Nonocclusive Sweat Collection Combined with Chemical Isotope Labeling LC–MS for Human Sweat Metabolomics and Mapping the Sweat Metabolomes at Different Skin Locations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Human sweat is an excellent biofluid candidate for metabolomics due to its noninvasive sample collection and relatively simple matrix. We report a simple and inexpensive method for sweat collection over a defined period (e.g., 24 h) based on the use of a nonocclusive style sweat patch adhered to a skin. This method was combined with differential chemical isotope labeling (CIL) LC-MS for mapping the metabolome profiles of sweat samples collected from skins of the left forearm, lower back, and neck of 20 healthy volunteers. Three 24-h sweat samples were collected at three different days from each subject for examining day-to-day metabolome variations. A total of 342 LC-MS runs were carried out (two runs were discarded due to instrumental issue), resulting in the detection and relative quantification of 3140 sweat metabolites with 84 metabolites identified and 2716 metabolites mass-matched to metabolome databases. Multivariate and univariate analyses of the metabolome data revealed a location-dependence characteristic of the sweat metabolome, offering a possibility of mapping the sweat metabolic differences according to skin locations. Significant differences in male and female sweat metabolomes could be detected, demonstrating the possibility of using the sweat metabolome to reveal biological variations among different comparative groups. Thus, the combination of noninvasive sweat collection and CIL LC-MS is a robust analytical tool for sweat metabolomics with potential applications including daily monitoring of the sweat metabolome as health indicators, discovering sweat-based disease biomarkers, and metabolomic mapping of sweat collected from different areas of skin with and without injuries or diseases.
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.
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 | 0,001 | 0,001 |
| 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 découle