Abstract Visible light photocatalysis, which exploits the reactivity of molecules at their excited state, has triggered a paradigm shift in organic synthesis by enabling some very unique chemical transformations. Yet, achieving precise control of the enantioselectivity in such processes remains a major challenge. A promising strategy involves linking a synthetic transition metal photocatalyst within the chiral architecture of a biomolecule to create a highly selective artificial metallo-photoenzyme. However, such an artificial metalloenzyme that integrates the merits of biocatalysis and photocatalysis to promote abiological reactions with high enantioselectivity is still unknown. Here, we report an artificial metallo-photoDNAzyme resulting from the covalent anchoring of a visible light-absorbing iridium-based photocatalyst within a double-stranded (ds)DNA helix, exhibiting efficient triplet-triplet energy transfer and high levels of enantioselectivity in [2 + 2] intramolecular cycloadditions.
Untargeted high-resolution mass spectrometry is a key tool in clinical metabolomics, natural product discovery and exposomics, with compound identification remaining the major bottleneck. Currently, the standard workflow applies spectral library matching against tandem mass spectrometry (MS2) fragmentation data. Multi-stage fragmentation (MSn) yields more profound insights into substructures, enabling validation of fragmentation pathways; however, the community lacks open MSn reference data of diverse natural products and other chemicals. Here we describe MSnLib, a machine learning-ready open resource of >2 million spectra in MSn trees of 30,008 unique small molecules, built with a high-throughput data acquisition and processing pipeline in the open-source software mzmine. MSnLib is a large-scale, open MSn spectral library featuring >2.3 million MSn and >357,000 MS2 spectra for 30,008 unique small molecules.
This review explores the integration of machine learning (ML) in the analysis of mass spectrometry data obtained by electronic impact after gas chromatography (GC–MS), with a focus on applications for the fragrance and flavour (FF) industry. It highlights recent advances in ML‐driven approaches to enhance the interpretation of complex GC–MS datasets, improving efficiency in ingredient identification, classification, and quality control. Furthermore, the paper discusses various ML techniques, including supervised and unsupervised learning, and also addresses challenges such as data scarcity and intellectual property concerns.
Introduction Le ruxolitinib est un inhibiteur de Janus kinase 2 (JAK2i) indiqué notamment en cas de myélofibrose primitive. Ce traitement favorise la survenue d’infections bactériennes et virales et peut réactiver certaines infections, dont la tuberculose. Observation Nous rapportons le cas d’un patient de 80 ans hospitalisé pour une tuberculose disséminée. Il était traité depuis 28 mois par ruxolitinib pour une myélofibrose primitive associée à la mutation JAK2V617F. Le dépistage pré-thérapeutique d’une infection tuberculeuse latente n’avait pas été réalisé. Seize mois après le début du ruxolitinib, des lésions osseuses, péritonéales et ganglionnaires sont apparues. Finalement, le diagnostic de tuberculose disséminée a été posé 12 mois après la constatation des premières lésions secondaires. La tuberculose était alors à l’origine d’une atteinte péritonéale diffuse, ganglionnaire étagée, pleuropulmonaire, musculaire et surtout osseuse multiple avec destruction de la 6e vertèbre thoracique. Un traitement par quadrithérapie antituberculeuse et la suspension du ruxolitinib ont permis une lente amélioration. Conclusion Avant de débuter un traitement par ruxolitinib, un test immunologique de dépistage de l’infection tuberculeuse latente doit être systématiquement réalisé, même dans un pays de faible incidence tuberculeuse.
