Preventing Mislabeling: A Comparative Chromatographic Analysis for Classifying Medical and Industrial Cannabis
Notice bibliographique
Résumé
Gas chromatography (GC) techniques for analyzing and determining the cannabinoid profile in cannabis (Cannabis sativa L.) are widely used in standard laboratories; however, these methods may mislabel the profile when used under rapid conditions. Our study aimed to highlight this problem and optimize GC column conditions and mass spectrometry (MS) parameters to accurately identify cannabinoids in both standards and forensic samples. The method was validated for linearity, selectivity, and precision. It was observed that when tetrahydrocannabinol (Δ9-THC) and cannabidiolic acid (CBD-A) were examined using rapid GC conditions, the resulting derivatives generated identical retention times. Wider chromatographic conditions were applied. The linear range for each compound ranged from 0.02 μg/mL to 37.50 μg/mL. The R2 values ranged from 0.996 to 0.999. The LOQ values ranged from 0.33 μg/mL to 5.83 μg/mL, and the LOD values ranged from 0.11 μg/mL to 1.92 μg/mL. The precision values ranged from 0.20% to 8.10% RSD. In addition, forensic samples were analyzed using liquid chromatography (HPLC-DAD) in an interlaboratory comparison test, with higher CBD and THC content than GC–MS determination (p < 0.05) in samples. Overall, this study highlights the importance of optimizing GC techniques to avoid mislabeling cannabinoids in cannabis samples.
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 | 0,001 | 0,002 |
| 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 ».