Mass Spectrometric Lipid Profiles of Picosecond Infrared Laser‐Generated Tissue Aerosols Discriminate Different Brain Tissues
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: A picosecond infrared laser (PIRL) has recently been demonstrated to cut biological tissue without scar formation based on the minimal destructive action on the surrounding cells. During cutting with PIRL, the irradiated tissue is ablated by a cold vaporization process termed desorption by impulsive vibrational excitation. In the resulting aerosol, all molecules are dissolved in small droplets and even labile biomolecules like proteins remain intact after ablation. It is hypothesized that these properties enable the PIRL in combination with mass spectrometry as an intelligent laser scalpel for guided surgery. In this study, it was tested if PIRL-generated tissue aerosols are applicable for direct analysis with mass spectrometry, and if the acquired mass spectra can be used to discriminate different brain areas. MATERIALS AND METHODS: Brain tissues were irradiated with PIRL. The aerosols were collected and directly infused into a mass spectrometer via electrospray ionization without any sample preparation or lipid extraction. RESULTS: The laser produced clear cuts with no marks of burning. Lipids from five different classes were identified in the mass spectra of all samples. By principal component analysis the different brain areas were clearly distinguishable from each other. CONCLUSIONS: The results demonstrate the potential for real-time analysis of lipids with a PIRL-based laser scalpel, coupled to a mass spectrometer, for the discrimination of tissues during surgeries. Lasers Surg. Med. © 2019 Wiley Periodicals, Inc.
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) | 0,001 | 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) | 0,008 | 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 ».