Adverse Outcome Pathway Development for Assessment of Lung Carcinogenicity by Nanoparticles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Lung cancer, one of the most common and deadly forms of cancer, is in some cases associated with exposure to certain types of particles. With the rise of nanotechnology, there is concern that some engineered nanoparticles may be among such particles. In the absence of epidemiological evidence, assessment of nanoparticle carcinogenicity is currently performed on a time-consuming case-by-case basis, relying mainly on animal experiments. Non-animal alternatives exist, including a few validated cell-based methods accepted for regulatory risk assessment of nanoparticles. Furthermore, new approach methodologies (NAMs), focused on carcinogenic mechanisms and capable of handling the increasing numbers of nanoparticles, have been developed. However, such alternative methods are mainly applied as weight-of-evidence linked to generally required animal data, since challenges remain regarding interpretation of the results. These challenges may be more easily overcome by the novel Adverse Outcome Pathway (AOP) framework, which provides a basis for validation and uptake of alternative mechanism-focused methods in risk assessment. Here, we propose an AOP for lung cancer induced by nanosized foreign matter, anchored to a selection of 18 standardized methods and NAMs for in silico - and in vitro -based integrated assessment of lung carcinogenicity. The potential for further refinement of the AOP and its components is discussed in relation to available nanosafety knowledge and data. Overall, this perspective provides a basis for development of AOP-aligned alternative methods-based integrated testing strategies for assessment of nanoparticle-induced lung cancer.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle