Adverse Outcome Pathway Development II: Best Practices
Notice bibliographique
Résumé
Organization of existing and emerging toxicological knowledge into adverse outcome pathway (AOP) descriptions can facilitate greater application of mechanistic data, including those derived through high-throughput in vitro, high content omics and imaging, and biomarker approaches, in risk-based decision making. The previously ad hoc process of AOP development is being formalized through development of internationally harmonized guidance and principles. The goal of this article was to outline the information content desired for formal AOP description and some rules of thumb and best practices intended to facilitate reuse and connectivity of elements of an AOP description in a knowledgebase and network context. For example, key events (KEs) are measurements of change in biological state that are indicative of progression of a perturbation toward a specified adverse outcome. Best practices for KE description suggest that each KE should be defined as an independent measurement made at a particular level of biological organization. The concept of "functional equivalence" can help guide both decisions about how many KEs to include in an AOP and the specificity with which they are defined. Likewise, in describing both KEs and evidence that supports a causal linkage or statistical association between them (ie, a key event relationship; KER), best practice is to build from and contribute to existing KE or KER descriptions in the AOP knowledgebase rather than creating redundant descriptions. The best practices proposed address many of the challenges and uncertainties related to AOP development and help promote a consistent and reliable, yet flexible approach.
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 | 0,028 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».