The water quality prediction performance of machine learning models may be not only dependent on the models, but also dependent on the parameters in data set chosen for training the learning models. Moreover, the key water parameters should also be identified by the learning models, in order to further reduce prediction costs and improve prediction efficiency. Here we endeavored for the first time to compare the water quality prediction performance of 10 learning models (7 traditional and 3 ensemble models) using big data (33,612 observations) from the major rivers and lakes in China from 2012 to 2018, based on the precision, recall, F1-score, weighted F1-score, and explore the potential key water parameters for future model prediction. Our results showed that the bigger data could improve the performance of learning models in prediction of water quality. Compared to other 7 models, decision tree (DT), random forest (RF) and deep cascade forest (DCF) trained by data sets of pH, DO, CODMn, and NH3-N had significantly better performance in prediction of all 6 Levels of water quality recommended by Chinese government. Moreover, two key water parameter sets (DO, CODMn, and NH3-N; CODMn, and NH3-N) were identified and validated by DT, RF and DCF to be high specificities for perdition water quality. Therefore, DT, RF and DCF with selected key water parameters could be prioritized for future water quality monitoring and providing timely water quality warning.

BackgroundHealth effects of air pollution on diabetes have been scarcely studied in developing countries. We aimed to explore the associations of long-term exposure to ambient particulate matter (PM) and gaseous pollutants with diabetes prevalence and glucose-homoeostasis markers in China.MethodsBetween April 1 and Dec 31, 2009, we recruited a total of 15 477 participants aged 18–74 years using a random number generator and a four-staged, stratified and cluster sampling strategy from a large cross-sectional study (the 33 Communities Chinese Health Study) from three cities in Liaoning province, northeastern China. Fasting and 2 h insulin and glucose concentrations and the homoeostasis model assessment of insulin resistance index and β-cell function were used as glucose-homoeostasis markers. Diabetes was defined according to the American Diabetes Association's recommendations. We calculated exposure to air pollutants using data from monitoring stations (PM with an aerodynamic diameter of 10 μm or less [PM10], sulphur dioxide, nitrogen dioxide, and ozone) and a spatial statistical model (PM with an aerodynamic diameter of 1 μm or less [PM1] and 2·5 μm or less [PM2·5]). We used two-level logistic regression and linear regression analyses to assess associations between exposure and outcomes, controlling for confounders.FindingsAll the studied pollutants were significantly associated with increased diabetes prevalence (eg, the adjusted odds ratios associated with an increase in IQR for PM1, PM2·5, and PM10 were 1·13, 95% CI 1·04–1·22; 1·14, 1·03–1·25; and 1·20, 1·12–1·28, respectively). These air pollutants were also associated with higher concentrations of fasting glucose (0·04–0·09 mmol/L), 2 h glucose (0·10–0·19 mmol/L), and 2 h insulin (0·70–2·74 μU/L). No association was observed for the remaining biomarkers. Stratified analyses indicated greater effects on the individuals who were younger (<50 years) or overweight or obese.InterpretationLong-term exposure to air pollution was associated with increased risk of diabetes in a Chinese population, particularly in individuals who were younger or overweight or obese.FundingThe National Key Research and Development Program of China, the National Natural Science Foundation of China, the Fundamental Research Funds for the Central Universities, the Guangdong Province Natural Science Foundation, the Career Development Fellowship of Australian National Health and Medical Research Council, and the Early Career Fellowship of Australian National Health and Medical Research Council.

Abstract Context Renal function may play a crucial role in the development of gestational diabetes mellitus (GDM). However, prospective studies on this topic are scarce and the mechanisms remain unclear. Objective To assess the associations of early-pregnancy renal function with GDM and the mediating role of carnitine metabolites. Methods The study was based on the Tongji-Huaxi-Shuangliu Birth Cohort. Renal function was assessed before 15 weeks of gestation. GDM was diagnosed at 24-28 weeks of gestation by a 2-h oral glucose tolerance test. Multivariable logistic regression was utilized to estimate the associations of renal function indicators with GDM. Plasma carnitine metabolites in early pregnancy were quantified using ultrahigh-performance liquid chromatography-tandem mass spectrometry. Mediation analyses were applied to assess the mediating effects of carnitines. Results The mean age of 6,770 participants was 26.6 ± 3.7 years. Serum uric acid, uric acid to creatinine ratio, and estimated glomerular filtration rate (eGFR) were positively associated with GDM, and the odds ratios (ORs) were 1.23 (95% confidence interval, CI, 1.11, 1,36), 1.31 (1.19, 1.45), and 1.15 (1.04, 1.27) for each 1 standard deviation (SD) increment. Increased creatinine, creatinine to weight ratio, and cystatin C were associated with lower GDM risk with ORs of 0.88 (0.80, 0.97), 0.88 (0.78, 0.99), and 0.89 (0.80, 0.98) for each log-SD increment. Serum creatinine-, creatinine to weight ratio-, and eGFR-related carnitine score played positive mediating roles, and the mediation proportions were 43.1%, 81.9%, and 56.7%, respectively. Conclusion Renal function should be monitored for GDM, and the potential roles of carnitine metabolites require further evaluation and validation.

