Insights Into Arsenite and Arsenate Uptake Pathways Using a Whole Cell Biosensor
Notice bibliographique
Résumé
Despite its high toxicity and widespread occurrence in many parts of the world, arsenic (As) concentrations in decentralized water supplies such as domestic wells remain often unquantified. One limitation to effective monitoring is the high cost and lack of portability of current arsenic speciation techniques. Here, we present an arsenic biosensor assay capable of quantifying and determining the bioavailable fraction of arsenic species at environmentally relevant concentrations. First, we found that inorganic phosphate, a buffering agent and nutrient commonly found in most bioassay exposure media, was in fact limiting As(V) uptake, possibly explaining the variability in As(V) detection reported so far. Second, we show that the nature of the carbon source used in the bioassay differentially affects the response of the biosensor to As(III). Finally, our data support the existence of non-specific reduction pathways (non ars encoded) that are responsible for the reduction of As(V) to As(III), allowing its detection by the biosensor. To validate our laboratory approach using field samples, we performed As(III) and As(V) standard additions on natural water samples collected from 17 lakes surrounding Giant Mine in Yellowknife, Canada. We found that legacy arsenic contamination in these lake water samples was accurately quantified by the biosensor. Interestingly, bioavailability of freshly added standards showed signs of matrix interference, indicative of dynamic interactions between As(III) / As(V) and environmental constituents that have yet to be identified. Our results point towards dissolved organic carbon as possibly controlling these interactions, thus, As bioavailability.
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 ».