Steady-State Free Precession (SSFP) NMR Spectroscopy for Sensitivity Enhancement in Complex Environmental and Biological Samples Using Both High-Field and Low-Field NMR
Notice bibliographique
Résumé
Nuclear magnetic resonance (NMR) spectroscopy is a valuable and complementary tool in environmental research, but it is underutilized due to the cost, size, and maintenance requirements of standard “high-field” NMR spectrometers. “Low-field” NMR spectrometers are a financially and physically accessible alternative, but their lower sensitivity and increased spectral overlap limit the analysis of heterogeneous environmental/biological media, especially with fast-relaxing samples that produce broad, low-intensity spectra. This study therefore investigates the potential of the steady-state free precession (SSFP) experiment to enhance signal-to-noise ratios (SNRs) of fast-relaxing, complex samples at both high- and low-field. SSFP works by obtaining steady-state transverse signal using a train of equally spaced radiofrequency pulses with the same flip angle and a time between pulses less than the transverse relaxation time, allowing for thousands of scans to be summed in a short time period. Here, 13 C-SSFP is applied to samples of varying complexity (egg white, dissolved organic matter, and crude oil) at low-field and at high-field for testing and comparison. The potential of in vivo SSFP NMR is additionally investigated by applying 31 P-SSFP to live Eisenia fetida at high-field. In some samples, SSFP increased 13 C SNR by over 2000% at both high-field and low-field compared to standard 13 C NMR and enabled detection of peaks that were not observable by standard 13 C NMR. Ultimately, SSFP holds great potential for improving analysis of fast-relaxing, complex samples, which could in turn make low-field NMR spectroscopy a more effective tool not only in environmental/biological research but also in numerous other disciplines.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».