Ambient Mass Spectrometry Imaging with Picosecond Infrared Laser Ablation Electrospray Ionization (PIR-LAESI)
Notice bibliographique
Résumé
A picosecond infrared laser (PIRL) is capable of cutting through biological tissues in the absence of significant thermal damage. As such, PIRL is a standalone surgical scalpel with the added bonus of minimal postoperative scar tissue formation. In this work, a tandem of PIRL ablation with electrospray ionization (PIR-LAESI) mass spectrometry is demonstrated and characterized for tissue molecular imaging, with a limit of detection in the range of 100 nM for reserpine or better than 5 nM for verapamil in aqueous solution. We characterized PIRL crater size using agar films containing Rhodamine. PIR-LAESI offers a 20-30 μm vertical resolution (∼3 μm removal per pulse) and a lateral resolution of ∼100 μm. We were able to detect 25 fmol of Rhodamine in agar ablation experiments. PIR-LAESI was used to map the distribution of endogenous methoxykaempferol glucoronide in zebra plant (Aphelandra squarrosa) leaves producing a localization map that is corroborated by the literature. PIR-LAESI was further used to image the distribution inside mouse kidneys of gadoteridol, an exogenous magnetic resonance contrast agent intravenously injected. Parallel mass spectrometry imaging (MSI) using desorption electrospray ionization (DESI) and matrix assisted laser desorption ionization (MALDI) were performed to corroborate PIR-LAESI images of the exogenous agent. We further show that PIR-LAESI is capable of desorption ionization of proteins as well as phospholipids. This comparative study illustrates that PIR-LAESI is an ion source for ambient mass spectrometry applications. As such, a future PIRL scalpel combined with secondary ionization such as ESI and mass spectrometry has the potential to provide molecular feedback to guide PIRL surgery.
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 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».