Не целевой или нецелевой: Как пишется: нецелевой или не целевой?

12.01.2023 alexxlab

Содержание

Нецелевой кредит — что это такое: определение термина простыми словами

Нецелевой кредит — это кредит, который может быть потрачен на любые цели из разрешенных банком. Этим он отличается от целевого, предполагающего покупку определенного товара или услуги. При оформлении заявки банк может попросить указать цель кредитования, но в дальнейшем он не проверяет, куда заемщик израсходовал деньги.

Нецелевые кредиты могут быть:

Обеспеченными. Обеспечением может быть залог недвижимости, автомобиля, акций или другого ценного имущества, либо поручительство физического или юридического лица, или лиц. Наличие обеспечения делает условия более выгодными: банки могут предложить низкую процентную ставку и большую сумму, чем по беззалоговому кредиту. Но если заемщик нарушит свои обязательства, то банк может взыскать залог в счет погашения долга или переложить кредит на поручителя
Необеспеченными. Клиент не предоставляет никакого дополнительного обеспечения. Данный вид кредитования считается более популярным среди населения из-за более простого оформления. При этом условия кредита становятся более жесткими из-за повышенного риска невозврата

Оформить такой продукт может любой гражданин, подходящий под требования конкретного банка. В разных организациях они могут отличаться, но в среднем они установлены следующие:

Гражданство Российской Федерации
Постоянная регистрация в регионе присутствия банка
Возраст от 18 до 70 лет
Подтвержденное наличие постоянного дохода, достаточного для обслуживания кредита: ежемесячный платеж не может составлять более 50% от заработной платы
Непрерывный трудовой стаж длительностью не менее 6 месяцев на последнем месте работы
Общий трудовой стаж не менее одного года
Положительная кредитная история

По сроку погашения нецелевые кредиты делятся на:

Краткосрочные — 3-12 месяцев
Среднесрочные — 1-5 лет

Долгосрочные — от 5 лет

Обычно банки предоставляют более привлекательные условия по целевым кредитам: если четко известна цель использования средств и клиент не может ее изменить, то риск для банка становится меньше. По этой же причине процент одобрения целевых заявок выше, чем нецелевых.

Источник: Финансовая культура: Хочу взять кредит. Какой выбрать?

Целевой и нецелевой кредиты — различия, особенности нецелевого и целевого кредитования

Кредиты могут оформляться на покупку определённых товаров, оплату услуг или тратиться на усмотрение заемщика.

Цель кредита — это та составляющая, ради которой заемщик обращается за финансированием. Цель может быть определена и указана в заявке на кредит, или не определена, когда заемщик собирается тратить средства по своему усмотрению, не информируя банк о своих намерениях.

Целевой кредит.

Целевой кредит — это кредит, выдаваемый банком на приобретение конкретного продукта.

Это может быть :

покупка недвижимости,
автомобиля,
бытовых товаров,
оплата образования,
оплата отдыха,
оплата ремонта,
медицинских и других видов услуг.

Цель получения кредита всегда оговаривается в договоре между банком и клиентом, использовать заем на другие нужды человек не может. Как правило, фактически деньги на руки заемщику не выдаются, а перечисляются банком сразу на счет продавца, в противном случае банк потребует подтверждения целевого использования средств. Обычно целевые кредиты предлагаются непосредственно в торговых точках, где покупатель может оформить заявку на получение займа у представителя банка.

Нецелевой кредит.

Нецелевой потребительский кредит может выдаваться на любые потребительские нужды заемщика. Такой вид кредита не нуждается в отчете об использовании полученных средств перед кредитором.

Рейтинг статьи 5 из 5

Теги: Кредиты

Нецелевые и целевые метаболомики-V

%PDF-1. 5 % 1 0 объект >/OCGs[14 0 R]>>/Страницы 3 0 R/Тип/Каталог>> эндообъект 2 0 объект >поток application/pdf

