机器学习(XGBoost-SHAP模型，R2=0.93)和网络毒理学，系统分析了28,550组重金属数据，首次发现砷(As)通过自噬/凋亡等通路驱动中药材非致癌风险(HI)，建立了As含量与健康风险指数(HI)的指数关系模型(R2=0.91)，为制定区域性药材安全策略提供新范式。

　　

亮点
本研究创新性地融合机器学习与网络毒理学技术，首次在中药材重金属风险评估领域实现三大突破：(1) 构建的XGBoost-SHAP模型精准预测健康风险指数(HI，R²=0.93)，揭示中国南北极化分布规律；(2) 发现砷(As)与HI存在独特指数关系(R²=0.91)，其贡献度远超铅(Pb)、汞(Hg)等其他重金属；(3) 通过分子网络解码As诱发疾病的"黑匣子"，锁定自噬-凋亡串扰等关键通路。

讨论
方法学上，我们开发的XGBoost-SHAP模型成功突破传统评估局限，其0.93的R²值验证了处理复杂非线性关系的卓越能力。特别值得注意的是，模型将As推定为"风险头号通缉犯"——这种在常规分析中易被忽视的类金属元素，实际通过干扰细胞"自杀程序"(凋亡)和"垃圾回收系统"(自噬)等机制，悄然引发心血管病变。网络毒理学进一步绘制出As的"犯罪网络图"，显示其通过氧化应激、脂代谢紊乱等途径多靶点作案。

创新与局限
覆盖333种药材的庞大数据集首次全景式呈现中国重金属分布特征。但需注意，模型对北方高HI值的预测可能受煤矿区特殊地质化学背景影响，未来需纳入更多环境协变量。

结论
研究证实工业/农业活动与药材重金属污染显著正相关。XGBoost-SHAP模型犹如"风险预警雷达"，精准捕捉到As这个潜伏的健康威胁。其诱导疾病的分子路径图，为开发靶向解毒剂提供了关键路标。建议实施"分区管控"和"药材器官差异化监管"策略，例如对根茎类药材实施更严格的As限量标准。