First evidence of nanoparticle uptake through leaves and roots in beech (<i>Fagus sylvatica</i> L.) and pine (<i>Pinus sylvestris</i> L.)
Notice bibliographique
Résumé
Trees have been used for phytoremediation and as biomonitors of air pollution. However, the mechanisms by which trees mitigate nanoparticle pollution in the environment are still unclear. We investigated whether two important tree species, European beech (Fagus sylvatica L.) and Scots pine (Pinus sylvestris L.), are able to take up and transport differently charged gold nanoparticles (Au-NPs) into their stem by comparing leaf-to-root and root-to-leaf pathways. Au-NPs were taken up by roots and leaves, and a small fraction was transported to the stem in both species. Au-NPs were transported from leaves to roots but not vice versa. Leaf Au uptake was higher in beech than in pine, probably because of the higher stomatal density and wood characteristics of beech. Confocal (3D) analysis confirmed the presence of Au-NPs in trichomes and leaf blade, about 20-30 μm below the leaf surface in beech. Most Au-NPs likely penetrated into the stomatal openings through diffusion of Au-NPs as suggested by the 3D XRF scanning analysis. However, trichomes were probably involved in the uptake and internal immobilization of NPs, besides their ability to retain them on the leaf surface. The surface charge of Au-NPs may have played a role in their adhesion and uptake, but not in their transport to different tree compartments. Stomatal conductance did not influence the uptake of Au-NPs. This is the first study that shows nanoparticle uptake and transport in beech and pine, contributing to a better understanding of the interactions of NPs with different tree species.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».