Nanocluster Isotope Distributions Measured by Electrospray Time-of-Flight Mass Spectrometry
Notice bibliographique
Résumé
Electrospray ionization (ESI) mass spectrometry (MS) is a widely used tool for the characterization of organometallic nanoclusters. By matching experimental mass spectra with calculated isotope distributions it is possible to determine the elemental composition of these analytes. In this work we conduct ESI-MS investigations on M(14)E(13)Cl(2)(tmeda)(6) nanoclusters, where M is a transition metal, E represents a chalcogen, and tmeda is N,N,N',N'-tetramethyl-ethylenediamine. ESI mass spectra of these systems agree poorly with theoretical isotope distributions when data are acquired under standard conditions. This behavior is attributed to dead-time artifacts of the time-of-flight (TOF) analyzer used. It is well-known that excessively high TOF ion count rates lead to dead-time issues. Surprisingly, our data reveal that nanocluster spectra are affected by this problem even at moderate signal intensities that do not cause any problems for other types of analytes. This unexpected vulnerability is attributed to the extremely wide isotope distributions of the nanoclusters studied here. A good match between experimental and calculated nanocluster spectra is obtained only at ion count rates that are more than 1 order of magnitude below commonly used levels. Discrepancies between measured and theoretical isotope distributions have been observed in a number of previous ESI-MS nanocluster investigations. The dead-time issue identified here likely represents a contributing factor to the spectral distortions that were observed in those earlier studies. Using low-intensity ESI-MS conditions we demonstrate the feasibility of analyzing highly heterogeneous nanocluster samples that comprise subpopulations with a wide range of metal compositions.
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 | 0,000 |
| 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) | 0,005 | 0,001 |
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 ».