Integration of multi-omics and benchmark dose modeling to support adverse outcome pathways
Notice bibliographique
Résumé
BACKGROUND: Recent advancements in omics and benchmark dose (BMD) modeling have facilitated identifying the dose required for a predetermined change in a response (e.g. gene or protein change) that can be used to establish acceptable dose levels for hazardous exposures. Adverse Outcome Pathways (AOPs) describe the causal links between toxicants and adverse effects through key events (KEs). Integrating omics data within the AOP framework quantitatively links early molecular events to later phenotypic effects. In this study, we use omic-based BMD analyses in an in vitro blood model exposed to radiation to identify point of departure (POD) values across KEs to acute myeloid leukemia (www.aopwiki.org/aop/432). METHODS: Isolated white blood cells were cultured and X-irradiated (1 Gy/minute, 0-6 Gy). Transcriptomic and proteomic changes were assessed 24 h post-exposure. BMD modeling was applied and significantly perturbed genes/proteins and pathways were identified. Those pathways relevant to KEs outlined in AOP 432 were grouped and a POD was determined. RESULTS: BMD modeling identified 1294 genes and 167 proteins with median BMD lower confident limit (BMD) values of 1.35 and 0.32 Gy, respectively. Pathway analysis identified biological processes related to DNA damage/repair, oxidative stress, cell cycle regulation, immune responses, and cancer development. These findings aligned with the KEs in AOP 432. The BMDL values of canonical pathways associated with these KEs were generally below 0.5 Gy with specific genes (e.g. GADD45A) displaying BMDLs <0.05 Gy. CONCLUSIONS: This work provides insights into predictive radiation induced mechanisms and associated dose of activity that can be taken into consideration for low dose (< 0.1 Gy) risk analysis.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».