Development and validation of a multiclass LC–MS/MS method for the analysis of cyanotoxins
Notice bibliographique
Résumé
Abstract Cyanobacteria are prokaryotic organisms that can form large monospecific blooms, which pose a risk to human and animal health as some species produce toxic secondary metabolites called cyanotoxins. Multiclass cyanotoxin analysis is challenging due to varying chemical and physical properties between classes, as well as potentially large numbers of analogues within each class. Incorporating anatoxins (ATXs) into multiclass methods can be particularly challenging due to their small molecular size, potential interferences, polarity, and a lack of chemical standards for most analogues. Here, we present the development of a multiclass LC–MS/MS method and a quantitative calibration solution for aetokthonotoxin (AETX), an emerging cyanotoxin linked to mass mortalities of bald eagles in the Eastern United States. The developed method is capable of detecting 17 microcystins (MCs), nodularin-R, three cylindrospermopsins (CYNs), AETX, and 17 ATXs, including recently tentatively identified 10-hydroxy analogues. Analytes were identified by retention time and product ion ratio matching with available standards. The method was evaluated with respect to limits of detection (LODs), linear range, accuracy, and precision using neat and matrix matched standards. LODs in wet cyanobacterial biofilms ranged from 0.14 ng/g for CYN to 2.8 ng/g for [Dha 7 ]MC-LR with accuracies ranging from 65% for [Leu 1 ]MC-LY to 116% for CYN. Finally, the method’s application was demonstrated through analysis of cyanobacterial field samples, a dietary supplement matrix reference material, and passive sampler extracts to assess versatility within different matrices.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».