A Perspective on Unintentional Fragments and Their Impact on the Dark Metabolome, Untargeted Profiling, Molecular Networking, Public Data, and Repository Scale Analysis
Notice bibliographique
Résumé
In/postsource fragments (ISFs) arise during electrospray ionization or ion transfer in mass spectrometry when molecular bonds break, generating ions that can complicate data interpretation. Although ISFs have been recognized for decades, their contribution to untargeted metabolomicsparticularly in the context of the so-called "dark matter" (unannotated MS or MS/MS spectra) and the "dark metabolome" (unannotated molecules)remains unsettled. This ongoing debate reflects a central tension: while some caution against overinterpreting unidentified signals lacking biological evidence, others argue that dismissing them too quickly risks overlooking genuine molecular discoveries. These discussions also raise a deeper question: what exactly should be considered part of the metabolome? As metabolomics advances toward large-scale data mining and high-throughput computational analysis, resolving these conceptual and methodological ambiguities has become essential. In this perspective, we propose a refined definition of the "dark metabolome" and present a systematic overview of ISFs and related ion forms, including adducts and multimers. We examine their impact on metabolite annotation, experimental design, statistical analysis, computational workflows, and repository-scale data mining. Finally, we provide practical recommendationsincluding a set of dos and do nots for researchers and reviewersand discuss the broader implications of ISFs for how the field explores unknown molecular space. By embracing a more nuanced understanding of ISFs, metabolomics can achieve greater rigor, reduce misinterpretation, and unlock new opportunities for 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 ».