MétaCan
Menu
Retour à la cohorte
Enregistrement W3112134971 · doi:10.1002/etc.4960

Development of Quantitative Ion Character<b>–</b>Activity Relationship Models to Address the Lack of Toxicological Data for Technology-Critical Elements

2020· article· en· W3112134971 sur OpenAlexaff
Séverine Le Faucheur, Jelle Mertens, Eric van Genderen, Amiel Boullemant, Claude Fortin, Peter G. C. Campbell

Notice bibliographique

RevueEnvironmental Toxicology and Chemistry · 2020
Typearticle
Langueen
DomaineChemistry
ThématiqueAnalytical chemistry methods development
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesNational Institute of Standards and TechnologyUniversité de GenèveU.S. Environmental Protection AgencyOregon State UniversityUniversity of MiamiNickel Producers Environmental Research Association
Mots-clésCharacter (mathematics)BiologyMathematics

Résumé

récupéré en direct d'OpenAlex

Abstract Recent industrial developments have resulted in an increase in the use of so-called technology-critical elements (TCEs), for which the potential impacts on aquatic biota remain to be evaluated. In the present study, quantitative ion character–activity relationships (QICARs) have been developed to relate intrinsic metal properties to their toxicity toward freshwater aquatic organisms. In total, 23 metal properties were tested as predictors of acute median effect concentration (EC50) values for 12 data-rich metals, for algae, daphnids, and fish (with and without species distinction). Simple and multiple linear regressions were developed using the toxicological data expressed as a function of the total dissolved metal concentrations. The best regressions were then tested by comparing the predicted EC50 values for the TCEs (germanium, indium, gold, and rhenium) and platinum group elements (iridium, platinum, palladium, rhodium, and ruthenium) with the few measured values that are available. The 8 “best” QICAR models (adjusted r2 &amp;gt; 0.6) used the covalent index as the predictor. For a given metal ion, this composite parameter is a measure of the importance of covalent interactions relative to ionic interactions. Toxicity was reasonably well predicted for most of the TCEs, with values falling within the 95% prediction intervals for the regressions of the measured versus predicted EC50 values. Exceptions included Au(I) (all test organisms), Au(III) (algae and fish), Pt(II) (algae, daphnids), Ru(III) (daphnids), and Rh(III) (daphnids, fish). We conclude that QICARs show potential as a screening tool to review toxicity data and flag “outliers,” which might need further scrutiny, and as an interpolating or extrapolating tool to predict TCE toxicity. Environ Toxicol Chem 2021;40:1139–1148. © 2020 SETAC

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,051
Score d'incertitude au seuil0,763

Scores Codex et Gemma par catégorie

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

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 Opus0,228
Tête enseignante GPT0,376
Écart entre enseignants0,149 · 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 tête enseignante, 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

Citations10
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironmental Toxicology and ChemistryMême sujetAnalytical chemistry methods developmentTravaux en français237 207