Herbicides and the Risk of Neurodegenerative Disease
Notice bibliographique
Résumé
In the quest for increased agricultural productivity, longer shelf life of produce, weed-free lawns and sanitized facilities, we have developed a plethora of pesticides. Pesticides are a broad range of substances commonly used to control insects, weeds, and fungi (plant diseases). They are classified by target organism or mode of use as insecticides, herbicides, fungicides, or fumigants. Development, manufacturing and large scale application of these products have become main stream practices in industry, agriculture and domestic sectors. More than 18,000 products are registered for use in the United States, and > 1 billion pounds of pesticides are applied annually as of 2007 (EPA, 2011). Any chemical designed to kill weeds or insects certainly has potential to harm humans. Short term exposures to low dosages of these chemicals are generally non-toxic. Detoxification systems in the human body are capable of modifying and clearing these molecules from the system efficiently. However, long term exposure to these toxic chemicals combined with poor drug catabolizing cytochrome p450 activity in some individual could lead to its accumulation in the system and toxicity leading to increased risk of certain diseases. Many of the herbicides are toxic to mitochondria and cause oxidative stress. Neuronal cells, being critically dependent on mitochondrial function and sensitive to oxidative stress, often fall victim to these herbicides. Slow and progressive loss of neurons leads to neurodegenerative diseases. In this review we describe toxic effects, mechanism of action and results of animal studies of selected herbicides implicated in neurodegenerative diseases. We also discuss the need for stringent testing of these kinds of substances for neurotoxicity and recent advances in neuroprotective therapies as outlined in the overview before.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».