Improved gas chromatography methods for micro-volume analysis of haloacetic acids in water and biological matrices
Notice bibliographique
Résumé
A fast headspace solid-phase microextraction gas chromatography method for micro-volume (0.1 mL) samples was optimized for the analysis of haloacetic acids (HAAs) in aqueous and biological samples. It includes liquid-liquid microextraction (LLME), derivatization of the acids to their methyl esters using sulfuric acid and methanol after evaporation, followed by headspace solid-phase microextraction with gas chromatography and electron capture detection (SPME-GC-ECD). The derivatization procedure was optimized to achieve maximum sensitivity using the following conditions: esterification for 20 min at 80 degrees C in 10 microL methanol, 10 microL sulfuric acid and 0.1 g anhydrous sodium sulfate. Multi-point standard addition method was used to determine the effect of the sample matrix by comparing with internal standard method. It was shown that the effect of the matrix for urine and blood samples in this method is insignificant. The method detection limits are in the range of 1 microg L(-1) for most of the HAAs, except for monobromoacetic acid (MBAA) (3 microg L(-1)) and for monochloroacetic acid (MCAA) (16 microg L(-1)). The optimized procedure was applied to the analysis of HAAs in water, urine and blood samples. All nine HAAs can be separated in < 13 min for biological samples and < 7 min for drinking water samples, with total sample preparation and analysis time < 50 min. Analytical uncertainty can increase dramatically as the sample volume decreases; however, similar precision was observed with our method using 0.1 mL samples as with a standard method using 40 mL samples.
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 | 0,001 |
| 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 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 ».