Constructing HairDB to facilitate exposome research using human hair
Notice bibliographique
Résumé
This study introduces HairDB, an online database serving as a comprehensive repository of hair-related chemicals for exposome research. HairDB was created via an integrative approach. It first extracted 4,184 unique hair-related chemicals through text mining of over 34 million PubMed abstracts and 5.2 million PubMed Central articles, followed by manual data checking. HairDB also applied an artificial intelligence-enabled search to discover organic aerosol biomarkers in literature. A set of 768 chemicals used in hair-related products was then curated through a combination of manual searches and data extraction from the Cosmetic Ingredient Database (CosIng) of the European Union. From manually reading review papers, 29 organic aerosol biomarkers were extracted. Furthermore, 3,679 known exposure chemicals extracted from the Toxin and Toxin Target Database (T3DB) were incorporated in HairDB to represent the possible environmental exposures detected on hair surfaces. The comprehensive set of chemicals captured in HairDB represents the current knowledge of what can be found in and on hair. HairDB was constructed as a user-friendly web interface, allowing easy exploration of hair-related chemicals and tailored for annotating mass spectrometry-based hair exposomics data. The development of HairDB marks an important step forward in using hair as a biological matrix for chemical exposure measurement, facilitating the adoption of hair for exposome research. HairDB is publicly available at https://www.hairdb.ca/.
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 | 0,002 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,011 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».