Lipidomic profiling of subchronic As4S4 exposure identifies inflammatory mediators as sensitive biomarkers in rats
Notice bibliographique
Résumé
Arsenic sulfide compounds provide nearly all of the world's supply of arsenic. However, the risk of arsenic trisulfide exposure is still not fully investigated. Here, we systemically assessed the toxicology of As4S4 in rats by combining arsenic metabolite detection, routine testing and lipidomic profiling. It was revealed that the oral administration of As4S4 for two months increased the total arsenic content in the liver reaching a saturation level. Further analysis by anion exchange chromatography coupled with inductively coupled plasma mass spectrometry (ICP-MS) technology showed no trace of inorganic arsenic, but there was significant presence of dimethylarsinic acid (DMA), in the livers of rats. This arsenic metabolite was less toxic to rats and did not induce overt liver pathology and functional injury. In contrast, lipidomic profiling provided a comprehensive map of lipids and uncovered a more complex inflammatory response, exhibiting more sensitive change to arsenic exposure. We observed that metabolites of cyclooxygenase, including PGF2α, dhk PGF2α, 15k PGF2α, 8-iso-PGF2a, PGE2, dhk PGE2, PGD2, 15d-PGD2, and PGJ2, were significantly elevated. But mediators from lipoxygenase, cytochrome P450, docosahexaenoic acid, and eicosapentaenoic acid pathways were not markedly affected. In summary, we identified DMA as the predominant arsenic species in the livers of rats, and found cyclooxygenase-derived lipids as the inflammatory mediators before the development of overt liver injury for subchronic As4S4 exposure. These mediators could translate into potential metabolic biomarkers in early arsenic risk assessment and as targets for therapeutic intervention.
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 | 0,000 |
| 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 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 ».