Extrapolating contaminant effects from individuals to populations: a case study on nanoparticle toxicity to Daphnia
Notice bibliographique
Résumé
Abstract Ecological risk assessment (ERA) is charged with assessing the likelihood a chemical will have adverse environmental or ecological effects. When assessing the risk of a potential contaminant to biological organisms, ecologists are most concerned with the sustainability of populations of organisms, rather than protecting every individual. However, ERA most commonly relies on data on the effect of a potential contaminant on individuals because these experiments are more feasible than costly population-level exposures. In this work, we address the challenge of extrapolating these individual-level results to predict population-level effects. Previous per-capita population growth rate estimates calculated from individual-level exposures of Daphnia pulicaria to silver nanoparticles (AgNPs) at different food rations predict a critical daily food requirement for daphnid populations exposed to 200 μg/L AgNPs to avoid extinction. To test this, we exposed daphnid populations to the same AgNP concentration at three different food inputs, with the lowest ration close to the extinction threshold predicted from data on individuals. The two populations with the higher food inputs persisted, and the population with the lowest food input went extinct after 50 days but did persist through two generations. We demonstrate that we can extrapolate between these levels of biological organization by parameterizing an individual-level biomass model with data on individuals’ response to AgNPs and using these parameters to predict the outcome for control and AgNP-exposed populations. Key to successful extrapolation is careful modeling of temporal changes in resource density, driven by both the experimental protocols and feedback from the consumer. The implication for ecotoxicology is that estimates of extinction thresholds based on studies of individuals may be reliable predictors of population outcomes, but only with careful treatment of resource dynamics.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».