Differentiation of structural isomers in a target drug database by LC/Q‐TOFMS using fragmentation prediction
Notice bibliographique
Résumé
Isomers cannot be differentiated from each other solely based on accurate mass measurement of the compound. A liquid chromatography/quadrupole time-of-flight mass spectrometry (LC/Q-TOFMS) method was used to systematically fragment a large group of different isomers. Two software programs were used to characterize in silico mass fragmentation of compounds in order to identify characteristic fragments. The software programs employed were ACD/MS Fragmenter (ACD Labs Toronto, Canada), which uses general fragmentation rules to generate fragments based on the structure of a compound, and SmartFormula3D (Bruker Daltonics), which assigns fragments from a mass spectra and calculates the molecular formulae for the ions using accurate mass data. From an in-house toxicology database of 874 drug substances, 48 isomer groups comprising 111 compounds, for which a reference standard was available, were found. The product ion spectra were processed with the two software programs and 1-3 fragments were identified for each compound. In 82% of the cases, the fragment could be identified with both software programs. Only 10 isomer pairs could not be differentiated from each other based on their fragments. These compounds were either diastereomers or position isomers undergoing identical fragmentation. Accurate mass data could be utilized with both software programs for structural elucidation of the fragments. Mean mass accuracy and isotopic pattern match values (SigmaFit; Bruker Daltonics Bremen, Germany) were 0.9 mDa and 24.6 mSigma, respectively. The study introduces a practical approach for preliminary compound identification in a large target database by LC/Q-TOFMS without necessarily possessing reference standards.
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 | 0,001 |
| 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 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 ».