Hair-based rapid analyses for multiple drugs in forensics and doping: application of dynamic multiple reaction monitoring with LC-MS/MS
Notice bibliographique
Résumé
BACKGROUND: Considerable efforts are being extended to develop more effective methods to detect drugs in forensic science for applications such as preventing doping in sport. The aim of this study was to develop a sensitive and accurate method for analytes of forensic and toxicological nature in human hair at sub-pg levels. RESULTS: The hair test covers a range of different classes of drugs and metabolites of forensic and toxicological nature including selected anabolic steroids, cocaine, amphetamines, cannabinoids, opiates, bronchodilators, phencyclidine and ketamine. For extraction purposes, the hair samples were decontaminated using dichloromethane, ground and treated with 1 M sodium hydroxide and neutralised with hydrochloric acid and phosphate buffer and the homogenate was later extracted with hexane using liquid-liquid extraction (LLE). Following extraction from hair samples, drug-screening employed liquid chromatography coupled to tandem mass spectrometric (LC-MS/MS) analysis using dynamic multiple reaction monitoring (DYN-MRM) method using proprietary software. The screening method (for > 200 drugs/metabolites) was calibrated with a tailored drug mixture and was validated for 20 selected drugs for this study. Using standard additions to hair sample extracts, validation was in line with FDA guidance. A Zorbax Eclipse plus C18 (2.1 mm internal diameter × 100 mm length × 1.8 μm particle size) column was used for analysis. Total instrument run time was 8 minutes with no noted matrix interferences. The LOD of compounds ranged between 0.05-0.5 pg/mg of hair. 233 human hair samples were screened using this new method and samples were confirmed positive for 20 different drugs, mainly steroids and drugs of abuse. CONCLUSIONS: This is the first report of the application of this proprietary system to investigate the presence of drugs in human hair samples. The method is selective, sensitive and robust for the screening and confirmation of multiple drugs in a single analysis and has potential as a very useful tool for the analysis of large array of controlled substances and drugs of abuse.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».