空气污染对肺肿瘤发病影响分析课题申报书

空气污染对肺肿瘤发病影响分析课题申报书一、封面内容

空气污染与肺肿瘤发病关联性研究课题申报书

项目名称：空气污染对肺肿瘤发病影响分析

申请人姓名及联系方式：张明，研究邮箱：zhangming@

所属单位：国家环境与健康研究院

申报日期：2023年10月26日

项目类别：应用研究

二．项目摘要

本项目旨在系统分析空气污染与肺肿瘤发病的内在关联性，聚焦于主要污染物（PM2.5、PM10、臭氧、氮氧化物等）对肺肿瘤风险的影响机制及暴露评估。研究将基于大规模流行病学数据，结合空间统计与队列分析方法，构建暴露-反应关系模型，量化污染物浓度与肿瘤发病率之间的剂量效应关系。通过整合多源数据（如环境监测、电子医疗记录、基因组学信息），探索环境暴露与遗传易感性交互作用对肺肿瘤发病的叠加效应。采用机器学习算法优化暴露评估精度，并构建预测模型以识别高风险人群与区域。预期成果包括建立污染暴露数据库、揭示关键污染物的致癌路径、提出基于证据的防控策略建议，为公共卫生决策提供科学依据。研究将采用混合研究方法，确保结果的稳健性与实用性，推动环境健康领域的跨学科合作。

三.项目背景与研究意义

当前，空气污染已成为全球性的重大公共卫生挑战，对人类健康构成严重威胁。肺肿瘤，尤其是非小细胞肺癌，是癌症死亡的主要原因之一，其发病率和死亡率在许多国家和地区居高不下。大量流行病学研究表明，空气污染与肺肿瘤发病风险之间存在显著关联。世界卫生（WHO）下属的国际癌症研究机构（IARC）已将室外空气污染列为人类致癌物（Group1），其中PM2.5、臭氧、氮氧化物等多种空气污染物被证实与肺癌风险增加密切相关。然而，尽管已有诸多研究揭示二者之间的相关性，但其在分子机制、暴露评估方法、高风险人群识别以及防控策略制定等方面的深入理解仍存在诸多不足。

在研究领域现状方面，现有研究主要集中在暴露评估和关联性分析上。学者们通过大型队列研究、病例对照研究等方法，初步量化了主要空气污染物（如PM2.5、PM10、SO2、NO2、O3）与肺肿瘤发病率的剂量反应关系。例如，国内外多项研究证实，长期暴露于高浓度PM2.5环境中，肺肿瘤发病风险显著增加，且存在非线性关系。此外，部分研究开始关注空气污染的组分效应，发现某些特定化学物质（如多环芳烃、重金属等）具有更强的致癌性。在机制研究方面，已有文献报道空气污染物可通过诱导氧化应激、DNA损伤、炎症反应、上皮细胞异常增生等途径促进肿瘤发生。然而，这些机制在不同污染物、不同暴露水平下的具体作用路径和相互关系仍需进一步阐明。

尽管取得了一定的进展，但当前研究仍面临诸多问题。首先，暴露评估的准确性和精细化程度有待提高。传统暴露评估方法多依赖于区域平均浓度估算，难以反映个体实际暴露水平的时空异质性。其次，混杂因素控制不够完善。肺肿瘤发病受遗传、吸烟、职业暴露、生活方式等多种因素影响，如何在研究中有效分离空气污染的独特贡献是一个难题。再次，机制研究多停留在宏观层面，缺乏对分子水平详细路径的深入探究。此外，不同地区、不同人群的易感性差异尚未得到充分解释，亟需开发更具针对性的风险评估模型和防控策略。最后，现有研究多集中于发达国家，对发展中国家特别是新兴工业城市的关注相对不足，其独特的污染特征和健康影响亟待评估。

这些问题的存在，使得深入理解空气污染与肺肿瘤发病的关联性变得尤为重要。从社会价值来看，本项目的研究成果将直接服务于公共卫生政策制定，为政府提供科学依据，指导其在空气污染控制和肺肿瘤预防方面采取更有效的措施。例如，通过量化不同污染物的致癌风险，可以支持更严格的排放标准制定；通过识别高风险人群，可以开展针对性的筛查和干预。这不仅有助于降低肺肿瘤的发病率和死亡率，减轻患者家庭和社会的经济负担，还能提升公众的健康素养，促进健康生活方式的普及。此外，研究结果的传播和普及将提高社会对空气污染危害的认识，推动公众参与环境保护，形成全社会共同应对空气污染的良好氛围。

从经济价值来看，肺肿瘤等慢性疾病的负担巨大，不仅直接增加了医疗开支，还间接导致了劳动力损失和生产效率下降。据估计，全球因癌症导致的直接医疗费用和间接经济损失十分可观。本项目通过揭示空气污染与肺肿瘤发病的关联，为制定成本效益更优的防控策略提供依据，有助于节省医疗资源，促进社会经济的可持续发展。例如，通过精准识别污染来源和高风险区域，可以优化污染治理的投资方向，实现资源利用的最大化。同时，研究成果可为相关产业的发展提供指导，如空气净化技术、健康管理等产业，有望带动新的经济增长点。

从学术价值来看，本项目将推动环境健康领域的研究进展，深化对环境暴露与疾病发生发展机制的认识。通过整合多源数据，采用先进的统计和机器学习方法，将提升环境流行病学研究的科学性和精确性。在机制研究方面，结合基因组学、代谢组学等多组学技术，有望揭示空气污染导致肺肿瘤发生的分子细节，为开发新的诊断标志物和治疗靶点提供线索。此外，本项目的研究方法和理论框架可为其他环境相关疾病的研究提供借鉴，促进跨学科研究的深入发展。通过填补现有研究的空白，本项目将丰富环境健康科学的知识体系，提升我国在该领域的国际影响力。

四.国内外研究现状

空气污染与肺肿瘤发病关系的研究已成为环境健康领域的热点，国内外学者在此方面开展了大量工作，积累了丰富的成果，但也存在明显的不足和研究空白。本节将系统梳理国内外相关研究成果，分析现有研究的焦点、方法及局限性，为后续研究提供参考。

国外研究在空气污染与肺肿瘤关系的流行病学方面起步较早，积累了较为系统的证据。美国国家癌症研究所（NCI）和欧洲癌症与癌症预防研究所（IARC）等机构长期致力于此类研究。IARC在2006年和2013年分别发布报告，将室外空气污染和特定空气污染物（如二氧化硫、二氧化氮、一氧化碳、臭氧、石棉、镉、砷、苯并[a]芘等）列为人类致癌物。大型队列研究是国外研究的主流方法之一，例如美国护士健康研究（NHS）和健康专业人员随访研究（HPFS）等长期追踪数十万人群的nghiêncứuđãcungcấpmạnhmẽbằngchứngvềmốiliênhệgiữanhiễmbệnhtừkhôngkhívàungthưphổi,đặcbiệtlàliênquanđếnhàmlượngPM2.5vàcácchấtgâyônhiễmkhác.Cácnghiêncứunàythườngsửdụngdữliệutheodõitheothờigian,chophépđánhgiánguycơpháttriểnbệnhtheothờigiantiếpxúcvớiônhiễmkhôngkhí,từđóxâydựngcácmôhìnhliều-phảnứng.

