Transcriptome Sequencing (RNA-seq) Analysis of the Effects of Metal Nanoparticle Exposure on the Transcriptome of Chlamydomonas reinhardtii
Notice bibliographique
Résumé
The widespread use of nanoparticles (NPs) raises concern over their potential toxicological effects in humans and ecosystems. Here we used transcriptome sequencing (RNA-seq) to evaluate the effects of exposure to four different metal-based NPs, nano-Ag (nAg), nano-TiO2 (nTiO2), nano-ZnO (nZnO), and CdTe/CdS quantum dots (QDs), in the eukaryotic green alga Chlamydomonas reinhardtii. The transcriptome was characterized before and after exposure to each NP type. Specific toxicological effects were inferred from the functions of genes whose transcripts either increased or decreased. Data analysis resulted in important differences and also similarities among the NPs. Elevated levels of transcripts of several marker genes for stress were observed, suggesting that only nZnO caused nonspecific global stress to the cells under environmentally relevant conditions. Genes with photosynthesis-related functions were decreased drastically during exposure to nTiO2 and slightly during exposures to the other NP types. This pattern suggests either toxicological effects in the chloroplast or effects that mimic a transition from low to high light. nAg exposure dramatically elevated the levels of transcripts encoding known or predicted components of the cell wall and the flagella, suggesting that it damages structures exposed to the external milieu. Exposures to nTiO2, nZnO, and QDs elevated the levels of transcripts encoding subunits of the proteasome, suggesting proteasome inhibition, a phenomenon believed to underlie the development and progression of several major diseases, including Alzheimer's disease, and used in chemotherapy against multiple myeloma.
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 | 0,001 |
| 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 ».