Repurposing proteomic nanoLC-MS platforms for untargeted metabolomics: evaluating DIA and polarity switching performance in human plasma
Notice bibliographique
Résumé
BACKGROUND: Many of the advanced MS methods applied in proteomics such as nanoflow LC-MS with data-independent acquisition have yet to be verified and/or optimized on metabolomics applications. RESEARCH DESIGN AND METHODS: This study evaluates the feasibility of repurposing a proteomics-optimized nanoLC-MS platform for untargeted metabolomics. Using NIST SRM 1950 reference human plasma, we compared the performance of polarity switching and separate polarity modes under DIA conditions, focusing on metabolite coverage, annotation, and response linearity. RESULTS: We observed, in the separate polarity and switching polarity runs 669 and 353 features in (+) mode and 558 and 446 features in (-) mode, respectively. A total of 233 metabolites were annotated using the (±) separate polarities and 179 using the (±) switching polarity based on MassBank of North America (MoNA) public MS library and filtered with the Human Metabolome Database (HMDB). Both switching and separate polarity methods performed well regarding response linearities which were investigated by spiking some amino acid compounds into plasma matrix. CONCLUSIONS: The polarity switching DIA approach for metabolomics reduced sample consumption and analysis time, but led to fewer detected features and annotations compared to separate polarity runs. These findings support the use of unified nanoLC-MS platforms for integrated multi-omics analysis.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».