CN101975818B - 特征物质的检测系统及方法 - Google Patents
特征物质的检测系统及方法 Download PDFInfo
- Publication number
- CN101975818B CN101975818B CN201010164194.0A CN201010164194A CN101975818B CN 101975818 B CN101975818 B CN 101975818B CN 201010164194 A CN201010164194 A CN 201010164194A CN 101975818 B CN101975818 B CN 101975818B
- Authority
- CN
- China
- Prior art keywords
- interest
- sample
- area
- property material
- mass
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明涉及特征物质的检测系统及方法。该方法包括：步骤1，对被测样品进行质谱分析得到每个样品点的质谱数据，并确定被测样品的感兴趣区域；步骤2，对于同一个m/z所表征的物质，分别计算感兴趣区域内和感兴趣区域外所有样品点的总离子强度、感兴趣区域内和感兴趣区域外所有样品点的平均强度和/或感兴趣区域内该m/z所表征的物质的空间聚集度，依据预置的规则判定该m/z所表征的物质是否为特征物质。本发明使研究人员准确、精确分析检测出样品中感兴趣区域内能够检测到哪些是样品的特有物质、哪些是背景噪声，所有特征物质离子的相对含量以及其在样品内的空间分布情况。
Description
技术领域
本发明涉及特征物质的定性与定量分析领域，尤其涉及特征物质的检测系统及方法。
背景技术
质谱分析方法是将物质粒子(原子、分子)电离成离子，并通过适当的稳定或变化的电场或磁场将它们按空间位置、时间先后等实现质荷比分离，并检测其强度来作定性、定量分析的分析方法。由于其直接测量的本质和高灵敏、高分辨、高通量和高适用性的特性，使得质谱仪和质谱分析技术在现代科学技术中举足轻重。随着生命科学、环境科学、医药科学、纳米材料等学科的发展，以及食品安全、国家安全、国际反恐的需要，质谱仪已成为增长速度飞快的分析仪器之一。尤其是色谱/质谱联用技术和仪器的出现，因其对复杂基体的高分离功能和检测的高灵敏度，更是在上述各领域倍受青睐，甚至不可或缺。
对于复杂基体的检测分析，其分析流程是：样品前处理、色谱分离、质谱分析检测、数据处理。其中，样品前处理占大部分工作量，操作环节多、而且非常复杂。不同分析目的，前处理操作不同，但通常包括：取样、称量、均匀化、粗分离、提纯、浓缩等步骤。复杂的前处理很容易对被测物产生污染、流失、改性等阻碍真实、精确反映分析检测结果的影响。
利用新兴质谱技术在无需任何样品前处理的情况下对复杂基体的样品的成像则是当前研究的前沿和热点之一。
自1997年美国范德堡大学(Vanderbilt University)的Richard Caprioli等首次提出MALDI质谱分子成像技术以来，质谱成像技术作为质谱技术中的一个新领域迅速发展，质谱成像技术就广泛用于样品表面直接质谱分析，特别是生物组织表面直接分析，用于蛋白组学、代谢组学、脂类组学、药代动力学等领域研究。
质谱成像分析的流程是：将被用来研究的样品置于质谱仪的靶上或样品台上，按照预先定义好的样品扫描范围、样品扫描方式、采样点扫描时间间隔和空间间隔，移动样品台，对样品中的采样点(微区)进行离子化，离子化后的离子进入质谱仪，采集质谱数据信息，如此逐步采集样品中扫描范围内的其他采样点，最后得到具有空间信息的整个样品的质谱数据，这样就可以完成对样品的“分子成像”，该分子成像图是3维图，每个点的x，y与其实际样品中采样点的对应，相对位置一样，z轴为m/z轴，表示该点化合物信息。
设定离子m/z的范围，即可确定该样品区域所含分子的种类，并选定峰高或者峰面积来代表分子的相对丰度。图像中的彩色斑点代表化合物的定位，每个斑点颜色的深浅与该点上检测到的某离子信号大小相关。通过增加单位面积上离子化样品点数量和像素，可以获得更多的样品信息，例如采用4000像素比200像素能够得到更好的样品图像。质谱分子成像技术是一种半定量或相对定量技术，图像上颜色深的部分表明有更多的生物分子聚集在样品的这个部分。然而，不可能据此确定分子在样品的不同部位的实际绝对含量。选择组织图像上的任意一个斑点，图像都能够给出一个质谱谱图或者离子谱图，代表在样品的该部位存在这种分子，然后与做指纹图谱类似，像做指纹图谱那样，将样品的离子谱图与已知标准品进行对照，分析差异，从而进行生物标志物的发现和药物作用的监控。
质谱成像技术所获得的“分子成像”是伪图像，该伪图像是直接由质谱数据和预先定义每个质谱数据的虚拟空间相对位置所获得，仅大体代表相对空间位置，不能真正代表被分析样品的实际空间信息，也不能准确建立样品的实际被分析样品点与质谱数据间一一对应的关系，同时质谱成像技术不能解决样品被分析前已被污染的问题，只能解决由于免去一些复杂前处理再污染的问题。
而且由于质谱成像分析信息丰富，所以从质谱成像数据中提取特征物质(某m/z特征离子，样品上特有的、扫描样品的其他位置所没有，或明显较少的离子)好像大海捞针，非常艰难。
由于直接在伪图像上选感兴趣的区域，存在不精确的问题，给后续的计算带来了严重的误差，造成了误判和漏判的概率较大。
对于复杂样品中未知物分析，特别是特征物质的分析，光学成像分析只能解决物质的形态、不能确定物质是什么的问题。常规的质谱分析能够解决物质是什么的问题，但不能给出各物质在样品上分布的信息，同时带来了复杂的样品前处理问题。最新的质谱成像分析能够一定程度上减少(前处理的步骤越少、被污染的机会就越少)样品复杂前处理对被测物的影响，可以给出已知的被检测物在样品上分布的信息，但不能确定哪些样品在分析前已经被污染了，更不能确定质谱成像上样品点与实际被分析样品点的精确联系，更不能确定哪些物质是样品上特有的，哪些是背景信息，也不能给出所有未知的特征物质有哪些、分别是什么、以及相对含量和样品上空间分布信息，甚至不能准确、精确绘制感兴趣的区域。
发明内容
为了解决上述的技术问题，提供了特征物质的检测系统及方法，其目的在于，在质谱分析前，从光学图像信息辨别样品是否被污染、确认需要分析的样品区域，经过质谱分析后，将样品光学图像与分析的质谱数据建立对应联系，能够准确、精确绘制感兴趣的区域，找出该区域内所有特征离子、区别于由于样品或仪器被污染、改性等不良影响所产生的背景信息，同时获取每个特征离子的相对含量以及其在样品上空间分布信息。解决了样品分析前确认是否被污染、样品需要分析的区域，不盲目分析的问题；样品分析后，通过建立了样品实际光学图像与分析获得质谱数据的对应联系解决了质谱数据不能溯源到实际样品点的问题；通过应用高分辨的光学图像绘制感兴趣的区域，解决感兴趣区域绘制准确、精确的问题；在该区域内检测出了哪些是特征物质、相对浓度多少、分布在样品什么区域上的，也就解决哪些物质是该区域内所特有的物质，特有物质的含量和空间分布情况。
本发明提供了特征物质的检测方法，包括：
步骤1，对被测样品进行质谱分析得到每个样品点的质谱数据，并确定被测样品的感兴趣区域；
步骤2，对于同一个m/z所表征的物质，分别计算感兴趣区域内和感兴趣区域外所有样品点的总离子强度、感兴趣区域内和感兴趣区域外所有样品点的平均强度和/或感兴趣区域内该m/z所表征的物质的空间聚集度，依据预置的规则判定该m/z所表征的物质是否为特征物质；
感兴趣区域内总离子强度为感兴趣区域内所有存在该m/z所表征的物质的样品点对应的质谱峰信号强度之和；
感兴趣区域外总离子强度为感兴趣区域外所有存在该m/z所表征的物质的样品点对应的质谱峰信号强度之和；
感兴趣区域内平均强度表示感兴趣区域内总离子强度除以感兴趣区域内所有存在该m/z所表征的物质的样品点的个数；
感兴趣区域外平均强度表示感兴趣区域外总离子强度除以感兴趣区域外所有存在该m/z所表征的物质的样品点的个数。
