Unravelling protein corona formation on pristine and leached microplastics
Notice bibliographique
Résumé
Abstract Upon entering the environment, the surface properties of pristine plastics are rapidly altered due to interactions with exogenous biomolecules, contaminants, and even microbiota, which ultimately alter their ecological impacts. When present in biological fluids or high protein environments, micro(nano)plastics bind with proteins, which form a protein corona around the particle. Although a significant body of literature exists on protein corona formation on nanomaterials, less is known about how the physiochemical properties of microplastics may influence protein corona formation. This study utilises quantitative proteomics to quantify protein binding to pristine and leached microplastics. Pristine polyethylene (PE) beads (50 and 500 μm), polyamide (PA) fibres (100 μm), polyethylene terephthalate fibres (500 μm), and fragments (< 300 μm), as well as pristine and leached textile microfibres comprised of PET, recycled PET, PA or cotton were incubated for 24 h in bovine serum albumin solution (2 mg mL −1 ) to form a protein corona. Protein adsorption to microplastics was dependant on particle surface area to volume ratio but only when additives were absent. For environmentally relevant textile microfibres, cotton microfibres adsorbed significantly more protein than synthetic microfibres. Fourteen-day aqueous leaching increased the zeta potential of all microfibres. However, only PA fibres adsorbed significantly higher protein on the leached fibres compared to their pristine counterparts. Overall, the presence of chemical additives in microplastics strongly influenced protein corona formation, and this phenomenon should be incorporated into routine microplastic toxicity assessment. Graphical Abstract
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 ».