Per- and polyfluoroalkyl substances (PFAS) in mixtures show additive effects on transcriptomic points of departure in human liver spheroids
Notice bibliographique
Résumé
Per- and polyfluoroalkyl substances (PFAS) are a wide range of chemicals that are used in a variety of consumer and industrial products leading to direct human exposure. Many PFAS are chemically nonreactive and persistent in the environment, resulting in additional exposure from water, soil, and dietary intake. While some PFAS have documented negative health effects, data on simultaneous exposures to multiple PFAS (PFAS mixtures) are inadequate for making informed decisions for risk assessment. The current study leverages data from previous work in our group using Templated Oligo-Sequencing (TempO-Seq) for high-throughput transcriptomic analysis of PFAS-exposed primary human liver cell spheroids; herein, we determine the transcriptomic potency of PFAS in mixtures. Gene expression data from single PFAS and mixture exposures of liver cell spheroids were subject to benchmark concentration (BMC) analysis. We used the 25th lowest gene BMC as the point of departure to compare the potencies of single PFAS to PFAS mixtures of varying complexity and composition. Specifically, the empirical potency of 8 PFAS mixtures were compared to predicted mixture potencies calculated using the principal of concentration addition (ie, dose addition) in which mixture component potencies are summed by proportion to predict mixture potency. In this study, for most mixtures, empirical mixture potencies were comparable to potencies calculated through concentration addition. This work supports that the effects of PFAS mixtures on gene expression largely follow the concentration addition predicted response and suggests that effects of these individual PFAS in mixtures are not strongly synergistic or antagonistic.
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 | 0,001 | 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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».