Ultra high performance liquid chromatography–high resolution mass spectrometry plasma lipidomics can distinguish between canine breeds despite uncontrolled environmental variability and non-standardized diets
Notice bibliographique
Résumé
INTRODUCTION AND OBJECTIVES: The purpose of this study was to use high accurate mass metabolomic profiling to investigate differences within a phenotypically diverse canine population, with breed-related morphological, physiological and behavioural differences. Previously, using a broad metabolite fingerprinting approach, lipids appear to dominate inter- and intra- breed discrimination. The purpose here was to use Ultra High Performance Liquid Chromatography-High Resolution Mass Spectrometry (UHPLC-HRMS) to identify in more detail, inter-breed signatures in plasma lipidomic profiles of home-based, client-owned dogs maintained on different diets and fed according to their owners' feeding regimens. METHODS: Nine dog breeds were recruited in this study (Beagle, Chihuahua, Cocker Spaniel, Dachshund, Golden Retriever, Greyhound, German Shepherd, Labrador Retriever and Maltese: 7-12 dogs per breed). Metabolite profiling on a MTBE lipid extract of fasted plasma was performed using UHPLC-HRMS. RESULTS: Multivariate modelling and classification indicated that the main source of lipidome variance was between the three breeds Chihuahua, Dachshund and Greyhound and the other six breeds, however some intra-breed variance was evident in Labrador Retrievers. Metabolites associated with dietary intake impacted on breed-associated variance and following filtering of these signals out of the data-set unique inter-breed lipidome differences for Chihuahua, Golden Retriever and Greyhound were identified. CONCLUSION: By using a phenotypically diverse home-based canine population, we were able to show that high accurate mass lipidomics can enable identification of metabolites in the first pass plasma profile, capturing distinct metabolomic variability associated with genetic differences, despite environmental and dietary variability.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».