Molecular Structure and Mass Spectral Data Quality–Driven Processing of High‐Resolution Mass Spectrometry for Quantitative Analysis
Notice bibliographique
Résumé
RATIONALE: LC-MS-based quantification is traditionally performed using selected or multiple reaction monitoring (SRM/MRM) acquisition functions on triple quadrupole (QQQ) instruments resulting in both high sensitivity and selectivity. This workflow requires a previously identified reaction or transition from a precursor ion to a fragment ion to be monitored to obtain the needed selectivity for the compound of interest. High-resolution mass spectrometry (HRMS) has long sought to be a viable alternative for quantitatipve workflows but has been unable to broadly compete, mainly due to the lack of suitable data processing software. METHODS: The approach we developed agnostically and automatically identifies all ions related to the compound being analyzed in both the MS and MSMS data, acquired with data-dependent or data-independent methods. The algorithm automatically selects optimal parameters (ion extraction window, ions to sum, etc.) to provide the best overall method to meet the acceptance criteria defined by the user (accuracy/precision). RESULTS: The results obtained are directly compared to QQQ data collected from the same set of samples and show that the automated HRMS approach is as good as and, in some cases, better than the traditional QQQ approach in terms of selectivity, sensitivity, and dynamic range. CONCLUSIONS: This new methodology enables the use of generic methods for data collection for quantitative analysis using high-resolution mass spectrometry. With this approach, data collection is faster, and the processing algorithm provides quality equal to or better than the current QQQ methodology. This enables an overall reduction in cycle time and improved assay performance versus current HRMS-based quantitative analysis as well as traditional QQQ workflows.
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 | 0,007 | 0,010 |
| 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 | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».