Building the Environmental Chemical-Protein Interaction Network (eCPIN): An Exposome-Wide Strategy for Bioactive Chemical Contaminant Identification
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
Although advancements in nontargeted analysis have made it possible to detect hundreds of chemical contaminants in a single run, the current environmental toxicology approaches lag behind, precluding the transition from analytical chemistry efforts to health risk assessment. We herein highlighted a recently developed "top-down" bioanalytical method, protein Affinity Purification with Nontargeted Analysis (APNA), to screen for bioactive chemical contaminants at the "exposome-wide" level. To achieve this, a tagged functional protein is employed as a "bait" to directly isolate bioactive chemical contaminants from environmental mixtures, which are further identified by nontargeted analysis. Advantages of this protein-guided approach, including the discovery of new bioactive ligands as well as new protein targets for known chemical contaminants, were highlighted by several case studies. Encouraged by these successful applications, we further proposed a framework, i.e., the environmental Chemical-Protein Interaction Network (eCPIN), to construct a complete map of the 7 billion binary interactions between all chemical contaminants (>350,000) and human proteins (∼20,000) via APNA. The eCPIN could be established in three stages through strategically prioritizing the ∼20,000 human proteins, such as focusing on the 48 nuclear receptors (e.g., thyroid hormone receptors) in the first stage. The eCPIN will provide an unprecedented throughput for screening bioactive chemical contaminants at the exposome-wide level and facilitate the identification of molecular initiating events at the proteome-wide level.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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