在暴露评估方法上，国外研究已从简单的区域平均浓度估算发展到更精细化的个体化暴露评估。地理加权回归（GWR）、代理变量模型（如交通流量、气象数据）以及近年来兴起的机器学习算法（如随机森林、支持向量机）被广泛应用于估算个体时空暴露水平。例如，美国加州大学伯克利分校的研究团队开发了基于高分辨率监测数据和地理信息系统（GIS）的个体化PM2.5暴露估算方法，显著提高了暴露评估的准确性。此外，外推模型（ExtrapolationModels）如CMAQ（CommunityMultiscalerQuality）也被广泛应用于模拟未监测区域的污染物浓度，为更大范围的风险评估提供支持。

国外研究在机制探讨方面也取得了一定进展。多项研究表明，空气污染物可通过多种途径诱导肺肿瘤发生。例如，PM2.5中的多环芳烃（PAHs）、重金属（如镉、砷）和内毒素等成分可导致DNA损伤、基因组不稳定和细胞凋亡。氧化应激和慢性炎症反应被认为是空气污染诱导肿瘤的关键机制。一些研究还关注了空气污染与遗传易感性的交互作用，发现特定基因型的人群在暴露于空气污染后具有更高的肺肿瘤风险。例如，某些细胞色素P450酶系基因的多态性会影响到PAHs的代谢和致癌活性。此外，表观遗传学改变（如DNA甲基化、组蛋白修饰）在空气污染诱导肿瘤过程中的作用也逐渐受到关注。

在防控策略方面，国外已将空气污染控制纳入癌症预防计划。例如，欧盟的空气质量指令（rQualityDirective）设定了严格的大气污染物浓度限值，并要求成员国定期评估和改善空气质量。美国环保署（EPA）发布的空气净化指南也为公众提供了保护自身健康的建议。一些前瞻性研究还评估了空气质量改善对肺肿瘤发病率和死亡率的影响，结果显示，实施严格的空气污染控制措施能够显著降低肺肿瘤风险，具有显著的社会经济效益。

国内研究在空气污染与肺肿瘤关系方面也取得了长足进步。由于我国是空气污染较严重的国家，相关研究具有现实紧迫性。中国疾病预防控制中心、北京大学、清华大学、复旦大学等机构在此领域开展了大量工作。国内学者利用国内大规模队列数据，如中国慢性病前瞻性研究（ChinaKadoorieBiobank,CKB），探讨了空气污染与多种疾病（包括肺肿瘤）的关系。这些研究证实了PM2.5、SO2、NO2等污染物与肺肿瘤发病风险增加存在显著关联，并发现中国人群的暴露-反应关系可能与其他国家存在一定差异。例如，有研究发现，在中国北方地区，空气污染对肺肿瘤的影响可能更为显著。

在暴露评估方面，国内研究也开始采用更精细化的方法。利用高分辨率卫星遥感数据、移动监测车数据以及社交媒体数据（如GPS定位的微博）等，国内学者开发了多种个体化暴露评估模型。例如，一些研究利用城市交通流量数据和GIS技术，估算了不同区域人群的PM2.5暴露水平，并发现交通繁忙区域肺肿瘤发病率较高。此外，国内研究还关注了室内外污染的联合暴露效应，发现室内空气污染（如烹饪油烟、二手烟）会与室外污染产生协同作用，进一步增加肺肿瘤风险。

机制研究方面，国内学者主要关注空气污染物在中国特定饮食和遗传背景下对肺肿瘤发生发展的影响。例如，有研究发现，空气污染诱导的氧化应激和炎症反应在中医理论中的“痰浊”、“瘀血”病理机制中发挥作用。一些研究还探索了空气污染与幽门螺杆菌感染等病原体感染的交互作用，以及其对肺肿瘤风险的影响。此外，国内研究在中医药干预空气污染相关疾病方面也进行了一些尝试，如开发具有抗氧化、抗炎作用的方剂，以缓解空气污染引起的肺部损伤。

尽管国内外在空气污染与肺肿瘤关系的研究方面取得了显著进展，但仍存在一些尚未解决的问题和研究空白。

首先，暴露评估的精度和个体差异性仍需提高。现有研究多依赖于区域平均浓度估算，难以反映个体实际暴露水平的细微差异。即使是个体化暴露评估模型，也往往依赖于一些假设和简化，其估算精度仍有待验证。此外，不同人群（如老年人、儿童、孕妇、慢性病患者）的暴露特征和易感性差异尚未得到充分研究。例如，老年人的呼吸系统功能下降，可能更容易受到空气污染的影响；儿童正处于生长发育阶段，对空气污染的长期健康效应更为敏感。如何针对不同人群开展精准的暴露评估和风险预测，是未来研究的重要方向。

其次，混杂因素控制仍面临挑战。肺肿瘤发病是一个多因素共同作用的结果，除了空气污染外，吸烟、职业暴露、遗传易感性、饮食习惯、生活方式等都是重要的影响因素。如何在研究中有效控制这些混杂因素，是保证研究结论可靠性的关键。传统统计方法如多变量回归分析在控制混杂因素方面存在局限性，而基于机器学习、孟德尔随机化等新型统计方法的应用尚不广泛。此外，一些潜在混杂因素（如社会经济地位、居住环境）的测量和量化也存在困难。

第三，机制研究的深度和广度有待加强。现有研究多关注空气污染的宏观生物学效应，而对分子水平detled作用机制的认识仍不够深入。例如，空气污染物如何具体损伤DNA、如何触发信号通路、如何导致表观遗传学改变等，仍有许多未解之谜。此外，不同污染物之间的协同或拮抗作用机制，以及环境暴露与遗传易感性交互作用的分子机制，也需要进一步研究。未来需要结合基因组学、蛋白质组学、代谢组学等多组学技术，深入解析空气污染导致肺肿瘤发生的分子细节。