步骤1中确定感兴趣区域具体包括：在质谱分析不破坏被测样品形貌的情况下，根据对质谱分析后的被测样品的光学成像确定感兴趣区域；或者在质谱分析破坏被测样品形貌的情况下，根据对质谱分析前的被测样品的光学成像确定感兴趣区域；或者在没有成像设备的情况下，按照预定的条件从质谱数据中确定感兴趣区域。
在质谱分析不破坏被测样品形貌的情况下，对被测样品进行质谱分析后进行光学成像，或者边进行质谱分析边进行光学成像；在边进行质谱分析边进行光学成像时，每次光学成像的条件保持一致。
光学成像的分辨率不小于最小样品点的半径。
在边进行质谱分析边进行光学成像时，利用每次光学成像得到的图像进行合成得到最终的图像，用来确定感兴趣区域。
步骤2中，还计算质谱的噪声强度，将质谱峰信号强度不小于2倍于噪声强度的信号视为有意义的信号，并提取有意义信号的质谱峰信号强度。
预置的规则为感兴趣区域内平均强度大于或等于感兴趣区域外的平均离子强度的2倍，并且该m/z所表征的物质在感兴趣区域内存在质谱峰的样品点数不少于该m/z所表征的物质感兴趣区域外存在质谱峰的样品点数，则该m/z所表征的物质为特征物质；该m/z所表征的物质在ROI内存在质谱峰的样品点的空间聚合度优于在ROI外存在质谱峰的样品点的空间聚合度，则该m/z所表征的物质为特征物质；或者感兴趣区域内平均强度大于或等于感兴趣区域外的平均离子强度的2倍，并且该m/z所表征的物质在感兴趣区域内存在质谱峰的样品点数不少于该m/z所表征的物质感兴趣区域外存在质谱峰的样品点数，同时该m/z所表征的物质在ROI内存在质谱峰的样品点的空间聚合度优于在ROI外存在质谱峰的样品点的空间聚合度。
感兴趣区域的总面积不大于被测样品总面积的1/2，并且不小于4个样品点所在区域的面积。
感兴趣区域内该m/z所表征的物质的空间聚集度用该m/z所表征的物质对应像素个数占感兴趣区域内总像素个数的百分比或该m/z所表征的物质对应像素点的聚焦度表示。
在没有成像设备的情况下，按照预定的条件从质谱数据中确定感兴趣区域包括：
如果该被测样品上存在已知特征物质，则获取该特征物质的质谱成像图，在该质谱成像图上标记离子成像的区域，该区域即为感兴趣区域；或者
将每个特征物质成像图做灰度分析，计算出图的灰度面积值与空间聚集度值乘积，根据乘积结果从大到小依次排列各物质成像图，从乘积结果大的物质成像图中挑选出有特征的图，在图上标记物质成像的区域，该区域即为感兴趣区域；或者
对质谱数据做主成分分析获取得分矩阵和主成分，对得分矩阵组织质谱成像，获取每个主成分对于得分矩阵的质谱成像图，依主成分的次序查看质谱成像图，挑选出有特征的质谱成像图，在该质谱成像图上标记成像的区域，该区域即为感兴趣区域；或者
通过多元统计分析处理质谱数据，得出有特征的质谱成像图，挑选有特征的质谱成像图，在该质谱成像图上标记质谱成像的区域，该区域即为感兴趣区域。
步骤2中，还判断每种物质是否存在于感兴趣区域内，具体包括：
如果该物质在感兴趣区域内不仅存在有质谱峰的样品点而且满足预设数量的要求，该样品点在空间上相邻，则该物质存在于感兴趣区域内；否则物质不存在于感兴趣区域内。
步骤2中还根据感兴趣区域内和感兴趣区域外所有样品点的总离子强度、感兴趣区域内和感兴趣区域外所有样品点的平均强度和/或感兴趣区域内该m/z所表征的物质的空间聚集度计算特征物质的特征系数。
还包括步骤3：对于多个同类的被测样品，得到每个被测样品对应的特征物质后，对每个被测样品对应的特征物质有关的信息进行统计分析，得到具有统计学意义的特征物质。
还包括：
步骤4，将与具有统计学意义的特征物质有关的信息作为输入参数，建立模式识别的模型；
步骤5，对未知的被测样品执行步骤1-步骤2，得到未知样品对应的特征物质，将与未知样品对应的特征物质有关的信息作为输入参数输入该模式识别的模型，判断该未知的被测样品的类型是否与所述多个同类的被测样品的类型相同；其中与未知样品的特征物质有关的信息的参数类型和与具有统计学意义的特征物质有关的信息的参数类型相同。
与具有统计学意义的特征物质有关的信息包括感兴趣区域内特征物质种类、每种特征物质的总强度、每种特征物质的平均强度、每种特征物质的空间分布图，以及各特征物质的总强度相对强度和各特征物质的平均强度相对强度。
模式识别的模型为距离测度分类模式识别、基于概率统计的贝叶斯分类模式识别、神经网络模型、决策树模型、粗糙集、聚类分析、模糊聚类、遗传算法聚类模型、蚁群算法聚类或粒子群算法聚类模型。
对于两种不同类的被测样品，在得到该两种不同类的被测样品中包含的具有统计意义的特征物质后，将两种不同类的被测样品中具有统计意义的特征物质或者两种不同类的被测样品中与具有统计意义的特征物质有关的信息进行比较，以得到两种不同类的被测样品中具有统计意义的特征物质的相同之处和/或不同之处，或者两种不同类的被测样品中与具有统计意义的特征物质有关的信息的相同之处和/或不同之处。
对于两种不同类的被测样品，在得到该两种不同类的被测样品中包含的具有统计意义的特征物质后，将与具有统计学意义的特征物质有关的信息作为输入参数，分别建立模式识别的模型；对两种不同类的被测样品之一同类的未知被测样品，执行步骤1-步骤2后得到被测样品中包含的具有统计意义的特征物质，将与具有统计学意义的特征物质有关的信息分别输入所建立的模型，判断该未知被测样品具体的类别。
对多类不同的被测样品分别得到具有统计学意义的特征物质以及与具有统计学意义的特征物质有关的信息，并存储到数据库中；将未知的被测样品执行步骤1-步骤2后得到未知样品对应的特征物质以及与未知样品对应的特征物质有关的信息，将未知样品对应的特征物质以及与未知样品对应的特征物质有关的信息作为输入参数，根据预置的约束在数据库中搜索以得到该未知样品的类别。
本发明提供了特征物质的检测系统，包括自动样品台和质谱系统，自动样品台用于承载被测样品，质谱系统用于对被测样品进行质谱分析得到每个样品点的质谱数据，还包括：
感兴趣区域判定模块，用于确定被测样品的感兴趣区域；
特征物质判定模块，用于对同一个m/z所表征的物质，分别计算感兴趣区域内和感兴趣区域外所有样品点的总离子强度、感兴趣区域内和感兴趣区域外所有样品点的平均强度和/或感兴趣区域内该m/z所表征的物质的空间聚集度，依据预置的规则判定该m/z所表征的物质是否为特征物质；感兴趣区域内总离子强度为感兴趣区域内所有存在该m/z所表征的物质的样品点对应的质谱峰信号强度之和；感兴趣区域外总离子强度为感兴趣区域外所有存在该m/z所表征的物质的样品点对应的质谱峰信号强度之和；感兴趣区域内平均强度表示感兴趣区域内总离子强度除以感兴趣区域内所有存在该m/z所表征的物质的样品点的个数；感兴趣区域外平均强度表示感兴趣区域外总离子强度除以感兴趣区域外所有存在该m/z所表征的物质的样品点的个数。
感兴趣区域判定模块，用于在质谱分析不破坏被测样品形貌的情况下，根据对质谱分析后的被测样品的光学成像确定感兴趣区域；或者在质谱分析破坏被测样品形貌的情况下，根据对质谱分析前的被测样品的光学成像确定感兴趣区域；或者在没有成像设备的情况下，按照预定的条件从质谱数据中确定感兴趣区域。
质谱系统和自动样品台，用于在质谱分析不破坏被测样品形貌的情况下，对被测样品进行质谱分析后进行光学成像，或者边进行质谱分析边进行光学成像；在边进行质谱分析边进行光学成像时，每次光学成像的条件保持一致。
光学成像的分辨率不小于最小样品点的半径。
在边进行质谱分析边进行光学成像时，利用每次光学成像得到的图像进行合成得到最终的图像，用来确定感兴趣区域。
特征物质判定模块，还用于计算质谱的噪声强度，将质谱峰信号强度不小于2倍于噪声强度的信号视为有意义的信号，并提取有意义信号的质谱峰信号强度。
预置的规则为感兴趣区域内平均强度大于或等于感兴趣区域外的平均离子强度的2倍，并且该m/z所表征的物质在感兴趣区域内存在质谱峰的样品点数不少于该m/z所表征的物质感兴趣区域外存在质谱峰的样品点数，则该m/z所表征的物质为特征物质；该m/z所表征的物质在ROI内存在质谱峰的样品点的空间聚合度优于在ROI外存在质谱峰的样品点的空间聚合度，则该m/z所表征的物质为特征物质；或者感兴趣区域内平均强度大于或等于感兴趣区域外的平均离子强度的2倍，并且该m/z所表征的物质在感兴趣区域内存在质谱峰的样品点数不少于该m/z所表征的物质感兴趣区域外存在质谱峰的样品点数，同时该m/z所表征的物质在ROI内存在质谱峰的样品点的空间聚合度优于在ROI外存在质谱峰的样品点的空间聚合度。