Objectives To determine the causal correlations of lifestyle behaviours and body fat distribution on diabetic microvascular complications through a Mendelian Randomization (MR). Methods Genetic variants significantly associated with lifestyle behaviours, abdominal obesity, generalized obesity and diabetic microvascular complications were extracted from the UK Biobank (UKB) and FinnGen. The inverse variance weighted (IVW) method was regarded as the primary method. The main results were presented in odds ratio (OR) per standard deviation (SD) increase, and a series of sensitivity analyses were also conducted to validate the stability of the results. Results There was a positive causal correlation between smoking and the development of diabetic retinopathy (OR = 1.16; 95%CI: 1.04–1.30; p = 0.01). All of the indicators representing abdominal obesity had a statistically significant causal association with diabetic microvascular complications. Concerning generalized obesity, there were significant causal associations of body mass index (BMI) on diabetic nephropathy (OR = 1.92; 95%CI: 1.58–2.33; p &lt; 0.001), diabetic retinopathy (OR = 1.27; 95%CI: 1.15–1.40; p &lt; 0.001), and diabetic neuropathy (OR = 2.60; 95%CI: 1.95–3.45; p &lt; 0.001). Other indicators including leg fat mass (left), and arm fat mass (left) also had a significant positive causality with diabetic microvascular complications. Conclusion Our findings suggested that smoking has a genetically causal association with the development of diabetic retinopathy rather than diabetic nephropathy and diabetic neuropathy. In addition, both abdominal obesity and generalized obesity are risk factors for diabetic microvascular complications. To note, abdominal obesity represented by waist circumference (WC) is the most significant risk factor.

BACKGROUND Cognitive dysfunction is the main manifestation of central neuropathy. Although cognitive impairments tend to be overlooked in patients with diabetes mellitus (DM), there is a growing body of evidence linking DM to cognitive dysfunction. Hyperglycemia is closely related to neurological abnormalities, while often disregarded in clinical practice. Changes in cerebral neurotransmitter levels are associated with a variety of neurological abnormalities and may be closely related to blood glucose control in patients with type 2 DM (T2DM). AIM To evaluate the concentrations of cerebral neurotransmitters in T2DM patients exhibiting different hemoglobin A1c (HbA1c) levels. METHODS A total of 130 T2DM patients were enrolled at the Department of Endocrinology of Shanghai East Hospital. The participants were divided into four groups according to their HbA1c levels using the interquartile method, namely Q1 (< 7.875%), Q2 (7.875%-9.050%), Q3 (9.050%-11.200%) and Q4 (≥ 11.200%). Clinical data were collected and measured, including age, height, weight, neck/waist/hip circumferences, blood pressure, comorbidities, duration of DM, and biochemical indicators. Meanwhile, neurotransmitters in the left hippocampus and left brainstem area were detected by proton magnetic resonance spectroscopy. RESULTS The HbA1c level was significantly associated with urinary microalbumin (mALB), triglyceride, low-density lipoprotein cholesterol (LDL-C), homeostasis model assessment of insulin resistance (HOMA-IR), and beta cell function (HOMA-β), N-acetylaspartate/creatine (NAA/Cr), and NAA/choline (NAA/Cho). Spearman correlation analysis showed that mALB, LDL-C, HOMA-IR and NAA/Cr in the left brainstem area were positively correlated with the level of HbA1c (P < 0.05), whereas HOMA-β was negatively correlated with the HbA1c level (P < 0.05). Ordered multiple logistic regression analysis showed that NAA/Cho [Odds ratio (OR): 1.608, 95% confidence interval (95%CI): 1.004-2.578, P < 0.05], LDL-C (OR: 1.627, 95%CI: 1.119-2.370, P < 0.05), and HOMA-IR (OR: 1.107, 95%CI: 1.031-1.188, P < 0.01) were independent predictors of poor glycemic control. CONCLUSION The cerebral neurotransmitter concentrations in the left brainstem area in patients with T2DM are closely related to glycemic control, which may be the basis for the changes in cognitive function in diabetic patients.

Although epidemiological studies have explored the association between poly- and perfluoroalkyl substances (PFAS) concentrations and semen quality, existing findings are often inconsistent. Our work aimed to explore the association of PFAS in plasma and semen with repeated measures of semen quality parameters in healthy adults. Plasma was collected at the initial recruitment and semen was collected at least once within five predetermined intervals during an approximately 3-month period. Semen volume, concentration, motility, and total sperm count were measured in each semen specimen. PFAS was measured in individual plasma samples (n = 1252) and pooled semen samples (n = 1019) from multiple collections (or in a single semen sample if no multiple collection was available). The results reveal seminal perfluorooctanoic acid, perfluorooctanesulfonic acid, perfluorohexanesulfonic acid, and 6:2 chlorinated polyfluoroalkyl ether sulfonate were significantly associated with decreased sperm progressive motility and total motility, while multiple seminal PFAS were positively associated with sperm concentration and total sperm count. By contrast, null associations were observed between plasma PFAS and semen quality. Our study provides epidemiological evidence that PFAS exposure may affect male fertility and seminal PFAS should be measured for precise assessment of the impact of PFAS on male reproductive performances.