MétaCan
Menu
Retour à la cohorte
Enregistrement W3045582995 · doi:10.1021/acs.est.0c02639

Structures of Endocrine-Disrupting Chemicals Determine Binding to and Activation of the Estrogen Receptor α and Androgen Receptor

2020· article· en· W3045582995 sur OpenAlexaff
Haoyue Tan, Xiaoxiang Wang, Huixiao Hong, Emilio Benfenati, John P. Giesy, Giuseppina Gini, Rebeca Kusko, Xiaowei Zhang, Hongxia Yu, Wei Shi

Notice bibliographique

RevueEnvironmental Science & Technology · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEffects and risks of endocrine disrupting chemicals
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesGovernment of Jiangsu ProvinceMinistry of Science and Technology of the People's Republic of ChinaMinistry of Education of the People's Republic of ChinaNational Natural Science Foundation of China
Mots-clésAndrogen receptorEstrogen receptorReceptorAgonistNuclear receptorChemistryEstrogen receptor alphaEndocrine systemEndocrine disruptorDocking (animal)AndrogenEstrogenInternal medicineEndocrinologyComputational biologyBiophysicsBiochemistryBiologyHormoneTranscription factorMedicineGene

Résumé

récupéré en direct d'OpenAlex

Endocrine-disrupting chemicals (EDCs) can interact with nuclear receptors, including estrogen receptor α (ERα) and androgen receptor (AR), to affect the normal endocrine system function, causing severe symptoms. Limited studies queried the EDC mechanisms, focusing on limited chemicals or a set of structurally similar compounds. It remained uncertain how hundreds of diverse EDCs could bind to ERα and AR and cause distinct functional consequences. Here, we employed a series of computational methodologies to investigate the structural features of EDCs that bind to and activate ERα and AR based on more than 4000 compounds. We used molecular docking and molecular dynamics simulations to elucidate the functional consequences and validated structure-function correlations experimentally using a time-resolved fluorescence resonance energy-transfer assay. We found that EDCs share three levels of key fragments. Primary (20 for ERα and 18 for AR) and secondary fragments (38 for ERα and 29 for AR) are responsible for the binding to receptors, and tertiary fragments determine the activity type (agonist, antagonist, or mixed). In summary, our study provides a general mechanism for the EDC function. Discovering the three levels of key fragments may drive fast screening and evaluation of potential EDCs from large sets of commercially used synthetic compounds.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,270
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations78
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironmental Science & TechnologyMême sujetEffects and risks of endocrine disrupting chemicalsTravaux en français237 207