Determination of concentration of heavy metals and metalloids in grapes grown in Gonabad vineyards and assessment of associated health risks
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
Abstract Metals and metalloids are considered as major public health hazards, they are known to accumulate in fruits, which are heavily consumed by humans because of their unique sweet taste and potential health benefits. Therefore, the aim of this study was to measure the concentration of ten heavy metals and metalloids including arsenic (As), cadmium (Cd), cobalt (Co), chromium (Cr), copper (Cu), Iron (Fe), manganese (Mn), nickel (Ni), lead (Pb) and zinc (Zn) in grapes samples grown in Gonabad vineyards and to estimate the associated health risks of metals in terms of chronic daily intake (CDI), and carcinogenic and non-carcinogenic risks by hazard quotient (HQ), hazard index (HI) and cancer risk (CR). The overall concentration of in red grapes were in range 0.07–0.5 (mean 0.14), 0.08–0.13 (mean 0.10), 0.07–0.13 (mean 0.09), 0.06–1.49 (mean 0.29), 0.52–4.12 (mean 1.65), 6.43–42.17 (mean 19.01), 0.89–4.04 (mean 1.89), 0.07–9.23 (mean 0.71), 0.07–0.37 (mean 0.18), 0.40–4.13 (mean 1.05) mg/kg dry weight for As, Cd, Co, Cr, Cu, Fe, Mn, Ni, Pb and Zn, respectively. Based on the results, cadmium for all samples and Pb in 64.7 % and As in 35.3% of the samples exceeded the FAO/WHO permissible limits. The estimated non-carcinogenic and carcinogenic risk indices showed that the results were lower than the critical value (1) and in acceptable range, respectively, therefore red grape is safe for consumption with no impact on the human health. The obtained data can be used in remediation techniques, as well as in implementing control measures of metals contamination in grapes.
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 découle