MétaCan
Menu
Back to cohort
Record W1635006544 · doi:10.7202/018465ar

L’écotoxicologie aquatique - comparaison entre les micropolluants organiques et les métaux : constats actuels et défis pour l’avenir

2008· article· fr· W1635006544 on OpenAlexaff
Émilien Pelletier, Peter G. C. Campbell

Bibliographic record

VenueRevue des sciences de l eau · 2008
Typearticle
Languagefr
FieldEnvironmental Science
TopicChemistry and Chemical Engineering
Canadian institutionsInstitut National de la Recherche ScientifiqueUniversité du Québec à Rimouski
Fundersnot available
KeywordsChemistryHumanitiesPhysicsPhilosophy

Abstract

fetched live from OpenAlex

Nous explorons dans cette synthèse les forces et les faiblesses de l’écotoxicologie, en nous limitant aux milieux aquatiques. Notre approche consiste à comparer et contraster le comportement des contaminants organiques et inorganiques (métalliques) et à identifier quelques défis pour l’avenir. La prise en charge des contaminants organiques de synthèse se produit le plus souvent par simple diffusion passive au travers d’une membrane cellulaire. Vu la nature lipidique des membranes biologiques, le coefficient de partage octanol-eau (Kow) du contaminant s’avère souvent un bon prédicteur de sa tendance à se bioaccumuler. Par contre, les métaux présents dans le milieu aquatique se trouvent surtout sous des formes hydrophiles et hydratées qui ne peuvent traverser les membranes biologiques par simple diffusion. Leur prise en charge fait alors appel à un transport facilité qui implique des transporteurs protéiques ou canaux transmembranaires. Le coefficient de partage octanol-eau de ces espèces métalliques se révèle inutile comme prédicteur de leur bioaccumulation. Les approches et les modèles prédictifs diffèrent donc grandement entre contaminants métalliques et organiques. Pour les métaux, deux types de modèles sont couramment employés : des modèles d’équilibre (ex. : le « Modèle du Ligand Biotique » ou BLM) et des modèles cinétiques d’accumulation et d’élimination. Dans les deux cas, les paramètres biologiques des modèles sont considérés comme des « constantes » qui ne sont affectées, ni par la qualité de l’eau ambiante (ex. : pH, dureté), ni par une pré-exposition au métal. Or, il y a maintenant dans la littérature scientifique de plus en plus d’indices que les propriétés clés de la surface épithéliale des organismes aquatiques, qui contrôlent l’accumulation et la toxicité des métaux, ne sont pas constantes, ce qui compromet l’application des modèles dans des cas réels d’exposition chronique sur le terrain. Contrairement aux métaux, l’essentiel du comportement environnemental des composés organiques de synthèse est lié à leur capacité de résister à divers mécanismes de dégradation et à leur biodisponibilité pour les organismes aquatiques. Le modèle de la « fugacité » permet de prédire la distribution de composés organiques entre divers compartiments pour un système considéré à l’équilibre mais de nombreuses contraintes chimiques et biologiques interfèrent avec l’utilisation de ce type de modèle. Les cas des hydrocarbures aromatiques polycycliques (HAP) et des organométaux sont utilisés pour illustrer ces contraintes. Parmi les tout nouveaux défis de l’écotoxicologie, nous abordons brièvement le développement de la génomique fonctionnelle et de l’approche écosystémique ainsi que la toute nouvelle problématique environnementale posée par les nanoparticules industrielles. L’avenir de l’écotoxicologie aquatique passe nécessairement par : (1) l’obtention de données de terrain et de laboratoire d’excellente qualité; (2) une compréhension approfondie des mécanismes de toxicité aux niveaux moléculaire et cellulaire; (3) le développement de modèles théoriques et empiriques qui intègrent mieux la réalité physiologique et écologique; (4) le développement d’indicateurs écosystémiques capables de fournir une image globale de la qualité d’un environnement aquatique, quelle que soit sa complexité inhérente.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Science and technology studies, Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.028
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0010.006
Scholarly communication0.0000.000
Open science0.0010.000
Research integrity0.0000.001
Insufficient payload (model declined to judge)0.0020.000

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.123
GPT teacher head0.338
Teacher spread0.215 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designBench or experimental
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations2
Published2008
Admission routes1
Has abstractyes

Explore more

Same venueRevue des sciences de l eauSame topicChemistry and Chemical EngineeringFrench-language works237,207