Rapid estimation of nuclear magnetic resonance experiment time in low-concentration environmental samples
Notice bibliographique
Résumé
Nuclear magnetic resonance (NMR) spectroscopy is an essential tool for studying environmental samples but is often hindered by low sensitivity, especially for the direct detection of nuclei such as(13) C. In very heterogeneous samples with NMR nuclei at low abundance, such as soils, sediments, and air particulates, it can take days to acquire a conventional(13) C spectrum. The present study describes a prescreening method that permits the rapid prediction of experimental run time in natural samples. The approach focuses the NMR chemical shift dispersion into a single spike, and, even in samples with extremely low carbon content, the spike can be observed in two to three minutes, or less. The intensity of the spike is directly proportional to the total concentration of nuclei of interest in the sample. Consequently, the spike intensity can be used as a powerful prescreening method that answers two key questions: (1) Will this sample produce a conventional NMR spectrum? (2) How much instrument time is required to record a spectrum with a specific signal-to-noise (S/N) ratio? The approach identifies samples to avoid (or pretreat) and permits additional NMR experiments to be performed on samples producing high-quality NMR data. Applications in solid- and liquid-state(13) C NMR are demonstrated, and it is shown that the technique is applicable to a range of nuclei.
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) | 0,000 | 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) | 0,006 | 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 ».