A problem formulation framework for the application of in silico toxicology methods in chemical risk assessment
Notice bibliographique
Résumé
The first step in the hazard or risk assessment of chemicals should be to formulate the problem through a systematic and iterative process aimed at identifying and defining factors critical to the assessment. However, no general agreement exists on what components an in silico toxicology problem formulation (PF) should include. The present work aims to develop a PF framework relevant to the application of in silico models for chemical toxicity prediction. We modified and applied a PF framework from the general risk assessment literature to peer reviewed papers describing PFs associated with in silico toxicology models. Important gaps between the general risk assessment literature and the analyzed PF literature associated with in silico toxicology methods were identified. While the former emphasizes the need for PFs to address higher-level conceptual questions, the latter does not. There is also little consistency in the latter regarding the PF components addressed, reinforcing the need for a PF framework that enable users of in silico toxicology models to answer the central conceptual questions aimed at defining components critical to the model application. Using the developed framework, we highlight potential areas of uncertainty manifestation in in silico toxicology PF in instances where particular components are missing or implicitly described. The framework represents the next step in standardizing in silico toxicology PF component. The framework can also be used to improve the understanding of how uncertainty is apparent in an in silico toxicology PF, thus facilitating ways to address uncertainty.
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 | 0,000 | 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 ».