Qualitative Metabolome Analysis of Human Cerebrospinal Fluid by<sup>13</sup>C-/<sup>12</sup>C-Isotope Dansylation Labeling Combined with Liquid Chromatography Fourier Transform Ion Cyclotron Resonance Mass Spectrometry
Notice bibliographique
Résumé
Metabolome analysis of human cerebrospinal fluid (CSF) is challenging because of low abundance of metabolites present in a small volume of sample. We describe and apply a sensitive isotope labeling LC-MS technique for qualitative analysis of the CSF metabolome. After a CSF sample is divided into two aliquots, they are labeled by (13)C-dansyl and (12)C-dansyl chloride, respectively. The differentially labeled aliquots are then mixed and subjected to LC-MS using Fourier-transform ion cyclotron resonance mass spectrometry (FTICR MS). Dansylation offers significant improvement in the performance of chromatography separation and detection sensitivity. Moreover, peaks detected in the mass spectra can be readily analyzed for ion pair recognition and database search based on accurate mass and/or retention time information. It is shown that about 14,000 features can be detected in a 25-min LC-FTICR MS run of a dansyl-labeled CSF sample, from which about 500 metabolites can be profiled. Results from four CSF samples are compared to gauge the detectability of metabolites by this method. About 261 metabolites are commonly detected in replicate runs of four samples. In total, 1132 unique metabolite ion pairs are detected and 347 pairs (31%) matched with at least one metabolite in the Human Metabolome Database. We also report a dansylation library of 220 standard compounds and, using this library, about 85 metabolites can be positively identified. Among them, 21 metabolites have never been reported to be associated with CSF. These results illustrate that the dansylation LC-FTICR MS method can be used to analyze the CSF metabolome in a more comprehensive manner.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».