Нецелевые и целевые метаболомики-V
64256JPEG/9j/4AAQSkZJRgABAgEASABIAAD/7QAsUGhvdG9zaG9wIDMuMAA4QklNA +0ААААААААААААААЕА AQBIAAAAAQAB/+4ADkFkb2JlAGTAAAAAAAf/bAIQABgQEBAUEBgUFBgkGBQYJCwgGBggLDAoKCwoK DBAMDAwMDAwQDA4PEA8ODBMTFBQTExwbGxscHx8fHx8fHx8fHwEHBwcNDA0YEBAYGHURFRofHx8f Hx8fHx8fHx8fHx8fHx8fHx8fHx8fHx8fHx8fHx8fHx8fHx8fHx8fHx8fHx8f/8AAEQgBAABAAwER AAIRAQMRAf/EAaIAAAAHAQEBAQEAAAAAAAAAAAQFAwIGAQAHCAkKCwEAAgIDAQEBAQEAAAAAAAAA AQACAwQFBgcICQoLEAACAQMDagQCBgcDBAIGAnMBAgMRBAAFIRIxQVEGE2EicYEUMpGhBxWxQiPB UtHhMxZi8CRygvElQzRTkqKyY3PCNUQnk6OzNhdUZHTD0uIIJoMJChgZhJRFRqS0VtNVKBry4/PE 1OT0ZXWFlaW1xdXl9WZ2hpamtsbW5vY3R1dnd4eXp7fh2+f3OEhYaHiImKi4yNjo+Ck5SVlpeYmZ qbnJ2en5KjpKWmp6ipqqusra6voRAAICAQIDBQUEBQYECAMDbQEAAhEDBCESMUEFURNhIgZxgZEy obHwFMHR4SNCFVJicvEzJDRDghaSUyWiY7LCB3PSNeJEgxdUkwgJChgZJjZFGidkdFU38qOzwygp 0+PzhJSktMTU5PRldYWVpbXF1eX1RlZmdoaWprbG1ub2R1dnd4eXp7fh2+f3OEhYaHiImKi4yNjo +DlJWWl5iZmpucnZ6fkqOkpaanqKmqq6ytrq+v/aAAwDAQACEQMRAD8A4NirsVdirM9Ok/Kk+VYV 1CLUh5j9WJZ5IivpBPWZpXUEkMPR4qo+E8/bfAnZC+Ybb8uV05joF3ftfoUKrdqhjdSSHX4UTiw2 YN0oKUqdlTTFsKHYqui/vE/1h+vFWa6V5V/Le6s7aW984yWtzKIzPbJps0xiLpFz5MHUUSV3Wo/Z XL3AITTSeUvy79KBpfOyBpJAsqrYXDGOP0A7OfEiaqADqKHatArSLi8nflO80kb+epIwjsqynTZS jKFJVhSTl8Rov2fwGKaZz+TX5KeW9c0ZvMeqS/X7XnMIoviRBFEZEEjJ1qxi6E7V8c0+q1GWc5Rg eCGP6j/F9Jlt0rkHMw44RiCRxGXLu50785fyR8p+XHs9VsrubT9OuLuO2vI/SaURq5AaSJSVLca1 oG37Upl+HJkhkGOR4wQaJFHavgefMMJwjKPEBR/HyeeReUvy6Lh2fOojWiOoOn3HKjCSqMAT8a8U rQkfFtWmbFxqVLTyl+WEsjJP52eA86I506Vk9MelVmYPyB/ePxAU/YNSNqq0GIahb2Vtq08FjdfX BOKYpb3fAxeqgaivwbdajscLFG+VfN/mDyrqEmoaHci2upoWt5XMccgaJ2V2UrIrDcoPfFU5b82f OBDj/QAH5hqadYg0c1ND6NRT9mn2e2Ck8TR/NjzYbVrb09NETJ6Zpplhy40Ipy9HL369caXiZl+W X58NoVpeaVrcAa1v2mf65Air6ZnkaVx6KBV485Gpx6VpTNRrdBkPHLEReSNEH5WPg5mDUR9In/Cb Cp+Z/wDzkA+ty2Fr5XtjYW2l3KXlteSAPIZozVSECMOIYV+IfRmTp9NIESkBHhBqI3587P4rza8m UUQN76/sYXefm750vZ2uLt7Ke4ZHjaV9PsmYiWnJjWLdvh3bqO2xzOpx7U/+Vp+a+Rbjp5JZnPLT rJhyciuzREfs0A6AVHQmrSeJI9Z17UNc1Nb6/wDRE9FSlvBFbpRT/JCqLXfc0qcKLfSet/8AOI3l i4uIn0bWbqwh5f6RFcIlz8P/ABWw9Eqf9blihlvlH/nHP8tfL6FriyOt3Raon1GkigdlEQCxU+ak 4q35z/5×4/LnzFakWlimhXwYMl3p6CNaV3VoBSIg+wB9+2KsVi/5xM8pwWj8tRu7266gsUhX5AKG p9NcCRTHz/ziDeSPK6eYkt4yawQPbeq4Uno7rIi1A7hd/bCqYz/84k6Nbw+oNXvLxgvxJGIoTXxX kstflg3XZXs/yB8rC0FidFmmmHwPdSPKsnOn2iwZUXrXYUwbstmM+Y/+cW9TtVN5pN0y28QMk0Nx xlcBd/gMVK9P5cNlFBg2g6d521xJW0uS+uVgKrJ6LTycS5ooITlSp6YoFpqvkr8z2pxi1RuX2aJd mvwhuy/ymuKaPe3L5K/NCIIZYtTQO4ij5JdCrkmirUbkntiteba+RvzTZeS2+qlSaBhHdkVrT+Xx