A Mid‐Infrared Spectroscopy Method to Determine the Glucosamine, Galactosamine, and Muramic Acid Concentrations in Soil Hydrolysates
Notice bibliographique
Résumé
The current method for determining amino sugars in soils involves a derivatization process which is time‐consuming and involves working with and disposing of hazardous chemicals. This study aims to evaluate the potential of mid‐infrared (MIR) spectroscopy to predict amino sugar concentrations in soil. Two separate sets of the same 60 soil samples were hydrolyzed and purified, and then one set of samples was transformed into amino sugar derivatives for gas chromatography (GC) determination and the other set of samples was used for MIR spectra collection without further processing. The GC‐measured concentrations of amino sugars were calibrated, using test‐set data set ( n = 20) and leave‐one‐out data set, against the MIR spectral data with partial least squares (PLS) regression. Based on the values of coefficient of determination ( R 2 ) and residual prediction deviation (RPD), the calibration models for amino sugars were good for both data sets, with R 2 values ranging from 0.82 to 0.98 and RPD values from 2.38 to 7.76. For test‐set validation, predictions were excellent for total amino sugars ( R 2 = 0.96, RPD = 5.14), glucosamine ( R 2 = 0.97, RPD = 6.27), galactosamine ( R 2 = 0.94, RPD = 4.16), and good for muramic acid ( R 2 = 0.84, RPD = 2.52). For leave‐one‐out cross‐validation, predictions were excellent for glucosamine ( R 2 = 0.91, RPD = 3.28), good for total amino sugars ( R 2 = 0.86, RPD = 2.70) and galactosamine ( R 2 = 0.81, RPD = 2.29), but relatively poor for muramic acid ( R 2 = 0.61, RPD = 1.61). We concluded that the MIR spectroscopy has high potential to estimate the concentrations of amino sugars in soil with significant savings in time, cost, and chemicals.
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 | 0,001 | 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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».