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 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 ».