Toxicological mechanisms and potencies of organophosphate esters in KGN human ovarian granulosa cells as revealed by high-throughput transcriptomics
Notice bibliographique
Résumé
Despite the growing number of studies reporting potential risks associated with exposure to organophosphate esters (OPEs), their molecular mechanisms of action remain poorly defined. We used the high-throughput TempO-Seq platform to investigate the effects of frequently detected OPEs on the expression of ∼3000 environmentally responsive genes in KGN human ovarian granulosa cells. Cells were exposed for 48 h to 1 of 5 OPEs (0.1-50 μM): tris(methylphenyl) phosphate (TMPP), isopropylated triphenyl phosphate (IPPP), tert-butylphenyl diphenyl phosphate (BPDP), triphenyl phosphate (TPHP), or tris(2-butoxyethyl) phosphate (TBOEP). The sequencing data indicate that 4 OPEs induced transcriptional changes, whereas TBOEP had no effect within the concentration range tested. Multiple pathway databases were used to predict alterations in biological processes based on differentially expressed genes. At lower concentrations, inhibition of the cholesterol biosynthetic pathway was the predominant effect of OPEs; this was likely a consequence of intracellular cholesterol accumulation. At higher concentrations, BPDP and TPHP had distinct effects, primarily affecting pathways involved in cell cycle progression and other stress responses. Benchmark concentration modeling revealed that BPDP had the lowest transcriptomic point of departure. However, in vitro to in vivo extrapolation modeling indicated that TMPP was bioactive at lower concentrations than the other OPEs. We conclude that these new approach methodologies provide information on the mechanism(s) underlying the effects of data-poor compounds and assist in the derivation of protective points of departure for use in chemical read-across and decision-making.
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) | 0,001 | 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 ».