第四，研究结果的转化应用和区域性差异研究不足。虽然现有研究提供了空气污染与肺肿瘤关系的科学证据，但如何将这些证据转化为具体的防控策略，并针对不同地区、不同人群制定差异化的干预措施，仍需深入研究。例如，不同地区的污染特征（如主要污染物种类、浓度水平）、人群特征（如吸烟率、遗传背景）存在差异，需要开展区域性研究，以制定更具针对性的防控方案。此外，如何评估现有防控措施的效果，以及如何开发更有效的干预措施，也需要进一步研究。

第五，前瞻性研究相对缺乏。虽然回顾性队列研究和病例对照研究可以提供valuable的流行病学证据，但它们往往受到回忆偏倚、信息不完整等因素的影响。前瞻性研究可以更好地建立因果关系，并动态追踪暴露与结局的关系。然而，由于开展前瞻性研究需要长期、大规模的投入，目前国内在此方面的研究相对较少。未来需要加强前瞻性研究的规划和实施，以提供更可靠的证据支持。

综上所述，尽管国内外在空气污染与肺肿瘤关系的研究方面取得了显著进展，但仍存在许多亟待解决的问题和研究空白。未来研究需要关注暴露评估的精度和个体差异性、混杂因素的控制、机制研究的深度和广度、研究结果的转化应用、区域性差异研究以及前瞻性研究的开展等方面，以期为制定更有效的防控策略提供科学依据，保护公众健康。

五.研究目标与内容

本项目旨在系统深入地分析空气污染对肺肿瘤发病的影响，明确主要污染物的致癌风险，揭示其作用机制，并探索个体易感性因素，最终为制定有效的防控策略提供科学依据。围绕这一总体目标，项目设定了以下具体研究目标，并设计了相应的研究内容。

1.研究目标

(1.1)量化主要空气污染物对肺肿瘤发病的剂量反应关系：基于大规模流行病学数据，精确评估PM2.5、PM10、臭氧、氮氧化物、二氧化硫、一氧化碳以及多环芳烃等关键空气污染物组分与肺肿瘤（特别是非小细胞肺癌）发病率之间的剂量反应关系，区分不同暴露时长（短期、长期）和强度的影响。

(1.2)深入解析空气污染诱导肺肿瘤的关键机制：结合暴露评估、生物标志物检测和分子生物学技术，探索空气污染物导致肺肿瘤发生发展的主要生物学途径，包括氧化应激、DNA损伤与修复失衡、炎症反应、上皮细胞转化、表观遗传学改变以及肿瘤微环境重塑等，并识别其中的关键分子靶点。

(1.3)评估遗传易感性在空气污染与肺肿瘤发病交互作用中的影响：整合基因组学数据和环境暴露信息，筛选与空气污染易感性相关的遗传变异，构建交互作用模型，明确遗传因素如何调制环境暴露对肺肿瘤的风险效应，识别具有更高遗传风险的人群亚组。

(1.4)建立肺肿瘤发病风险预测模型：融合环境暴露、个体特征、生活方式和遗传信息，开发基于机器学习等技术的肺肿瘤发病风险预测模型，区分不同人群（如不同年龄段、性别、吸烟状态、遗传背景）的风险等级，为早期预警和精准干预提供工具。

(1.5)提出基于证据的肺肿瘤防控策略建议：基于研究结果，评估现有空气污染控制措施对肺肿瘤预防的有效性，提出针对高风险人群、高污染区域的综合防控建议，包括优化污染治理措施、加强健康教育、完善医疗保障体系等，并评估其潜在的社会经济效益。

2.研究内容

(2.1)大规模队列研究与暴露评估

***研究问题：**不同时空分布特征的空气污染（PM2.5、PM10、O3、NO2、SO2、CO、PAHs等）如何影响肺肿瘤（特别是非小细胞肺癌）的发病率？个体实际暴露水平与区域平均浓度估算结果的差异对风险评估有何影响？

***研究假设：**长期暴露于高浓度PM2.5和O3环境中，肺肿瘤（特别是非小细胞肺癌）的发病率显著增加，且存在非线性剂量反应关系；个体化暴露评估相较于区域平均浓度估算能更准确地反映肺肿瘤风险；特定空气污染物组分（如PAHs）与肺肿瘤风险存在更强的关联。

***具体方法：**利用覆盖特定地理区域（如中国北方或南方代表性城市）的长期运行的环境空气监测站点数据，获取高分辨率（小时或日均值）的多种空气污染物浓度数据。整合队列研究数据，包括大规模前瞻性队列（如CKB）或历史性队列数据，获取研究对象的基线信息（人口学、生活方式、病史等）和长期随访的肺肿瘤发病结局（诊断日期、类型、分期等）。采用地理信息系统（GIS）技术，结合研究对象居住地址、交通出行记录（如有）等，利用Krig插值、地理加权回归（GWR）、代理变量模型或机器学习算法（如随机森林、梯度提升树），构建个体化的时空暴露评估模型，估算研究对象在研究期间的平均、峰值及波动性暴露水平。运用混合效应模型、Cox比例风险模型或生存分析等方法，评估不同空气污染物暴露水平与肺肿瘤发病风险之间的关联，并探索暴露的时效性（短期暴露、长期累积暴露）和交互作用（污染物间、污染物与吸烟等）。

(2.2)机制探索与生物标志物验证

***研究问题：**空气污染物通过哪些具体的生物学机制诱导肺肿瘤发生？是否存在可靠的血液、尿液或生物中的生物标志物可以反映早期暴露或潜在的遗传易感性？

***研究假设：**空气污染物（特别是其组分如PM2.5中的重金属、有机物，O3及其前体物）可通过诱导氧化应激、产生DNA加合物、激活NF-κB等炎症通路、促进上皮细胞增殖与凋亡异常、引起基因组不稳定和表观遗传学改变等机制导致肺肿瘤发生；血液中的氧化应激标志物（如8-羟基脱氧鸟苷）、炎症标志物（如IL-6、TNF-α）、DNA损伤修复相关蛋白表达水平以及特定基因的甲基化状态等，可以作为反映空气污染暴露和早期病理变化的生物标志物。

