Data analysis strategies for the characterization of chemical contaminant mixtures. Fish as a case study
Notice bibliographique
Résumé
Thousands of chemicals are potentially contaminating the environment and food resources, covering a wide spectrum of molecular structures, physico-chemical properties, sources, environmental behavior and toxic profiles. Beyond the description of the individual chemicals, characterizing contaminant mixtures in related matrices has become a major challenge in ecological and human health risk assessments. Continuous analytical developments, in the fields of targeted (TA) and non-targeted analysis (NTA), have resulted in ever larger sets of data on associated chemical profiles. More than ever, the implementation of advanced data analysis strategies is essential to elucidate profiles and extract new knowledge from these large data sets. Specifically focusing on the data analysis step, this review summarizes the recent progress in integrating data analysis tools into TA and NTA workflows to address the challenging characterization of chemical mixtures in environmental and food matrices. As fish matrices are relevant in both aquatic pollution and consumer exposure perspectives, fish was chosen as the main theme to illustrate this review, although the present document is equally relevant to other food and environmental matrices. The key features of TA and NTA data sets were reviewed to illustrate the challenges associated with their analysis. Advanced filtering strategies to mine NTA data sets are presented, with a particular focus on chemical filters and discriminant analysis. Further, the applications of supervised and unsupervised multivariate analysis methods to characterize exposure to chemical mixtures, and their associated challenges, is discussed.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».