Rapid LC–MS assay for targeted metabolite quantification by serial injection into isocratic gradients
Notice bibliographique
Résumé
Liquid chromatography mass spectrometry (LC-MS) has emerged as a mainstream strategy for metabolomics analyses. One advantage of LC-MS is that it can serve both as a biomarker discovery tool and as a platform for clinical diagnostics. Consequently, it offers an exciting opportunity to potentially transition research studies into real-world clinical tools. One important distinction between research versus diagnostics-based applications of LC-MS is throughput. Clinical LC-MS must enable quantitative analyses of target molecules in hundreds or thousands of samples each day. Currently, the throughput of these clinical applications is limited by the chromatographic gradient lengths, which-when analyzing complex metabolomics samples-are difficult to conduct in under ~ 3 min per sample without introducing serious quantitative analysis problems. To address this shortcoming, we developed sequential quantification using isotope dilution (SQUID), an analytical strategy that combines serial sample injections into a continuous isocratic mobile phase to maximize throughput. SQUID uses internal isotope-labelled standards to correct for changes in LC-MS response factors over time. We show that SQUID can detect microbial polyamines in human urine specimens (lower limit of quantification; LLOQ = 106 nM) with less than 0.019 normalized root mean square error. Moreover, we show that samples can be analyzed in as little as 57 s. We propose SQUID as a new, high-throughput LC-MS tool for quantifying small sets of target biomarkers across large cohorts.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,005 |
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 ».