QSARs for PBPK modelling of environmental contaminants
Notice bibliographique
Résumé
Physiologically-based pharmacokinetic (PBPK) models are increasingly finding use in risk assessment applications of data-rich compounds. However, it is a challenge to determine the chemical-specific parameters for these models, particularly in time- and resource-limiting situations. In this regard, SARs, QSARs and QPPRs are potentially useful for computing the chemical-specific input parameters of PBPK models. Based on the frequency of occurrence of molecular fragments (CH(3), CH(2), CH, C, C=C, H, benzene ring and H in benzene ring structure) and exposure conditions, the available QSAR-PBPK models facilitate the simulation of tissue and blood concentrations for some inhaled volatile organic chemicals. The application domain of existing QSARs for developing PBPK models is limited, due to lack of relevant data for diverse chemicals and mechanisms. Even though this approach is conceptually applicable to non-volatile and high molecular weight organics as well, it is more challenging to predict the other PBPK model parameters required for modelling the kinetics of these chemicals (particularly tissue diffusion coefficients, association constants for binding and oral absorption rates). As the level of our understanding of the mechanistic basis of toxicokinetic processes improves, QSARs to provide a priori predictions of key chemical-specific PBPK parameters can be developed to expedite the internal dose-based health risk assessments in data-poor situations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».