MétaCan
Menu
Retour à la cohorte
Enregistrement W4388810374 · doi:10.14573/altex.2307061

Beyond chemicals: Opportunities and challenges of integrating non-chemical stressors in adverse outcome pathways

2023· article· en· W4388810374 sur OpenAlexaff
Laure‐Alix Clerbaux, Julija Filipovska, Penny Nymark, Vinita Chauhan, Katherina Sewald, Madgalini Sachana, Anna Beronius, Maria João Amorim, Clemens Wittwehr

Notice bibliographique

RevueALTEX · 2023
Typearticle
Langueen
DomaineNursing
ThématiqueVitamin C and Antioxidants Research
Établissements canadiensHealth Canada
Organismes subventionnairesnon disponible
Mots-clésAdverse Outcome PathwayStressorComputer scienceRisk analysis (engineering)Biochemical engineeringComputational biologyBiologyMedicineNeuroscience

Résumé

récupéré en direct d'OpenAlex

Adverse outcome pathways (AOPs) were developed to accelerate evidence-based chemical risk assessment by leveraging data from new approach methodologies. Thanks to their stressor-agnostic approach, AOPs were seen as instrumental in other fields. Here, we present AOPs that report non-chemical stressors along with the challenges encountered for their development. Challenges regarding AOPs linked to nanomaterials include non-specific molecular initiating events, limited understanding of nanomaterial biodistribution, and needs for adaptations of in silico modeling and testing systems. Development of AOPs for radiation faces challenges in how to incorporate ionizing events type, dose rate, energy deposition, and how to account for targeting multiple macromolecules. AOPs for COVID-19 required the inclusion of SARS-CoV-2-specific replicative steps to capture the essential events driving the disease. Developing AOPs to evaluate efficacy and toxicity of cell therapies necessitates addressing the cellular nature and the therapeutic function of the stressor. Finally, addressing toxicity of emerging biological stressors like microbial pesticides can learn from COVID-19 AOPs. We further discuss that the adaptations needed to expand AOP appli­cability beyond chemicals are mainly at the molecular and cellular levels, while downstream key events at tissue or organ level, such as inflammation, are shared by many AOPs initiated by various stressors. In conclusion, although it is challenging to integrate non-chemical stressors within AOPs, this expands opportunities to account for real-world scenarios, to identify vulnerable individuals, and to bridge knowledge on mechanisms of adversity. Plain language summary The adverse outcome pathway (AOP) framework was developed to help predict whether chemicals have toxic effects on humans. Structuring available information in an accessible database can reduce animal testing. AOPs usually capture the path from the interaction of a stressor, usually a chemical, with the human body to an adverse outcome, e.g., a disease symptom. The concept of AOPs has now been expanded to include non-chemical stressors such as nanomaterials, radiation, viruses, cells used to treat patients, and microorganisms employed as pesticides. We discuss how these stressors need to be accommodated within the framework and point out that pathways initiated by these stressors share downstream events like inflammation with chemical stressors. By integrating non-chemical stressors into the framework, real-world scenarios where people may be exposed to different stressor types can be considered, vulnerable individuals can be identified, and knowledge on toxic effects can be compounded.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0030,004
Science ouverte0,0010,004
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,131
Tête enseignante GPT0,339
Écart entre enseignants0,208 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueALTEXMême sujetVitamin C and Antioxidants ResearchTravaux en français237 207