A targeted and non-targeted discovery screening approach for poly-and per-fluoroalkyl substances in model environmental biota samples
Notice bibliographique
Résumé
A comprehensive analytical approach for targeted and non-targeted discovery screening of per- and polyfluoroalkyl substances (PFAS) was developed and applied to model complex environmental biotic samples. Samples were extracted by formic acid-acetonitrile solution and cleaned up and fractionated by SPE (WAX). Target PFAS quantification was performed by ultra-high performance liquid chromatography interfaced with a triple quadrupole mass spectrometer (UPLC-QqQ-MS/MS). Non-targeted analysis (NTA) PFAS screening was performed with UPLC coupled with a quadrupole-Exactive orbitrap high resolution mass spectrometer (UPLC-Q-Exactive-HRMS). An iterative exclusion (IE) approach was applied to data acquisition for NTA suspect screening to increase the potential for unknown PFAS discovery with MS/MS. A complex workflow in Compound Discoverer was set up to automate data processing of the PFAS suspects search. New mass lists and MS/MS databases, which included a large number of PFAS, were set up and introduced into the search for high-throughput structure identification using HRMS techniques. The integrated targeted-NTA method successfully analyzed for legacy and alternative PFAS in model environmental biota samples, namely polar bear liver and bird egg samples. Targeted analysis provided unequivocal identification of well known/established PFAS (mainly perfluoroalkyl acids) with quantification at very low levels. The NTA suspect screening was able to determine a broader range of PFAS. The data analysis method offered high-confidence annotations for PFAS despite lacking available authentic standards. Overall, the analytical coverage of PFAS was greater and elucidated other PFAS present in these model apex predators.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».