xWvNYnkz8zXt/rCR6m9vv++VLopsah5gtNjitHvXt5F/NNQxa31VQoLMTHdgADcndcVrzW/4K/M+ rD0dUqjCN/gu/hdqUU/DsTyFPniteaU3sXmvSdQtoNQubuJnaMmOR5UPFqEVV6GjKajxxRuzD8lp LRIdT+sw2kweiAXi27U5ClUM91ZUNabqWOJUcnpd1qVh9XPp2OgiTmw9P6vpnxpRmA5JqDFfhAr3 B6E4pXrdaRKqiSz0eQeorcvqunQhWSq8Qyamof49ypPevTiMVa0+70yiSNZaOzlCvpm205iKRkSH fUkO/Eg8gARvsSahV661pNax6boq3ADMitZWEKkSK1OTNqQpVaB9jx6EVphVuO+070lYWOiKeQcI bbTfiqleLl9T5r8R/AfLFVkl7pPOCdLTRUjDn1VW20zgS0ZjBFdRJIVqdOK0NcVeL+exL/iAvI0T mS95q8HoiMqzHiQsDyxrUdlY/M4ApZP+QUqxnVS0M0qhQSYJr+AqAP2jYRykr486DwwlA5PU2uKF phYXpt0kJMX13XjG0isWL1+qVVkcb1PY/DWhxS295DCZo0hvEkC8i8l5rlUjJ3UAWg4xoykA/wCT Q+GKqkt+8VyojsL1GlYFib3X25jgT8I+rA1ZVND/AJOKqRmEDsBpl0XVTcPELzXkcktyd/itaAM4 BqSDUbnsFVtxZXlxCtvbRappsMa0UW95rJLIlfhPrWE68SOgAB7e2KpJcaT5n+rTWljqGtQzxUS2 AWa/кгCAowIhXT0f92GptxIIqNqYEvGfNUEtvqiQyzi5mjvAJZwJByevxGkqxyVr15KDiFKXeV/O N75fWdLeGCZbinMTwwz9PD1kkp07UyRDAFPX/NvWHJJtLPfiaCzswKoQQaCGnbvgpPEpD80tUVCi 2tsAyulfq1sSFfqFrEePzG/XxONJ4ko/xZJ/JJuKH94enh0xpeJsebZVPILIG61Ehrt9GNLxNHzZ IWLlJOZ6t6hr99MaXia/xU9SfTep6nn4fRjS8SGuNXe/vLYFSoEqsxJ5EsWG5ONIu0pwsWYad5N0 WWC1+u6skVzcBmKwSW0karQEB2aaMoy1+IEb9s1GbtDKDLhhcR3iQPw9Jtz4aWBAuW59361U+SfL 6i2k/TIa3lAMzc7NXQlgFHH6w3Wu/Zep8Mh/KWbceHuOX17/AB4P7U/lMe3q+79bEtQs5LK8ktnZ GaMj4o3SVSCAwo8ZZTsd6HNtiyCcRIfaCPsO7gzhwml1hYPeSMqyRR8ByPqyLHy/yVLd8mTTbp9O choECu818rTxPLeiyUddQKo1SqMYOVB7+oP1ZXxnudtHs3BLcZNv83/ikt1PR4rZTJbTpNFGB6vJ 4ufJjtxRHeooRuPfJxlbg6rRiAuMgQOe8b+QJ8vtQNl/vZB/xkT/AIkMk4IUcUJlpOtanp8NxHZr G0c3EzCWCKcfCCB/eK9PtHMbUYMcyDImxy9Rh4EOTgOSjwCx12tPYP8AGOs6Bfz22jwT2AI9a7ht IUkTjQkRcQp2h3uKmnXbKY6XHCYPFKx04jXxZ+JknA7CvcGIZnuG4EggjqMVDKCnm2S4EZs4JXlU yRN6VuUmVRzPpPTjKaHohJyHAHYHtHKTuIn/ADY/qSHUp7ie9la4hW3mU8JIUT0wrLsQV6g161yQ FOLnzHJLiIA9wpTsv97IP+Mif8SGFqCjihF2eoyW0bRhQwY1FfEin05j5tMMhBt2vZ/a09NExABt 6N5S1zzdb+UZ9ItE0+WFjPFbXE+pWdrLAWZuVYZpY3I5MzLUDrhlhBNuLDUyjGq72IDyFr7PxWTT ia0P+5TTaVK8hv8AWKUp+10rtWuX24tMdIoSD1G22/6sUMk0nVL++/QWnQJCr6LNJcQPPOlvG/qS pJxaSUrGnxL1LYbRwq2reTfMFxqM13K+mxtezu4Qarpz0aRi1CVuOm9OR2wEpESg5PKmq6esF9ПиДжей ZPb+rEP3F/ZXEnxMKfuoZnk+fw7d8UgJDihO9N03yvLb8r7WHtpyKiNbd5ADToWB8cFlKPttB0HV LiBLfWZb2/mPK5R4nT4FQs7CR+VSONBjuRtsgmtzv+PcxU0qabDsDvhUr4YZZ5khhRpJZWCRxqCz MzGgVQKkknFWU+a/KM+l6h9W0OO+u7KS3jNxKY3IMhY8kPBFFA8fQjqPbBaaYrLFLDIY5UaORftI 4KkfMHChUsv97IP+Mif8SGKQo4oR2m31han/AerTYb8eoj0ledPhWvKP91JHs9dz1HY4qye0t/Mt 0HufLfk9reWpC32mxajc8QOSMq+rLcJRirdQTUbUxSQx3VvK/mXR40l1bSbzT4pW4xyXVvLCrNSt FLqoJpihMfy+a1i8yw3VyIylmj3C+sQEDRioYk7Dj1r264CkM4g806hLcI8UUF0YypdRqMUO4q3E