Migration time correction for dual pressure capillary electrophoresis in semi‐targeted metabolomics study
Notice bibliographique
Résumé
Migration time fluctuation strongly affects peak alignment and identification of unknown compounds, making migration time correction an essential step in capillary electrophoresis (CE)-based metabolomics. To obtain more reliable information, metabolites with different apparent mobilities are analyzed by tandem mass spectrometry. Applying a small pressure is a common practice for reducing the analysis time of anions in a positive mode CE, known as the pressure-assisted CE. However, applying pressure may reduce the separation efficiency and can be undesirable for cation analysis. A simple way to address this issue is to increase the pressure after a certain time, during the separation. We term this practice as dual pressure CE. However, changing the pressure during the CE separation complicates migration time correction. Previous migration time correction methods were established based on a consistent electroosmotic flow and a constant pressure-driven bulk-flow velocity. We proposed a new correction method to support the peak alignment when dual pressure CE is used. A Python-based script was developed to implement dual pressure CE migration time correction for semi-targeted metabolomics study performed by a multiple reaction monitoring-based method. This script can help select suitable endogenous metabolites as correction markers, perform migration time correction, and conduct peak alignment. A case study showed that migration time precision of 156 metabolites in 32 samples can be improved from 4.8 to 11.4%RSD (relative standard deviation) to less than 1.8%RSD.
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 | 0,001 |
| 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 ».