Profiling of glucose degradation products through complexation with divalent metal ions coupled with ESI/qTOF/MS/MS analysis
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».