Influence of Sediment Grain Size on Elutriate Toxicity of Inorganic Nanomaterials
Notice bibliographique
Résumé
Abstract Knowledge concerning the ecotoxic effects of nanomaterials, chemical structures with novel properties owing to their small sizes (1 to 100 nm), is wanting and deserves to be documented more fully. In this study we conducted testing with the MARA (microbial array for risk assessment) assay-an 11 microbial species 96-well microplate toxicity test measuring growth inhibition-to determine the toxic potential of four metallic nanopowders (MNPs): copper zinc iron oxide, samarium (III) oxide, erbium (III) oxide, and holmium (III) oxide. MTC (microbial toxicity concentration) endpoint values showed a range of toxicity responses generated by individual strains that was MNP-specific. Cluster analysis undertaken with the (n = 11) MTC values of the four MNPs, reflecting a toxic fingerprint proper to each nanochemical, indicated that their modes of action may be different. Experiments were also conducted with an artificial sediment, composed of varying concentrations of silica sand and kaolin (fine particles < 0.004 mm), spiked with each MNP to assess the contribution of fine particles on the resulting elutriate toxicity. The latter was shown to increase as fines contents decreased, except for CuZnFeO where no particular trends were observed. Toxicity testing was then undertaken with each MNP spiked into natural Saint Lawrence River freshwater sediments displaying low, medium, and high fines contents. Once again, analogous results to those obtained with the artificial sediment experiments were observed for MNP elutriate toxicity. Overall, MARA bioassay data indicate that MNP toxicity can be modulated by sediment grain size and that resulting adverse effects on aquatic biota will in part depend on such sediment characteristics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».