Improvements in lipid suppression for <sup>1</sup>H NMR‐based metabolomics: Applications to solution‐state and HR‐MAS NMR in natural and in vivo samples
Notice bibliographique
Résumé
Proton nuclear magnetic resonance (NMR) spectra of intact biological samples often show strong contributions from lipids, which overlap with signals of interest from small metabolites. Pioneering work by Diserens et al. demonstrated that the relative differences in diffusivity and relaxation of lipids versus small metabolites could be exploited to suppress lipid signals, in high-resolution magic angle spinning (HR-MAS) NMR spectroscopy. In solution-state NMR, suspended samples can exhibit very broad water signals, which are challenging to suppress. Here, improved water suppression is incorporated into the sequence, and the Carr-Purcell-Meiboom-Gill sequence (CPMG) train is replaced with a low-power adiabatic spinlock that reduces heating and spectral artefacts seen with longer CPMG filters. The result is a robust sequence that works well in both HR-MAS as well as static solution-state samples. Applications are also extended to include in vivo organisms. For solution-state NMR, samples containing significant amount of fats such as milk and hemp hearts seeds are used to demonstrate the technique. For HR-MAS, living earthworms (Eisenia fetida) and freshwater shrimp (Hyalella azteca) are used for in vivo applications. Lipid suppression techniques are essential for non-invasive NMR-based analysis of biological samples with a high-lipid content and adds to the suite of experiments advantageous for in vivo environmental metabolomics.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,003 | 0,002 |
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 ».