zMY96158Y6MKK1cnGIPMrInoGAec7tLzW57lZA7FirqHSXiVPT1UNJOu7UFTgqlKUWX+9кХ/АБкТ /iQwKFHFCYW2mLPYJcK5aV7pLb0VFaB1J5fSdhgJpkI2u1iHULO8BlkkrIqSpKfh5FlViRTwbGJs WsuaXvLK/wBt2b5kn9eFi5HeN1dGKOPqrKaEEdwRiqYW99Zpo9zDLplvcXUknw6lJJciePmuwRUl WEgFCfjQnf5UUpbihWsv97IP+Mif8SGKQi9G0DUNYaVLN7ZWhALi5ura0qG2+E3MkQbpvTFFJzZe UfNUAdIJtPVZVV5EfU9NCkA1Xd56Bh7GowEashYdbaPrmoaaGjXTRFOhMUlxf2sU6bgsFW5nV1L8 uhG46YBEBUo1jy7qekBDeG2YSGim2u7a7APWjG2klCn55JjSDsorWW4VLmf6vCftS8S5Ar2UYlU/ /R3k5WESeYZvq0qkzj6rIDyUjh8NaHYnAlBa1o1nY2NreW07XMF7LOLWYjhyigKpyKEVUlie/TDR vyRY5JZZf72Qf8ZE/wCJDFIUcUI/T9JkvU5I9CWKKtKkkU2HT+белияK1bRbuFHuJJDK8benNyp WiAKKENOMAFMokJNhYppo+j2OoRyNc61Z6WyMFVLtbolwRWqm3gnFB70xWlR/L9ut2YV1W1mgWIS vexCcwRlj8KOWiVwx6bKd8bTSay6DZ3FlbWsvnLSDbWnqC2jKaiOJlIZ+lly+I7742imORxJDqix JKk6RzhFnj5cHCvQOvNUbi3UclB8Rikc0LihN/L+trps9ZU5xbnpyIJFPskgHpglG2cJ8JtE6v5j tryzeCJJC0hqXfiu9QSdi3ZaUwAbrKdsfyTBVhSNo52cElI+SUIHxc1XeoNRQnFVsUMkteAqFBJP yUt+pTiqwgjYinff33xVWsv97IP+Mif8SGKQu068+pahbXgijnNtKk3oTKHif02DcJFOzK1KEeGK GZ6l+ZUFxp8tofKHl+BLyKiy29oVljFSnJJOZdX+HqD79TXFNqOi+dPLljp8Vrd6O11JFQJJw00t tQkl7ixuXb4lGxOwqOhpgpNhj3mTUdN1HVZLvTrV7O3kArA5g2buVFtBaxKPYR4WJQVndm1lMgjS UFSpSQEqe9dip2IrikFNrDzVdWrKbfT7QlAAPgkOwYns/i5wUniQOo6qb5Iw9rDE8YVVliDhuKgj j8TsKfR2+eEBBNoay/3tg/4yJ/xIYqFHFCaW0OjTQ231q9MLKCkqBHJUVkaoIBB3KYGWyYyReUWs Ej+usLmgFfTkCqxVAzU4714k47p2Y5KipIyK6yqpoJF5BW9xyCt94wsFuKo6xvNS0uQXdqZLa4HE w3aFkeNg3IFGUihPDBxAsuEjom83nv8AMC2YwS69qCsEMbRG5kPBTTlGV5fB9n4l+/DSLKW3Ot6x rGqWtzqt7PfXEZjijluJGkZY1eoQFiaKCxNMVHNLMULkjdzRFLh3FffEkBIBKe2vmbULe1eO1s7E 2SUaRs13Z2dzJtQUEs0XMSSSaLvT2WoVtbdecdSubSa1ez0yOOYEO8Wm2Mcg5En4JEhDod9uJFO2 K2kWKE8lcXtsZPrKGCKqW0U4KGJUK7qsZYUPLeo3NT1JyGPHGJNc1nlNgdEs1GSOW6MiMrB1VnK8 qcyoL/aAP2q5YTbKcrKyy/3sg/4yJ/xIYEBRxQmWkXUkYeCCb0Lmd1CuVqvHi6lSw+JeXOmw+kZX kxxlvLozjkMeS69CRxXEEhiQcjLbJG7uSWdVrvz2KLUciD3773HbZjjyiUfeleRQ7FXYq7FVay/3 sg/4yJ/xIYpCykP8zf8AAj/mrFDqQ/zN/wACP+asVdSH+Zv+BH/NWKupD/M3/Aj/AJqxV1If5m/4 Ef8ANWKupD/M3/Aj/mrFXUh/mb/gR/zViqtZCL65B8Tf3iU+EfzD3xSGQeVdOt7iwklktlmb1SvJ kDbBVNNwfHAUxTyPRtPMi+pZII6jmVhUkCu9ARiypPjoXkAXaR/o9jal5RJP9Y+JY1NIWEf6N3Z/ 2l5UXxbFCGh0Xym1yizaRElsXAklW+d3VK7sEOkKCQP2eQ+eK0l1zomkLeSrbWYe0EjCF3hQOY+X wlhSnLjimk6v9B8gxz8LCwNzCA372ec25Pwgp8C6bcdWqG+LbqOWKGoNC8htc26T6f6duzAXcqXJ do04qS0aHS19Q8y4oWXYA13oqrD/ADTpmnWt7A9hCUt/rfCCQoI2aPkSpcLtyoBipU/KP/HNk/4z N/xFcSsWb+ULaG61iK3mAMcrcDyt3uqcgRX0k+IkV2pgSWY3nlXQpbgXMqRwRNHHNDGmnahFCU2D CQiTkAWYAOpavtthQw7zNoVnpckfoXRlaYsTCYZYuC1PEqZaM6svEhqd8CUP5fs7e8vVguCFiY7s