Evaluation of sample preparation methods for NMR-based metabolomics of cow milk
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
The quality of milk metabolome analyzed by nuclear magnetic resonance (NMR) is greatly influenced by the way samples are prepared. Although this analytical method is increasingly used to study milk metabolites, a thorough examination of available sample preparation protocols for milk has not been reported yet. We evaluated the performance of eight milk preparation methods namely (1) raw milk without any processing; (2) skimmed milk; (3) ultrafiltered milk; (4) skimming followed by ultrafiltration; (5) ultracentrifuged milk; (6) methanol; (7) dichloromethane; and (8) methanol/dichloromethane, in terms of spectra quality, repeatability, signal-to-noise ratio, extraction efficiency and yield criteria. A pooled sample of milk was used for all protocols. Skimming, ultracentrifugation and unprocessed milk protocols showed poor NMR spectra quality. Protocols involving multiple steps, namely methanol/dichloromethane extraction, and skimming followed by ultrafiltration produced inadequate results for signal-to-noise ratio parameter. Methanol and skimming associated to ultrafiltration provided good repeatability results compared to the other protocols. Chemical-based sample preparation protocols, particularly methanol, showed more efficient metabolite extraction compared to physical preparation methods. When considering all evaluation parameters, the methanol extraction protocol proved to be the best method. As a proof of utility, methanol protocol was then applied to milk samples from dairy cows fed a diet with or without a feed additive, showing a clear separation between the two groups of cows.
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 | 0,002 | 0,001 |
| 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