感兴趣区域的总面积不大于被测样品总面积的1/2，并且不小于4个样品点所在区域的面积。
感兴趣区域内该m/z所表征的物质的空间聚集度用该m/z所表征的物质对应像素个数占感兴趣区域内总像素个数的百分比或该m/z所表征的物质对应像素点的聚焦度表示。
在没有成像设备的情况下，按照预定的条件从质谱数据中确定感兴趣区域包括：
如果该被测样品上存在已知特征物质，则获取该特征物质的质谱成像图，在该质谱成像图上标记离子成像的区域，该区域即为感兴趣区域；或者
将每个特征物质成像图做灰度分析，计算出图的灰度面积值与空间聚集度值乘积，根据乘积结果从大到小依次排列各物质成像图，从乘积结果大的物质成像图中挑选出有特征的图，在图上标记物质成像的区域，该区域即为感兴趣区域；或者
对质谱数据做主成分分析获取得分矩阵和主成分，对得分矩阵组织质谱成像，获取每个主成分对于得分矩阵的质谱成像图，依主成分的次序查看质谱成像图，挑选出有特征的质谱成像图，在该质谱成像图上标记成像的区域，该区域即为感兴趣区域；或者
通过多元统计分析处理质谱数据，得出有特征的质谱成像图，挑选有特征的质谱成像图，在该质谱成像图上标记质谱成像的区域，该区域即为感兴趣区域。
特征物质判定模块，还用于判断每种物质是否存在于感兴趣区域内，具体包括：如果该物质在感兴趣区域内不仅存在有质谱峰的样品点而且满足预设数量的要求，该样品点在空间上相邻，则该物质存在于感兴趣区域内；否则物质不存在于感兴趣区域内。
特征物质判定模块，还根据感兴趣区域内和感兴趣区域外所有样品点的总离子强度、感兴趣区域内和感兴趣区域外所有样品点的平均强度和/或感兴趣区域内该m/z所表征的物质的空间聚集度计算特征物质的特征系数。
对于多个同类的被测样品，特征物质判定模块还用于得到每个被测样品对应的特征物质后，对每个被测样品对应的特征物质有关的信息进行统计分析，得到具有统计学意义的特征物质。
特征物质判定模块，还用于将与具有统计学意义的特征物质有关的信息作为输入参数，建立模式识别的模型；得到未知样品对应的特征物质，将与未知样品对应的特征物质有关的信息作为输入参数输入该模式识别的模型，判断该未知的被测样品的类型是否与所述多个同类的被测样品的类型相同；其中与未知样品的特征物质有关的信息的参数类型和与具有统计学意义的特征物质有关的信息的参数类型相同。
与具有统计学意义的特征物质有关的信息包括感兴趣区域内特征物质种类、每种特征物质的总强度、每种特征物质的平均强度、每种特征物质的空间分布图，以及各特征物质的总强度相对强度和各特征物质的平均强度相对强度。
模式识别的模型为距离测度分类模式识别、基于概率统计的贝叶斯分类模式识别、神经网络模型、决策树模型、粗糙集、聚类分析、模糊聚类、遗传算法聚类模型、蚁群算法聚类或粒子群算法聚类模型。
对于两种不同类的被测样品，特征物质判定模块还在得到该两种不同类的被测样品中包含的具有统计意义的特征物质后，将两种不同类的被测样品中具有统计意义的特征物质或者两种不同类的被测样品中与具有统计意义的特征物质有关的信息进行比较，以得到两种不同类的被测样品中具有统计意义的特征物质的相同之处和/或不同之处，或者两种不同类的被测样品中与具有统计意义的特征物质有关的信息的相同之处和/或不同之处。
对于两种不同类的被测样品，特征物质判定模块还在得到该两种不同类的被测样品中包含的具有统计意义的特征物质后，将与具有统计学意义的特征物质有关的信息作为输入参数，分别建立模式识别的模型；得到对两种不同类的被测样品之一同类的未知被测样品中包含的具有统计意义的特征物质，将与具有统计学意义的特征物质有关的信息分别输入所建立的模型，判断该未知被测样品具体的类别。
对多类不同的被测样品，特征物质判定模块还用于分别得到该多类不同的被测样品具有统计学意义的特征物质以及与具有统计学意义的特征物质有关的信息，并存储到数据库中；得到未知样品对应的特征物质以及与未知样品对应的特征物质有关的信息，将未知样品对应的特征物质以及与未知样品对应的特征物质有关的信息作为输入参数，根据预置的约束在数据库中搜索以得到该未知样品的类别。
本发明所提出的检测感兴趣区域内特征物质的方法和装置，使研究人员准确、精确分析检测出样品中感兴趣区域内能够检测到哪些是样品的特有物质、哪些是背景噪声，所有特征物质离子的相对含量、以及其在样品内的空间分布情况，既获取光学形态信息、又获取特有的物质信息，避免样品复杂前处理对被测物的不良影响(污染、改性、流失)，对于复杂基体、如组织切片中蛋白组学、脂类组学、药代动力学的研究分析，指纹、墨迹、印章、字画的鉴定，提供了准确、可靠的系统和方法。
附图说明
图1是本发明分析检测特征物质的系统示意图；
图2是光学成像系统与质谱分析系统同时工作的系统示意图；
图3是质谱成像分析的系统示意图；
图4是本发明系统的分析方法流程图；
图5是光学成像系统与质谱分析系统同时工作的方法流程图；
图6是质谱成像分析的方法流程图；
图7是计算感兴趣区域内的特征离子方法流程图；
图8是同类大量样品的特征离子分析检测方法流程图；
图9是同类大量样品的特征离子建模及真伪判断方法流程图；
图10是两类大量样品间的差异离子分析检测方法流程图；
图11是两类大量样品间的差异离子建模及分类判断方法流程图；
图12是多类大量样品的特征离子建库及未知样品鉴定检索方法流程图；
图13是应用图9所示方法对指纹真伪判断方法流程图。
具体实施方式
目前，复杂样品中分析发展趋势是能够检测出哪些是样品中特有的物质，哪些是背景信息(仪器或样品污染、改性等)，特别是准确、精确绘制感兴趣的区域，检测出该区域内所有特征离子、每个特征离子的相对含量以及在样品上空间分布信息，解决了该区域内检测出了哪些特征物质、浓度多少、分布在样品什么区域上的，也就解决哪些物质是该区域内所特有的，特有物质的浓度和分布情况。
感兴趣区域(Region of Interest，ROI)内特征物质，也叫特征离子或特有物质，也就是ROI内的某m/z特征离子，属于ROI内特有的、样品的其他位置没有，或比ROI内明显较少，可以定义为：ROI内离子平均强度高于ROI外平均强度的2倍。
图1是本发明分析检测特征物质的系统示意图。如图所示，该系统包括：被测样品100，光学成像系统110、自动样品台120、离子源装置130、质谱接口装置140、质谱系统150、特征物质信息提取系统160。被测样品100可以是放在玻璃、塑料、金属或其他材质的基质上，用于装载样品，有利光学成像和质谱分析。光学成像系统110，可以是独立的，也可以是与质谱分析联用的，独立的光学成像可以是光学显微系统、电子显微系统；对样品成像可以直接对本样品成像，也可以对样品的对应面(从同一样品切割下来的另一面)成像；与质谱分析联用的，是将样品放在同一样品台上，既实现光学成像又实现质谱分析；光学成像的结果是图片信息，包括质谱分析前的图片和质谱分析后的图片，分析前的图片用于反映样品的原始形貌，分析后的图片用于反映样品分析后的形貌和质谱分析点的位置；光学成像的空间分辨率要求不小于质谱分析的最小样品点半径，最佳方法是能够看清紧密相连的两个质谱分析样品点。自动样品台120，自动控制二/三维移动，与质谱分析系统联动，下述两种方式皆可：可被测样品100移动，而离子源装置130和质谱接口装置140不动，也可被测样品100不动，离子源装置130和质谱接口装置140移动实现扫描。离子源装置130，将样品上一个微区内的样品离子化，质谱接口装置140将样品离子导入质谱系统150。被测样品100、自动样品台120、离子源装置130和质谱接口装置140，可以在真空环境下、也可以在大气压下工作。质谱系统150，将导入的样品离子实现质荷比分离，并检测其信号强度，形成质谱数据。特征物质信息提取系统160，将样品的高分辨空间光学图像信息和样品的质谱数据集作为输入，提取感兴趣区域特有的物质信息。
