Quantitative in vitro to in vivo extrapolation of genotoxicity data provides protective estimates of in vivo dose
Notice bibliographique
Résumé
Genotoxicity assessment is a critical component in the development and evaluation of chemicals. Traditional genotoxicity assays (i.e., mutagenicity, clastogenicity, and aneugenicity) have been limited to dichotomous hazard classification, while other toxicity endpoints are assessed through quantitative determination of points-of-departures (PODs) for setting exposure limits. The more recent higher-throughput in vitro genotoxicity assays, many of which also provide mechanistic information, offer a powerful approach for determining defined PODs for potency ranking and risk assessment. In order to obtain relevant human dose context from the in vitro assays, in vitro to in vivo extrapolation (IVIVE) models are required to determine what dose would elicit a concentration in the body demonstrated to be genotoxic using in vitro assays. Previous work has demonstrated that application of IVIVE models to in vitro bioactivity data can provide PODs that are protective of human health, but there has been no evaluation of how these models perform with in vitro genotoxicity data. Thus, the Genetic Toxicology Technical Committee, under the Health and Environmental Sciences Institute, conducted a case study on 31 reference chemicals to evaluate the performance of IVIVE application to genotoxicity data. The results demonstrate that for most chemicals considered here (20/31), the PODs derived from in vitro data and IVIVE are health protective relative to in vivo PODs from animal studies. PODs were also protective by assay target: mutations (8/13 chemicals), micronuclei (9/12), and aneugenicity markers (4/4). It is envisioned that this novel testing strategy could enhance prioritization, rapid screening, and risk assessment of genotoxic chemicals.
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 | 0,000 |
| 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) | 0,000 | 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 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 ».