Nontargeted Analysis with Machine Learning Method Revealing New Chlorinated Byproducts of Tire-Leaching Compounds and Their Formation Pathways During Water Chlorination
Notice bibliographique
Résumé
Tire-leaching compounds entering drinking water sources via stormwater runoff can undergo reactions with disinfectants (e.g., Cl 2 ) during water treatment, forming toxic chlorine-containing byproducts. N -(1,3-Dimethylbutyl)- N ’-phenyl-1,4-benzenediamine (6PPD) and its ozonated byproduct, 6PPD-quinone (6PPD-Q), are commonly detected tire-leaching compounds, but their fates during chlorination remain poorly understood. To fill this gap, we investigated the Cl-containing transformation products (Cl-TPs), reaction pathways, and associated toxicity changes of 6PPD and 6PPD -Q during chlorination. Utilizing high-performance liquid chromatography coupled with high-resolution mass spectrometry (HPLC-HRMS) combined with the machine-learning tool ChloroDBPFinder and a suspect screening approach, we identified 24 novel Cl-TPs derived from 6PPD and 6PPD -Q. Our results indicated that these Cl-TPs formed favorably at [Cl 2 ]/[precursor] molar ratios of 5:1 for 6PPD and 10:1 for 6PPD-Q, particularly under alkaline conditions (pH 8.0). Quantitative structure–toxicity relationship (QSTR) analysis revealed that several TPs exhibited higher toxicity than their parent compounds, with TP-180 demonstrating a 101-fold increase in oral rat toxicity compared to 6PPD. These findings enhance our understanding of the tire-derived compounds’ transformation and associated risks during water disinfection processes, providing valuable insights for water treatment facilities, policymakers, and public health officials.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».