其中，高空间分辨光学图像A，包括样品质谱分析前图片A1和样品质谱分析后图片A2，图片A1反映样品的原始形貌，图片A2反映样品分析后的形貌和质谱分析点的位置，如果分析过程中不破坏样品的形貌，则以A2的信息为主，既获得样品形貌又可准确获得质谱分析点的位置信息，否则，以A1的信息为主，通过分析前在样品上标记3个或3个以上的点，以这些点为空间参照点来获得质谱分析点的位置信息。A1还可确认样品是否被污染和需要分析的区域，A1和A2空间分辨率要求不小于质谱分析的最小样品点的半径，最佳方法是能够区分紧密相连的两个质谱分析样品点。
质谱数据集B，是样品所有扫描点的质谱数据的集合，一个样品扫描点至少对应于一张质谱图数据，样品可以移动一个点、质谱分析一个点，也可以样品台匀速移动一条线、质谱连续分析这条线上的样品，这种方式最终可以映射为一个样品点对应一个质谱图数据；质谱图谱数据与质谱分析模式、质量轴范围、质谱分辨率紧密相关，这些参数可根据样品的分析目的设置。
感兴趣区域特有物质信息C，是分析结果的信息集合，表示感兴趣区域内所有特有离子(特征物质)的信息列表，区域内总强度、平均强度、空间分布信息、特有系数等。
图2是光学成像系统与质谱分析系统同时工作的系统示意图。如图所示，上述发明中光学成像系统110与被测样品100、自动样品台120、离子源130紧密相连，实现光学成像与质谱分析同时进行，为每个样品点分析时，分别采集质谱分析前光学图像a1和质谱分析后光学图像a2，最后通过拼接等数字图像处理手段将多幅图拼成整个样品的光学图像A1和A2。该实施例相对于图1所示系统，更利于现场快速分析，及时看清每个样品分析前后和分析后的光学图像，可以同时实现光谱成像和质谱成像，可以在现场选择所需分析的区域。
图3是质谱成像分析的系统示意图。如图所示，该系统没有光学成像系统，仅有质谱成像分析系统，通过扩大分析检测区域来对被分析样品特征物质的检测，适用于选定ROI区域精准度要求不高的情况，系统包括：被测样品100，自动样品台120、离子源装置130、质谱接口装置140、质谱系统150、特征物质信息提取系统160。
图4是本发明系统的分析方法流程图。如图所示，包括以下步骤：
步骤S401，调节好质谱仪器系统、调节好离子源装置及接口装置，调好样品台的位置，做好质谱分析的准备工作。
步骤S402，将样品切片进行质谱分析前的光学成像，得样品的光学图像A1，主要用来确认样品是否被污染和要分析的区域；记录光学成像的条件，确保本次光学成像条件与质谱分析后光学成像的条件一致。
步骤S403，将样品切片转载到样品台适当的位置。
步骤S404，按照分析的目的和被测样品的范围，设定分析扫描的范围、扫描速度，自动控制样品台的移动。
步骤S405，按照设定的分析模式，与样品台配合，对样品进行质谱分析，得到样品中的每一个样品点的质谱数据，形成质谱数据集B。
步骤S406，质谱分析完毕后，依据上次的光学成像条件，对分析后的样品切片进行光学成像，得样品的光学图像A2。
步骤S407，获取高分辨的质谱分析后的样品光学图像A，该图像包含每个被分析样品点的精确空间信息。由于A1反映样品的原始形貌，A2反映样品分析后的形貌和质谱分析点的位置。如果分析的过程不破坏样品的形貌，则A可由A2直接获得，否则，A由A1获得样品形貌，与质谱分析前，在样品上标记3个或3个以上的点，用来定位质谱分析点的空间位置。
步骤S408，对质谱数据集，自动计算质谱数据的噪声强度N，定义信号强度S，S不小于2倍的N，不小于2倍的N的S视为有意义的信号；依据信号强度和质量分辨率，提取质谱峰强度信息和质谱峰的面积信息。质谱峰强度表示该m/z质谱峰所对应信号的相对强度，通常是质谱峰的最高值、平均值或中心值扣除噪声后的获得数值，不同的质谱仪器公司对该值计算方法可能不一样。质谱峰的面积是该m/z总离子数的表示值，通过对该质谱峰进行积分获得。质谱峰强度和质谱峰面积，可以通过质谱仪的数据处理软件直接获得，也可同对质谱原始数据进行分析处理获得。
步骤S409，将高分辨的光学图像A上的被分析的样品点(微区)与该样品点的质谱数据建立对应的关系，实现光学图像A上的每个被分析的样品点都能找到相应的质谱数据，每幅质谱数据都能找到光学图像A上的空间位置。建立这种联系的方法有很多，如：第一种方法：以光学图像A为模版，绘制出样品分析的范围区域，在该区域内，建立每个样品点与对应质谱数据间的联系，即为每一个样品点找到在质谱数据集B中对应的质谱分析数据，代表该点的物质信息，获得实际样品图像与质谱数据一体的图像D1，后续的图像操作与质谱数据分析处理均在D1上进行；第二种方法：参照光学图像A，根据每个质谱数据的空间标记信息，建立虚拟图像D2，虚拟图像D2与光学图像A上被分析的样品区域空间布局一致，样品点间空间方位关系一致，在D2上的样品点与光学图像A上被分析样品点一一对应，D2的空间分辨可以与光学图像A一致，也可不一致，但是D2上的样品点都能代表光学图像A上相应的被分析点，光学图像A上被分析点都能在D2上找到对应的代表点，后续的图像操作与质谱数据分析处理均在D2上进行；D1、D2统称为D，表示该图像既代表实际样品上每个被分析样品点的空间信息又代表该点的质谱信息。可根据光学图像A来确定在D上标记感兴趣的区域(ROI)，也可根据分析的目的来确定ROI，ROI可以有多个小ROI组成，ROI的总面积不大于分析样品总面积同时不小于1个样品点，可以根据分析样品的特性和分析目的来限定ROI的总面积，如：可以限定ROI的总面积不大于分析样品总面积的1/2，同时不小于4个样品点。
步骤S410，设定一个m/z，分别计算ROI内外的所有样品点的总离子强度和平均强度，ROI内总离子强度表示ROI内所有存在该m/z质谱峰的样品点质谱峰信号强度之和，ROI外总离子强度表示ROI外所有存在该m/z质谱峰的样品点质谱峰信号强度之和，若个数为0，则平均离子强度为0，ROI内平均强度表示ROI内总离子强度除以相应所有存在该m/z质谱峰的样品点的个数；ROI外平均强度表示ROI外总离子强度除以相应所有存在该m/z质谱峰的样品点的个数；计算ROI内特征离子的空间聚集度，计算ROI外特征离子的空间聚集度；依据计算所得数据和图像信息综合判断该离子是否为特征离子，依照上述方法，判断所有m/z，得出所有的特征离子列表信息。特征离子在ROI内的空间聚集度表示该离子在ROI内的空间聚集的情况，通常可以使用下述参数表示：一是该离子对应像素个数占ROI内总像素个数的百分比，百分比高表示该离子在ROI内空间分布多；如果ROI内与ROI外的百分比相差不大(例如5％以内)则采用参数二，参数二是离子像素点的聚焦度，可以通过计算离子在各像素间的距离得到，方法一、计算离子对应各像素间的欧氏距离：以像素点1(x1，y1)，像素点2(x2，y2)为例，d＝sqrt((x1-x2)2+(y1-y2)2)，求出这些距离的平均值做为衡量点的聚集度的标准。方法二、基于分布中心(求点的聚集度)，假设有n个离散点(X1，Y1)，(X2，Y2)，…，(Xn，Yn)(即离子对应像素座标)，可以用下式来表示分布中心
其中(Cx，Cy)表示算术平均中心坐标点。然后可计算出各个点与算术平均中心距离的均值和方差做为离散点聚集度的评价标准。均值越小表示离散点的聚集度越高。还可以以平均中心为圆心，平均距离为半径做圆，落在圆内的对应像素越多则聚集度越好。也可以通过外接多边形等方法计算。上述对参数二的使用所限定的条件不是必需的，也就是说可以直接使用参数二来表征特征离子在ROI内的空间聚集度。
图5是光学成像系统与质谱分析系统同时工作的方法流程图。如图所示，包括以下步骤：
步骤S501，调节好质谱仪器系统、调节好离子源装置及接口装置，调好样品台的位置，做好质谱分析的准备工作，调节好光学成像系统
步骤S502，将样品切片转载到样品台适当的位置。
步骤S503，按照分析的目的和被测样品的范围，设定分析扫描的范围，扫描速度自动控制样品台的移动。
步骤S504，将样品切片进行质谱分析前的光学成像，得样品点的光学图像a1，记录成像的调节。
步骤S505，按照设定的分析模式，对该样品点进行质谱分析，得到该样品点的质谱图数据b1。
步骤S506，该点质谱分析完毕后，对分析后的样品切片进行光学成像，得样品的光学图像a2。
步骤S507，获取该样品点的质谱分析后的光学图像a，该图像包含该分析样品点的精确空间信息。如果分析不改变样品的形貌，a可以由光学图像a2直接表示，否则通过图像a1获得。可以分析一个样品点，得出该样品点的光学图像a，也可以将每一个样品点的光学图像a1和a2保存下来，最后整个样品分析后，得到图像A。该步骤S507完成后，返回步骤S503，对下一个样品点进行分析，直到所有的样品点分析完毕。
