Metal Mixture Modeling Evaluation project: 3. Lessons learned and steps forward
Notice bibliographique
Résumé
A comparison of 4 metal mixture toxicity models (that were based on the biotic ligand model [BLM] and the Windermere humic aqueous model using the toxicity function [WHAM-FTOX ]) was presented in a previous paper. In the present study, a streamlined version of the 4 models was developed and applied to multiple data sets and test conditions to examine key assumptions and calibration strategies that are crucial in modeling metal mixture toxicity. Results show that 1) a single binding site on or in the organism was a useful and oftentimes sufficient framework for predicting metal toxicity; 2) a linear free energy relationship (LFER) for bidentate binding of metals and cations to the biotic ligand provided a good first estimate of binding coefficients; 3) although adjustments in metal binding coefficients or adjustments in chemical potency factors can both be used in model calibration for single-metal exposures, changing metal binding coefficients or chemical potency factors had different effects on model predictions for metal mixtures; and 4) selection of a mixture toxicity model (based on concentration addition or independent action) was important in predicting metal mixture toxicity. Moving forward, efforts should focus on reducing uncertainties in model calibration, including development of better methods to characterize metal binding to toxicologically active binding sites, conducting targeted exposure studies to advance the understanding of metal mixture toxicity, and further developing LFERs and other tools to help constrain the model calibration.
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 | 0,038 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».