Arsenic speciation in freshwater fish: challenges and research needs
Notice bibliographique
Résumé
Food and water are the main sources of human exposure to arsenic. It is important to determine arsenic species in food because the toxicities of arsenic vary greatly with its chemical speciation. Extensive research has focused on high concentrations of arsenic species in marine organisms. The concentrations of arsenic species in freshwater fish are much lower, and their determination presents analytical challenges. In this review, we summarize the current state of knowledge on arsenic speciation in freshwater fish and discuss challenges and research needs. Fish samples are typically homogenized, and arsenic species are extracted using water/methanol with the assistance of sonication and enzyme treatment. Arsenic species in the extracts are commonly separated using high-performance liquid chromatography (HPLC) and detected using inductively coupled plasma mass spectrometry (ICPMS). Electrospray ionization tandem mass spectrometry, used in combination with HPLC and ICPMS, provides complementary information for the identification and characterization of arsenic species. The methods and perspectives discussed in this review, covering sample preparation, chromatography separation, and mass spectrometry detection, are directed to arsenic speciation in freshwater fish and applicable to studies of other food items. Despite progress made in arsenic speciation analysis, a large fraction of the total arsenic in freshwater fish remains unidentified. It is challenging to identify and quantify arsenic species present in complex sample matrices at very low concentrations. Further research is needed to improve the extraction efficiency, chromatographic resolution, detection sensitivity, and characterization capability.
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 | 0,000 |
| 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 ».