Influence of data acquisition modes and data analysis approaches on non-targeted analysis of phthalate metabolites in human urine
Notice bibliographique
Résumé
Humans are often exposed to phthalates and their alternatives, on account of their widespread use in PVC as plasticizers, which are associated with harmful human effects. While targeted biomonitoring provides quantitative information for exposure assessment, only a small portion of phthalate metabolites has been targeted. This results in a knowledge gap in human exposure to other unknown phthalate compounds and their metabolites. Although the non-targeted analysis (NTA) approach is capable of screening a broad spectrum of chemicals, there is a lack of harmonized workflow in NTA to generate reproducible data within and between different laboratories. The objective of this study was to compare two different NTA data acquisition modes, the data-dependent (DDA) and independent (DIA) acquisition (DDA), as well as two data analysis approaches, based on diagnostic ions and Compound Discoverer software for the prioritization of candidate precursors and identification of unknown compounds in human urine. Liquid chromatography coupled to high-resolution mass spectrometry was used for sample analysis. The combination of three-diagnostic-ion extraction and DDA data acquisition was able to improve data filtering and data analysis for prioritizing phthalate metabolites. With DIA, 25 molecular features were identified in human urine, while 32 molecular features were identified in the same urine samples using DDA data. The number of molecular features identified with level 1 confidence was 11 and 9 using DIA and DDA data, respectively. The study demonstrated that besides sample preparation, the impact of data acquisition must be taken into account when developing a NTA method and a consistent protocol for evaluating such an impact is necessary.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».