Using Gas Modifiers to Significantly Improve Sensitivity and Selectivity in a Cylindrical FAIMS Device
Notice bibliographique
Résumé
Recent reports describing enhanced performance when using gas additives in a DMS device (planar electrodes) have indicated that comparable benefits are not attainable using FAIMS (cylindrical electrodes), owing to the non-homogeneous electric fields within the analyzer region. In this study, a FAIMS system (having cylindrical electrodes) was modified to allow for controlled delivery of gas additives. An experiment was carried out that illustrates the important distinction between gas modifiers present as unregulated contaminants and modifiers added in a controlled manner. The effect of contamination was simulated by adjusting the ESI needle position to promote incomplete desolvation, thereby permitting ESI solvent vapor into the FAIMS analyzer region, causing signal instability and irreproducible CV values. However, by actively controlling the delivery of the gas modifier, reproducible CV spectra were obtained. The effects of adding different gas modifiers were examined using 15 positive ions having mass-to-charge (m/z) values between 90 and 734. Significant improvements in peak capacity and increases in ion transmission were readily attained by adding acetonitrile vapor, even at trace levels (≤0.1%). Increases in signal intensity were greatest for the low m/z ions; for the six lowest molecular weight species, signal intensities increased by ∼10- to over 100-fold compared with using nitrogen without gas additives, resulting in equivalent or better signal intensities compared with ESI without FAIMS. These results confirm that analytical benefits derived from the addition of gas modifiers reported with a uniform electric field (DMS) also are observed using a non-homogenous electric field (FAIMS) in the analyser region.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».