Modélisation toxicocinétique de terres rares pour l’interprétation de données de biosurveillance
Bibliographic record
Abstract
La modélisation toxicocinétique est un outil efficace pour évaluer le devenir de contaminants dans l’organisme animal ou humain. Elle peut, entre autres, servir à reconstituer une exposition à ces contaminants dans le cadre d’études de biosurveillance de l’exposition populationnelle. Ce mémoire porte sur le développement d’un modèle toxicocinétique qui permet de relier des doses d’exposition aux métaux rares, aux concentrations dans le sang et les tissus ainsi qu’aux quantités excrétées de l’organisme. Ce modèle a été développé pour des terres-rares abondantes dans l’environnement et jusqu’ici peu étudiées: l’yttrium (Y), le cérium (Ce), le praséodyme (Pr) et le néodyme (Nd). Il est utile pour reconstruire des doses absorbées à partir de données dans des matrices biologiques accessibles comme l’urine et le sang et aider à mieux interpréter des données de biosurveillance de l’exposition à des contaminants. De nouvelles données expérimentales obtenues à partir d’études expérimentales chez le rat combinées à des données de la littérature ont servi à développer le modèle. Celui-ci comprend 20 compartiments représentant différents organes, la circulation sanguine, l’urine et les fèces. Les paramètres du modèle incluent des coefficients de transfert entre les compartiments, qui décrivent la vitesse de transfert d’un compartiment à l’autre et donc la cinétique de ces métaux. Un système d’équations différentielles a été utilisé pour décrire les échanges entre les compartiments. Une fois les paramètres déterminés à partir de la littérature et par ajustement aux données expérimentales acquises, le modèle a donné une bonne adéquation aux données expérimentales disponibles sur les profils temporels des quatre métaux dans le sang, l’urine et les fèces, ainsi que sur les niveaux présents dans les organes au sacrifice. Ce modèle a ensuite servi à dériver un niveau biologique correspondant à une dose critique établie à partir d’études de toxicité chez le rat, soit la dose maximale sans effet nocif observé (NOAEL) chez le rat utilisée par la U.S. Environmental Protection Agency (U.S. EPA) pour établir des doses de référence par ingestion provisoires (p-RfD) chez l’humain à ne pas dépasser pour prévenir des effets sur la santé. Le modèle a ainsi été utilisé pour dériver les niveaux urinaires de métaux rares dans des collectes de 24 h et les concentrations urinaires correspondantes suite à la simulation d’une exposition quotidienne répétée par voie orale à cette dose critique (NOAEL) chez l'animal jusqu'à ce que l'état d'équilibre soit atteint. Afin d’obtenir une valeur biologique limite chez l’humain définie comme « équivalent biologique ou BE (de l’anglais : Biomonitoring Equivalent) », le facteur d’incertitude de 1000 utilisé par la U.S. EPA pour extrapoler le NOAEL animal à une dose de référence RfD chez l’humain a été utilisé pour les éléments disponibles. Les niveaux urinaires pouvant servir d’équivalents biologiques (BE) ont ainsi été établis à 0.03 et 0.07 µg/L pour le Pr et Nd uniquement. Les niveaux biologiques de métaux rares dans des populations exposées (niveaux urinaires ici) peuvent donc être directement comparés avec ces BE pour vérifier si des mesures devraient être prises pour réduire l’exposition. L’approche de modélisation peut être appliquée à d’autres terres rares dans une approche plus complète d’évaluation des risques associés à l’exposition à ces contaminants émergents. Il est aussi possible de recalculer les BE pour de nouvelles doses critiques.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".