MétaCan
Menu
Retour à la cohorte
Enregistrement W2614737449 · doi:10.1021/acs.analchem.7b01098

Development of High-Performance Chemical Isotope Labeling LC–MS for Profiling the Carbonyl Submetabolome

2017· article· en· W2614737449 sur OpenAlexafffund
Shuang Zhao, Margot Dawe, Kevin Guo, Liang Li

Notice bibliographique

RevueAnalytical Chemistry · 2017
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMetabolomics and Mass Spectrometry Studies
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research ChairsAlberta Innovates - Health SolutionsAlberta Innovates - Technology FuturesUniversity of AlbertaAlberta InnovatesMinisterul Cercetării, Inovării şi DigitalizăriiGenome Canada
Mots-clésChemistryChromatographyElectrospray ionizationReproducibilityAcetaldehydeIsotopeChemical ionizationMass spectrometryElectrosprayIonizationAnalytical Chemistry (journal)Organic chemistry

Résumé

récupéré en direct d'OpenAlex

High Resolution Image Download MS PowerPoint Slide Metabolites containing a carbonyl group represent several important classes of molecules including various forms of ketones and aldehydes such as steroids and sugars. We report a high-performance chemical isotope labeling (CIL) LC–MS method for profiling the carbonyl submetabolome with high coverage and high accuracy and precision of relative quantification. This method is based on the use of dansylhydrazine (DnsHz) labeling of carbonyl metabolites to change their chemical and physical properties to such an extent that the labeled metabolites can be efficiently separated by reversed phase LC and ionized by electrospray ionization MS. In the analysis of six standards representing different carbonyl classes, acetaldehyde could be ionized only after labeling and MS signals were significantly increased for other 5 standards with an enhancement factor ranging from ∼15-fold for androsterone to ∼940-fold for 2-butanone. Differential 12 C- and 13 C-DnsHz labeling was developed for quantifying metabolic differences in comparative samples where individual samples were separately labeled with 12 C-labeling and spiked with a 13 C-labeled pooled sample, followed by LC–MS analysis, peak pair picking, and peak intensity ratio measurement. In the replicate analysis of a 1:1 12 C-/ 13 C-labeled human urine mixture ( n = 6), an average of 2030 ± 39 pairs per run were detected with 1737 pairs in common, indicating the possibility of detecting a large number of carbonyl metabolites as well as high reproducibility of peak pair detection. The average RSD of the peak pair ratios was 7.6%, and 95.6% of the pairs had a RSD value of less than 20%, demonstrating high precision for peak ratio measurement. In addition, the ratios of most peak pairs were close to the expected value of 1.0 (e.g., 95.5% of them had ratios of between 0.67 and 1.5), showing the high accuracy of the method. For metabolite identification, a library of DnsHz-labeled standards was constructed, including 78 carbonyl metabolites with each containing MS, retention time (RT), and MS/MS information. This library and an online search program for labeled carbonyl metabolite identification based on MS, RT, and MS/MS matches have been implemented in a freely available Website, www.mycompoundid.org . Using this library, out of the 1737 peak pairs detected in urine, 33 metabolites were positively identified. In addition, 1333 peak pairs could be matched to the metabolome databases with most of them belonging to the carbonyl metabolites. These results show that 12 C-/ 13 C-DnsHz labeling LC–MS is a useful tool for profiling the carbonyl submetabolome of complex samples with high coverage.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,557

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,267
Écart entre enseignants0,248 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations115
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAnalytical ChemistryMême sujetMetabolomics and Mass Spectrometry StudiesTravaux en français237 207