Method development aspects for the quantitation of pharmaceutical compounds in human plasma with a matrix‐assisted laser desorption/ionization source in the multiple reaction monitoring mode
Notice bibliographique
Résumé
The present work investigates various method development aspects for the quantitative analysis of pharmaceutical compounds in human plasma using matrix-assisted laser desorption/ionization and multiple reaction monitoring (MALDI-MRM). Talinolol was selected as a model analyte. Liquid-liquid extraction (LLE) and protein precipitation were evaluated regarding sensitivity and throughput for the MALDI-MRM technique and its applicability without and with chromatographic separation. Compared to classical electrospray liquid chromatography/mass spectrometry (LC/ESI-MS) method development, with MALDI-MRM the tuning of the analyte in single MS mode is more challenging due to interfering matrix background ions. An approach is proposed using background subtraction. With LLE and using a 200 microL human plasma aliquot acceptable precision and accuracy could be obtained in the range of 1 to 1000 ng/mL without any LC separation. Approximately 3 s were required for one analysis. A full calibration curve and its quality control samples (20 samples) can be analyzed within 1 min. Combining LC with the MALDI analysis allowed improving the linearity down to 50 pg/mL, while reducing the throughput potential only by two-fold. Matrix effects are still a significant issue with MALDI but can be monitored in a similar way to that used for LC/ESI-MS analysis.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».