LC–MS‐Based Simultaneous Determination of Biomarkers in Dried Urine Spots for the Detection of Cofactor‐Dependent Metabolic Disorders in Neonates
Notice bibliographique
Résumé
ABSTRACT Deficiency of cofactors for various enzymes can lead to inborn errors of metabolism. These conditions frequently occur as seizures, which lead to permanent brain damage. Newborn screening for biomarkers associated with these disorders can help in early detection and treatment. Our objective was to establish a liquid chromatography mass spectrometry technique for quantifying biomarkers in dried urine spots to detect specific vitamin‐responsive inborn errors metabolism. Biomarkers were extracted from dried urine spots using a methanol:0.1% v/v formic acid solution (75:25) containing an internal standard mixture. Separation was achieved using a Luna PFP column (150 mm × 4.6 mm, 3 µm) under gradient elution conditions. The LC–MS technique was validated as per ICH M10 guidelines. Urine samples from healthy newborns in Udupi district, South India, were analyzed to establish reference values for these biomarkers. The method demonstrated excellent linearity ( R 2 > 0.99) with low limits of quantification: 0.1 µg/mL for leucine, isoleucine, valine, proline, hydroxyproline, methylmalonic acid, and 3‐hydroxyisovaleric acid; 0.01 µg/mL for pipecolic acid and α‐aminoadipic semialdehyde; and 0.03 µg/mL for piperideine‐6‐carboxylate. Interconvertibility between urine and dried urine spot assays was observed from the results of the regression and Bland–Altman analyses. Reference intervals for these biomarkers in the Udupi neonatal population were established using the validated dried urine spot method.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».