Strategies to Reduce Uncertainties from the Best Available Physicochemical Parameters Used for Modeling Novel Organophosphate Esters across Multimedia Environments
Notice bibliographique
Résumé
Organophosphate esters (OPEs) raise growing environmental and human health concerns globally. However, numerous novel OPEs lack data on physicochemical properties, which are essential for assessing environmental fate, exposure, and risks. This study predicted water solubility ( S w ), vapor pressure ( V p ), octanol–water partition coefficient ( K ow ), and octanol–air partition coefficient ( K oa ) at 25 °C for 46 novel OPEs by identifying optimal in silico tools and establishing prediction strategies based on molecular weights (MWs). Prediction discrepancies between in silico tools increased with MWs and structural complexity. Method evaluations for compounds with MWs > 450 g/mol suggest that COSMOtherm is advantageous in predicting S w and V p for alkyl-OPEs, while SPARC is better for predicting V p for aryl- and halogenated-OPEs. For compounds with MWs > 500 g/mol, COSMOtherm and SPARC are recommended for K ow and K oa prediction, respectively. For smaller OPEs, average values from the top three of COSMOtherm, SPARC, EPI Suite, and OPERA, ranked by validation on traditional flame retardants, are recommended. Using improper software could cause deviations in multimedia distribution and overall persistence in the environment by up to 83 and 350%, respectively. The present data and prediction strategy are useful to enhance the reliability of environmental fate, exposure, and risk assessments of various OPEs and emerging contaminants.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».