UkkUbHcih56fLFWWav5CguJ5RYJJZywRBmt0sNQ4u55U3la4ccuPwsQBStaEUwotI/8AA+oAkG4j FGZa+hfdY2pJ/wAe1fgT42r+yfHbAm2G+crI2VzaW7SpKUuVBdBioPXtIsbb9emFBW/l/qOq6fZT T6bcTWsplZGkgZkJBVDQlaYlYsz8vXmoT66t1dTzNcyfA1wzxhzWMxir3BVOm3xHAlnMustbyyIl 5ckKxkjCS6Uqqu5erRl19QmtKcfsoQPsgFDFdZfXb27L22ozSBmVIo5mt7dEDD7I4zFEUE9qDvtg SlejoNh2eGXURISUZVpDaGGZwsiMDxr6kfLi3Q7g+BxVk+sedbW6s3Fpqmqx3DmKRTLbWxcSRAKC 1xGYnPEV40Hz33xQxi517W4pY5bTV7+WajF5H5xMjMzEhGEjn4uRJO25PzxSxDzbNeXEllPdvJLK 1xGpkkJJIVeKip8FAA9sKCr/AJcJoLWNydYkuVjEreklsEqWMY3Z35Uoabcd/EU3SsWXafFoSa9A NPle6sti312O1hIbi/w/v3kgIrTdvu2wJZN6ejTLDbIsI9ZgRL6WiKwVKyGuy0+ApsZOtVqdwqhL dYf8vyqxXX19b2FQStqmnpExkPqU526lTRWpXf5DphSxPTRpxmA1FpltCw9R7cK0g+FqEK5AO/мкМ Cq07+XvUAghu/TAoS8sZJIP2qCMUB8N6eJxVpZfL4lUtbXZiAHJBPGGJoOVG9EgVatPhxVjnmw2h ksjapIkPrx7SsHblT4jVVQUr0FMKCify0gsJoHGoXQt7RZz6i+o8TNyVR8LLFcAcTuar06b4lEWV 2Vrpq64LZp0vrCU/AVnMQXkh5B5ZhbDkm1egwMmSyxfl9Fp6yXNnLCVWjTQ3S3DkuFMZ9IXINeQb lt8K7EVIbFDH9Xu/JbJEdOjvAy81dA/CtQSjF3M3KjbUCLUe+KUN5SM0usQoAkpZgAk0L3SVIalY UDs2/tipZ9PbWBgd7i2jJU0EFtocyyusnpgbmSMI4JV+pA5UBIPHChj+sRTXMlstn5dlnuQJTLar YXNqFHIrt6UzPIEeoq1KUp02AV5f5nMwNmkvIMt0oZWrUEVBqDhUu8iW9/dWjWtlHLPPJM/pwQqz u1EUmirUnYVxKxZZo8X+5L6rfpsrOk0U8rW/FkR9myY7qwYdO52wJZaugeX3b1VjtI7dI2d0fWUaQ lvJpQJyUnYU4dfwULrvTPK0FmWaCyJo0pli1Kdn4kyKF9MBhUfAeFeXj1PFVh2qkuq3zR2zQ6f6j AojSyJClAdvUlaRhX/KbFKOm8u6tGzrLq1p8PEs31wMu9AKEV5U8FqfuxVIhe3grSeQV6/G39ffF Uj8yySOLLm5atyh4JO++FBVfIeoalZ6Xc/U7l7dZZqSqknAOFVSOQqK0PjiVizLTdfvX1mDutXvZ pzDRGl5RyyMlHoh9XkpBLftBvlgSnGseatPqTo93cLQjiLmK0YMqgEKyoEh3xuantt3KqVyee/Nj xek14OHN3p8G5kqHqa1NQx6+J8cVpArrusjUjq/1gC/DKVlBRQKKQAqrRQFHQAbYqi287+bCGKX5 ikcsWniKRynkQzD1Fo1CwrSvX5nFUEfMPmQvJidTuPUmT05X9c8mSgHFjyqRQdMVYn5kQqtiTT/e lOhB/VhQUZ+XkWgPpkzapc3EZE8geEMEStUEiODeozbfvKVHDp3xKIs30BvL9р5лгк0+5уЗрМсаГф hZyxlgwT94txGrcdqnmlcDJkeuXWi3ukSesk091LRvTk1OKUHZ/SYqblnDxhuPxK1O/U1UPMMWSe eTpbeLWYmuE9SIni0frC35clYUMheIAHv8WKCzW/l0Y2VxZTW/10yCiCTVIgf3cb+g7cbt46pSnH iaUA35DFDy40qePTtXrTFkk/mIiliO/1lMLEsMi1IRAiK5MYPUK5FfuwsF/6Zl/5bX/5GN/XFNl3 6Yl/5bH/AORh/ritl36Yl/5bH/5GH+uK2XfpmX/ltf8A5GN/XFbLv0xL/wAtj/8AIw/1xWy79MS/ 8tj/APIw/wBcVsroNSSS7gM1zzCyKau1afEK9cVCr5B1DQ7G/mk1ez069hlCQpHqZuFjQuTWYG3j maiU+L8Acx9RhlOqlw/P9BDfhyCN2L/HmCyjXtT8jaroy29nbeW9HurthWeA6q01utSxL8rRkI+G nwEtvlGPSTjMS4zQPL1b/ORbZ6iJiRwj7P0RDAJtJto4WcarZyyKXBgT6xz+AAijGERnnWi/F23p tXPcSkuxQ7FU68oXPlm31uN/Mls91pZSRGRofwyMpEchCPExCNuQG+/oUpDKtTufyYudevXsbW6s dJWQLaRkzShkRVBYFpPUUSNyIDbgf8Dg3SKYp5gTy4L+J9CldrdjRopEZeFCKEMzMTy/DEINP//Z

