NMR as a Discovery Tool: Exploration of Industrial Effluents Discharged Into the Environment
Notice bibliographique
Résumé
ABSTRACT NMR provides unprecedented molecular information, urgently needed by environmental researchers and policy makers. However, NMR is underutilized in environmental sciences due to the lack of available technologies, limited environmental‐specific training opportunities, and easy‐to‐use workflows. NMR has considerable potential as a discovery tool for novel pollutants, and by‐products, exemplified by the recent discovery of the degradation by‐product of a rubber additive, 6PPD‐quinone, now considered one of the most toxic compounds presently known. This work represents a proof‐of‐concept case study highlighting the use of NMR to profile effluents from 38 industries across Ontario, Canada. Wastewater effluents from various industrial sectors were analyzed using several 1D and 2D 1 H/ 13 C NMR and 19 F experiments and were screened both unconcentrated and after lyophilization. Common species could be identified using human metabolic NMR databases, but environmental‐specific NMR databases desperately need further development. An example of manually identifying unusual NMR signatures is included; these resulted from phosphinic and phosphonic acids originating from the electroplating industry, for which the environmental impacts are not well understood. Basic 1 H NMR quantification is performed using ERETIC, while an optimized approach combining relaxation agents and steady‐state‐free‐precession 19 F NMR, to reduce detection limits (at 500 MHz) to sub‐ppb (< 1 μg/L) in under 15 min, is demonstrated. The future potential of benchtop NMR (80 MHz) is also considered. This paper represents a guide to others interested in applying NMR spectroscopy to environmental media and demonstrates the potential of NMR as a complementary tool to assist MS in environmental pollutant and by‐product discovery.
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 ».