Retention Time Standardization and Registration (RTStaR): An algorithm that matches corresponding and identifies unique species in nanoliquid chromatography-nanoelectrospray ionization-mass spectrometry lipidomic datasets
Notice bibliographique
Résumé
Abstract Bioinformatic tools capable of registering, rapidly and reproducibly, large numbers of nanoliquid chromatography-nanoelectrospray ionization-tandem mass spectrometry (nLC-nESI-MS/MS) lipidomic datasets are lacking. We provide here a freely available Retention Time Standardization and Registration (RTStaR) algorithm that aligns nLC-nESI-MS/MS spectra within a single dataset and compares these aligned retention times across multiple datasets. This two-step calibration matches corresponding and identifies unique lipid species in different lipidomes from different matrices and organisms. RTStaR was developed using a population-based study of 1001 human serum samples composed of 71 distinct glycerophosphocholine metabolites comprising a total of 68,572 analytes. Platform and matrix independence were validated using different MS instruments, nLC methodologies, and mammalian lipidomes. The complete algorithm is packaged in two modular ExcelTM workbook templates for easy implementation. RTStaR is freely available from the India Taylor Lipidomics Research Platform http://www.neurolipidomics.ca/rtstar/rtstar.html . Technical support is provided through ldomic@uottawa.ca
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 | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,012 |
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 ».