Woodsmoke and diesel exhaust: Distinct transcriptomic profiles in the human airway epithelium
Notice bibliographique
Résumé
Climate change is increasing the frequency and severity of wildfires globally, causing significant woodsmoke (WS) emissions. Vehicles emit sizable amounts of toxic traffic-related air pollution (TRAP), for which diesel exhaust (DE) is a model. Both WS and DE contain particulate matter < 2.5 microns (PM 2.5 ), which deeply penetrates the lungs causing respiratory epithelial inflammation that drives health effects. Regulations focus on PM 2.5 concentration, despite emerging research that highlights how composition mediates health effects. As WS and DE are compositionally distinct, we conducted the first head-to-head comparison of effects on the transcriptomes of air-liquid interface cultured primary human bronchial epithelial cells (HBEC). Differentiated donor-matched HBEC transwells were exposed for 2-hours to filtered air (FA; control), or WS (furnace tube burning pine) or DE (Hatz 1B30E generator) both diluted to 300 µg/m 3 of PM 2.5 . WS had higher ultrafine PM, whereas DE exposure contained significantly higher NO 2 , CO, and O 3 . RNA sequencing showed that WS exposure resulted in 159 (↑50, ↓109) differentially expressed genes, while DE modulated 439 (↑264, ↓175) compared to FA exposure. WS was associated with small ribosomal subunit and cytochrome complex related genes, while DE exposure was associated with HIF-1 signaling, respiratory chain complex and interferon alpha/beta signaling/ISG15-protein conjugation, suggesting how TRAP exposure may enhance infection risk. We also analyzed exposure effects on protein immune-mediators. We demonstrate that two major air pollution sources modulate different genes and pathways in HBECs, with minimal overlap. This informs the debate regarding the regulatory focus on concentration and assumptions that similar concentrations of air pollution have indistinct effects.
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) | 0,000 | 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) | 0,001 | 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 ».