Dynamics of Metal Partitioning at the Cell–Solution Interface: Implications for Toxicity Assessment under Growth-Inhibiting Conditions
Notice bibliographique
Résumé
Metal toxicity toward microorganisms is usually evaluated by determining growth inhibition. To achieve a mechanistic interpretation of such toxic effects, the intricate coupling between cell growth kinetics and metal partitioning dynamics at the cell-solution interface over time must be considered on a quantitative level. A formalism is elaborated to evaluate cell-surface-bound, internalized, and extracellular metal fractions in the limit where metal uptake kinetics is controlled by internalization under noncomplexing medium conditions. Cell growth kinetics is tackled using the continuous logistic equation modified to include growth inhibition by metal accumulation to intracellular or cell surface sites. The theory further includes metal-proton competition for adsorption at cell-surface binding sites, as well as possible variation of cell size during exposure to metal ions. The formalism elucidates the dramatic impacts of initial cell concentration on metal bioavailability and toxicity over time, in agreement with reported algae bioassays. It further highlights that appropriate definition of toxicity endpoints requires careful inspection of the ratio between exposure time scale and time scale of metal depletion from bulk solution. The latter depends on metal internalization-excretion rate constants, microorganism growth, and the extent of metal adsorption on nonspecific, transporter, and growth inhibitory sites. As an application of the theory, Cd toxicity in the algae Pseudokirchneriella subcapitata is interpreted from constrained modeling of cell growth kinetics and of interfacial Cd-partitioning dynamics measured under various exposure conditions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».