High-throughput transcriptomics analysis of equipotent and human relevant mixtures of BPA alternatives reveal additive effects in vitro
Notice bibliographique
Résumé
While many jurisdictions have phased out use of bisphenol A (BPA), there is increasing exposure to mixtures of BPA alternatives. Like BPA, some alternatives perturb nuclear hormone receptors and are endocrine disruptors. We used high-throughput transcriptomics (HTTr) to evaluate the potency and modes of action of seven mixtures of BPA alternatives and their 12 individual components in breast cancer cells. Our aim was to explore whether alternatives present in mixtures act additively. MCF-7 cells were exposed to chemicals (0.001-50 µM) for 48 h and gene expression analysis was used to measure global and estrogen receptor alpha (ERα)-specific transcriptomic changes. Transcriptomic points of departure (tPODs) were derived using benchmark concentration (BMC) modelling. We first identified concentrations at which global transcriptional activity was robustly altered. Then, we applied a ERα transcriptomic biomarker to identify ERα agonists and predict ERα activation tPODs. We employed mixtures modeling to predict potency of BPA alternatives and test for additive effects in vitro. Ingenuity pathway analysis (IPA; Qiagen) was used to identify upstream regulators and canonical pathways from genes fitting BMCs. BPAF was the most potent individual chemical tested overall, followed by BPA and BPC. All seven mixtures had additive effects across all tPODs modeled. The ERα transcriptomic biomarker classified all mixtures as ERα activators along with several BPA alternatives. All mixtures and most individual components perturbed similar upstream regulators and pathways, suggesting common modes of action. These data support the value of HTTr in identifying additive effects and toxicological potency of mixtures in vitro.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».