Developing tools for defining and establishing pathways of toxicity
Notice bibliographique
Résumé
New approaches for toxicity testing: The US National Research Council report on ‘Toxicity Testing in the 21st Century’ (Krewski et al. 2010) envisioned a shift in testing away from studies of apical endpoints in test animals to the use of human cells to assess perturbations of toxicity pathways (TPs). The report generated widespread interest and has produced subsequent discussions regarding implementation of its key recommendations (Andersen and Krewski 2010; Krewski et al. 2011, 2014). TPs were defined as normal cellular signaling pathways that could serve as targets of toxicity in the face of perturbations of their function by chemical exposures. The examples provided in the report included sex steroid hormone receptor pathways, liver nuclear receptor signaling, and the suite of eight canonical stress pathways, including oxidative stress, DNA damage, heat shock, hypoxia, metal stress, inflammation, endoplasmic reticulum stress, and oxidative stress (Simmons et al. 2009). This aggregation of pathways, based largely on preexisting biological information, remains coarse-grained with many possible nodes in each of these TPs whose alterations could lead to toxicity. Some of the continuing challenges in advancing new, cell-based methods for toxicity testing are (1) the manner in which testing will be accomplished, (2) the degree of detail required to define the biological targets whose alterations lead to toxicity, and (3) the biological granularity underpinning definitions of toxicity pathways.
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 | 0,035 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,019 |
| Communication savante | 0,009 | 0,017 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,019 | 0,044 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,007 |
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 ».