MultiplexMS: A mass spectrometry-based multiplexing strategy for ultra-high-throughput analysis of complex mixtures
Notice bibliographique
Résumé
Abstract: Throughput for chemical analysis of natural products mixtures has not kept pace with recent developments in genome sequencing technologies and laboratory automation for high-throughput screening, leading to a disconnect between chemical and biological profiling at the library scale that limits new molecule discovery. Here we report a new strategy for sample multiplexing that can increase mass spectrometry-based profiling up to 30-fold over traditional methods. This strategy involves the analysis of pooled samples and subsequent computational deconvolution to reconstruct peak lists for each sample in the set. We validated this approach using in silico experiments and demonstrated that the method has a high precision (>97%) for large, pooled samples (n = 30), particularly for infrequently occurring metabolites (n < 10) of relevance in drug discovery applications. Finally, we repeated a recently reported biological activity profiling study on 925 natural products extracts, leading to the rediscovery of all previously reported bioactive metabolites using just 5% of the previously required MS acquisition time. This new method is compatible with mass spectrometry data from any instrument vendor and is supported by an open-source software package available at https://github.com/liningtonlab/MultiplexMS.Throughput for chemical analysis of natural products mixtures has not kept pace with recent developments in genome sequencing technologies and laboratory automation for high-throughput screening, leading to a disconnect between chemical and biological profiling at the library scale that limits new molecule discovery. Here we report a new strategy for sample multiplexing that can increase mass spectrometry-based profiling up to 30-fold over traditional methods. This strategy involves the analysis of pooled samples and subsequent computational deconvolution to reconstruct peak lists for each sample in the set. We validated this approach using in silico experiments and demonstrated that the method has a high precision (>97%) for large, pooled samples (n = 30), particularly for infrequently occurring metabolites (n < 10) of relevance in drug discovery applications. Finally, we repeated a recently reported biological activity profiling study on 925 natural products extracts, leading to the rediscovery of all previously reported bioactive metabolites using just 5% of the previously required MS acquisition time. This new method is compatible with mass spectrometry data from any instrument vendor and is supported by an open-source software package available at https://github.com/liningtonlab/MultiplexMS.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 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 | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».