TrEnDi Enhances the LC-MS Detection of γ-Aminobutyric Acid
Notice bibliographique
Résumé
Neurotransmitters are critical for the proper function, signal transmission, and physiological balance of the brain, with γ-aminobutyric acid (GABA) being the main inhibitory neurotransmitter in the central nervous system. GABA is present at relatively low concentrations compared to other neurotransmitters therefore requiring sensitive analytical methods for accurate identification and quantitation. Described herein is a rapid and facile liquid chromatography mass spectrometry (LC-MS)-based chemical derivatization method to enhance the detection of GABA, demonstrated in both saline culture media and Carassius auratus (goldfish) retina samples. We have expanded the use of trimethylation enhancement using diazomethane (TrEnDi) to permethylate GABA ([GABATr]+) at 98–100% yields across all matrix types. Quantitative methylation of the carboxylic acid and amino moieties nullifies any zwitterionic character and fixes a permanent positive charge on [GABATr]+ leading to MS sensitivity enhancement. In biological triplicates of goldfish retina samples, [GABATr]+ boasted 6.3–27.9-fold increases in MS sensitivity compared to its unmodified counterpart enabling quantitation with concentrations ranging between 78.6 to 806.5 nM. Calibration curve linearity for [GABATr]+ and unmodified GABA were R2 = 0.9996 and R2 = 0.9923, respectively. Limits of detection and quantitation (LOD/LOQ) for [GABATr]+ were 0.053 nM (1.1 fmol)/0.18 nM (3.6 fmol), compared to 2.5 nM (50 fmol)/8.3 nM (167 fmol) for unmodified GABA. This work demonstrates that TrEnDi has the ability to rapidly enhance LC-MS detection of GABA in a relatively facile manner, reducing the probability of reporting false negatives in the analysis of complex biological samples.
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 | 0,001 | 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 ».