***具体方法：**选取队列中的一部分研究对象（可根据暴露水平或随机抽样），采集血液、尿液或肺样本。采用高灵敏度检测技术（如ELISA、LC-MS/MS、qPCR、甲基化测序），检测与氧化应激、炎症反应、DNA损伤修复、细胞凋亡、表观遗传学改变等相关的生物标志物水平。结合环境暴露评估结果和基因组学数据，分析生物标志物水平与空气污染暴露的关联，以及生物标志物在空气污染与肺肿瘤发生发展过程中的中介作用。利用体外细胞模型（如肺上皮细胞）和动物模型（如小鼠），模拟空气污染物暴露，在分子水平上验证关键生物学通路和机制，并探索潜在的治疗靶点。

(2.3)遗传易感性评估与交互作用分析

***研究问题：**哪些遗传变异与空气污染易感性相关？这些遗传变异如何与空气污染暴露交互作用，共同影响肺肿瘤的发病风险？

***研究假设：**存在特定的单核苷酸多态性（SNPs）位于与氧化应激、炎症反应、DNA修复、免疫应答等相关的基因上，这些变异会增加个体对空气污染的易感性，导致暴露后肺肿瘤风险升高；遗传易感性因素（如特定基因型）与空气污染暴露之间存在显著的交互作用，共同决定个体的肺肿瘤发病风险。

***具体方法：**利用高通量基因分型技术（如GWAS芯片或全基因组测序），获取队列研究对象的遗传信息。基于大规模全基因组关联研究（GWAS）发现的空气污染相关或肺肿瘤易感性的候选基因位点，或针对本项目研究内容筛选的重点基因，进行关联分析（如logistic回归模型），评估遗传变异与肺肿瘤发病风险的关系。构建交互作用模型（如假设性交互模型、孟德尔随机化分析），评估遗传变异与空气污染暴露对肺肿瘤风险的综合效应，以排除混杂因素和反向因果关系的影响。分析不同遗传背景人群在相同暴露水平下的肺肿瘤风险差异，识别高风险遗传亚群。

(2.4)肺肿瘤发病风险预测模型构建

***研究问题：**如何整合多维度信息，建立一个准确预测个体肺肿瘤发病风险的模型？

***研究假设：**通过融合环境暴露评估数据、个体基本信息、生活方式因素（如吸烟史、职业暴露）、生物标志物数据和遗传易感性信息，可以构建一个比单一因素模型更精确的肺肿瘤发病风险预测模型。

***具体方法：**在整合上述研究内容获得的多维度数据基础上，利用机器学习算法（如支持向量机、随机森林、神经网络、梯度提升机）或传统的统计模型（如生存回归模型），构建肺肿瘤发病风险预测模型。通过交叉验证等方法评估模型的性能（如准确率、召回率、AUC值），并识别模型中的关键预测因子。将最终建立的预测模型应用于模拟人群或实际数据，评估其在不同人群中的泛化能力和应用价值，探讨其用于早期筛查和精准干预的可行性。

(2.5)防控策略评估与建议制定

***研究问题：**基于本项目的研究发现，如何制定更有效的肺肿瘤防控策略？现有空气污染控制措施在降低肺肿瘤负担方面效果如何？

***研究假设：**识别出高风险暴露人群和高污染区域后，针对性的干预措施（如加强健康教育、改善通风、使用空气净化设备、实施更严格的排放标准）能够更有效地降低肺肿瘤发病率和死亡率；基于成本效益分析的防控策略组合拳，能够以最小的社会成本带来最大的健康收益。

***具体方法：**基于本项目量化的剂量反应关系、机制研究结果、遗传易感性评估和风险预测模型，结合现有文献和国内外防控实践，系统评估不同防控措施（如特定污染物减排、戒烟干预、健康教育、筛查方案优化）的有效性和成本效益。利用模型模拟评估不同防控策略组合对肺肿瘤发病率和死亡率、医疗负担、社会生产力损失等的影响。根据研究结果，为政府决策部门提出具有针对性和可操作性的肺肿瘤防控建议，包括制定更严格的空气质量管理标准、优化污染源控制重点、加强高风险人群监测与管理、完善医疗保障和救助体系、推动公众参与和健康生活方式倡导等方面。

六.研究方法与技术路线

本项目将采用多学科交叉的研究方法，整合环境科学、流行病学、生物医学和计算机科学等领域的理论与技术，系统分析空气污染对肺肿瘤发病的影响。研究方法的选择将确保研究的科学性、系统性和结果的可靠性。技术路线将清晰界定研究步骤和关键环节，确保项目按计划有序推进。

1.研究方法

(1.1)大规模队列研究与暴露评估方法

***研究方法：**采用前瞻性队列研究或回顾性队列研究设计。若使用现有队列数据（如CKB），将进行严格的数据清洗和质量控制；若需建立新队列，将制定详细的招募方案，招募足够样本量的研究对象（如数十万人），收集基线信息（人口学、社会经济、生活方式、职业史、家族史、吸烟状况等），并建立长期随访系统，定期收集肺肿瘤等疾病发病结局信息（通过医院记录、死亡证明、问卷等）。暴露评估将采用多源数据融合方法：

***空间暴露评估：**利用高密度环境空气监测站点（PM2.5,PM10,O3,NO2,SO2,CO等）的连续监测数据，构建时空插值模型（如Krig插值、高斯过程回归、地理加权回归GWR）。结合研究对象基线居住地址、工作地址（如适用）以及动态位置信息（如GPS数据，若可获取），估算个体平均、峰值及不同时间尺度（日、季、年）的暴露水平。

***交通暴露评估：**利用交通流量数据、道路网络数据和GIS技术，估算居住地或通勤路线附近的交通相关污染物（如NO2,PM2.5）浓度。

***室内外联合暴露：**考虑室内空气污染源（如烹饪油烟、二手烟、建筑尘螨、室内甲醛等）的影响，利用文献估算值或模型进行室内暴露评估，并结合室外暴露数据，构建室内外联合暴露模型。

***模型验证：**利用独立验证数据集或交叉验证方法，评估不同暴露评估模型的精度和可靠性。

***数据分析方法：**采用Cox比例风险模型或生存回归模型，评估空气污染物暴露与肺肿瘤（总肿瘤及亚型）发病率之间的关联，计算风险比（HR）及其95%置信区间（CI）。进行线性回归或非线性回归分析，拟合剂量反应关系。采用交互作用分析（如乘法交互项、加性交互项），探讨空气污染物之间、污染物与吸烟等其他因素的交互作用。利用多变量模型控制潜在的混杂因素（如年龄、性别、教育程度、职业、吸烟状态、过敏史、居住时间等）。

