High tolerance to instrument drifts by differential chemical isotope labeling LC‐MS: A case study of the effect of LC leak in long‐term sample runs on quantitative metabolome analysis
Notice bibliographique
Résumé
Abstract Metabolomics study of a biological system often involves the analysis of many comparative samples over a period of several days or weeks. This process of long‐term sample runs can encounter unexpected instrument drifts such as small leaks in liquid chromatography‐mass spectrometry (LC‐MS), degradation of column performance, and MS signal intensity change. A robust analytical method should ideally tolerate these instrumental drifts as much as possible. In this work, we report a case study to demonstrate the high tolerance of differential chemical isotope labeling (CIL) LC‐MS method for quantitative metabolome analysis. In a study of using a rat model to examine the metabolome changes during rheumatoid arthritis (RA) disease development and treatment, over 468 samples were analyzed over a period of 15 days in three batches. During the sample runs, a small leak in LC was discovered after a batch of analyses was completed. Reanalysis of these samples was not an option as sample amounts were limited. To overcome the problem caused by the small leak, we applied a method of retention time correction to the LC‐MS data to align peak pairs from different runs with different degrees of leak, followed by peak ratio calculation and analysis. Herein, we illustrate that using 12 C‐/ 13 C‐peak pair intensity values in CIL LC‐MS as a measurement of concentration changes in different samples could tolerate the signal drifts, while using the absolute intensity values (ie, 12 C‐peak as in conventional LC‐MS) was not as reliable. We hope that the case study illustrated and the method of overcoming the small‐leak‐caused signal drifts can be helpful to others who may encounter this kind of situation in long‐term sample runs.
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) | 0,001 | 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 | 0,000 | 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 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 ».