Projet BIPlate - Développement d’indicateurs de biosurveillance des teneurs en platinoïdes dans l’écosystème forestier
Bibliographic record
Abstract
Le secteur des transports est l’un des principaux contributeurs aux contaminations atmosphériques. Depuis les années 1990, de nombreux pays ont rendu les pots catalytiques obligatoires pour les moteurs essence et diesel. Cependant, cette technologie génère de nouveaux problèmes de pollution par les métaux dont les platinoïdes (PGE). Les PGE, selon leur forme d’émission, sont connus pour leur potentiel allergène et pour être cytotoxique, mutagène et cancérogène. En France, peu de données sont disponibles sur les teneurs environnementales et très peu d’études portent sur leurs impacts chroniques au niveau écologique et sanitaire.Les objectifs de ce projet sont (1) d’évaluer l’augmentation des teneurs en PGE dans l’environnement en France métropolitaine, (2) de cartographier les teneurs en PGE et de mettre ces données à disposition pour des études sur les effets à long terme des PGE sur la santéhumaine et (3) d’apporter des premières réponses sur la toxicité des PGE à travers l’étude des effets sur le métabolome des mousses terrestres.Les mousses ont été prélevées dans 405 sites ruraux et forestiers, lors de la campagne 2021. Les valeurs de concentration en Pd sont quantifiables dans tous les échantillons, celle du Pt et Rh dans respectivement 96,8 % et 93,8 % des échantillons. La cartographie des teneurs en Pd, Pt etRh met en évidence des zones géographiques plus contaminées en relation avec 2 sources émettrices : le trafic et l’industrie.L’évolution temporelle des concentrations en Pd, Pt et Rh entre 2016 et 2021 sur 371 sites communs (mêmes coordonnées géographiques, même couvert forestier et même espèce de mousse prélevées) a été analysée. Les résultats mettent en évidence une augmentation significative des teneurs des 3 éléments avec un taux d’évolution plus important pour Pt > Rh > Pd. De plus, le taux d’évolution sur 5 ans est négativement corrélé avec la valeur de concentration en 2016 (plus la valeur est faible en 2016, plus l’augmentation sera importante en 2021). Si l’augmentation du Pd et du Rh peut s’expliquer par une modification du trafic et du type de véhicules roulant, l’augmentation du Pt est plus difficile à expliquer (meilleurerémanence dans les écosystèmes, lien avec la matière organique et ré-envol plus simple, forme d’émission de l’élément plus facilement assimilable…).La caractérisation du métabolome d’Hypnum cupressiforme et Pseudoscleropodium purum met en évidence un effet du Pd et Rh sur ces 2 espèces de mousses. Bien qu’il ne soit pas encore possible de parler de biomarqueurs spécifiques, cette étude montre des corrélations entrecertains métabolites de poids moléculaires bien définis et les concentrations en platinoïdes. Des études complémentaires sur la valorisation des données sont nécessaires, en particulier sur le développement de modèles mathématiques permettant de mieux appréhender les phénomènes de spatialisation des données. De même, l’étude des tailles des particules, de leur biodisponibilité et des rapports isotopiques du Pd, Pt et Rh permettraient de connaître l’origine de ces éléments (trafic, industrie, naturel) dans les mousses mais également de mieux comprendre leurs impacts sur les mousses et les voies métaboliques mises en jeu.
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 | 0.003 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.003 |
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".