IodoFinder: Machine Learning-Guided Recognition of Iodinated Chemicals in Nontargeted LC-MS/MS Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Iodinated disinfection byproducts (I-DBPs) pose significant health concerns due to their high toxicity. Current approaches to recognize unknown I-DBPs in mass spectrometry (MS) analysis rely on negative ionization mode, in which the characteristic I – fragment can be observed in tandem mass spectra (MS/MS). Still, many I-DBPs ionize exclusively in positive ionization mode, where the I – fragment is absent. To address this gap, this work developed a machine learning-based strategy to recognize iodinated compounds (I-compounds) from their MS/MS in both electrospray positive (ESI+) and negative ionization (ESI−) modes. Investigating over 6000 MS/MS spectra of 381 I-compounds, we first identified five characteristic I-containing neutral losses and one diagnostic I – fragment in ESI+ and ESI– modes, respectively. We then trained Random Forest models and integrated them into IodoFinder, a Python program, to streamline the recognition of I-compounds from raw LC-MS data. IodoFinder accurately recognized over 96% of the 161 I-compound standards in both ionization modes. In its application to DBP mixtures, IodoFinder discovered 19 I-DBPs with annotated structures and an additional 17 with assigned formulas, including 12 novel and 3 confirmed I-DBPs. We envision that IodoFinder will advance the identification of both known and unknown I-compounds in exposome studies.
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.
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 | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle