Automation of Solid-Phase Microextraction in High-Throughput Format and Applications to Drug Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The automation of solid-phase microextraction (SPME) coupled to liquid chromatography-tandem mass spectrometry (LC-MS/MS) was accomplished using a 96 multiwell plate format, a SPME multifiber device, two orbital shakers, and a three-arm robotic system. Extensive optimization of the proposed setup was performed including coating selection, optimization of the fiber coating procedure, confirmation of uniform agitation in all wells, and the selection of the optimal calibration method. The system allows the use of pre-equilibrium extraction times with no deterioration in method precision due to reproducible timing of extraction and desorption steps and reproducible positioning of all fibers within the wells. The applicability of the system for the extraction of several common drugs is demonstrated. The optimized multifiber SPME-LC-MS/MS was subsequently fully validated for the high-throughput analysis of diazepam, lorazepam, nordiazepam, and oxazepam in human whole blood. The proposed method allowed the automated sample preparation of 96 samples in 100 min, which represents the highest throughput of any SPME technique to date, while achieving excellent accuracy (87-113%), precision (<or=20% RSD), and sensitivity (limit of quantitation 4 ng/mL). Automated SPME provides unique advantages over automated solid-phase extraction (SPE) including lower cost, the ability to quantitatively determine free and total drug concentrations in a single biofluid sample, and the ability to directly process whole blood samples with absolutely no sample pretreatment required.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 découle