Effects of silver nanoparticles on bacterial activity in natural waters
Notice bibliographique
Résumé
Silver nanoparticles (AgNPs) may be introduced into aquatic ecosystems because of their widespread use as antimicrobial agents. However, few studies have investigated the impacts of AgNPs on natural aquatic microbial activity in an environmentally relevant context. In this study, bacterioplankton were collected from nine aquatic habitats and exposed to six concentrations of carboxy-functionalized AgNP (ViveNano, 10-nm particle size, 20% Ag w/w) over 48 h. After 1 h of exposure, bacterial production and extracellular alkaline phosphatase affinity were significantly reduced in all AgNP-exposed samples. However, across a 48-h exposure, extracellular aminopeptidase affinity was not consistently impacted by AgNPs. After 48 h, bacterial production recovered by 40 to 250% at low AgNP nominal concentrations (0.05 and 0.1 mg/L) but remained inhibited at the two highest AgNP nominal concentrations (1 and 10 mg/L). In contrast, AgNO(3) additions between 0.01 to 2 mg Ag/L fully inhibited bacterial production over the 48-h exposure. At 48-h exposure, the lowest observed effective concentrations and average median effective concentration for bacterial production ranged from 8 to 66 and 15 to 276 µg Ag/L, respectively. Thus, in natural aquatic systems, AgNP concentrations in the nanogram per liter range are unlikely to negatively impact aquatic biogeochemical cycles. Instead, exposures in the low microgram per liter range would likely be required to negatively impact natural aquatic bacterioplankton processes.
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 | 0,000 | 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 ».