Unlocking the Power of Transcriptomic Biomarkers in Qualitative and Quantitative Genotoxicity Assessment of Chemicals
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide To modernize genotoxicity assessment and reduce reliance on experimental animals, new approach methodologies (NAMs) that provide human-relevant dose–response data are needed. Two transcriptomic biomarkers, GENOMARK and TGx-DDI, have shown a high classification accuracy for genotoxicity. As these biomarkers were extracted from different training sets, we investigated whether combining the two biomarkers in a human-derived metabolically competent cell line (i.e., HepaRG) provides complementary information for the classification of genotoxic hazard identification and potency ranking. First, the applicability of GENOMARK to TempO-Seq, a high-throughput transcriptomic technology, was evaluated. HepaRG cells were exposed for 72 h to increasing concentrations of 10 chemicals (i.e., eight known in vivo genotoxicants and two in vivo nongenotoxicants). Gene expression data were generated using the TempO-Seq technology. We found a prediction performance of 100%, confirming the applicability of GENOMARK to TempO-Seq. Classification using TGx-DDI was then compared to GENOMARK. For the chemicals identified as genotoxic, benchmark concentration modeling was conducted to perform potency ranking. The high concordance observed for both hazard classification and potency ranking by GENOMARK and TGx-DDI highlights the value of integrating these NAMs in a weight of evidence evaluation of genotoxicity.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».