Notice bibliographique
Résumé
Quantitative structure-retention relationship (QSRR) is a technique capable of improving the identification of analytes by predicting their retention time on a liquid chromatography column (LC) and/or their properties. This approach is particularly useful when LC is coupled with a high-resolution mass spectrometry (HRMS) platform. The main aim of the present study was to develop and describe appropriate QSRR models that provide usable predictive capability, allowing false positive identification to be removed during the interpretation of metabolomics data, while additionally increasing confidence of experimental results in doping control area. For this purpose, a dataset consisting of 146 drugs, metabolites and banned compounds from World Anti-Doping Agency (WADA) lists, was used. A QSRR study was carried out separately on high quality retention data determined by reversed-phase (RP-LC-HRMS) and hydrophilic interaction chromatography (HILIC-LC-HRMS) systems, employing a single protocol for each system. Multiple linear regression (MLR) was applied to construct the linear QSRR models based on a variety of theoretical molecular descriptors. The regression equations included a set of three descriptors for each model: ALogP, BELe6, R2p and ALogP(2), FDI, BLTA96, were used in the analysis of reversed-phase and HILIC column models, respectively. Statistically significant QSRR models (squared correlation coefficient for model fitting, R(2)=0.95 for RP and R(2)=0.84 for HILIC) indicate a strong correlation between retention time and the molecular descriptors. An evaluation of the best correlation models, performed by validation of each model using three tests (leave-one-out, leave-many-out, external tests), demonstrated the reliability of the models. This paper provides a practical and effective method for analytical chemists working with LC/HRMS platforms to improve predictive confidence of studies that seek to identify small molecules.
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 | 0,000 |
| 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 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 ».