Herbicides and pesticides synergistically interact at low concentrations in complex mixtures
Notice bibliographique
Résumé
Assessing a complex mixture of pesticides at the impacted sites has been challenging for risk assessors for 50 years. The default assumption is that at low concentrations, pesticides interact additively with one another; thus, the risk posed by each component of a complex mixture could be simply added up. The EPA interaction-based hazard index (HIInteraction) modifies this assumption using a binary weight-of-evidence (BINWOE). However, data gaps often preclude HIInteraction use at most sites. This study evaluated these assumptions using the BINWOE to estimate the hazard index (HI) of select pesticide mixtures. The lack of in vivo binary interaction data led us to use a cell line, SH-SY5Y, to obtain the data necessary for the BINWOE approach. In the risk assessment, we considered the most active exposure scenario inhaling a mixture of volatile pesticides from contaminated soil and groundwater. The potential interactions between pesticides in 15 binary mixtures were investigated using the MTT assay in SH-SY5Y cells. Our findings showed that 60% of the binary mixtures elicited synergism (in at least one concentration), 27% displayed antagonism, and 13% showed additive effects in SH-SY5Y cells. Combining human safety data with in vitro interaction data indicated that adults and toddlers were at the highest risk when considering industrial and commercial land use, respectively, compared to other subpopulations. Incorporating interaction data into the risk assessment either increased the risk by up to 20% or decreased the risk by 2%, depending on the mixture. Our results demonstrate the predominant synergistic interactions, even at low concentrations, altered risk characterization at the complex operating site. Most concerning, organochlorine pesticides with the same mechanism of action did not follow dose additivity when evaluated by SH-SY5Y cell lines. Based on our observations, we caution that current HI methods based on additivity assumptions may underestimate the risk of organochlorine mixtures.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».