46 Solubility and the Toxicity of Metal Oxide Nanoparticles: Looking Through the Lens of Toxicogenomics and DNA Damage
Notice bibliographique
Résumé
Abstract Metal oxide nanoparticles (MONPs) are amongst the most widely utilized classes of nanomaterials worldwide. The mechanisms underlying their pulmonary toxicity are dependant on the physical-chemical properties of the particles. Solubility plays a critical role, as proportions of nanoparticles and dissolved metals change over time; however their relative contribution to the resulting toxicity has yet to be thoroughly investigated. The objective of this study was to mechanistically evaluate the impact of solubility on the toxic potential of MONPs. In this study, mouse lung epithelial cells were exposed for 2 – 48 Hrs to copper, zinc, nickel, aluminum and titanium oxides (CuO, ZnO, NiO, Al2O3, TiO2) as MONPs and microparticles, and corresponding metal chloride salts. Viability was assessed at each timepoint using Trypan Blue staining. DNA damage was measured after 2 and 4 Hrs exposure via the CometChip assay, while transcriptomic changes were measured using microarrays after 2, 24, and 48 Hrs of exposure. Benchmark dose modelling of viability and transcriptomics data indicates that ZnO and CuO MONPs induced more pronounced cytotoxicity and gene expression, earlier, than NiO, Al2O3, and TiO2 MONPs. With respect to DNA damage potential, NiO, CuO and ZnO MONPs showed the highest potency, with ZnCl2 being the only chloride to induce DNA damage at either timepoint. The metal chlorides induced similar pathway perturbations as their respective MONPs, while corresponding microparticle oxides (except ZnO microparticles) exhibited muted responses. This presentation will further explore these findings, with an emphasis on the effect of solubility on toxicity.
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 | 0,003 | 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 | 0,000 |
| 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 ».