Imagerie moléculaire d’empreintes digitales par spectrométrie de masse : \npotentiels et applications en science forensique
Bibliographic record
Abstract
l'obtention du grade de Philosophiae Doctor (Ph.D.) en chimie Avril 2018 ©Nidia Lauzon, 2018 i En 2009, le laboratoire du professeur Simona Francese a développé une méthode pour l'imagerie par spectrométrie de masse (IMS) de traces latentes utilisant la désorption/ionisation laser assistée par matrice (MALDI).Cette méthode s'est avérée très robuste comparativement aux différentes techniques de révélation utilisées par les techniciens en identification criminelle.Depuis, leur laboratoire a démontré la possibilité de détecter plusieurs substances endogènes et exogènes pouvant contribuer à une enquête policière.Tout récemment, leur méthode a été implémentée auprès des autorités britanniques comme complément aux techniques traditionnelles de révélation d'empreintes digitales.En revanche, l'utilisation des matrices MALDI comporte plusieurs désavantages pour l'analyse IMS, tels que la génération de fragments en source qui contaminent le spectre en basses masses et augmentent considérablement le bruit de fond, ainsi que son mode de déposition qui peut mener à une délocalisation de certaines molécules dans l'échantillon.Dans le but de s'affranchir de ces contraintes, de nouveaux horizons ont été explorés pour le développement d'une méthode d'IMS alternative, tels que la sublimation de matrice MALDI et l'utilisation de métaux comme agents de désorption/ionisation.L'objectif premier consiste à évaluer diverses méthodes IMS par désorption/ionisation laser (LDI) assistée par matrice ou par métal permettant la détection et l'imagerie de molécules contenues dans une trace latente.Des méthodes de déposition dites « sans solvant » ont été utilisées dues à la fragilité du motif de l'empreinte digitale dans la trace.Le choix de la meilleure méthode a été évalué en fonction du nombre de composés observés, l'intensité du signal, du bruit de fond et des avantages pour l'analyse de traces latentes sur le plan pratique.Dans cette perspective, la déposition par pulvérisation d'argent a mené à la détection de plusieurs substances endogènes et exogènes.De plus, la méthode LDI assistée par argent (AgLDI) permet de générer des images moléculaires de l'empreinte digitale à haute résolution spatiale (~10 µm) pour des fins d'identification criminelle.L'avantage majeur de cette méthode réside dans son pouvoir de rendre une surface conductrice, une propriété essentielle à l'analyse MS par LDI-TOF.Grâce aux propriétés conductrices de l'argent, un deuxième objectif de recherche a pu être considéré, c'est-à-dire iii l'évaluation de la capacité de l'AgLDI-TOF IMS à être implémentée en complément des techniques de révélation forensique des empreintes digitales employées par les techniciens en identification criminelle.Grâce à une collaboration avec le spécialiste des empreintes digitales de la Sûreté du Québec, Alexandre Beaudoin, nous avons pu démontrer la possibilité de produire des images moléculaires de traces latentes révélées dans leur laboratoire sur diverses surfaces non-conductrices, incluant le papier, le carton plastifié, le plastique, ainsi que prélevées par du ruban adhésif spécialement conçu pour les traces digitales.De ce fait, l'analyse de traces latentes par AgLDI IMS permet, en autres, de contrer plusieurs problèmes de contraste fréquemment rencontrés lors de l'utilisation de techniques de révélation forensique sur plusieurs surfaces multicolores.L'utilité première de la spectrométrie de masse en science forensique est néanmoins d'identifier des substances pouvant contribuer à l'avancement d'une enquête criminelle.Dans cette optique, nous avons démontré le potentiel de l'AgLDI IMS pour la détection de stupéfiants (THC, cocaïne et héroïne) dans les traces latentes, ainsi que divers produits cosmétiques et d'hygiène personnelle en lien avec le mode de vie du suspect.Une autre substance hautement intéressante pour la reconstruction chronologique des événements sur la scène de crime est la détection de sang dans les traces latentes.Grâce à une collaboration avec des techniciens en identification criminelle du Service de Police de la Ville de Montréal (SPVM), nous avons démontré la possibilité de produire des images moléculaires d'empreintes ensanglantées révélées par des techniques spécifiques au sang dans leur laboratoire sur plusieurs surfaces non-conductrices.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.051 | 0.013 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".