A methodology for developing key events to advance nanomaterial-relevant adverse outcome pathways to inform risk assessment
Notice bibliographique
Résumé
Significant advances have been made in the development of Adverse Outcome Pathways (AOPs) over the last decade, mainly focused on the toxicity mechanisms of chemicals. These AOPs, although relevant to manufactured nanomaterials (MNs), do not currently capture the reported roles of size-associated properties of MNs on toxicity. Moreover, some AOs of relevance to airborne exposures to MNs such as lung inflammation and fibrosis shown in animal studies may not be targeted in routine regulatory decision making. The primary objective of the present study was to establish an approach to advance the development of AOPs of relevance to MNs using existing, publicly available, nanotoxicology literature. A systematic methodology was created for curating, organizing and applying the available literature for identifying key events (KEs). Using a case study approach, the study applied the available literature to build the biological plausibility for 'tissue injury', a KE of regulatory relevance to MNs. The results of the analysis reveal the various endpoints, assays and specific biological markers used for assessing and reporting tissue injury. The study elaborates on the limitations and opportunities of the current nanotoxicology literature and provides recommendations for the future reporting of nanotoxicology results that will expedite not only the development of AOPs for MNs but also aid in application of existing data for decision making.
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 | 0,066 | 0,106 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,007 |
| Bibliométrie | 0,032 | 0,016 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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 ».