Towards Standardization of Data Normalization Strategies to Improve Urinary Metabolomics Studies by GC×GC-TOFMS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Urine is a popular biofluid for metabolomics studies due to its simple, non-invasive collection and its availability in large quantities, permitting frequent sampling, replicate analyses, and sample banking. The biggest disadvantage with using urine is that it exhibits significant variability in concentration and composition within an individual over relatively short periods of time (arising from various external factors and internal processes regulating the body's water and solute content). In treating the data from urinary metabolomics studies, one must account for the natural variability of urine concentrations to avoid erroneous data interpretation. Amongst various proposed approaches to account for broadly varying urine sample concentrations, normalization to creatinine has been widely accepted and is most commonly used. MS total useful signal (MSTUS) is another normalization method that has been recently reported for mass spectrometry (MS)-based metabolomics studies. Herein, we explored total useful peak area (TUPA), a modification of MSTUS that is applicable to GC×GC-TOFMS (and data from other separations platforms), for sample normalization in urinary metabolomics studies. Performance of TUPA was compared to the two most common normalization approaches, creatinine adjustment and Total Peak Area (TPA) normalization. Each normalized dataset was evaluated using Principal Component Analysis (PCA). The results showed that TUPA outperformed alternative normalization methods to overcome urine concentration variability. Results also conclusively demonstrate the risks in normalizing data to creatinine.
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.
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 | 0,000 |
| 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 découle