Optimized Mass Spectrometry Analysis Workflow with Polarimetric Guidance for ex vivo and in situ Sampling of Biological Tissues
Notice bibliographique
Résumé
Spatially Targeted Mass Spectrometry (MS) analysis using survey scans with an imaging modality often requires consecutive tissue slices, because of the tissue damage during survey scan or due to incompatible sample preparation requirements between the survey modality and MS. We report two spatially targeted MS analysis workflows based on polarized light imaging guidance that use the same tissue sample for survey and targeted analysis. The first workflow is applicable for thin-slice analysis, and uses transmission-polarimetry-guided Desorption ElectroSpray Ionization Mass Spectrometry (DESI-MS), and confirmatory H&E histopathology analysis on the same slice; this is validated using quantitative digital pathology methods. The second workflow explores a polarimetry-guided MS platform for thick tissue assessment by developing reflection-mode polarimetric imaging coupled with a hand-held Picosecond InfraRed Laser (PIRL) MS ablation probe that requires minimal tissue removal to produce detectable signal. Tissue differentiation within 5-10 s of sampling with the hand-held probe is shown using multivariate statistical methods of the MS profiles. Both workflows were tasked with differentiating necrotic cancer sites from viable cancers using a breast tumour model, and their performance was evaluated. The use of the same tissue surface addresses mismatches in guidance due to intrinsic changes in tissue morphology over consecutive sections.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».