Extraction and cleansing of data for a non-targeted analysis of high-resolution mass spectrometry data of wastewater
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
We provide a workflow to extract unidentified signals from chromatography-high resolution mass spectrometry (LC-HRMS) data of wastewater samples as a pre-step of a non-targeted analysis of dissolved organic matter (DOM). We provide detailed methodology on data processing and cleanup using MS processing software MZmine 2 and an own set of functions in R developed for wastewater analysis. The processing involves signal extraction, linear mass correction, reduction of noise, grouping of isotopologues, molecular formula assignment and merging of replicates. The article contains software settings and reasoning behind the choice of data extraction options. The supplementary information contains a script for the correction of signal masses using internal standards and templates of internal standard lists. We included a reproducible example as an R notebook with data cleansing workflow and data exported from MZmine. The data were used according to the described methodology in the article "A non-targeted high-resolution mass spectrometry data analysis of dissolved organic matter in wastewater treatment" by Verkh et al., 2018. •Includes a linear mass correction algorithm for LC-HRMS signals.•Describes a pipeline of non-targeted processing of LC-HRMS data of wastewater using free software.•Provides tests and reasons for parameter choice in non-targeted LC-HRMS wastewater data extraction.
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 | 0,001 | 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 découle