该文档属于类型a，即报告了一项原创性研究。以下是基于文档内容生成的学术报告：

作者与机构
该研究的主要作者包括Yixuan Shi、Keyi Li、Ran Ding、Xiaoying Li、Zhipeng Cheng、Jialan Liu、Shaoxia Liu、Hongkai Zhu和Hongwen Sun。他们分别来自南开大学环境科学与工程学院、大连海事大学环境科学与工程学院以及天津市津南医院妇产科。该研究发表于2025年1月31日的《Journal of Hazardous Materials》期刊上。

学术背景
该研究聚焦于早期妊娠丢失（Early Pregnancy Loss, EPL）的机制，特别是与新兴污染物（Emerging Contaminants, ECs）暴露之间的关系。EPL是指在妊娠前12周内发生的自然流产，占所有流产的25%左右，是导致人类生育能力下降的主要原因之一。近年来，EPL的临床发病率和流行率显著上升，研究表明除了遗传因素外，环境暴露在增加EPL风险中起着关键作用。ECs是一类具有环境持久性和潜在健康风险的化学物质，广泛存在于消费品中，妊娠期间暴露于这些物质可能对生育能力和妊娠健康产生不利影响。然而，关于ECs混合暴露对EPL的具体影响及其分子机制的研究仍十分有限。

该研究旨在通过结合非靶向代谢组学（Untargeted Metabolomics）和机器学习（Machine Learning, ML）技术，探索ECs暴露与EPL风险之间的关系，并揭示相关的代谢途径和生物标志物。研究的目标是开发基于化学暴露数据的EPL风险预测模型，并识别潜在的代谢标志物，为EPL的早期诊断和预防提供科学依据。

研究流程
该研究分为多个步骤，主要包括参与者招募、样本收集、化学物质和代谢物检测、数据分析和模型构建等。

1. 参与者招募与样本收集
   研究在天津市津南医院进行，招募了48名参与者，其中包括23名EPL患者和25名健康孕妇作为对照组。参与者需满足以下条件：(1) 居住在医院主要地理转诊区域内；(2) 在妊娠8至12周期间接受产前检查；(3) 妊娠期间不吸烟或饮酒；(4) 按照医疗建议服用叶酸补充剂。研究收集了参与者的血清样本，并在样本收集后进行了详细的问卷调查，记录了人口统计学信息。

2. 化学物质和代谢物检测
   研究检测了血清样本中的37种ECs、6种生化指标和2057种内源性代谢物。ECs包括全氟烷基物质（PFASs）、邻苯二甲酸酯（PAEs）和个人护理产品（PCPs）等。生化指标包括氧化应激标志物（8-OHdG）、炎症标志物（IL-1β和IL-6）以及激素（TSH、FSH和β-hCG）。代谢组学分析采用超高效液相色谱-质谱联用技术（UPLC-MS/MS），通过正负离子模式对代谢物进行鉴定。

3. 数据分析与模型构建
   研究采用四种机器学习算法（逻辑回归、随机森林、XGBoost和支持向量机）构建EPL风险预测模型。首先，通过特征选择方法筛选出关键分子特征，然后基于化学数据、生化数据和代谢组学数据分别构建预测模型。为了进一步提高模型性能，研究采用了堆叠泛化（Stacking Generalization）方法，将多个基学习器的预测结果作为输入，构建元学习器。模型性能通过准确率、召回率、精确率、F1分数和AUC等指标进行评估。

4. 代谢途径分析与生物标志物验证
   研究对筛选出的95种潜在代谢标志物进行了代谢途径富集分析，发现这些代谢物主要富集于精胺和辅酶A生物合成、泛醌生物合成以及甘油磷脂代谢等途径。此外，研究还通过靶向定量分析验证了C17-鞘氨醇（C17-sphinganine）作为EPL潜在生物标志物的有效性。

主要结果
1. 化学暴露特征
研究发现，EPL组中目标ECs的总浓度中位数为65.9 ng/mL，显著高于对照组的43.0 ng/mL（p < 0.05）。其中，双(2-乙基己基)邻苯二甲酸酯（DEHP）的代谢物（MCMHP、MEHHP和MECPP）在EPL组中的水平显著升高，表明DEHP暴露与EPL风险密切相关。

1. 代谢组学分析
   代谢组学分析显示，EPL组中有256种代谢物显著上调，128种代谢物显著下调。这些差异代谢物主要与脂质代谢和氨基酸代谢相关，特别是甘油磷脂代谢、精氨酸和脯氨酸代谢等途径。

2. 机器学习模型性能
   基于化学数据的随机森林模型在EPL风险预测中表现最佳，准确率达到95%。堆叠泛化模型的准确率也达到95%，表明化学暴露数据在EPL预测中具有重要价值。

3. 生物标志物验证
   C17-鞘氨醇在EPL患者血清中的水平显著高于健康对照组，其AUC值为0.93，显示出作为EPL生物标志物的潜力。验证队列的结果进一步证实了C17-鞘氨醇的预测价值（AUC = 0.84）。

结论
该研究首次整合了多种环境化学暴露数据和内源性代谢组学数据，揭示了ECs暴露与EPL风险之间的关系。研究发现，DEHP暴露通过干扰脂质代谢和氨基酸代谢，增加了EPL的风险。基于化学暴露数据的机器学习模型在EPL风险预测中表现出色，C17-鞘氨醇被识别为一种有效的生物标志物。这些发现为EPL的早期诊断和预防提供了新的科学依据，并强调了环境化学暴露在妊娠健康中的重要性。

研究亮点
1. 首次结合非靶向代谢组学和机器学习技术，全面探索了ECs暴露与EPL风险之间的关系。 2. 发现DEHP暴露通过干扰脂质代谢和氨基酸代谢，显著增加EPL风险。 3. 基于化学暴露数据的随机森林模型在EPL风险预测中表现出色，准确率达到95%。 4. 识别出C17-鞘氨醇作为EPL的潜在生物标志物，并通过验证队列进一步证实其预测价值。

其他价值
该研究为理解环境化学暴露与妊娠健康之间的关系提供了新的视角，并为开发基于暴露组学（Exposome）的公共卫生策略提供了重要参考。此外，研究中采用的机器学习方法和代谢组学技术也为其他复杂疾病的研究提供了可借鉴的方法学框架。

以上报告详细介绍了该研究的背景、流程、结果和意义，旨在为其他研究人员提供全面的参考。