Multisegment Injection-Capillary Electrophoresis-Mass Spectrometry: A High-Throughput Platform for Metabolomics with High Data Fidelity
Notice bibliographique
Résumé
A major constraint in large-scale mass spectrometry (MS)-based metabolomic initiatives is the low sample throughput associated with chromatographic or electrophoretic separations. Herein, we introduce multisegment injection-capillary electrophoresis-mass spectrometry (MSI-CE-MS) as a multiplexed separation platform for metabolomics that increases sample throughput up to one order of magnitude while improving overall data fidelity. We demonstrate that serial injection of seven or more discrete sample segments can be performed within a single capillary while maintaining isomeric resolution without ion suppression when using a high mass resolution time-of-flight-MS. Customized injection sequences can be devised to encode information temporally within a separation based on signal pattern recognition, which enables unambiguous identification and accurate quantification (mean bias <10%) of polar metabolites in human plasma with good reproducibility (CV ≈ 10%, n = 70). False discoveries are avoided when using a rigorous dilution trend filter to reject spurious signals and background peaks that comprise the majority (≈65%) of total detectable features. MSI-CE-MS offers an unprecedented approach to enhance sample throughput analogous to direct infusion-MS (≈3 min/sample) while delivering far greater selectivity, quantitative performance, and data quality since the same ion from different samples migrates into the ion source within a short time interval (≈2-6 min). These distinct analytical and bioinformatic merits are achieved without column switching, isotopic labeling, hardware modifications, or costly infrastructure investments.
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) | 0,001 | 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 | 0,001 | 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 ».