Adverse Outcome Pathways Applied to Space Radiation Research
Notice bibliographique
Résumé
Long-duration spaceflight exposes astronauts to various stressors that can alter human physiology, potentially causing immediate and long-term health effects. These stressors can damage biomolecules, cells, tissues, and organs, leading to adverse outcomes. Developing adverse outcome pathways (AOPs) relevant to radiation exposure can guide research priorities and inform risk assessments of future space exploration activities. Through expert consultation, we developed an AOP network linking 18 key events (KEs) to four non-cancer outcomes: learning and memory impairment, bone loss, abnormal vascular remodeling, and cataract development. A novel scoping review methodology informed the evidence evaluation and supported causal linkages between two KEs. The AOP network begins with the molecular initiating event (MIE) of energy deposition onto cells, which may trigger oxidative stress and DNA damage. If DNA damage is misrepaired, it could lead to gene mutations or chromosomal aberrations. In cases where these occur in critical cell cycle genes, there is a possibility of uncontrolled cellular proliferation. Persistent KEs may contribute to the activation of tissue-resident cells, suppression of anti-inflammatory processes, and promotion of chronic inflammation. This inflammatory cycle, potentially driven by mitochondrial dysfunction and immune cell activation, could lead to cell death and tissue damage. Over time, this accumulation of damage might contribute to organ-specific adverse outcomes associated with radiation exposure. This AOP network consolidates knowledge across biological levels and identifies gaps in understanding causal relationships. It aims to guide research for space traveler risk models and can also apply to other radiation exposure scenarios, such as in medical or occupational settings.
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 | 0,000 |
| 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 | 0,001 |
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 ».