(1.2)机制探索与生物标志物验证方法

***研究方法：**选取队列中具有代表性或特定特征（如高暴露、高风险）的研究对象（样本量数千至数万），采集血液、尿液或支气管肺泡灌洗液（BALF）样本。采用高通量生物标志物检测平台，系统检测：

***氧化应激标志物：**8-羟基脱氧鸟苷（8-OHdG）、丙二醛（MDA）、还原型谷胱甘肽（GSH）、超氧化物歧化酶（SOD）、过氧化氢酶（CAT）等。

***炎症标志物：**C反应蛋白（CRP）、白细胞介素-6（IL-6）、肿瘤坏死因子-α（TNF-α）、基质金属蛋白酶-9（MMP-9）等。

***DNA损伤与修复标志物：**γ-谷氨酰半胱氨酸转肽酶（γ-GST）、核苷酸切除修复蛋白（NER）相关蛋白、同源重组修复相关蛋白等。

***表观遗传学标志物：**特定基因（如抑癌基因、凋亡相关基因）的DNA甲基化水平、组蛋白修饰状态。

***细胞因子网络：**检测多种细胞因子的表达水平。

***数据分析方法：**采用相关性分析、回归分析等方法，评估空气污染物暴露水平与生物标志物水平之间的关联。采用中介效应模型或结构方程模型，探究生物标志物在空气污染暴露与肺肿瘤发病之间的中介作用。进行亚组分析，比较不同暴露水平或特征人群中生物标志物的变化。利用机器学习方法（如主成分分析PCA、聚类分析）对复杂的生物标志物数据进行降维和模式识别。在细胞和动物模型中，采用分子生物学技术（如Westernblot、免疫荧光、qPCR、基因敲除/敲入、染色质免疫共沉淀（ChIP）等），验证关键信号通路和分子机制。

(1.3)遗传易感性评估与交互作用分析方法

***研究方法：**利用高通量基因分型技术（如全基因组SNP芯片、外显子组测序），获取队列研究对象的遗传变异信息。构建遗传变异数据库。基于大规模全基因组关联研究（GWAS）的汇总数据或本项目自己的GWAS分析结果，筛选与空气污染易感性或肺肿瘤易感性相关的候选基因位点（如位于关键信号通路上的基因）。

***数据分析方法：**采用logistic回归模型，评估每个独立的遗传变异（SNP）与肺肿瘤发病风险之间的关联（P值、OR值、95%CI）。进行多基因风险评分（PolygenicRiskScore,PRS）构建，将多个与肺肿瘤风险相关的遗传变异的效应值加权求和，形成个体化的遗传风险评分。采用孟德尔随机化（MR）分析（如两样本MR、单样本MR），利用遗传变异作为工具变量，评估空气污染物暴露（若存在GWAS数据）与肺肿瘤风险之间的因果关系，以规避混杂因素和反向因果关系的影响。采用交互作用分析（如包括基因×暴露的交互项的回归模型），评估遗传变异与空气污染物暴露对肺肿瘤风险的联合效应，计算交互作用的P值和OR值。进行分层分析，比较不同遗传风险分层组中，空气污染暴露对肺肿瘤风险的影响差异。

(1.4)肺肿瘤发病风险预测模型构建方法

***研究方法：**在整合了环境暴露、个体特征、生活方式、生物标志物和遗传信息的多维度数据集基础上，构建预测模型。

***数据分析方法：**先后采用多种机器学习算法进行模型构建和比较：

***传统统计模型：**如Cox比例风险模型、生存回归模型，用于基准模型建立和比较。

***集成学习模型：**如随机森林（RandomForest）、梯度提升机（GradientBoostingMachine,GBM），用于捕捉数据中的非线性关系和交互作用，并评估特征重要性。

***其他机器学习模型：**如支持向量机（SupportVectorMachine,SVM）、神经网络（NeuralNetwork）、XGBoost、LightGBM等，探索更优的预测性能。

通过交叉验证（如K折交叉验证）评估不同模型的内部验证性能。选择最优模型，并在独立的验证数据集上测试其外部泛化能力。分析模型的预测误差，识别影响预测精度的因素。可视化模型结果，解释关键预测变量的作用。

(1.5)防控策略评估与建议制定方法

***研究方法：**基于本项目获得的核心科学证据（剂量反应关系、机制、易感性、风险预测模型），结合国内外现有防控经验和文献证据，多学科专家进行研讨。

***数据分析方法：**利用已建立的暴露-风险模型和风险预测模型，模拟不同防控措施（如污染物浓度下降情景、戒烟干预覆盖率提高情景、筛查策略变化情景）对肺肿瘤发病负担（发病率、死亡率）的影响。采用成本效果分析或成本效用分析，评估不同防控措施的经济效益和成本效益。结合定量分析和专家共识，形成具体的防控策略建议。

2.技术路线

本项目的技术路线遵循“数据收集-暴露评估-风险关联分析-机制探索-遗传交互-模型构建-策略评估”的逻辑顺序，分阶段实施，并贯穿质量控制全流程。

(2.1)第一阶段：准备与数据收集阶段

***步骤1：**成立项目团队，明确分工，制定详细的研究计划和技术方案。

***步骤2：**若使用现有队列，获取并核查数据，进行数据清洗和标准化；若建立新队列，完成伦理审批，制定招募方案，开展对象招募、信息收集和样本采集。

***步骤3：**获取或收集环境空气监测数据、交通流量数据、气象数据、地理信息数据等。

***步骤4：**建立统一的数据管理平台，制定严格的数据质量控制和隐私保护措施。

(2.2)第二阶段：暴露评估与初步关联分析阶段

***步骤5：**利用GIS技术和选定的插值模型，计算研究对象的个体化空气污染物暴露水平（时空分布、不同时间尺度）和交通暴露水平。

***步骤6：**构建队列研究数据库，整合所有基线信息和暴露数据。

***步骤7：**进行数据探索性分析，描述研究对象特征、暴露水平分布和疾病结局情况。

***步骤8：**采用生存分析模型，进行初步的暴露-风险关联分析，评估主要空气污染物与肺肿瘤发病的关联强度和趋势，初步探索交互作用。

(2.3)第三阶段：深入分析阶段

***步骤9：**选取代表性样本，开展生物标志物检测，建立生物标志物数据库。

***步骤10：**分析环境暴露与生物标志物水平的关系，探究暴露的生物学效应和潜在机制，评估生物标志物的中介作用。

***步骤11：**获取或产生遗传变异数据，进行遗传易感性分析，评估遗传变异与肺肿瘤风险的关系，以及与空气污染暴露的交互作用。

***步骤12：**整合所有可用数据（暴露、特征、生物标志物、遗传），构建肺肿瘤发病风险预测模型，并进行内部和外部验证。

(2.4)第四阶段：综合评估与成果总结阶段

***步骤13：**基于所有研究结果，利用定量模型和专家咨询，评估不同防控措施的有效性和成本效益。

***步骤14：**撰写研究报告、学术论文和科普材料。

***步骤15：**召开项目总结会，整理项目成果，提出政策建议，并向相关机构和媒体进行成果推介。

整个技术路线强调多学科协作，注重数据的整合与共享，采用先进的研究方法和技术，确保研究过程的科学性和研究结果的可靠性。各阶段之间相互衔接，并根据实际研究进展进行动态调整。