步骤S508，可以边分析边计算，也可像步骤S408等质谱分析完毕后统一处理。
步骤S509，将高分辨的光学图像A上的被分析的样品点(微区)与该样品点的质谱数据建立对应的联系，实现光学图像A上的每个被分析的样品点都能找到相应的质谱数据，每幅质谱数据都能找到光学图像A上的空间位置。建立这种联系的方法有很多，如：以光学图像A为模版，绘制出样品分析的范围区域，在该区域内，建立每个样品点与对应质谱数据间的联系，即为每一个样品点找到在质谱数据集B中对应的质谱分析数据，代表该点的物质信息，获得实际样品图像与质谱数据一体的图像D1，后续的图像操作与质谱数据分析处理均在D1上进行；第二种方法：参照光学图像A，根据每个质谱数据的空间标记信息，建立虚拟图像D2，虚拟图像D2与光学图像A上被分析的样品区域空间布局一致，样品点间空间方位关系一致，在D2上的样品点与光学图像A上被分析样品点一一对应，D2的空间分辨可以与光学图像A一致，也可不一致，但是D2上的样品点都能代表光学图像A上相应的被分析点，光学图像A上被分析点都能在D2上找到对应的代表点，后续的图像操作与质谱数据分析处理均在D2上进行；D1、D2同称为D，表示该图像既代表实际样品上每个被分析样品点的空间信息又代表该点的质谱信息。可根据光学图像A来确定在D上标记感兴趣的区域(ROI)，也可根据分析的目的来确定ROI，，ROI可以有多个小ROI组成，ROI的总面积不大于分析样品总面积同时不小于1个样品点，可以根据分析样品的特性和分析目的来限定ROI的总面积，如：ROI的总面积不大于分析样品总面积的1/2，同时不小于4个样品点。
步骤S510，设定一个m/z，分别计算ROI内外的所有样品点的总离子强度和平均强度，ROI内总离子强度表示ROI内所有存在该m/z质谱峰的样品点质谱峰信号强度之和，ROI外总离子强度表示ROI外所有存在该m/z质谱峰的样品点质谱峰信号强度之和，ROI内平均强度表示ROI内总离子强度除以相应所有存在该m/z质谱峰的样品点的个数，若个数为0，则平均离子强度为0，ROI外平均强度表示ROI外总离子强度除以相应所有存在该m/z质谱峰的样品点的个数；计算ROI内离子的空间聚集度，计算ROI外特征离子的空间聚集度；依据计算所得数据和图像信息综合判断该离子是否为特征离子，依照上述方法，判断所有m/z，得出所有的特征离子列表信息。特征离子在ROI内的空间聚集度表示该离子在ROI内的空间聚集的情况，通常有2个参数表示：一是该离子对应像素个数占ROI内总像素个数的百分比，百分比高表明该离子在ROI内空间分布多；如果百分比相差不大(例如5％以内)则采用参数二，参数二是离子像素点的聚焦度，可以通过计算离子对应各像素间的距离，方法一、计算离子对应各像素间的欧氏距离：以像素点1(x1，y1)，像素点2(x2，y2)为例，d＝sqrt((x1-x2)2+(y1-y2)2)，求出这些距离的平均值做为衡量点的聚集度的标准。方法二、基于分布中心(求点的聚集度)，假设有n个离散点(X1，Y1)，(X2，Y2)，…，(Xn，Yn)(即离子对应像素座标)，可以用下式来表示分布中心
其中(Cx，Cy)表示算术平均中心坐标点。然后可计算出各个点与算术平均中心距离的均值和方差做为离散点聚集度的评价标准。均值越小表明离散点的聚集度越高。还可以以平均中心为圆心，平均距离为半径做圆，落在圆内的对应像素越多则聚集度越好。也可以通过外接多边形等方法计算。
图6是质谱成像系统的分析方法流程图。如图所示，包括以下步骤：
步骤S601，调节好质谱仪器系统、调节好离子源装置及接口装置，调好样品台的位置，做好质谱分析的准备工作。
步骤S602，由于没有精确的光学图像辅助定位，可以通过做标记点，设定的扫描范围往往适当大于被分析样品的区域，确保被分析的样品在扫描的区域内。将样品切片转载到样品台适当的位置。
步骤S603，按照分析的目的和被测样品的范围，设定分析扫描的范围、扫描速度，自动控制样品台的移动。
步骤S604，按照设定的分析模式，与样品台配合，对样品进行质谱分析，得到样品中的每一个样品点的质谱数据，形成质谱数据集B。
步骤S605，对质谱数据集，自动计算质谱数据的噪声强度N，定义信号强度S，S不小于2倍的N，不小于2倍的N的S视为有意义的信号；依据信号强度和质量分辨率，提取质谱峰强度信息和质谱峰的面积信息。质谱峰强度表示该m/z质谱峰所对应信号的相对强度，通常是质谱峰的最高值、平均值或中心值扣除噪声后的数值，不同的质谱仪器公司对该值计算方法可能不一样。质谱峰的面积是该m/z总离子数的表示值，通过对该质谱峰进行积分获得。质谱峰强度和质谱峰面积信息，可以通过质谱仪的数据处理软件直接获得，也可同对质谱原始数据进行分析处理获得。
步骤S606，根据每个质谱数据的空间标记信息，建立虚拟图像D，D表示该图像既代表实际样品的空间分布信息又代表被分析样品每个点的质谱信息，后续的图像操作与质谱数据分析处理均在D上进行。在D上寻找并标记感兴趣的区域ROI，ROI可以有多个小ROI组成，ROI的总面积不大于分析样品总面积同时不小于1个样品点，可以根据分析样品的特性和分析目的来限定ROI的总面积，如：ROI的总面积不大于分析样品总面积的1/2，同时不小于4个样品点。在D上寻找ROI的方法包括如下三类：一、如果该样品上存在某种已知特征离子，获取该特征离子的质谱成像图，在该图上标记离子成像的区域，即ROI，该ROI内离子信号强度是ROI外的强度2倍以上；二、将每个离子成像图做灰度分析，计算出图的灰度面积值与空间聚集度值乘积，将乘积值从大到小依次排列各离子成像图，从排列前面(可以是前10或前50)的离子成像系列图中挑选出有特征的图，在图上标记成像的区域，即ROI，有特征的图也就是该离子图像存在区域，该区域内离子信号强度是ROI外的强度2倍以上，；三、对所有的质谱数据做主成分分析、获取得分矩阵和主成分，对得分矩阵组织质谱成像，获取每个主成分对于得分矩阵的质谱成像图，依主成分的次序，查看质谱成像图，挑选出有特征的图，在图上标记成像的区域，即ROI，也可以通过非负分解因子分析等其他多元统计分析，处理质谱数据，得出有特征的质谱成像图，挑选其有特征的图，在图上标记成像的区域。
步骤S607，设定一个m/z，分别计算ROI内外的所有样品点的总离子强度和平均强度，ROI内总离子强度表示ROI内所有存在该m/z质谱峰的样品点质谱峰信号强度之和，ROI外总离子强度表示ROI外所有存在该m/z质谱峰的样品点质谱峰信号强度之和，ROI内平均强度表示ROI内总离子强度除以相应所有存在该m/z质谱峰的样品点的个数，若个数为0，则平均离子强度为0，ROI外平均强度表示ROI外总离子强度除以相应所有存在该m/z质谱峰的样品点的个数；计算ROI内特征离子的空间聚集度，计算ROI外特征离子的空间聚集度；依据计算所得数据和图像信息综合判断该离子是否为特征离子，依照上述方法，判断所有m/z，得出所有的特征离子列表信息。特征离子在ROI内的空间聚集度表示该离子在ROI内的空间聚集的情况，通常有2个参数表示：一是该离子对应像素个数占ROI内总像素个数的百分比，百分比高表明该离子在ROI内空间分布多；如果百分比相差不大(例如5％以内)则采用参数二，参数二是离子像素点的聚焦度，可以通过计算离子对应各像素间的距离，方法一、计算离子对应各像素间的欧氏距离：以像素点1(x1，y1)，像素点2(x2，y2)为例，d＝sqrt((x1-x2)2+(y1-y2)2)，求出这些距离的平均值做为衡量点的聚集度的标准。方法二、基于分布中心(求点的聚集度)，假设有n个离散点(X1，Y1)，(X2，Y2)，…，(Xn，Yn)(即离子对应像素座标)，可以用下式来表示分布中心
其中(Cx，Cy)表示算术平均中心坐标点。然后可计算出各个点与算术平均中心距离的均值和方差做为离散点聚集度的评价标准。均值越小表明离散点的聚集度越高。还可以以平均中心为圆心，平均距离为半径做圆，落在圆内的对应像素越多则聚集度越好。也可以通过外接多边形等方法计算。
图7是计算感兴趣区域内的特征离子方法流程图。如图所示，包括以下步骤：
