Adverse outcome pathway networks I: Development and applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Based on the results of a Horizon Scanning exercise sponsored by the Society of Environmental Toxicology and Chemistry that focused on advancing the adverse outcome pathway (AOP) framework, the development of guidance related to AOP network development was identified as a critical need. This not only included questions focusing directly on AOP networks, but also on related topics such as mixture toxicity assessment and the implementation of feedback loops within the AOP framework. A set of two articles has been developed to begin exploring these concepts. In the present article (part I), we consider the derivation of AOP networks in the context of how it differs from the development of individual AOPs. We then propose the use of filters and layers to tailor AOP networks to suit the needs of a given research question or application. We briefly introduce a number of analytical approaches that may be used to characterize the structure of AOP networks. These analytical concepts are further described in a dedicated, complementary article (part II). Finally, we present a number of case studies that illustrate concepts underlying the development, analysis, and application of AOP networks. The concepts described in the present article and in its companion article (which focuses on AOP network analytics) are intended to serve as a starting point for further development of the AOP network concept, and also to catalyze AOP network development and application by the different stakeholder communities. Environ Toxicol Chem 2018;37:1723-1733. © 2018 The Authors. Environmental Toxicology and Chemistry published by Wiley Periodicals, Inc. on behalf of SETAC.
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.
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 découle