сохраненоxmp.iid:1d897fc7-7d95-f84e-a480-183280c0e09a2021-11-23T10:02:11+08:00Adobe Illustrator 25.2 (Windows)/
CooperBlackCooper BlackRegularOpen TypeVersion 1.51FalseCOOPBL.TTF
Calibri-BoldCalibriBoldOpen TypeVersion 6.23Falsedicationlib.ttf
CalibriCalibriОбычныйОткрытый типВерсия 6.23FalseCalibri.ttf
BritannicBoldБританский жирный шрифтRegularOpen TypeVersion 1.51FalseBRITANIC.TTF
YuGothicUI-RegularYu Gothic UIRegularTrueTypeVersion 1. 90FalseYuGothM.ttc
HGH6_CNKIHGH6_CNKIRegularTrueTypeVersion 2.00FalseHGH6_CNKI.ttf
AdobeSongStd-LightAdobe 宋体 StdLOpen TypeVersion 5.017;PS 5.002;hotconv 1.0.67;makeotf.lib2.5.33168FalseAdobeSongStd-Light.otf
Голубой
Пурпурный
Желтый
Черный
白认色板组0
白色CMYKPROCESS0.0000000.0000000.0000000.000000
黑色CMYKPROCESS0.0000000.0000000.000000100.000000
CMYK 红CMYKPROCESS0.000000100.000000100.0000000.000000
CMYK 黄CMYKPROCESS0.0000000.000000100.0000000.000000
CMYK 绿CMYKPROCESS100. 0000000.000000100.0000000.000000
CMYK 青CMYKPROCESS100.0000000.0000000.0000000.000000
CMYK 蓝CMYKPROCESS100.000000100.0000000.0000000.000000
CMYK 洋红CMYKPROCESS0.000000100.0000000.0000000.000000
C=15 M=100 Y=90 K=10CMYKPROCESS15.000000100.00000090.00000010.000000
C=0 M=90 Y=85 K=0CMYKPROCESS0.00000090.00000085.0000000.000000
C=0 M=80 Y=95 K=0CMYKPROCESS0.00000080.00000095.0000000.000000
C=0 M=50 Y=100 K=0CMYKPROCESS0.00000050.000000100.0000000.000000
C=0 M=35 Y=85 K=0CMYKPROCESS0.00000035.00000085.0000000.000000
C=5 M=0 Y=90 K=0CMYKPROCESS5. 0000000.00000090.0000000.000000
C=20 M=0 Y=100 K=0CMYKPROCESS20.0000000.000000100.0000000.000000
C=50 M=0 Y=100 K=0CMYKPROCESS50.0000000.000000100.0000000.000000
C=75 M=0 Y=100 K=0CMYKPROCESS75.0000000.000000100.0000000.000000
C=85 M=10 Y=100 K=10CMYKPROCESS85.00000010.000000100.00000010.000000
C=90 M=30 Y=95 K=30CMYKPROCESS90.00000030.00000095.00000030.000000
C=75 M=0 Y=75 K=0CMYKPROCESS75.0000000.00000075.0000000.000000
C=80 M=10 Y=45 K=0CMYKPROCESS80.00000010.00000045.0000000.000000
C=70 M=15 Y=0 K=0CMYKPROCESS70. 00000015.0000000.0000000.000000
C=85 M=50 Y=0 K=0CMYKPROCESS85.00000050.0000000.0000000.000000
C=100 M=95 Y=5 K=0CMYKPROCESS100.00000095.0000005.0000000.000000
C=100 M=100 Y=25 K=25CMYKPROCESS100.000000100.00000025.00000025.000000
C=75 M=100 Y=0 K=0CMYKPROCESS75.000000100.0000000.0000000.000000
C=50 M=100 Y=0 K=0CMYKPROCESS50.000000100.0000000.0000000.000000
C=35 M=100 Y=35 K=10CMYKPROCESS35.000000100.00000035.00000010.000000
C=10 M=100 Y=50 K=0CMYKPROCESS10.000000100.00000050.0000000.000000
C=0 M=95 Y=20 K=0CMYKPROCESS0. 00000095.00000020.0000000.000000
C=25 M=25 Y=40 K=0CMYKPROCESS25.00000025.00000040.0000000.000000
C=40 M=45 Y=50 K=5CMYKPROCESS40.00000045.00000050.0000005.000000
C=50 M=50 Y=60 K=25CMYKPROCESS50.00000050.00000060.00000025.000000
C=55 M=60 Y=65 K=40CMYKPROCESS55.00000060.00000065.00000040.000000
C=25 M=40 Y=65 K=0CMYKPROCESS25.00000040.00000065.0000000.000000
C=30 M=50 Y=75 K=10CMYKPROCESS30.00000050.00000075.00000010.000000
C=35 M=60 Y=80 K=25CMYKPROCESS35.00000060.00000080.00000025.000000
C=40 M=65 Y=90 K=35CMYKPROCESS40. 00000065.00000090.00000035.000000
C=40 M=70 Y=100 K=50CMYKPROCESS40.00000070.000000100.00000050.000000
C=50 M=70 Y=80 K=70CMYKPROCESS50.00000070.00000080.00000070.000000
TRUMATCH 6-ePROCESS100.000000CMYK0.00000040.00000140.0000010.000000
ТРУМАЧ 39-c4PROCESS100.000000CMYK54.00000269.9999990.00000023.999999
TRUMATCH 20-dPROCESS100.000000CMYK55.0000010.00000047.0000000.000000
TRUMATCH 39-f1PROCESS100.000000CMYK19.00000025.0000000.0000006.000000
TRUMATCH 29-dPROCESS100.000000CMYK44.0000000.00000014.0000000.000000
TRUMATCH 10-a1PROCESS100. 000000CMYK0.00000010.00000069.9999996.000000
TRUMATCH 6-cPROCESS100.000000CMYK0.00000069.99999969.9999990.000000
TRUMATCH 49-b2PROCESS100.000000CMYK38.00000050.99999985.00000212.000000
TRUMATCH 8-bPROCESS100.000000CMYK0.00000047.00000085.0000020.000000
灰色1
C=0 M=0 Y=0 K=100CMYKPROCESS0.0000000.0000000.000000100.000000
С=0 М=0 Д=0 К=90CMYKPROCESS0.0000000.0000000.00000089.999400
C=0 M=0 Y=0 K=80CMYKPROCESS0.0000000.0000000.00000079.998800
C=0 M=0 Y=0 K=70CMYKPROCESS0.0000000.0000000.00000069.999700
C=0 M=0 Y=0 K=60CMYKPROCESS0. 0000000.0000000.00000059.999100
C=0 M=0 Y=0 K=50CMYKPROCESS0.0000000.0000000.00000050.000000
C=0 M=0 Y=0 K=40CMYKPROCESS0.0000000.0000000.00000039.999400
C=0 M=0 Y=0 K=30CMYKPROCESS0.0000000.0000000.00000029.998800
C=0 M=0 Y=0 K=20CMYKPROCESS0.0000000.0000000.00000019.999700
C=0 M=0 Y=0 K=10CMYKPROCESS0.0000000.0000000.0000009.999100
C=0 M=0 Y=0 K=5CMYKPROCESS0.0000000.0000000.0000004.998800
明亮1
C=0 M=100 Y=100 K=0CMYKPROCESS0.000000100.000000100.0000000.000000
C=0 M=75 Y=100 K=0CMYKPROCESS0. 00000075.000000100.0000000.000000
C=0 M=10 Y=95 K=0CMYKPROCESS0.00000010.00000095.0000000.000000
C=85 M=10 Y=100 K=0CMYKPROCESS85.00000010.000000100.0000000.000000
C=100 M=90 Y=0 K=0CMYKPROCESS100.00000090.0000000.0000000.000000
C=60 M=90 Y=0 K=0CMYKPROCESS60.00000090.0000000.0031000.003100

