Comparison of sub‐2‐μm particle columns for fast metabolite ID
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The use of sub-2-microm particle columns for fast high throughput metabolite ID applications was investigated. Three LC-MS methods based on different sub-2-microm particle size columns using the same analytical 3 min gradient were developed (Methods A, B, and C). Method A was comprised of a 1.8 microm particle column coupled to an MS, methods B and C utilized a 1.7 microm particle column (BEH 50 x 2.1 mm2 id) and 1.8 microm particle column coupled to a Q-TOF MS. The precision and the separation efficiency of the methods was compared with repeated standard injections (N=10) of reference compounds verapamil (VP), propranolol, and fluoxetine. Separation efficiency and MS/MS spectral quality were also evaluated for separation and detection of VP and its two major metabolites norverapamil (NVP) and O-demethylverapamil (ODMVP) in human-liver microsomal incubates. Results show that 1.8 microm particle columns show similar performance for separation of VP and its major metabolites and comparable spectral quality in MS(E) mode of the Q-TOF instrument compared to 1.7 microm particle columns. Additionally, the study also confirmed that sub-2-microm particle size columns can be operated with standard analytical HPLC but that performance is maximized by integrating column in UPLC method with reduced void volumes. All the methods are suitable for the determination of major metabolites for compounds with high metabolic turnover. The high throughput metabolite profile analysis using 384-well plate format of up to 48 compounds in incubates of human-liver microsomes was discussed.
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.
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 | 0,000 |
| 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 découle