Toward Comprehensive Per- and Polyfluoroalkyl Substances Annotation Using FluoroMatch Software and Intelligent High-Resolution Tandem Mass Spectrometry Acquisition
Notice bibliographique
Résumé
Thousands of per- and polyfluoroalkyl substances (PFAS) exist in the environment and pose a potential health hazard. Suspect and nontarget screening with liquid chromatography (LC)–high-resolution tandem mass spectrometry (HRMS/MS) can be used for comprehensive characterization of PFAS. To date, no automated open source PFAS data analysis software exists to mine these extensive data sets. We introduce FluoroMatch, which automates file conversion, chromatographic peak picking, blank feature filtering, PFAS annotation based on precursor and fragment masses, and annotation ranking. The software library currently contains ∼7 000 PFAS fragmentation patterns based on rules derived from standards and literature, and the software automates a process for users to add additional compounds. The use of intelligent data-acquisition methods (iterative exclusion) nearly doubled the number of annotations. The software application is demonstrated by characterizing PFAS in landfill leachate as well as in leachate foam generated to concentrate the compounds for remediation purposes. FluoroMatch had wide coverage, returning 27 PFAS annotations for landfill leachate samples, explaining 71% of the all-ion fragmentation (CF2)n related fragments. By improving the throughput and coverage of PFAS annotation, FluoroMatch will accelerate the discovery of PFAS posing significant human risk.
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 | 0,000 |
| 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) | 0,002 | 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 ».