步骤S701，在质谱分析的质量范围，即m/z范围内，按照质谱分析的m/z分辨率，依照m/z从小到大或从大到小的顺序，选择m/z，做为计算对象。
步骤S702，计算该m/z在ROI内外每个样品点的离子强度，若该离子强度大于或等于噪声强度的2倍，即该离子信号强度在此样品点上有意义，则可确定为质谱峰信号，标记该样品点为存在质谱峰的样品点；分别统计此类样品点在ROI内外的个数，计算这些点在ROI内的离子强度之和，计算平均离子强度，即离子强度之和除以有质谱峰样品点的个数，若个数为0，则平均离子强度为0；
步骤S703，由于m/z较多，必须首先判断每个m/z离子是否在ROI内存在。根据该m/z在ROI内的信号强度及其空间相关性确定该离子是否在ROI内存在，即确定该m/z在ROI内不仅存在有质谱峰的样品点，而且满足一定数量的要求，同时，要求这些样品点在空间上是相邻的。实现此判断方法较多，如：要求在ROI内至少存在一个9个样品点组成的正方形，该正方形中至少有不少于3个样品点存在质谱峰，平均质谱峰信噪比不小于2，具体的判断参数和方法，可视分析样品情况及分析的目的而定。若判断该离子在ROI内存在则进入步骤S704，否则进入步骤S701，对下一个离子进行分析。
步骤S704，判断该m/z是否为ROI内特征离子。具体实现此判断方法较多，大体分为三类：一、通过该m/z在ROI内的强度明显高于ROI之外来判断：若该m/z在ROI内的平均离子强度大于或等于在ROI外的平均离子强度的2倍，同时该m/z在ROI内的存在质谱峰的样品点数不少于ROI外的，则可判断该m/z为特征离子，具体判定参数可以根据样品特性与分析目的设定；二、通过判断该m/z在ROI内的有质谱峰样品点的空间聚集度明显优于在ROI外有质谱峰样品点空间聚集度：若该m/z的ROI内所占点的百分比多于ROI外的百分比(例如多5％)；若百分比相近(例如5％以内)，则需要该离子在ROI内的点的聚集度明显高于ROI外的点的聚集度，具体的判断参数和方法，可视分析样品情况及分析的目的而定；三、通过离子强度和空间聚集度综合判断，既要求满足上述第一类方法的条件，又要求满足上述第二类方法的条件，例如要求该m/z在ROI内的平均离子强度大于或等于在ROI外的平均离子强度的2倍，ROI内所占点的百分比多于ROI外的百分比5％，具体的判断参数和方法，可视分析样品情况及分析的目的而定。若判断该离子是ROI内特征离子则进入步骤S705，否则进入步骤S701，对下一个离子进行分析。
步骤S705，计算该特征离子m/z的特征系数及相关信息，该特征离子m/z的特征系数由该m/z在ROI内的平均强度、总强度以及空间聚集度和在ROI外的平均强度、总强度以及空间聚集度来综合表征，用一个参数表示m/z在ROI内的特有程度。系数与该m/z在ROI内的平均强度、总强度以及空间相关度正相关，与该m/z在ROI外的平均强度、总强度以及空间相关度负相关，系数越大，代表该离子与该ROI内紧密相关，越特有。表征该系数的方法和算法很多，如：特征系数＝(ROI内总强度乘以ROI内空间聚集度)-(ROI外总强度乘以ROI外空间聚集度)。其它相关信息，如：该m/z在ROI内的占有率，分布图等。计算完该m/z的信息，保存信息，进入步骤S701，对下一个离子进行分析，直到所有的m/z计算完毕。
图8是同类大量样品的特征离子分析检测方法流程图。如图所示，包括以下步骤：
步骤S801，对同类大量样品，应用相同的光学成像条件和质谱成像分析条件进行分析，从样品1到样品N，分析检测出ROI内的特有物质信息系列。同类样品指样品的组成相同，个体差异不显著，样品的采样采取随机采样、系统采样等无偏性的等方法；大量样品是指样品的数目要多，如果要求检测结果的置信区间小、可信度大，样品的数目就大，依据实验的目的和对数据可靠性要求的程度确定采用数目，最好满足t-统计分布的最小采样数目估计。
步骤S802，对N个样品的ROI内特有物质信息进行多元统计分析处理，即对N个样品中ROI内所有特征物质的离子总强度、平均强度、空间分布图，分别做统计分析。计算每种特征离子在N个样品中出现的情况，出现的概率可以用出现的次数除以N来表示，对于某物质，若在N个样品的ROI内，出现的概率为1，即在N个样品中都是特征物质，则视为该类样品在ROI内特征物质；若出现的概率小于1同时不小于0.5的比例，则视该物质为该类样品候选特征物质，比例系数可以根据试验条件和要求具体设定。
对于该类样品的特征物质和候选特征物质，如果在离子总强度上有统计规律，则认为该m/z离子在该类样品ROI内具有离子总强度统计意义的共有特征离子；如果在离子平均强度上有统计规律，则认为该m/z离子在该类样品ROI内具有离子平均强度统计意义的共有特征离子；如果在空间分布图上有统计规律，则认为该m/z离子在该类样品ROI内具有空间分布图统计意义的共有特征离子。统计规律的判断方法有很多：如若N个样品同一个特征离子的离子总强度的相对标准偏差(RSD)小，如果小于5％，则认为具有统计规律，具体的判断参数1％，5％或10％，可依据样品的特点及分析目的确定；再如：空间分布图的统计规律判断，可以通过分布图的相似性来判断，具体的判断产数95％，90％或80％，可依据样品的特点及分析目的确定。
对该类样品ROI内所有共有特征离子做总离子强度相对比例计算、平均离子强度相对比例计算，得到该类样品在ROI内特有物质信息，即感兴趣区域特有物质信息C。
依照此方法，对该类样品中，所有ROI内的特征物质分析检测，每个ROI不重叠，从而可获得该类样品中所有的特征物质信息。
图9是同类大量样品的特征离子建模及真伪判断方法流程图。如图所示，包括以下步骤：
步骤S901，对同类N个样品的ROI内特征物质信息：ROI内的特征离子种类、每种特征离子的总强度、离子的平均强度、空间分布图，以及各特征离子的总离子强度相对强度、平均强度相对强度作为模型的输入参数，建立模式识别的模型，如：距离测度分类模式识别模型、基于概率统计的贝叶斯分类模式识别模型、神经网络模型模型、决策树模型模型、粗糙集模型、聚类分析模型、模糊聚类、遗传算法聚类模型、蚁群算法聚类、粒子群算法聚类模型等，用来判别该类样品的真伪。
步骤S902，应用同样的光学成像条件和质谱成像条件分析某未知样品，提取ROI内的特有物质信息。
步骤S903，将步骤S902所获得的特有物质信息：ROI内的特征离子种类、每种特征离子的总强度、离子的平均强度、空间分布图，以及各特征离子总离子强度相对比例、平均强度相对比例，作为输入参数，应用步骤S901所建立的模型，判断该未知样品是否属于该类样品，并给出判真的统计概率。
图10是两类大量样品间的差异离子分析检测方法流程图。如图所示，包括以下步骤：
步骤S1001，应用同样光学成像条件和质谱成像分析条件分别对A类大量样品及B类大量样品进行分析，分别得出A类样品具有统计学意义的特征物质信息和B类样品具有统计学意义的特征物质信息：特征离子种类、每种特征离子的总强度、离子的平均强度、空间分布图，以及各特征离子总离子强度相对强度、平均强度相对强度。具有统计意义信息的获取方法参照步骤S802。
步骤S1002，对A类样品具有统计学意义的特征物质信息和B类样品具有统计学意义的特征物质信息，对特征离子种类、每种特征离子的总强度、离子的平均强度、空间分布图，以及各特征离子总离子强度相对强度、平均强度相对强度进行对比，找出在A类存在而在B类不存在的特征物质，或在A类不存在而在B类存在的特征物质或者找出在A、B两类样品中都存在的特征离子，但该离子在离子的总强度、离子的平均强度、空间分布图，以及各特征离子总离子强度相对强度、平均强度相对强度间的差异，差异显著，即A类与B类样品在某离子的总强度、平均强度、空间分布图上具有显著差异，或在特征离子总离子强度相对强度、平均强度相对强度具有显著差异。是否具有显著差异可以通过统计假设检验，如正态分布均值的检验等。
图11是两类大量样品间的差异离子建模及分类判断方法流程图。如图所示，包括以下步骤：
步骤S1101，依照图10所示方法，分别获取A类、B类样品具有统计学意义的特征物质，并参照步骤S901分别建立A类样品模式识别模型、B类样品模式识别模型。
