High-Throughput Transcriptomic Analysis of Human Primary Hepatocyte Spheroids Exposed to Per- and Polyfluoroalkyl Substances as a Platform for Relative Potency Characterization
Notice bibliographique
Résumé
Per- and poly-fluoroalkyl substances (PFAS) are widely found in the environment because of their extensive use and persistence. Although several PFAS are well studied, most lack toxicity data to inform human health hazard and risk assessment. This study focused on 4 model PFAS: perfluorooctanoic acid (PFOA; 8 carbon), perfluorobutane sulfonate (PFBS; 4 carbon), perfluorooctane sulfonate (PFOS; 8 carbon), and perfluorodecane sulfonate (PFDS; 10 carbon). Human primary liver cell spheroids (pooled from 10 donors) were exposed to 10 concentrations of each PFAS and analyzed at 4 time points. The approach aimed to: (1) identify gene expression changes mediated by the PFAS, (2) identify similarities in biological responses, (3) compare PFAS potency through benchmark concentration analysis, and (4) derive bioactivity exposure ratios (ratio of the concentration at which biological responses occur, relative to daily human exposure). All PFAS induced transcriptional changes in cholesterol biosynthesis and lipid metabolism pathways, and predicted PPARα activation. PFOS exhibited the most transcriptional activity and had a highly similar gene expression profile to PFDS. PFBS induced the least transcriptional changes and the highest benchmark concentration (ie, was the least potent). The data indicate that these PFAS may have common molecular targets and toxicities, but that PFOS and PFDS are the most similar. The transcriptomic bioactivity exposure ratios derived here for PFOA and PFOS were comparable to those derived using rodent apical endpoints in risk assessments. These data provide a baseline level of toxicity for comparison with other known PFAS using this testing strategy.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».