Harmonization of Rapid Evaporative Ionization Mass Spectrometry Workflows across Four Sites and Testing Using Reference Material and Local Food-Grade Meats
Notice bibliographique
Résumé
Rapid evaporative ionization mass spectrometry (REIMS) is a direct tissue metabolic profiling technique used to accurately classify tissues using pre-built mass spectral databases. The reproducibility of the analytical equipment, methodology and tissue classification algorithms has yet to be evaluated over multiple sites, which is an essential step for developing this technique for future clinical applications. In this study, we harmonized REIMS methodology using single-source reference material across four sites with identical equipment: Imperial College London (UK); Waters Research Centre (Hungary); Maastricht University (The Netherlands); and Queen’s University (Canada). We observed that method harmonization resulted in reduced spectral variability across sites. Each site then analyzed four different types of locally-sourced food-grade animal tissue. Tissue recognition models were created at each site using multivariate statistical analysis based on the different metabolic profiles observed in the m/z range of 600–1000, and these models were tested against data obtained at the other sites. Cross-validation by site resulted in 100% correct classification of two reference tissues and 69–100% correct classification for food-grade meat samples. While we were able to successfully minimize between-site variability in REIMS signals, differences in animal tissue from local sources led to significant variability in the accuracy of an individual site’s model. Our results inform future multi-site REIMS studies applied to clinical samples and emphasize the importance of carefully-annotated samples that encompass sufficient population diversity.
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 | 0,000 | 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) | 0,001 | 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 ».