High-Throughput Screening and Quantitation of Target Compounds in Biofluids by Coated Blade Spray-Mass Spectrometry
Notice bibliographique
Résumé
Most contemporary methods of screening and quantitating controlled substances and therapeutic drugs in biofluids typically require laborious, time-consuming, and expensive analytical workflows. In recent years, our group has worked toward developing microextraction (μe)-mass spectrometry (MS) technologies that merge all of the tedious steps of the classical methods into a simple, efficient, and low-cost methodology. Unquestionably, the automation of these technologies allows for faster sample throughput, greater reproducibility, and radically reduced analysis times. Coated blade spray (CBS) is a μe technology engineered for extracting/enriching analytes of interest in complex matrices, and it can be directly coupled with MS instruments to achieve efficient screening and quantitative analysis. In this study, we introduced CBS as a technology that can be arranged to perform either rapid diagnostics (single vial) or the high-throughput (96-well plate) analysis of biofluids. Furthermore, we demonstrate that performing 96-CBS extractions at the same time allows the total analysis time to be reduced to less than 55 s per sample. Aiming to validate the versatility of CBS, substances comprising a broad range of molecular weights, moieties, protein binding, and polarities were selected. Thus, the high-throughput (HT)-CBS technology was used for the concomitant quantitation of 18 compounds (mixture of anabolics, β-2 agonists, diuretics, stimulants, narcotics, and β-blockers) spiked in human urine and plasma samples. Excellent precision (∼2.5%), accuracy (≥90%), and linearity ( R 2 ≥ 0.99) were attained for all the studied compounds, and the limits of quantitation (LOQs) were within the range of 0.1 to 10 ng·mL –1 for plasma and 0.25 to 10 ng·mL –1 for urine. The results reported in this paper confirm CBS’s great potential for achieving subsixty-second analyses of target compounds in a broad range of fields such as those related to clinical diagnosis, food, the environment, and forensics.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».