七．创新点

本项目旨在系统深入地分析空气污染对肺肿瘤发病的影响，力求在理论、方法和应用层面取得创新性突破，为理解环境暴露与肿瘤发生发展的复杂机制提供新视角，为制定更有效的防控策略提供新思路和新工具。具体创新点如下：

(1.**个体化时空暴露评估与多维度数据整合方法的创新**：本项目将突破传统基于区域平均浓度的暴露评估局限，创新性地融合高分辨率环境监测数据、动态位置信息（如GPS）、交通流量数据、室内外空气模型以及地理信息系统（GIS）技术，构建个体化的、精细化的空气污染时空暴露评估体系。这将能够更准确地反映个体实际吸入的污染物剂量，从而提高暴露-健康关系分析的准确性。同时，项目将创新性地整合环境暴露、个体遗传易感性、生物标志物、生活方式、社会经济等多维度大数据，利用先进的统计学习和数据挖掘技术，探索这些因素复杂的相互作用对肺肿瘤风险的综合影响，构建更全面、更精准的风险预测模型。这种多维度数据的深度融合与分析方法是当前空气污染健康效应研究中的一个重要发展方向。

(2.**机制探索从宏观到微观、从单一到系统的创新**：本项目在机制研究上，不仅关注传统流行病学研究中观察到的宏观关联，更将利用高通量生物标志物检测技术和多组学技术（如基因组学、蛋白质组学、代谢组学），深入探究空气污染物导致肺肿瘤发生的具体分子机制和细胞通路。项目将系统性地评估氧化应激、DNA损伤与修复、慢性炎症、表观遗传学改变、上皮细胞转化、免疫微环境重塑等多个层面的生物学效应，并尝试利用体外细胞模型和体内动物模型进行机制验证，以期揭示更为精细和关键的作用路径。此外，项目还将探索环境暴露与遗传易感性在分子水平上的交互作用机制，例如，特定遗传变异如何影响污染物在体内的代谢、转运，或如何调控污染物诱导的下游信号通路，从而实现从单一因素研究向系统生物学层面研究的创新跨越。

(3.**遗传交互作用评估与高风险人群精准预测模型的创新**：本项目将系统性地评估遗传易感性在空气污染与肺肿瘤发病交互作用中的具体贡献。通过大规模全基因组关联研究（GWAS）数据或项目自身的GWAS分析，识别与空气污染易感性或肺肿瘤易感性相关的遗传变异，并利用孟德尔随机化（MR）等严谨的因果推断方法，评估遗传变异与空气污染暴露之间是否存在因果关系，以及它们是否与空气污染暴露存在显著的交互作用。在此基础上，项目将构建融合环境暴露、遗传风险评分、生物标志物和个体特征的综合性肺肿瘤发病风险预测模型。该模型将能够更准确地识别具有更高遗传易感性的人群，尤其是在特定高污染环境下生活的人群，从而实现从群体预防向精准个体化风险预警和早期干预的转变，为公共卫生策略的制定提供更科学、更精准的依据。

(4.**基于证据的成本效益分析与综合防控策略建议的创新**：本项目不仅关注科学发现，更将创新性地将定量研究结果与经济学方法相结合，对不同的肺肿瘤防控策略（包括空气污染控制措施、戒烟干预、健康教育、筛查方案优化等）进行系统的成本效益分析。项目将利用已建立的暴露-风险模型和风险预测模型，模拟不同策略实施情景下的健康效益（如肺肿瘤发病率和死亡率的下降）和经济效益（如医疗费用节省、生产力损失减少），从而评估不同策略的相对成本效益，为决策者提供具有说服力的循证依据。基于科学发现和成本效益分析，项目将提出一套更加综合、更加精准、更具成本效益的肺肿瘤防控策略建议，不仅包括宏观的空气污染治理方向，也包括针对高风险人群的早期筛查、干预和管理措施，以及健康教育和行为促进等方面，力求为不同资源条件的地区提供可操作、可推广的解决方案。

(5.**研究范式与跨学科合作的创新**：本项目将推动空气污染健康效应研究范式的转变，从单一学科、单一因素的研究向多学科交叉、多因素整合、定量与定性结合的综合研究模式发展。项目将整合环境科学、流行病学、生物医学、遗传学、统计学、计算机科学（）、经济学等多个学科的知识和方法，组建跨学科研究团队，通过密切合作，共同解决研究中遇到的复杂科学问题。这种深度跨学科合作本身即为一种创新，有助于打破学科壁垒，激发新的研究思路，提高研究效率和成果质量，并为未来的环境健康综合研究提供示范。

八．预期成果

本项目预计通过系统深入的研究，在理论认知、方法创新和实践应用等多个层面取得显著成果，为科学理解空气污染与肺肿瘤发病的关系、提升公共卫生防护水平提供强有力的科学支撑。具体预期成果如下：

(1.**理论层面的重要贡献**：

***精确量化污染物致癌风险：**预期建立基于大规模人群数据和精细暴露评估的空气污染物（PM2.5、PM10、O3、NO2、SO2、CO、PAHs等）与肺肿瘤（特别是非小细胞肺癌）发病风险的剂量反应关系模型。明确不同污染物、不同组分、不同暴露水平（短期、长期、峰值）对肺肿瘤风险的具体影响程度和趋势，为国际通用的致癌物评估提供中国人群的证据支持，并可能揭示中国特定环境条件下污染物致癌性的新特征。

***揭示肺肿瘤发生的关键分子机制：**预期通过生物标志物检测和分子生物学研究，阐明空气污染物诱导肺肿瘤发生发展的核心生物学通路和机制。例如，可能发现新的氧化应激或炎症通路、DNA损伤修复缺陷、表观遗传学改变的关键分子靶点，深化对环境暴露如何从宏观环境因素转化为微观分子事件的理解，为从机制层面解释观察到的流行病学关联提供细胞和分子层面的证据。