步骤S1102，对于某未知样品，依照同样的光学成像条件和质谱成像分析条件，分析该样品中，ROI特征物质信息。
步骤S1103，对步骤S1102所获得特征物质信息：ROI内的特征离子种类、每种特征离子的总强度、离子的平均强度、空间分布图，以及各特征离子总离子强度相对比例、平均强度相对比例，作为输入参数，分别应用步骤S1101所建立的A类、B类模型，判断该未知样品是否属于A类或B类样品，并计算判真概率。
图12是多类大量样品的特征离子建库及未知样品鉴定检索方法流程图。如图所示，包括以下步骤：
步骤S1201，对多类大量样品进行特有物质信息分析检测，依照图9所示方法，分别建立每一类样品的模式识别模型；依照图8所示方法，提取每类样品的共有特征信息，存储到数据库中，同时将每一类样品的判别条件信息、样品光学图像信息都存入数据库。
步骤S1202，对于某未知样品，依照同样的光学成像条件和质谱成像分析条件，分析该样品中，ROI特征物质信息。
步骤S1203，对步骤S1202所获得特有物质信息，应用多种检索方法：特征离子检测、光学图像检索，特征离子在ROI内的总强度、离子的平均强度、空间分布图，以及各特征离子总离子强度相对强度、平均强度相对强度作为检索条件在数据库中检索目标信息，给出检索结果信息，给出该未知物所属种类在ROI内的特征离子种类、每种特征离子的总强度、离子的平均强度、空间分布图，以及各特征离子总离子强度相对强度、平均强度相对强度的匹配系数，可以用各参数的相似系数表示，用来表示相似的程度。
图13是应用图9所示方法对指纹真伪判断方法流程图。如图所示，包括以下步骤：
步骤S1301，对同一个人不同手指多个指纹样本的ROI特有物质信息：ROI内的特征离子种类、每种特征离子的总强度、离子的平均强度、空间分布图，以及各特征离子总离子强度相对比例、平均强度相对比例，作为模型的输入参数，进行系统建模，建立的模型可以是如下模式识别模型之一或综合运用：距离测度分类模式识别、基于概率统计的贝叶斯分类模式识别、神经网络模型、决策树模型、粗糙集、聚类分析、模糊聚类、遗传算法聚类模型、蚁群算法聚类、粒子群算法聚类模型。提取系统的特征。
步骤S1302，对于复杂的大量的未知指纹集合，可能有多个人的指纹、而且，指纹的形状也不规则，首先读样品进行光学成像，从高分辨光学图像上区分指纹集中有污染和没有污染的部分，选择质谱分析的区域，进行质谱扫描分析，分析后再光学成像获得图像A，选取ROI，通过图7所示方法获取该指纹ROI内的特有物质信息：ROI内的特征离子种类、每种特征离子的总强度、离子的平均强度、空间分布图，以及各特征离子总离子强度相对强度、平均强度相对强度。
步骤S1303，将步骤S1302所获得的该指纹ROI内的特有物质信息作为模型的参数输入到步骤S1301所建立的模式识别模型。判断该指纹是否属于此人的指纹。
步骤S1304，如果该指纹属于此人的指纹，则输出匹配信息及配备系数，准确到是基于特征离子种类意义匹配、或总离子强度、平均强度匹配，或空间分布图匹配，还是各特征离子的总离子强度相对比匹配、各特征离子的平均强度相对比匹配。如果不属于此人的指纹，则转入对下一指纹的判断真伪，直到所有的样品指纹都判完。
本领域的技术人员在不脱离权利要求书确定的本发明的精神和范围的条件下，还可以对以上内容进行各种各样的修改。因此本发明的范围并不仅限于以上的说明，而是由权利要求书的范围来确定的。
Claims (34)
1.特征物质的检测方法，其特征在于，包括：
步骤1，对被测样品进行质谱分析得到每个样品点的质谱数据，并确定被测样品的感兴趣区域；
步骤2，对于同一个m/z所表征的物质，分别计算感兴趣区域内和感兴趣区域外所有样品点的总离子强度、感兴趣区域内和感兴趣区域外所有样品点的平均强度和/或感兴趣区域内该m/z所表征的物质的空间聚集度，依据预置的规则判定该m/z所表征的物质是否为特征物质；
感兴趣区域内总离子强度为感兴趣区域内所有存在该m/z所表征的物质的样品点对应的质谱峰信号强度之和；
感兴趣区域外总离子强度为感兴趣区域外所有存在该m/z所表征的物质的样品点对应的质谱峰信号强度之和；
感兴趣区域内平均强度表示感兴趣区域内总离子强度除以感兴趣区域内所有存在该m/z所表征的物质的样品点的个数；
感兴趣区域外平均强度表示感兴趣区域外总离子强度除以感兴趣区域外所有存在该m/z所表征的物质的样品点的个数；
其中，该预置的规则为感兴趣区域内平均强度大于或等于感兴趣区域外的平均离子强度的2倍，并且该m/z所表征的物质在感兴趣区域内存在质谱峰的样品点数不少于该m/z所表征的物质感兴趣区域外存在质谱峰的样品点数，则该m/z所表征的物质为特征物质；该m/z所表征的物质在感兴趣区域内存在质谱峰的样品点的空间聚合度优于在感兴趣区域外存在质谱峰的样品点的空间聚合度，则该m/z所表征的物质为特征物质；或者感兴趣区域内平均强度大于或等于感兴趣区域外的平均离子强度的2倍，并且该m/z所表征的物质在感兴趣区域内存在质谱峰的样品点数不少于该m/z所表征的物质感兴趣区域外存在质谱峰的样品点数，同时该m/z所表征的物质在感兴趣区域内存在质谱峰的样品点的空间聚合度优于在感兴趣区域外存在质谱峰的样品点的空间聚合度，则该m/z所表征的物质为特征物质。
2.如权利要求1所述的特征物质的检测方法，其特征在于，步骤1中确定感兴趣区域具体包括：在质谱分析不破坏被测样品形貌的情况下，根据对质谱分析后的被测样品的光学成像确定感兴趣区域；或者在质谱分析破坏被测样品形貌的情况下，根据对质谱分析前的被测样品的光学成像确定感兴趣区域；或者在没有成像设备的情况下，按照预定的条件从质谱数据中确定感兴趣区域；
其中，在没有成像设备的情况下，按照预定的条件从质谱数据中确定感兴趣区域包括：
如果该被测样品上存在已知特征物质，则获取该特征物质的质谱成像图，在该质谱成像图上标记离子成像的区域，该区域即为感兴趣区域；或者
将每个特征物质成像图做灰度分析，计算出图的灰度面积值与空间聚集度值乘积，根据乘积结果从大到小依次排列各物质成像图，从乘积结果大的物质成像图中挑选出有特征的图，在图上标记物质成像的区域，该区域即为感兴趣区域；或者
对质谱数据做主成分分析获取得分矩阵和主成分，对得分矩阵组织质谱成像，获取每个主成分对于得分矩阵的质谱成像图，依主成分的次序查看质谱成像图，挑选出有特征的质谱成像图，在该质谱成像图上标记成像的区域，该区域即为感兴趣区域；或者
通过多元统计分析处理质谱数据，得出有特征的质谱成像图，挑选有特征的质谱成像图，在该质谱成像图上标记质谱成像的区域，该区域即为感兴趣区域。
3.如权利要求2所述的特征物质的检测方法，其特征在于，在质谱分析不破坏被测样品形貌的情况下，对被测样品进行质谱分析后进行光学成像，或者边进行质谱分析边进行光学成像；在边进行质谱分析边进行光学成像时，每次光学成像的条件保持一致。
4.如权利要求2或3所述的特征物质的检测方法，其特征在于，光学成像的分辨率不小于最小样品点的半径。
5.如权利要求3所述的特征物质的检测方法，其特征在于，在边进行质谱分析边进行光学成像时，利用每次光学成像得到的图像进行合成得到最终的图像，用来确定感兴趣区域。
6.如权利要求3所述的特征物质的检测方法，其特征在于，步骤2中，还计算质谱的噪声强度，将质谱峰信号强度不小于2倍于噪声强度的信号视为有意义的信号，并提取有意义信号的质谱峰信号强度。
7.如权利要求1所述的特征物质的检测方法，其特征在于，感兴趣区域的总面积不大于被测样品总面积的1/2，并且不小于4个样品点所在区域的面积。
8.如权利要求1所述的特征物质的检测方法，其特征在于，感兴趣区域内该m/z所表征的物质的空间聚集度用该m/z所表征的物质对应像素个数占感兴趣区域内总像素个数的百分比或该m/z所表征的物质对应像素点的聚焦度表示。
9.如权利要求1所述的特征物质的检测方法，其特征在于，步骤2中，还判断每种物质是否存在于感兴趣区域内，具体包括：
如果该物质在感兴趣区域内不仅存在有质谱峰的样品点而且满足预设数量的要求，该样品点在空间上相邻，则该物质存在于感兴趣区域内；否则物质不存在于感兴趣区域内。
10.如权利要求2所述的特征物质的检测方法，其特征在于，步骤2中还根据感兴趣区域内和感兴趣区域外所有样品点的总离子强度、感兴趣区域内和感兴趣区域外所有样品点的平均强度和/或感兴趣区域内该m/z所表征的物质的空间聚集度计算特征物质的特征系数。
