Integration of new approach methods for the assessment of data-poor chemicals
Notice bibliographique
Résumé
The use of new approach methods (NAMs), including high-throughput, in vitro bioactivity data, in setting a point-of-departure (POD) will accelerate the pace of human health hazard assessments. Combining hazard and exposure predictions into a bioactivity:exposure ratio (BER) for use in risk-based prioritization and utilizing NAM-based bioactivity flags to indicate potential hazards of interest for further prediction or mechanism-based screening together comprise a prospective approach for management of substances with limited traditional toxicity testing data. In this work, we demonstrate a NAM-based assessment case study conducted via the Accelerating the Pace of Chemical Risk Assessment initiative, a consortium of international research and regulatory scientists. The primary objective was to develop a reusable and adaptable approach for addressing chemicals with limited traditional toxicity data using a NAM-based POD, BER, and bioactivity-based flags for indication of putative endocrine, developmental, neurological, and immunosuppressive effects via data generation and interpretation for 200 substances. Multiple data streams, including in silico and in vitro NAMs, were used. High-throughput transcriptomics and phenotypic profiling data, as well as targeted biochemical and cell-based assays, were combined with generic high-throughput toxicokinetic models parameterized with chemical-specific data to estimate dose for comparison to exposure predictions. This case study further enables regulatory scientists from different international purviews to utilize efficient approaches for prospective chemical management, addressing hazard and risk-based data needs, while reducing the need for animal studies. This work demonstrates the feasibility of using a battery of toxicodynamic and toxicokinetic NAMs to provide a NAM-based POD for screening-level assessment.
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 | 0,001 |
| 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 | 0,001 | 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 ».