Benchmark Response (<scp>BMR</scp>) Values for In Vivo Mutagenicity Endpoints
Notice bibliographique
Résumé
The benchmark dose (BMD) approach constitutes the most effective and pragmatic strategy for the derivation of a point of departure (PoD) for comparative potency analysis, risk assessment, and regulatory decision-making. There is considerable controversy regarding the most appropriate benchmark response (BMR) for genotoxicity endpoints. This work employed the Slob (2017) Effect Size (ES) theory to define robust BMR values for the in vivo transgenic rodent (TGR) and Pig-a mutagenicity endpoints. An extensive database of dose-response data was prepared and curated; BMD analyses were used to determine endpoint-specific maxima (i.e., parameter c) and within-group variance (i.e., var). Detailed analyses investigated the dependence of var on experimental factors such as tissue, administration route, treatment duration, and post-exposure tissue sampling time. The overall lack of influence of these experimental factors on var permitted the determination of typical values for the endpoints investigated. Typical var for the TGR endpoint is 0.19; the value for the Pig-a endpoint is 0.29. Endpoint-specific var values were used to calculate endpoint-specific BMR values; the values are 47% for TGR and 60% for Pig-a. Endpoint-specific BMR values were also calculated using the trimmed distribution of study-specific standard deviation (SD) values for concurrent controls. Those analyses yielded endpoint-specific BMR values for the TGR and Pig-a endpoints of 33% and 58%, respectively. Considering the results obtained, and the in vivo genetic toxicity BMR values noted in the literature, we recommend a BMR of 50% for in vivo mutagenicity endpoints. The value can be employed to interpret mutagenicity dose-response data in a risk assessment context.
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 | 0,000 | 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 ».