Expanding Spatial Metabolomics Coverage with Lithium-Doped Nanospray Desorption Electrospray Ionization Mass Spectrometry Imaging
Notice bibliographique
Résumé
Spatial metabolomics has emerged as a powerful tool capable of revealing metabolic gradients throughout complex heterogeneous tissues. While mass spectrometry imaging (MSI) technologies designed to generate spatial metabolomic data have improved significantly over time, metabolite coverage is still a significant limitation. It is possible to achieve deeper metabolite coverage by imaging in positive and negative polarities or imaging several serial sections with different targeted biomolecular classes. However, this significantly increases the number of tissue samples required for biological studies and reduces the capacity for larger sample cohorts. Herein, we introduce lithium-doped nanospray desorption electrospray ionization (nano-DESI) as a simple and robust method to increase spatial metabolomics coverage, which is achieved through enhancements to ionization efficiencies in positive ion mode for metabolites and lipids lacking basic moieties, and improved structurally diagnostic tandem mass spectra for [M + Li] + adducts. Specifically, signal intensities were found to be enhanced by 10–1000× for 96 compounds including small molecule metabolites, fatty acids, neutral lipids (e.g., diacylglycerols, DAG), and phospholipids when lithium was added to the ESI solvent. In addition, proof-of-principle results reveal that lithium-doped nano-DESI MSI was able to comprehensively visualize metabolites and lipids in the prostaglandin (PG) biosynthetic pathway with PG isomeric resolution in an ovarian tumor section. These data show colocalization of fatty acid (FA) 20:4 containing DAGs, FA 20:4 monoacylglycerols (MAGs), and FA 20:4 with PGE 2 and disparate localizations of PGD 2 . Overall, this study describes a simple and powerful approach to more comprehensively probe the spatial metabolome with MSI.
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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».