***阐明遗传易感性及其与环境的交互作用机制：**预期识别出与空气污染易感性或肺肿瘤易感性相关的遗传变异，并评估这些变异在个体对空气污染暴露的敏感性中的作用。通过孟德尔随机化等高级方法，预期验证空气污染与肺肿瘤的因果关系，并揭示遗传因素如何与环境因素相互作用，共同影响肺肿瘤的发病风险，为理解疾病发生的复杂病因学提供新的理论视角。

(2.**方法学层面的创新与应用**：

***建立先进的个体化暴露评估技术体系：**预期开发并验证一套融合多源数据（环境监测、GPS、交通、模型等）的个体化空气污染时空暴露评估模型，显著提高暴露评估的精度和空间分辨率。该技术体系可为其他环境健康效应研究或疾病风险评估提供借鉴，推动暴露评估技术的发展。

***构建多维度数据整合与分析方法：**预期探索并应用先进的机器学习、多组学数据分析、交互作用分析和因果推断方法，处理和分析整合了环境、遗传、生物标志物和生活方式等多维度的大规模健康相关数据。预期开发的综合风险预测模型，将实现对肺肿瘤发病风险的更精准预测，为精准公共健康策略提供技术工具。

***创新成本效益分析框架：**预期建立一套适用于空气污染健康效应研究的成本效益分析框架，能够系统评估不同防控措施的健康、经济和社会效益，为防控策略的优化选择提供科学依据，推动循证决策在环境健康领域的应用。

(3.**实践应用价值与成果转化**：

***为空气污染控制提供科学依据：**研究结果将清晰揭示主要空气污染物对肺肿瘤的风险贡献，为政府制定更严格的大气污染物排放标准、优化污染源控制策略（如优先控制交通排放、工业排放或燃煤污染等）提供强有力的科学证据支持，助力实现空气质量改善目标。

***指导肺肿瘤的早期筛查与精准干预：**通过构建遗传风险评分和综合风险预测模型，预期能够识别出空气污染暴露下具有更高遗传易感性或总体风险的人群，为开展针对性的早期筛查、健康干预（如加强随访、建议戒烟、改善生活方式）和个性化管理提供依据，从而降低肺肿瘤的发病率和死亡率。

***提出具有成本效益的综合防控策略建议：**基于科学发现和成本效益分析，预期提出一套针对不同地区、不同人群的综合防控策略建议，包括优化环境治理措施组合、加强健康教育与公众意识提升、完善医疗保障体系、推动产业转型升级等多方面内容，为政府部门制定公共卫生政策提供具体、可操作的方案。

***提升公众健康素养与促进社会参与：**通过研究成果的科普化传播，预期提高公众对空气污染健康危害的认识，增强个人防护意识和能力，促进健康生活方式的养成。同时，研究结果可为环境健康advocacy提供依据，推动全社会共同参与环境保护和健康促进行动。

***培养跨学科研究人才与促进学术交流合作：**项目实施将培养一批掌握环境科学、流行病学、生物医学、数据科学等多学科知识的复合型研究人才，促进国内外相关领域的学术交流与合作，推动环境健康研究领域的整体发展。

综上所述，本项目预期成果不仅包括具有理论创新性的科学发现，还包括具有显著实践应用价值的研究方法、技术工具和防控策略建议，将为中国乃至全球应对空气污染挑战、保护公众呼吸健康做出重要贡献。

九.项目实施计划

本项目实施周期设定为五年，采用分阶段、目标明确的实施策略，确保研究工作有序推进并按时完成。项目将组建跨学科研究团队，建立有效的沟通协调机制，并制定相应的风险管理计划，以应对研究过程中可能出现的挑战。具体实施计划如下：

(1.**项目时间规划与阶段任务分配**：

***第一阶段：准备与数据收集阶段（第1-12个月）**

***任务分配：**项目组将完成研究方案细化、伦理审批申请、队列数据整理与清洗、环境监测数据获取与预处理、遗传资源申请、多源数据平台搭建、质量控制系统建立。任务主要由项目首席科学家、数据管理专家、环境科学组、流行病学组共同完成。具体分工包括：首席科学家负责整体方案制定与协调；数据管理组负责数据整合、清洗与标准化；环境组负责环境监测数据获取、模型构建与验证；流行病学组负责队列数据管理与统计分析。同时，将成立由临床专家、统计学家、环境工程师等组成的外部专家组，为研究提供指导。

***进度安排：**第1-3个月完成研究方案最终修订与伦理审批；第4-6个月完成队列数据整理与初步分析，环境监测站点布设与数据采集；第7-9个月完成遗传资源申请与样本采集方案设计；第10-12个月完成数据平台搭建与质量控制体系建立，并开展初步的暴露评估与关联分析。

***第二阶段：深入分析与模型构建阶段（第13-36个月）**

***任务分配：**本阶段将重点开展暴露评估、关联分析、机制探索和风险预测模型构建。任务将分配给项目组各子课题负责人，包括空气污染暴露评估组（组长：李华，成员包括环境模型专家、GIS分析师、统计学家），肺肿瘤发病风险关联分析组（组长：王强，成员包括流行病学家、生物统计学家、数据科学家），机制探索组（组长：赵敏，成员包括生物化学家、分子生物学专家、表观遗传学分析师），遗传交互作用分析组（组长：刘伟，成员包括遗传流行病学家、生物信息学家），以及风险预测模型构建组（组长：陈静，成员包括机器学习专家、统计学家、数据科学家）。各子课题负责人将根据项目总体目标，制定详细的子课题研究计划，并负责本子课题的团队组建、研究实施、数据分析和结果解释。同时，将定期召开项目例会，协调各子课题进度，解决研究过程中遇到的技术难题，并邀请外部专家进行阶段性评审，确保研究方向的正确性和研究质量。

***进度安排：**第13-18个月完成个体化暴露评估模型的构建与验证，并开展初步的暴露-风险关联分析；第19-24个月完成生物标志物检测方案设计与样本分析，并探索空气污染的生物学效应与潜在机制；第25-30个月完成遗传易感性分析，并开展遗传交互作用评估；第31-36个月整合多维度数据，构建肺肿瘤发病风险预测模型，并进行内部验证与优化。

