Automated identification and quantification of metabolites in human fecal extracts by nuclear magnetic resonance spectroscopy
Notice bibliographique
Résumé
Abstract We report the development of a software program, called MagMet‐F, that automates the processing and quantification of 1D 1H NMR of human fecal extracts. To optimize the program, we identified 82 potential fecal metabolites using 1D 1H NMR of six human fecal extracts using manual profiling and a literature review of known fecal metabolites. We acquired pure versions of those metabolites and then acquired their 1D 1H NMR spectra at 700 MHz to generate a fecal metabolite spectral library for MagMet‐F. The fitting of these metabolites by MagMet‐F was iteratively optimized to replicate manual profiling. We validated MagMet‐F's automated profiling using a test set of six fecal extracts. It correctly identified 80% of the compounds and quantified those within <20% of the values determined by manual profiling using Chenomx. We also compared MagMet‐F's profiling performance to two other open‐access NMR profiling tools, Bayesil and Batman. MagMet‐F outperformed both. Bayesil repeatedly overestimated metabolite concentrations by 10% to 40% while Batman was unable to properly quantify any compounds and took 10–20× longer. We have implemented MagMet‐F as a freely accessible web server to enable automated, fast and convenient 1D 1H NMR spectral profiling of fecal samples. MagMet‐F is available at https://www.magmet.ca .
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».