Стратегии нецелевой метаболомики – проблемы и новые направления

1. Johnson CH, Ivanisevic J, Сюздак Г. Метаболомика: помимо биомаркеров и к механизмам. Nat Rev Mol Cell Biol. 2016 г.: 10.1038/nrm.2016.25. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

2. May JC, McLean JA. Усовершенствованное многомерное разделение в масс-спектрометрии: ориентироваться в потоке больших данных. Анну Рев из Anal Chem. 2015;9[Бесплатная статья PMC] [PubMed] [Google Scholar]

3. Kim MS, Pinto SM, Getnet D, Nirujogi RS, Manda SS, Chaerkady R, et al. Черновая карта протеома человека. Природа. 2014; 509: 575–581. [Бесплатная статья PMC] [PubMed] [Google Scholar]

4. Beisken S, Eiden M, Salek RM. Получение правильных ответов: понимание проблем метаболомики. Эксперт Rev Mol Diagn. 2015;15:97–109. [PubMed] [Google Scholar]

5. Эберсолд Р., Манн М. Протеомика на основе масс-спектрометрии. Природа. 2003;422:198–207. [PubMed] [Google Scholar]

6. Фюрер Т., Замбони Н. Метаболомика высокопроизводительных открытий. Анальная биотехнология. 2015; 31:73–78. [PubMed] [Google Scholar]

7. Goodacre R, Vaidyanathan S, Dunn WB, Harrigan GG, Kell DB. Метаболомика в цифрах: получение и понимание глобальных данных о метаболитах. Тенденции биотехнологии. 2004; 22: 245–252. [PubMed] [Google Scholar]

8. Plumb RS, Johnson KA, Rainville P, Smith BW, Wilson ID, Castro-Perez JM, et al. УЭЖХ/МСЭ; новый подход к получению информации о молекулярных фрагментах для выяснения структуры биомаркеров. Масс-спектр быстрой связи. 2006;20:1989–1994. [PubMed] [Google Scholar]

9. Gillet LC, Navarro P, Tate S, Röst H, Selevsek N, Reiter L, et al. Целевое извлечение данных из спектров МС/МС, полученных путем независимого сбора данных: новая концепция последовательного и точного анализа протеома. Мол клеточная протеомика. 2012:11. doi: 10.1074/mcp.O111.016717. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

10. Сана Т.Р., Уодделл К., Фишер С.М. Стратегия выделения образцов и хроматографии для увеличения охвата обнаружения метаболома эритроцитов с помощью ЖХ/МС. J Chromatogr B Analyt Technol Biomed Life Sci. 2008; 871: 314–321. [PubMed] [Академия Google]

11. Фюрер Т., Замбони Н. Метаболомика высокопроизводительных открытий. Анальная биотехнология. 2015; 31:73–78. [PubMed] [Google Scholar]

12. Cajka T, Fiehn O. К слиянию нецелевых и целевых методов в метаболомике и липидомике на основе масс-спектрометрии. Анальная хим. 2016; 88: 524–545. [PubMed] [Google Scholar]

13. Kaplan KA, Hill HH. Метаболомика с использованием масс-спектрометрии подвижности ионов. В: Лутц Н.В., Свидлер Дж.В., Веверс Р.А., редакторы. Методологии метаболомики — экспериментальные стратегии и методы. Издательство Кембриджского университета; 2013. С. 185–204. [Академия Google]

14. Май Ю.С., Гудвин Ч.Р., Маклин Ю.А., Любимов А.В. Газофазная масс-спектрометрия подвижности ионов (IM-MS) и тандемные стратегии IM-MS/MS для изучения метаболизма и метаболомики. В: Любимов А, редактор. Энциклопедия метаболизма и взаимодействия лекарств. Джон Вили и сыновья, Inc; 2012. [Google Scholar]

15. Paglia G, Williams JP, Menikarachchi L, Thompson JW, Tyldesley-Worster R, Halldórsson S, et al. Сечения столкновений, полученные по подвижности ионов, для поддержки приложений метаболомики. Анальная хим. 2014;86:3985–3993. [Бесплатная статья PMC] [PubMed] [Google Scholar]

16. Smith CA, Maille GO, Want EJ, Qin C, Trauger SA, Brandon TR, et al. METLIN: База данных масс-спектров метаболитов. Мониторинг наркотиков. 2005; 27: 747–51. [PubMed] [Google Scholar]

17. Wishart DS, Jewison T, Guo AC, Wilson M, Knox C, Liu Y, et al. HMDB 3.0 — База данных метаболизма человека в 2013 г. Nucleic Acids Res. 2013;41:D801–D807. [Бесплатная статья PMC] [PubMed] [Google Scholar]

18. Horai H, Arita M, Kanaya S, Nihei Y, Ikeda T, Suwa K, et al. MassBank: общедоступный репозиторий для обмена масс-спектральными данными для наук о жизни. J Масс-спектр. 2010;45:703–714. [PubMed] [Академия Google]

19. Kind T, Liu KH, Yup Lee D, DeFelice B, Meissen JK, Fiehn O. LipidBlast — база данных тандемной масс-спектрометрии in-silico для идентификации липидов. Нат Методы. 2013; 10: 755–758. [Бесплатная статья PMC] [PubMed] [Google Scholar]

20. Кинд Т., Файн О. Аннотации метаболической базы данных с помощью запроса элементного состава: точность массы недостаточна даже при концентрации менее 1 ppm. Биоинформатика BMC. 2006;7:234. [Бесплатная статья PMC] [PubMed] [Google Scholar]

21. Кинд Т., Фин О. Семь золотых правил эвристической фильтрации молекулярных формул, полученных с помощью точной масс-спектрометрии. Биоинформатика BMC. 2007; 8:105. [Бесплатная статья PMC] [PubMed] [Google Scholar]

22. Мацуда Ф. Переосмысление основанных на масс-спектрометрии стратегий идентификации малых молекул в метаболомике. Масс-спектр (Токио) 2014;3:S0038. [Статья бесплатно PMC] [PubMed] [Google Scholar]

23. Groessl M, Graf S, Knochenmuss R. Масс-спектрометрия ионной подвижности с высоким разрешением для разделения и идентификации изомерных липидов. Аналитик. 2015; 140:6904–6911. [PubMed] [Google Scholar]

