Hydrogel Micropatches for Sampling and Profiling Skin Metabolites
Notice bibliographique
Résumé
Metabolites excreted by skin have a huge potential as disease biomarkers. However, due to the shortage of convenient sampling/analysis methods, the analysis of sweat has not become very popular in the clinical setting (pilocarpine iontophoresis being a prominent exception). In this report, a facile method for sampling and rapid chemical profiling of skin metabolites excreted with sweat is proposed. Metabolites released by skin (primarily the constituents of sweat) are collected into hydrogel (agarose) micropatches. Subsequently, they are extracted in an online analytical setup incorporating nanospray desorption electrospray ionization and an ion trap mass spectrometer. In a series of reference measurements, using bulk sampling and electrospray ionization mass spectrometry, various low-molecular-weight metabolites are detected in the micropatches exposed to skin. The sampling time is as short as 10 min, while the desorption time is 2 min. Technical precision of micropatch analysis varies within the range of 3-42%, depending on the sample and the method of data treatment; the best technical precision (≤10%) has been achieved while using an isotopically labeled internal standard. The limits of detection range from 7 to 278 pmol. Differences in the quantities of extracted metabolites are observed for the samples obtained from healthy individuals (intersubject variabilities: 30-89%; n = 9), which suggests that this method may have the potential to become a semiquantitative assay in clinical analysis and forensics.
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) | 0,001 | 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 ».