Microplastics Alter the Distribution and Toxic Potential of Typical Pharmaceuticals in Aqueous Solutions: Mechanisms and Theory Calculations
Notice bibliographique
Résumé
The aquatic risks associated with various pharmaceuticals can be significantly influenced by the ubiquitous presence of microplastics (MPs), leading to unforeseen environmental effects. Uncovering the interactions between MPs and pharmaceuticals with diverse functional groups is of crucial importance for accurate risk assessment. Here, the sorption behaviors and underlying mechanisms by which polystyrene (PS) MPs interact with pharmaceuticals having different functional groups were explored through experimental methods, site energy distribution theory, and density functional theory (DFT) calculations. Results indicated that PS MPs exhibited a notable sorption capacity for pharmaceuticals, with the order of sorption being naproxen (NAP), bezafibrate (BZF), norfloxacin (NOR), ibuprofen (IBU), sulfamethoxazole (SMX), and carbamazepine (CAB). A deeper analysis revealed that multiple factors, including hydrophobicity, electrostatic repulsion, π–π interactions, and hydrogen bonding, regulate the sorption process. Furthermore, the Dubinin–Astakhov (DA) model was employed to calculate the energy distribution. The adsorption affinity ( E m = 2.88–8.36 kJ/mol) and energy heterogeneity (σ e * = 1.59–2.25) of PS MPs for different pharmaceuticals followed the order SMX > NOR > NAP > CAB > IBU > BZF. DFT calculations confirmed that the formation of n−π bonds between PS MPs and pharmaceuticals was also a primary sorption mechanism. The different sorption mechanisms of PS MPs for various pharmaceuticals can eventually alter their toxicity, such as increased toxicity of pharmaceuticals with carboxyl groups. Overall, this study offers a more comprehensive understanding of the interactions between MPs and pharmaceuticals, which can contribute significantly to the risk assessment of pharmaceuticals in the presence of MPs.
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 ».