24. Tachibana C. Что дальше в омике: метаболом. Наука. 2014; 345:1519–1521. [Академия Google]

25. Шеррод С.Д., Маклин Дж.А. Системный сбор многомерных данных и информатика с использованием стратегий структурной масс-спектрометрии. Клиническая химия. 2016;62:77. [Бесплатная статья PMC] [PubMed] [Google Scholar]

26. Вольф С., Шмидт С., Мюллер-Ханнеманн М., Нойманн С. Фрагментация in silico для компьютерной идентификации масс-спектров метаболитов. Биоинформатика BMC. 2010;11:148. [Бесплатная статья PMC] [PubMed] [Google Scholar]

27. Sumner LW, Amberg A, Barrett D, Beale MH, Beger R, Daykin CA, et al. Предлагаемые минимальные стандарты отчетности для химического анализа Рабочая группа по химическому анализу (CAWG) Инициатива по стандартам метаболомики (MSI) Метаболомика. 2007; 3: 211–221. [Бесплатная статья PMC] [PubMed] [Google Scholar]

28. Чон Дж., Курт Д., Холлендер Дж. Пути биотрансформации биоцидов и фармацевтических препаратов в пресноводных ракообразных на основе выяснения структуры метаболитов с использованием масс-спектрометрии высокого разрешения. Хим. Рез. Токсикол. 2013;26:313–324. [PubMed] [Google Scholar]

29. Schymanski EL, Jeon J, Gulde R, Fenner K, Ruff M, Singer HP, et al. Идентификация малых молекул с помощью масс-спектрометрии высокого разрешения: передача уверенности. Технологии экологических наук. 2014;48:2097–2098. [PubMed] [Академия Google]

30. Creek DJ, Dunn WB, Fiehn O, Griffin JL, Hall RD, Lei Z, et al. Идентификация метаболитов: вы уверены? А как ваши сверстники оценивают вашу уверенность? Метаболомика. 2014;10:350–353. [Google Scholar]

31. Pacini T, Fu W, Gudmundsson S, Chiaravalle AE, Brynjolfson S, Palsson BO, et al. Многомерный аналитический подход, основанный на УВЭЖХ-УФ-МС-ионной подвижности для скрининга природных пигментов. Анальная хим. 2015; 87: 2593–2599. [PubMed] [Google Scholar]

32. Creek DJ, Jankevics A, Breitling R, Watson DG, Barrett MP, Burgess KE. На пути к глобальному метаболомному анализу с помощью жидкостной хроматографии и масс-спектрометрии гидрофильного взаимодействия: улучшенная идентификация метаболитов путем прогнозирования времени удерживания. Анальная хим. 2011; 83:8703–8710. [PubMed] [Академия Google]

33. Ланукара Ф., Холман С.В., Грей С.Дж., Айерс К.Э. Возможности масс-спектрометрии ионной подвижности для структурной характеристики и изучения конформационной динамики. Нац. хим. 2014; 6: 281–294. [PubMed] [Google Scholar]

34. Käll L, Storey JD, MacCoss MJ, Noble WS. Присвоение значения пептидам, идентифицированным с помощью тандемной масс-спектрометрии с использованием баз данных приманок. J Протеом Res. 2008; 7: 29–34. [PubMed] [Google Scholar]

35. Elias JE, Gygi SP. Стратегия поиска мишени-приманки для повышения уверенности в крупномасштабной идентификации белков с помощью масс-спектрометрии. Нат Методы. 2007; 4: 207–214. [PubMed] [Академия Google]

36. Jeong J, Shi X, Zhang X, Kim S, Shen C. Эмпирическая байесовская модель с использованием оценки конкуренции для идентификации метаболитов в газовой хроматографии и масс-спектрометрии. Биоинформатика BMC. 2011;12:392. [Бесплатная статья PMC] [PubMed] [Google Scholar]

37. Kochen MA, Chambers MC, Holman JD, Nesvizhskiy AI, Weintraub ST, Belisle JT, et al. Greazy: программное обеспечение с открытым исходным кодом для автоматизированной идентификации тандемной масс-спектрометрии фосфолипидов. Анальная хим. 2016 г.: 10.1021/acs.analchem.6b00021. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

38. Мацуда Ф., Шинбо Ю., Ойкава А., Хираи М.Ю., Фин О., Каная С. и др. Оценка качества аннотации метаболома: метод оценки частоты ложных открытий при поиске элементного состава. ПЛОС Один. 2009;4:e7490. [Бесплатная статья PMC] [PubMed] [Google Scholar]

39. Gowda H, Ivanisevic J, Johnson CH, Kurczy ME, Benton HP, Rinehart D, et al. Интерактивная XCMS Online: упрощение расширенной обработки метаболомических данных и последующего статистического анализа. Аналитическая химия. 2014;86:6931–6939. [Бесплатная статья PMC] [PubMed] [Google Scholar]

40. Goodwin CR, Sherrod SD, Marasco CC, Bachmann BO, Schramm-Sapyta N, Wikswo JP, et al. Фенотипическое картирование метаболических профилей с использованием самоорганизующихся карт многомерных данных масс-спектрометрии. Анальная хим. 2014; 86: 6563–6571. [Бесплатная статья PMC] [PubMed] [Google Scholar]

41. Xia J, Sinelnikov IV, Han B, Wishart DS. MetaboAnalyst 3.0 — делает метаболомику более значимой. Исследование нуклеиновых кислот. 2015;43:W251–W257. [Бесплатная статья PMC] [PubMed] [Google Scholar]

42. Канехиса М., Сато Ю., Кавасима М., Фурумичи М., Танабэ М. KEGG в качестве справочного ресурса для аннотации генов и белков. Исследование нуклеиновых кислот. 2016;44:D457–D462. [Бесплатная статья PMC] [PubMed] [Google Scholar]

43. López-Ibáñez J, Pazos F, Chagoyen M.