***第三阶段：综合评估与成果总结阶段（第37-60个月）**

***任务分配：**本阶段将综合各子课题研究成果，开展成本效益分析，提出防控策略建议，并完成项目成果总结与转化。任务将由项目首席科学家牵头，各子课题负责人参与，并邀请政策专家、经济学家、公共卫生实践者共同参与。具体任务包括：首席科学家负责统筹协调，多学科团队进行综合分析；政策组负责结合国情与现有防控措施，评估研究结果的实践意义，提出政策建议；经济组负责开展成本效益分析，评估不同防控策略的经济可行性；实践组负责制定成果转化方案，包括学术论文撰写、科普材料制作、政策建议报告编写等。同时，将建立与政府部门、学术机构、媒体等合作机制，推动研究成果的传播与应用。

***进度安排：**第37-42个月完成综合分析框架设计与数据整合，并开展成本效益分析；第43-48个月专家研讨会，讨论防控策略建议；第49-54个月完成项目研究报告、学术论文和科普材料撰写；第55-60个月进行项目总结评估，提交结题报告，并启动成果转化工作，包括项目成果推广会、开展媒体宣传、向相关部门提交政策建议报告等。项目组将全程跟踪成果应用情况，评估项目影响，并为后续研究积累经验。

(2.**风险管理策略**：

***数据质量风险及应对策略：**队列数据可能存在缺失、错误或不一致的问题；环境监测数据可能因站点故障或人为因素导致偏差。应对策略包括：建立严格的数据质量控制流程，制定详细的数据清洗标准和方法；采用多重核查机制，利用统计软件进行自动化筛查和识别异常值；通过专家评审和交叉验证等方法提高数据的可靠性和完整性。对于环境数据，将加强站点维护管理，建立数据备份和恢复机制，并采用多种数据源（如卫星遥感数据）进行交叉验证，提高评估精度。

***研究方法风险及应对策略：**暴露评估模型可能存在不确定性，生物标志物检测结果的准确性可能受样本保存、实验室操作等因素影响；遗传交互作用分析可能因样本量限制而无法检测到真实的交互效应；风险预测模型可能存在过拟合问题，导致泛化能力不足。应对策略包括：采用多种模型方法进行验证，并利用交叉验证技术评估模型的稳健性；优化样本采集和保存流程，采用标准化的实验方案和质控措施，提高生物标志物检测的可靠性和一致性。在遗传交互作用分析中，将采用合理的统计方法，并探索利用孟德尔随机化等因果推断技术减少混杂因素影响。风险预测模型将采用多种算法进行构建，并利用外部数据集进行验证，确保模型的泛化能力。

***项目管理及团队协作风险及应对策略：**项目涉及多学科交叉，团队协作和沟通可能存在障碍；研究进度可能因资源分配不均、任务衔接不畅等因素影响。应对策略包括：建立高效的项目管理机制，明确各子课题之间的依赖关系和接口，定期召开跨学科团队会议，加强沟通协调，确保信息共享和协同研究。制定详细的项目进度计划，明确各阶段任务目标、时间节点和责任人，并建立动态监控体系，及时发现和解决项目实施过程中的问题。同时，将建立合理的资源分配机制，确保各子课题能够获得充足的经费和人员支持；并制定应急预案，应对突发事件，如核心研究人员变动、关键设备故障等。

***研究成果转化应用风险及应对策略：**研究成果可能因缺乏与政策制定者、公共卫生实践者、媒体等利益相关方的有效沟通而难以转化为实际应用。应对策略包括：建立与政府部门、医疗机构、学术机构、媒体等建立长期合作关系，定期举办研讨会、成果推广会等活动，促进研究成果的传播与应用。开发易于理解的政策建议和科普材料，向决策者和公众传递研究成果，提高研究成果的可读性和实用性。同时，将探索多元化的成果转化模式，如与相关机构合作开展试点项目、将研究成果转化为具体的产品或服务，如开发肺肿瘤风险预测工具、提供个性化健康管理方案等。通过多种渠道进行推广和宣传，提高研究成果的社会影响力，为项目成果的落地应用创造有利条件。

本项目将密切关注国内外相关领域的研究动态，及时调整研究策略，确保项目研究的科学性、系统性和实用性。通过科学严谨的研究方法、完善的项目管理和有效的风险控制机制，确保项目目标的顺利实现，为改善空气污染状况、降低肺肿瘤负担、保障公众健康提供强有力的科学支撑。

十.项目团队

本项目团队由来自环境科学、流行病学、生物医学、遗传学、统计学、计算机科学（）、经济学等多学科领域的资深研究人员组成，团队成员具有丰富的理论知识和实践经验，能够在空气污染与肺肿瘤发病关系的研究中发挥各自优势，实现跨学科协同创新。团队成员均具有博士学位，在相关领域发表高水平学术论文，并承担过国家级或省部级科研项目。

(1.**团队成员专业背景与研究经验**：

***首席科学家（环境科学）：张教授，环境医学博士，国际癌症研究机构（IARC）成员。长期从事环境流行病学和健康效应研究，在国际顶级期刊发表多篇关于空气污染与肺癌关系的论文，主持多项美国国立卫生研究院（NIH）资助的空气污染健康效应研究项目，在暴露评估模型构建、混杂因素控制、风险预测等方面具有深厚造诣，曾获多项科研奖项。

***空气污染暴露评估组组长（环境科学）：李博士，环境化学硕士，专注于空气污染物组分的健康效应研究，擅长利用GIS技术构建高分辨率暴露评估模型，发表多篇关于PM2.5、臭氧与健康关系的论文，参与多项国内外合作研究项目，具有丰富的环境监测数据分析和模型构建经验。

***肺肿瘤发病风险关联分析组组长（流行病学）：王研究员，流行病学博士，国际癌症研究机构（IARC）顾问委员会委员。长期从事慢性非传染性疾病流行病学研究，在肺肿瘤、心血管疾病等领域发表多篇高质量学术论文，主持多项国家自然基金重点项目，在队列研究设计、生存分析、因果推断等方面具有丰富经验，擅长利用大型健康数据集进行疾病风险因素研究。

***机制探索组组长（生物医学）：赵教授，分子生物学博士，肿瘤生物学专家，在环境暴露与肿瘤发生发展机制研究方面具有深厚积累，发表多篇关于DNA损伤修复、表观遗传学改变与肿瘤发生关系的论文，主持多项国家自然科学基金面上项目，擅长利用分子生物学、细胞生物学、基因组学等多组学技术，在机制研究方面具有丰富的经验，曾参与多项国际合作项目，在机制研究方面具有国际视野。

***遗传交互作用分析组组长（遗传流行病学）：刘博士，遗传流行病学硕士，国际遗传易感性合作研究网络（GECO）成员