Nanomaterials in Surface Water and Sediments: Fate and Analytical Challenges
Notice bibliographique
Résumé
Nanomaterials (NMs) present some interesting properties that may be tailored; for this reason, they are being used in different fields, which leads to their entry into the environment, whether by normal use or intentional delivery. Once in water and sediments, they undergo different transformations that might be difficult to predict. NMs are also difficult to characterize because the methods for this are recently developed. Currently, the most plausible approach is to combine separation and measurement techniques; one of the most versatile integrations is field-flow fractionation with inductively coupled plasma mass spectrometry (ICP–MS) or ICP optical emission spectrometry. In the same way, toxicity assays must be adapted to these emerging contaminants because they behave neither as chemical compounds nor their bulk counterparts, which produces different results. Nevertheless, several adverse effects of NMs exposure on organisms have been reported, including DNA damage, mortality, oxidative stress, and growth reduction. However, the majority of these studies utilized acute laboratory exposure, whereas in a real ecosystem, organisms are more likely to experience chronic exposure conditions to numerous NMs and a biomagnification effect should be expected through the trophic chain. Despite the lack of sufficient literature, the present review attempts to link various compartmentalization aspects of NMs, their physical properties, and their toxicity in surface water and sediments.
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 | 0,001 | 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 | 0,000 |
| 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 ».