Capturing Current Practices and Characterizing Measurement Reproducibility for Seized Drug Analysis using Ambient Ionization Mass Spectrometry – an Interlaboratory Study
Notice bibliographique
Résumé
The use of ambient ionization mass spectrometry (AI-MS) to aid in preliminary screening of seized drug evidence has steadily increased over the past two decades. Unlike gas chromatography mass spectrometry (GC-MS), where electron ionization using a single quadrupole detector is commonplace, a wide range of ionization sources and mass spectrometers can be used in AI-MS. Differences in instrument configuration can lead to substantial variability in the mass spectral data obtained. An interlaboratory study, consisting of 35 participants from 17 laboratories, was conducted to begin to understand the landscape and the differences in data that are produced. Laboratories analyzed a series of 21 solutions across multiple days using their own instrumental methods. Mass spectra were extracted and compared to understand operator, within-lab, and across-lab reproducibility for common compounds and mixtures observed in seized drug analysis. In addition, five participants analyzed the 21 solutions using prescribed method parameters to measure reproducibility improvements when using identical instrumental conditions. Mass spectral reproducibility, measured through pairwise cosine similarity, was found to be generally quite high, regardless of sample type, instrument type, method, or operator. Low-fragmentation spectra showed the lowest variability, as they were dominated by a peak corresponding to intact protonated molecule peaks. Several potential issues that increased variability were identified including carryover from mass calibrants, poor sample introduction, and mass spectrometer inlets that required cleaning. The use of uniform method parameters was shown to increase reproducibility of mass spectra across laboratories, most notably at higher in-source collision induced dissociation energies. This study provides initial insights into the current landscape of AI-MS in seized drug analysis and lays the foundation for future studies that can provide needed data for the development of documentary standards, standard methods, and possibly an establishment of error rates.
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 | 0,180 | 0,221 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 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 ».