imzML Writer: An Easy-to-Use Python Pipeline for Conversion of Continuously Acquired Raw Mass Spectrometry Imaging Data to imzML Format
Notice bibliographique
Résumé
Mass spectrometry imaging (MSI) is a technique that uncovers the contextual distribution of biomolecules in tissue. This involves collecting large data sets with information-rich mass spectra in each pixel. To streamline image processing and interpretation, the MSI community has developed toolboxes for image preprocessing, segmentation, statistical analysis, and visualization. These generally require data to be input as imzML files, an Extensible Markup Language file with vocabulary for mass spectrometry and imaging-specific parameters. While commercial systems (e.g., MALDI) come with proprietary file converters, to our knowledge, no open-access user-friendly converters exist for continuously acquired imaging data (e.g., nano-DESI, DESI). Here, we present imzML Writer, an easy-to-use Python application with a graphical user interface to convert data from vendor format into pixel-aligned imzML files. We package this application with imzML Scout, allowing visualization of the resulting file(s) and batch export of ion images across a range of image and data formats (e.g., PNG, TIF, CSV). To demonstrate the utility of files generated by imzML Writer, we processed nano-DESI data with popular tools such as Cardinal MSI and METASPACE. Overall, this work provides a simple open-access tool for emerging MSI modality users to access advanced MSI processing tools reliant on imzML format. ImzML Writer is available as a distributable Python package via pip or as a standalone program for Mac and PC at https://github.com/VIU-Metabolomics/imzML_Writer.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,070 | 0,067 |
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 ».