High-throughput transcriptomics and benchmark concentration modeling for potency ranking of per- and polyfluoroalkyl substances (PFAS) in exposed human liver cell spheroids
Notice bibliographique
Résumé
Abstract Per- and polyfluoroalkyl substances (PFAS) are some of the most prominent organic contaminants in human blood. Although the toxicological implications from human exposure to perfluorooctane sulfonate (PFOS) and perfluorooctanoate (PFOA) are well established, data on lesser-understood PFAS are limited. New approach methodologies (NAMs) that apply bioinformatic tools to high-throughput data are being increasingly considered to inform risk assessment for data-poor chemicals. The aim of this investigation was to identify biological response potencies (i.e., benchmark concentrations: BMCs) following PFAS exposures to inform read-across for risk assessment of data-poor PFAS. Gene expression changes were measured in primary human liver cell microtissues (i.e., 3D spheroids) after 1-day and 10-day exposures to increasing concentrations of 23 PFAS. The cells were treated with four subgroups of PFAS: carboxylates (PFCAs), sulfonates (PFSAs), fluorotelomers, and sulfonamides. An established pipeline to identify differentially expressed genes and transcriptomic BMCs was applied. We found that both PFCAs and PFSAs exhibited a trend toward increased transcriptional changes with carbon chain-length. Specifically, longer-chain compounds (7 to 10 carbons) were more likely to induce changes in gene expression, and have lower transcriptional BMCs. The combined high-throughput transcriptomic and bioinformatic analyses supports the capability of NAMs to efficiently assess the effects of PFAS in liver microtissues. The data enable potency ranking of PFAS for human liver cell spheroid cytotoxicity and transcriptional changes, and assessment of in vitro transcriptomic points of departure. These data improve our understanding of the health effects of PFAS and will be used to inform read-across for human health risk assessment.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».