Improved Discrimination of Mass Spectral Isomers Using the High‐Dimensional Consensus Mass Spectral Similarity Algorithm
Notice bibliographique
Résumé
ABSTRACT This study employs a high‐dimensional consensus mass spectral (HDCMS) similarity scoring technique to discriminate isomers collected using an electron ionization mass spectrometer. The HDCMS method was previously introduced and applied to the discrimination of mass spectra of constitutional isomers, methamphetamine and phentermine, collected with direct analysis real‐time mass spectrometry (DART‐MS). The method formulates the problem of discriminating mass spectra in a mathematical Hilbert space and is hence called “high dimensional.” It requires replicate mass spectra to build a Gaussian model and evaluate the inner products between these functions. The resulting measurement variability is used as a signature by which to discriminate spectra. In this work, HDCMS is tested on electron impact ionization (EI) mass spectra of 7 terpene and terpene‐related (C 10 H 16 and C 10 H 14 ) isomers with experimental retention indices that differ by less than 30 and with traditional cosine similarity scores greater than 0.9, on a scale of 0 to 1, when compared with at least one other compound in the test set. Using identical instrument parameters, 15 replicate gas chromatography–electron ionization–mass spectrometry (GC‐EI‐MS) spectra of each isomer were collected and separated into distinct library and query sets. The HDCMS algorithm discriminated each isomer, indicating the method's potential. Because the method requires replicate measurements, observations from a simple heuristic study of the number of replicates required to discriminate these isomers is presented. The paper concludes with a discussion of compound discrimination using HDCMS and the benefits and drawbacks of applying the method to EI‐MS data.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».