Using Model-Based Screening to Help Discover Unknown Environmental Contaminants
Notice bibliographique
Résumé
Of the tens of thousands of chemicals in use, only a small fraction have been analyzed in environmental samples. To effectively identify environmental contaminants, methods to prioritize chemicals for analytical method development are required. We used a high-throughput model of chemical emissions, fate, and bioaccumulation to identify chemicals likely to have high concentrations in specific environmental media, and we prioritized these for target analysis. This model-based screening was applied to 215 organosilicon chemicals culled from industrial chemical production statistics. The model-based screening prioritized several recognized organosilicon contaminants and generated hypotheses leading to the selection of three chemicals that have not previously been identified as potential environmental contaminants for target analysis. Trace analytical methods were developed, and the chemicals were analyzed in air, sewage sludge, and sediment. All three substances were found to be environmental contaminants. Phenyl-tris(trimethylsiloxy)silane was present in all samples analyzed, with concentrations of ∼50 pg m(-3) in Stockholm air and ∼0.5 ng g(-1) dw in sediment from the Stockholm archipelago. Tris(trifluoropropyl)trimethyl-cyclotrisiloxane and tetrakis(trifluoropropyl)tetramethyl-cyclotetrasiloxane were found in sediments from Lake Mjøsa at ∼1 ng g(-1) dw. The discovery of three novel environmental contaminants shows that models can be useful for prioritizing chemicals for exploratory assessment.
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) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».