香港理工大学金灵团队ES&T：机制支持的机器学习揭示PM₂.₅转录组扰动的关键毒性组分

PM2.5的健康危害不仅取决于质量浓度，还与其化学组成密切相关。本研究旨在识别驱动PM2.5生物效应的关键毒性组分，推动空气污染风险评估从“质量浓度导向”转向“组分和机制导向”。通过整合PM2.5分级提取、非靶向有机物分析、金属元素检测、细胞毒性测试、转录组测序及随机森林-SHAP归因等方法，研究分析了香港城市路边与海岸带PM2.5的毒性差异。结果表明，城市PM2.5的单位质量细胞毒性更强，主要诱导氧化应激、外源物代谢增强和细胞周期抑制；海岸带PM2.5则更突出诱导干扰素介导的免疫响应和细胞凋亡信号。机制支持的随机森林归因从5,033个化学实体中识别出444个候选通路驱动组分，其中少于5%的组分即可解释约95%的模型贡献。关键毒性组分包括塑化剂、燃烧产物和金属元素等。该研究为PM2.5毒性组分的优先识别和机制导向的风险评估提供了新方法学框架。