High‐throughput quantification of drugs of abuse in biofluids via 96‐solid‐phase microextraction–transmission mode and direct analysis in real time mass spectrometry
Notice bibliographique
Résumé
Rationale The workload of clinical laboratories has been steadily increasing over the last few years. High‐throughput (HT) sample processing allows scientists to spend more time undertaking matters of critical thinking rather than laborious sample processing. Herein we introduce a HT 96‐solid‐phase microextraction (SPME) transmission mode (TM) system coupled to direct analysis in real time (DART) mass spectrometry (MS). Methods Model compounds (opioids) were extracted from urine and plasma samples using a 96‐SPME‐TM device. A standard voltage and pressure (SVP) DART source was used for all experiments. Examination of SPME‐TM performance was done using high‐resolution mass spectrometry (HRMS) in full scan mode (100–500 m/z ), whereas quantitation of opioids was performed using triple quadrupole MS in multiple reaction monitoring mode and by using a matrix‐matched internal standard correction method. Results Thirteen points (0.5 to 200 ng mL −1 ) were used to establish a calibration curve. Low limits of quantitation (LOQ) were obtained (0.5 to 25 ng mL −1 ) for matrices used. Acceptable accuracy (71.4–129.4%) and repeatability (1.1–24%) were obtained for validation levels tested (0.5, 30 and 90 ng mL −1 ). In less than 1.5 hours, 96 samples were extracted, desorbed and processed using the 96‐SPME‐TM system coupled to DART‐MS. Conclusions A rapid HT method for detection of opioids in urine and plasma samples was developed. This study demonstrated that ambient ionization mass spectrometry coupled to robust sample preparation methods such as SPME‐TM can rapidly and efficiently screen/quantify target analytes in a HT context.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».