Identification of triglycerides in liquid and fire debris samples by triple quadrupole liquid chromatography‐mass spectrometry
Notice bibliographique
Résumé
Analysis of fire debris for triglyceride-based oils may be of interest to fire investigators depending on the circumstances of a particular fire. Such circumstances include accidental or intentionally set cooking oil fires, fires involving triglyceride-based "eco" fire log products, and spontaneous ignition fires that involve drying oils on rags. Many forensic laboratories utilize gas chromatography-mass spectrometry following fatty acid methyl esterification to identify triglyceride residues in fire debris extracts. This study explores an alternate approach, which involves the identification of intact triglycerides by liquid chromatography-mass spectrometry-mass spectrometry (LC-MS/MS). 52 triglyceride-based oils and fats (22 different types) were analyzed by LC-MS/MS using multiple reaction monitoring to investigate variation in triglyceride content between different brands and types of oil and fat. Selected oils were then degraded by exposure to air, typical cooking conditions and/or fire conditions to simulate samples that are typically encountered by Fire Debris Analysts in fire investigation cases. Triglycerides were identified in all pristine and degraded oil samples, and relative peak areas for degraded samples often resembled their pristine oil counterparts. In samples where relative peak area differences were noted, more predominant degradation was observed for triglycerides with a higher proportion of poly-unsaturated fatty acids. Variability in triglyceride content between different brands and types of oil are discussed, as well as factors affecting the identification of triglyceride peaks in commercial oil samples, as compared to the corresponding analytical standard.
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 | 0,001 |
| 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) | 0,000 | 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 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 ».