Defining the Chemical Additives Driving <i>In Vitro</i> Toxicities of Plastics
Notice bibliographique
Résumé
Increases in the global use of plastics have caused concerns regarding potential adverse effects on human health. Plastic products contain hundreds of potentially toxic chemical additives, yet the exact chemicals which drive toxicity currently remain unknown. In this study, we employed nontargeted analysis and in vitro bioassays to identify the toxicity drivers in plastics. A total of 56 chemical additives were tentatively identified in five commonly used plastic polymer pellets (i.e., PP, LDPE, HDPE, PET, and PVC) by employing suspect screening and nontargeted analysis. Phthalates and organophosphates were found to be dominant in PVC pellets. Triphenyl phosphate and 2-ethylhexyl diphenyl phosphate accounted for a high amount (53.6%) of the inhibition effect of PVC pellet extract on human carboxylesterase 1 (hCES1) activity. Inspired by the high abundances of chemical additives in PVC pellets, six different end-user PVC-based products including three widely used PVC water pipes were further examined. Among them, extracts of PVC pipe exerted the strongest PPARγ activity and cell viability suppression. Organotins were identified as the primary drivers to these in vitro toxicities induced by the PVC pipe extracts. This study clearly delineates specific chemical additives responsible for hCES1 inhibition, PPARγ activity, and cell viability suppression associated with plastic.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| 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) | 0,002 | 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 ».