MétaCan
Menu
Retour à la cohorte
Enregistrement W3081481783 · doi:10.1093/icesjms/fsaa121

State of art and best practices for fatty acid analysis in aquatic sciences

2020· article· en· W3081481783 sur OpenAlexaff
Lydie I. E. Couturier, Loïc Michel, Teresa Amaro, Suzanne M. Budge, Elisabete da Costa, Marleen De Troch, Valeria Di Dato, Patrick Fink, Carolina Giraldo, Fabienne Le Grand, Iván Loaiza, Margaux Mathieu‐Resuge, Peter D. Nichols, Christopher C. Parrish, Fany Sardenne, Marie Vagner, Fabrice Pernet, Philippe Soudant

Notice bibliographique

RevueICES Journal of Marine Science · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAquaculture Nutrition and Growth
Établissements canadiensMemorial University of NewfoundlandDalhousie University
Organismes subventionnairesFundação para a Ciência e a TecnologiaMinistério da Ciência, Tecnologia e Ensino SuperiorCentro de Estudos Ambientais e Marinhos, Universidade de AveiroUniversité de Bretagne OccidentaleCentre National de la Recherche ScientifiqueAgence Nationale de la Recherche
Mots-clésTrophic levelStandardizationEnvironmental scienceDerivatizationSample (material)Fatty acidFish <Actinopterygii>EcologyComputer scienceChemistryBiologyFisheryChromatographyBiochemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Determining the lipid content and fatty acid (FA) composition of aquatic organisms has been of major interest in trophic ecology, aquaculture, and nutrition for over half a century. Although protocols for lipid analysis are well-described, their application to aquatic sciences often requires modifications to adapt to field conditions and to sample type. Here, we present the current state of knowledge of methods dedicated to both marine and freshwater lipid analyses, from sampling to data treatment. We review: (i) sample preservation, storage and transport protocols, and their effects on lipids, (ii) lipid extraction, separation of polar and neutral lipids, derivatization, and detection methods, and (iii) available tools for the statistical analysis of FA data. We provide recommendations for best practices in field situations and advocate for protocol standardization and interlaboratory calibration.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,554
Score d'incertitude au seuil0,169

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,056
Tête enseignante GPT0,305
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations70
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueICES Journal of Marine ScienceMême sujetAquaculture Nutrition and GrowthTravaux en français237 207