Untargeted Metabolomics of Plant Samples using HPLC-DAD and Gaussian Mixture Models
Notice bibliographique
Résumé
Abstract/Summary Premise Plants produce millions of different chemical compounds, contributing greatly to their physiology and evolutionary trajectories. Most untargeted metabolomic methods are inaccessible, either due to upfront instrument costs or intensive technical training. More accessible methods using diode array detectors often only utilize a few wavelengths, preventing high-throughput observation of total metabolic diversity. Methods Leaves from the genera Betula , Magnolia, Rosa, and Viburnum were collected, dried and ground, extracted, and analyzed by HPLC-DAD. Chromatographic data was then processed in a curated R pipeline, and resulting resolved peaks were clustered by absorbance spectra using Gaussian Finite Mixture Models (GMMs). To assess clustering, GMM was compared to a more traditional linear discriminant analysis (LDA) method, with clusters identified through literature searches. Results Significant associations between the abundances of chemical classes and whole-metabolome alpha and beta diversity indices were recovered. In general, GMMs performed better than other classification methods like LDA, especially between classes that share common features like non-flavonoid phenolics and flavonoids. Discussion We show that our method can easily extract relevant class-level diversity of metabolite profiles among closely related species, genotypes, and ecotypes. Regardless of underlying research question, our method extends the usage of DAD beyond restricted targeted analyses and increases the accessibility of untargeted metabolomics.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».