Solvent effects on differentiation of mouse brain tissue using laser microdissection ‘cut and drop’ sampling with direct mass spectral analysis
Notice bibliographique
Résumé
RATIONALE: Laser microdissection-liquid vortex capture/electrospray ionization mass spectrometry (LMD-LVC/ESI-MS) has potential for on-line classification of tissue but an investigation into what analytical conditions provide best spectral differentiation has not been conducted. The effects of solvent, ionization polarity, and spectral acquisition parameters on differentiation of mouse brain tissue regions are described. METHODS: Individual 40 × 40 μm microdissections from cortex, white, grey, granular, and nucleus regions of mouse brain tissue were analyzed using different capture/ESI solvents, in positive and negative ion mode ESI, using time-of-flight (TOF)-MS and sequential window acquisitions of all theoretical spectra (SWATH)-MS (a permutation of tandem-MS), and combinations thereof. Principal component analysis-linear discriminant analysis (PCA-LDA), applied to each mass spectral dataset, was used to determine the accuracy of differentiation of mouse brain tissue regions. RESULTS: Mass spectral differences associated with capture/ESI solvent composition manifested as altered relative distributions of ions rather than the presence or absence of unique ions. In negative ion mode ESI, 80/20 (v/v) methanol/water yielded spectra with low signal/noise ratios relative to other solvents. PCA-LDA models acquired using 90/10 (v/v) methanol/chloroform differentiated tissue regions with 100% accuracy while data collected using methanol misclassified some samples. The combination of SWATH-MS and TOF-MS data improved differentiation accuracy. CONCLUSIONS: Combined TOF-MS and SWATH-MS data differentiated white, grey, granular, and nucleus mouse tissue regions with greater accuracy than when solely using TOF-MS data. Using 90/10 (v/v) methanol/chloroform, tissue regions were perfectly differentiated. These results will guide future studies looking to utilize the potential of LMD-LVC/ESI-MS for tissue and disease differentiation.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 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 ».