Binding of per- and polyfluoroalkyl substances with liver and serum proteins in rats: implications for physiologically based pharmacokinetic modelling
Notice bibliographique
Résumé
Understanding the binding between per- and polyfluoroalkyl substances (PFAS) and proteins is essential for elucidating their toxicokinetics and tissue distribution. Here, we quantified the binding affinities of 14 PFAS to rat liver fatty acid-binding protein (rL-FABP) and rat serum albumin (RSA). Results showed that PFAS exhibit strong binding affinities (K a ) to the rL-FABP (10 3 ∼ 10 5 M −1 ), particularly among medium- to long-chain perfluorinated carboxylic acids (PFCAs). The binding affinity of PFAS to RSA ranged from approximately 10 4 to 10 5 M −1 , with 1 to 4 binding sites. Molecular docking results supported that PFAS binding to proteins is an exothermic process driven by van der Waals forces, hydrogen bonding, and electrostatic interactions. Additionally, long-chain PFCAs were shown to adopt a “U”-shaped conformation within the ligand-binding cavities of rL-FABP and RSA. The newly developed physiologically based pharmacokinetic model using measured binding data demonstrates a substantial improvement in the goodness of fit to experimental observations, reducing the prediction error by 20 %∼216 %. Finally, we found that the PFAS liver-blood partition could be mainly explained by the binding affinity ratios of PFAS to liver and blood proteins, which could be further extrapolated from rats to humans, providing useful insights to understand the tissue distribution of PFAS.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».