Profiling of glucose degradation products through complexation with divalent metal ions coupled with ESI/qTOF/MS/MS analysis
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
Sugar degradation products generated through thermal treatment of foods are considered the key precursors for various flavor compounds, toxicants and browning, but their high reactivity makes their detection difficult. In this study, a convenient analytical procedure for profiling of various reactive sugar intermediates having enediol or α-dicarbonyl moieties through complexation with divalent metal ions combined with electrospray ionization/quadrupole time-of-flight mass spectrometry was developed. Excess divalent iron chloride (FeCl2) was added to glucose or 13U6-[glucose] solutions in methanol either before or after heating at 110 °C for 2 h, and the samples were analyzed by tandem mass spectrometry. The results indicated the formation of ethylene glycol, glycolaldehyde, glyceraldehyde, glycerol, methylglyoxal, glyoxylic acid, erythrose, erythrosone, 3-deoxy-erythrosone, erythritol, ribose, ribosone, 3-deoxy-ribose, ribitol, 3-deoxy-glucosone, and rhamnose. These sugars and sugar degradation products acting as bidentate ligands were detected as positively charged mono- and bis-sugar iron complexes in the form of [M + H]+, [M + Na]+, [M + K]+, [M + Fe35Cl]+, and [M + Fe37Cl]+, as well as by charge localization on iron [M]+. The divalent metal complexation technique was applied for the profiling of sugar degradation products in aged manuka honey.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,018 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle