1D “Spikelet” Projections from Heteronuclear 2D NMR Data—Permitting 1D Chemometrics While Preserving 2D Dispersion
Notice bibliographique
Résumé
Nuclear magnetic resonance (NMR) spectroscopy is a powerful tool for the non-targeted metabolomics of intact biofluids and even living organisms. However, spectral overlap can limit the information that can be obtained from 1D 1H NMR. For example, magnetic susceptibility broadening in living organisms prevents any metabolic information being extracted from solution-state 1D 1H NMR. Conversely, the additional spectral dispersion afforded by 2D 1H-13C NMR allows a wide range of metabolites to be assigned in-vivo in 13C enriched organisms, as well as a greater depth of information for biofluids in general. As such, 2D 1H-13C NMR is becoming more and more popular for routine metabolic screening of very complex samples. Despite this, there are only a very limited number of statistical software packages that can handle 2D NMR datasets for chemometric analysis. In comparison, a wide range of commercial and free tools are available for analysis of 1D NMR datasets. Overtime, it is likely more software solutions will evolve that can handle 2D NMR directly. In the meantime, this application note offers a simple alternative solution that converts 2D 1H-13C Heteronuclear Single Quantum Correlation (HSQC) data into a 1D "spikelet" format that preserves not only the 2D spectral information, but also the 2D dispersion. The approach allows 2D NMR data to be converted into a standard 1D Bruker format that can be read by software packages that can only handle 1D NMR data. This application note uses data from Daphnia magna (water fleas) in-vivo to demonstrate how to generate and interpret the converted 1D spikelet data from 2D datasets, including the code to perform the conversion on Bruker spectrometers.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».