Integrating toxicogenomics into human health risk assessment: Lessons learned from the benzo[<i>a</i>]pyrene case study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The use of short-term toxicogenomic tests to predict cancer (or other health effects) offers considerable advantages relative to traditional toxicity testing methods. The advantages include increased throughput, increased mechanistic data, and significantly reduced costs. However, precisely how toxicogenomics data can be used to support human health risk assessment (RA) is unclear. In a companion paper ( Moffat et al. 2014 ), we present a case study evaluating the utility of toxicogenomics in the RA of benzo[a]pyrene (BaP), a known human carcinogen. The case study is meant as a proof-of-principle exercise using a well-established mode of action (MOA) that impacts multiple tissues, which should provide a best case example. We found that toxicogenomics provided rich mechanistic data applicable to hazard identification, dose-response analysis, and quantitative RA of BaP. Based on this work, here we share some useful lessons for both research and RA, and outline our perspective on how toxicogenomics can benefit RA in the short- and long-term. Specifically, we focus on (1) obtaining biologically relevant data that are readily suitable for establishing an MOA for toxicants, (2) examining the human relevance of an MOA from animal testing, and (3) proposing appropriate quantitative values for RA. We describe our envisioned strategy on how toxicogenomics can become a tool in RA, especially when anchored to other short-term toxicity tests (apical endpoints) to increase confidence in the proposed MOA, and emphasize the need for additional studies on other MOAs to define the best practices in the application of toxicogenomics in RA.
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.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 découle