Analyzing Assay Specificity in Metabolomics using Unique Ion Signature Simulations
Notice bibliographique
Résumé
Targeted, untargeted and data-independent acquisition (DIA) metabolomics workflows are often hampered by ambiguous identification based on either MS1 information alone or relatively few MS2 fragment ions. While DIA methods have been popularized in proteomics, it is less clear whether they are suitable for metabolomics workflows due to their large precursor isolation windows and complex co-isolation patterns. Here, we quantitatively investigate the conditions necessary for unique metabolite detection in complex backgrounds using precursor and fragment ion mass-to-charge separation, comparing three benchmarked MS methods (MS1, MRM, DIA). Our simulations show that DIA outperformed MS1-only and MRM-based methods with regards to specificity by a factor of ~2.8-fold and ~1.8-fold, respectively. Additionally, we show that our results are not dependent on the number of transitions used or the complexity of the background matrix. Finally, we show that collision energy is an important factor in unambiguous detection and that a single collision energy setting per compound cannot achieve optimal pairwise differentiation of compounds. Our analysis demonstrates the power of using both high resolution precursor and high resolution fragment ion m/z for unambiguous compound detection. This work also establishes DIA as an emerging MS acquisition method with high selectivity for metabolomics, outperforming both DDA and MRM with regards to unique compound identification potential.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».