TPD-seq: A high throughput RNA-seq method to derive transcriptomic points of departure from cell lines
Notice bibliographique
Résumé
There is growing scientific and regulatory interest in transcriptomic points of departure (tPOD) values from high-throughput in vitro experiments. To further help democratize tPOD research, here we outline ‘TPD-seq’ which links microplate-based exposure methods involving cell lines for human (Caco-2, Hep G2) and environmental (rainbow trout RTgill-W1) health, with a commercially available RNA-seq kit, with a cloud-based bioinformatics tool (ExpressAnalyst.ca). We applied the TPD-seq workflow to derive tPODs for solvents (dimethyl sulfoxide, DMSO; methanol) and positive controls (3,4-dichloroaniline, DCA; hydrogen peroxide, H 2 O 2 ) commonly used in toxicity testing. The majority of reads mapped to protein coding genes (∼9 k for fish cells; ∼6 k for human cells), and about 50 % of differentially expressed genes were curve-fitted from which 90 % yielded gene benchmark doses. The most robust transcriptomic responses were caused by DMSO exposure, and tPOD values were 31–155 mM across the cell lines. OECD test guideline 249 (RTgill-W1 cells) recommends the use of DCA and here we calculated a tPOD of ∼5 to 76 μM. Finally, exposure of the two human cell lines to H 2 O 2 resulted in tPOD values that ranged from 0.7 to 1.1 mM in Caco-2 cells and 5–30 μM in Hep G2 cells. The methods outlined here are designed to be performed in laboratories with basic molecular and cell culture facilities, and the performance and scalability of the TPD-seq workflow can be determined with additional case studies. • tPODs calculated for common solvents in human and environmental toxicology. • Most robust transcriptomic responses caused by DMSO and H 2 O 2 exposure. • About half the expressed genes were curve fit, and most of these yielded gene BMDs. • Democratized method for deriving tPODs focused on labs with basic facilities.
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 | 0,001 | 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 ».