Mass spectrometry imaging under ambient conditions
Notice bibliographique
Résumé
Mass spectrometry imaging (MSI) has emerged as an important tool in the last decade and it is beginning to show potential to provide new information in many fields owing to its unique ability to acquire molecularly specific images and to provide multiplexed information, without the need for labeling or staining. In MSI, the chemical identity of molecules present on a surface is investigated as a function of spatial distribution. In addition to now standard methods involving MSI in vacuum, recently developed ambient ionization techniques allow MSI to be performed under atmospheric pressure on untreated samples outside the mass spectrometer. Here we review recent developments and applications of MSI emphasizing the ambient ionization techniques of desorption electrospray ionization (DESI), laser ablation electrospray ionization (LAESI), probe electrospray ionization (PESI), desorption atmospheric pressure photoionization (DAPPI), femtosecond laser desorption ionization (fs-LDI), laser electrospray mass spectrometry (LEMS), infrared laser ablation metastable-induced chemical ionization (IR-LAMICI), liquid microjunction surface sampling probe mass spectrometry (LMJ-SSP MS), nanospray desorption electrospray ionization (nano-DESI), and plasma sources such as the low temperature plasma (LTP) probe and laser ablation coupled to flowing atmospheric-pressure afterglow (LA-FAPA). Included are discussions of some of the features of ambient MSI for example the ability to implement chemical reactions with the goal of providing high abundance ions characteristic of specific compounds of interest and the use of tandem mass spectrometry to either map the distribution of targeted molecules with high specificity or to provide additional MS information on the structural identification of compounds. We also describe the role of bioinformatics in acquiring and interpreting the chemical and spatial information obtained through MSI, especially in biological applications for tissue diagnostic purposes. Finally, we discuss the challenges in ambient MSI and include perspectives on the future of the field.
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 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,007 |
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 ».