Potency Ranking of Per- and Polyfluoroalkyl Substances Using High-Throughput Transcriptomic Analysis of Human Liver Spheroids
Notice bibliographique
Résumé
Per- and polyfluoroalkyl substances (PFAS) are some of the most prominent organic contaminants in human blood. Although the toxicological implications of human exposure to perfluorooctane sulfonate (PFOS) and perfluorooctanoate (PFOA) are well established, data on lesser-understood PFAS are limited. New approach methodologies (NAMs) that apply bioinformatic tools to high-throughput data are being increasingly considered to inform risk assessment for data-poor chemicals. The aim of this study was to compare the potencies (ie, benchmark concentrations: BMCs) of PFAS in primary human liver microtissues (3D spheroids) using high-throughput transcriptional profiling. Gene expression changes were measured using TempO-seq, a templated, multiplexed RNA-sequencing platform. Spheroids were exposed for 1 or 10 days to increasing concentrations of 23 PFAS in 3 subgroups: carboxylates (PFCAs), sulfonates (PFSAs), and fluorotelomers and sulfonamides. PFCAs and PFSAs exhibited trends toward increased transcriptional potency with carbon chain-length. Specifically, longer-chain compounds (7-10 carbons) were more likely to induce changes in gene expression and have lower transcriptional BMCs. The combined high-throughput transcriptomic and bioinformatic analyses support the capability of NAMs to efficiently assess the effects of PFAS in liver microtissues. The data enable potency ranking of PFAS for human liver cell spheroid cytotoxicity and transcriptional changes, and assessment of in vitro transcriptomic points of departure. These data improve our understanding of the possible health effects of PFAS and will be used to inform read-across for human health risk assessment.
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 | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».