Applications of nDATA for screening, quantitation, and identification of pesticide residues in fruits and vegetables using UHPLC/ESI Q‐Orbitrap all ion fragmentation and data independent acquisition
Notice bibliographique
Résumé
High sample throughput and effective multiresidue methods for screening, quantitation, and identification are desired for the analysis of a large number of pesticides in routine monitoring programs for food safety. This study was designed to explore the use of an UHPLC/ESI Q-Orbitrap nontarget data acquisition for target analysis (nDATA) workflow for screening 655 pesticides and quantifying a small group of 46 most likely incurred pesticide residues in fruits and vegetables in a single analysis. High-resolution mass spectrometers such as the Q-Orbitrap offer unique applications for pesticide analysis using full MS scan with data independent acquisition (DIA) or all ion fragmentation (AIF) scan. The experiments were designed to achieve a balance between selectivity and cycle time by considering parameter settings such as mass resolution and the number of mass isolation windows or isolation window widths. Coupled with ultra-high performance liquid chromatography (UHPLC), both full MS/DIA and full MS/AIF nDATA workflows were evaluated for screening, quantification, and identification in a single analysis. In general, UHPLC/ESI full MS/vDIA detected more fragment ions per pesticide than AIF when one to four fragments were compared. UHPLC/ESI full MS/vDIA and AIF generated comparable quantitative results, but the latter provided slightly better repeatability likely due to its shorter cycle time and more scans across a chromatographic peak. UHPLC/ESI full MS/vDIA may be preferable for screening, quantitation and identification when the testing scope covers a few hundreds of pesticides in a single analysis.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».