11.如权利要求1所述的特征物质的检测方法，其特征在于，还包括步骤3：对于多个同类的被测样品，得到每个被测样品对应的特征物质后，对每个被测样品对应的特征物质有关的信息进行统计分析，得到具有统计学意义的特征物质。
12.如权利要求11所述的特征物质的检测方法，其特征在于，还包括：
步骤4，将与具有统计学意义的特征物质有关的信息作为输入参数，建立模式识别的模型；
步骤5，对未知的被测样品执行步骤1-步骤2，得到未知样品对应的特征物质，将与未知样品对应的特征物质有关的信息作为输入参数输入该模式识别的模型，判断该未知的被测样品的类型是否与所述多个同类的被测样品的类型相同；其中与未知样品的特征物质有关的信息的参数类型和与具有统计学意义的特征物质有关的信息的参数类型相同。
13.如权利要求12所述的特征物质的检测方法，其特征在于，与具有统计学意义的特征物质有关的信息包括感兴趣区域内特征物质种类、每种特征物质的总强度、每种特征物质的平均强度、每种特征物质的空间分布图，以及各特征物质的总强度相对强度和各特征物质的平均强度相对强度。
14.如权利要求13所述的特征物质的检测方法，其特征在于，模式识别的模型为距离测度分类模式识别、基于概率统计的贝叶斯分类模式识别、神经网络模型、决策树模型、粗糙集、聚类分析、模糊聚类、遗传算法聚类模型、蚁群算法聚类或粒子群算法聚类模型。
15.如权利要求13所述的特征物质的检测方法，其特征在于，对于两种不同类的被测样品，在得到该两种不同类的被测样品中包含的具有统计意义的特征物质后，将两种不同类的被测样品中具有统计意义的特征物质或者两种不同类的被测样品中与具有统计意义的特征物质有关的信息进行比较，以得到两种不同类的被测样品中具有统计意义的特征物质的相同之处和/或不同之处，或者两种不同类的被测样品中与具有统计意义的特征物质有关的信息的相同之处和/或不同之处。
16.如权利要求13所述的特征物质的检测方法，其特征在于，对于两种不同类的被测样品，在得到该两种不同类的被测样品中包含的具有统计意义的特征物质后，将与具有统计学意义的特征物质有关的信息作为输入参数，分别建立模式识别的模型；对两种不同类的被测样品之一同类的未知被测样品，执行步骤1-步骤2后得到被测样品中包含的具有统计意义的特征物质，将与具有统计学意义的特征物质有关的信息分别输入所建立的模型，判断该未知被测样品具体的类别。
17.如权利要求16所述的特征物质的检测方法，其特征在于，对多类不同的被测样品分别得到具有统计学意义的特征物质以及与具有统计学意义的特征物质有关的信息，并存储到数据库中；将未知的被测样品执行步骤1-步骤2后得到未知样品对应的特征物质以及与未知样品对应的特征物质有关的信息，将未知样品对应的特征物质以及与未知样品对应的特征物质有关的信息作为输入参数，根据预置的约束在数据库中搜索以得到该未知样品的类别。
18.特征物质的检测系统，包括自动样品台和质谱系统，自动样品台用于承载被测样品，质谱系统用于对被测样品进行质谱分析得到每个样品点的质谱数据，其特征在于，还包括：
感兴趣区域判定模块，用于确定被测样品的感兴趣区域；
特征物质判定模块，用于对同一个m/z所表征的物质，分别计算感兴趣区域内和感兴趣区域外所有样品点的总离子强度、感兴趣区域内和感兴趣区域外所有样品点的平均强度和/或感兴趣区域内该m/z所表征的物质的空间聚集度，依据预置的规则判定该m/z所表征的物质是否为特征物质；感兴趣区域内总离子强度为感兴趣区域内所有存在该m/z所表征的物质的样品点对应的质谱峰信号强度之和；感兴趣区域外总离子强度为感兴趣区域外所有存在该m/z所表征的物质的样品点对应的质谱峰信号强度之和；感兴趣区域内平均强度表示感兴趣区域内总离子强度除以感兴趣区域内所有存在该m/z所表征的物质的样品点的个数；感兴趣区域外平均强度表示感兴趣区域外总离子强度除以感兴趣区域外所有存在该m/z所表征的物质的样品点的个数；
其中，该预置的规则为感兴趣区域内平均强度大于或等于感兴趣区域外的平均离子强度的2倍，并且该m/z所表征的物质在感兴趣区域内存在质谱峰的样品点数不少于该m/z所表征的物质感兴趣区域外存在质谱峰的样品点数，则该m/z所表征的物质为特征物质；该m/z所表征的物质在感兴趣区域内存在质谱峰的样品点的空间聚合度优于在感兴趣区域外存在质谱峰的样品点的空间聚合度，则该m/z所表征的物质为特征物质；或者感兴趣区域内平均强度大于或等于感兴趣区域外的平均离子强度的2倍，并且该m/z所表征的物质在感兴趣区域内存在质谱峰的样品点数不少于该m/z所表征的物质感兴趣区域外存在质谱峰的样品点数，同时该m/z所表征的物质在感兴趣区域内存在质谱峰的样品点的空间聚合度优于在感兴趣区域外存在质谱峰的样品点的空间聚合度，则该m/z所表征的物质为特征物质。
19.如权利要求18所述的特征物质的检测系统，其特征在于，感兴趣区域判定模块，用于在质谱分析不破坏被测样品形貌的情况下，根据对质谱分析后的被测样品的光学成像确定感兴趣区域；或者在质谱分析破坏被测样品形貌的情况下，根据对质谱分析前的被测样品的光学成像确定感兴趣区域；或者在没有成像设备的情况下，按照预定的条件从质谱数据中确定感兴趣区域；
其中，在没有成像设备的情况下，按照预定的条件从质谱数据中确定感兴趣区域包括：
如果该被测样品上存在已知特征物质，则获取该特征物质的质谱成像图，在该质谱成像图上标记离子成像的区域，该区域即为感兴趣区域；或者
将每个特征物质成像图做灰度分析，计算出图的灰度面积值与空间聚集度值乘积，根据乘积结果从大到小依次排列各物质成像图，从乘积结果大的物质成像图中挑选出有特征的图，在图上标记物质成像的区域，该区域即为感兴趣区域；或者
对质谱数据做主成分分析获取得分矩阵和主成分，对得分矩阵组织质谱成像，获取每个主成分对于得分矩阵的质谱成像图，依主成分的次序查看质谱成像图，挑选出有特征的质谱成像图，在该质谱成像图上标记成像的区域，该区域即为感兴趣区域；或者
通过多元统计分析处理质谱数据，得出有特征的质谱成像图，挑选有特征的质谱成像图，在该质谱成像图上标记质谱成像的区域，该区域即为感兴趣区域。
20.如权利要求19所述的特征物质的检测系统，其特征在于，质谱系统和自动样品台，用于在质谱分析不破坏被测样品形貌的情况下，对被测样品进行质谱分析后进行光学成像，或者边进行质谱分析边进行光学成像；在边进行质谱分析边进行光学成像时，每次光学成像的条件保持一致。
21.如权利要求19或20所述的特征物质的检测系统，其特征在于，光学成像的分辨率不小于最小样品点的半径。
22.如权利要求20所述的特征物质的检测系统，其特征在于，在边进行质谱分析边进行光学成像时，利用每次光学成像得到的图像进行合成得到最终的图像，用来确定感兴趣区域。
23.如权利要求20所述的特征物质的检测系统，其特征在于，特征物质判定模块，还用于计算质谱的噪声强度，将质谱峰信号强度不小于2倍于噪声强度的信号视为有意义的信号，并提取有意义信号的质谱峰信号强度。
24.如权利要求18所述的特征物质的检测系统，其特征在于，感兴趣区域的总面积不大于被测样品总面积的1/2，并且不小于4个样品点所在区域的面积。
25.如权利要求18所述的特征物质的检测系统，其特征在于，感兴趣区域内该m/z所表征的物质的空间聚集度用该m/z所表征的物质对应像素个数占感兴趣区域内总像素个数的百分比或该m/z所表征的物质对应像素点的聚焦度表示。
26.如权利要求18所述的特征物质的检测系统，其特征在于，特征物质判定模块，还用于判断每种物质是否存在于感兴趣区域内，具体包括：如果该物质在感兴趣区域内不仅存在有质谱峰的样品点而且满足预设数量的要求，该样品点在空间上相邻，则该物质存在于感兴趣区域内；否则物质不存在于感兴趣区域内。
27.如权利要求19所述的特征物质的检测系统，其特征在于，特征物质判定模块，还根据感兴趣区域内和感兴趣区域外所有样品点的总离子强度、感兴趣区域内和感兴趣区域外所有样品点的平均强度和/或感兴趣区域内该m/z所表征的物质的空间聚集度计算特征物质的特征系数。
28.如权利要求18所述的特征物质的检测系统，其特征在于，对于多个同类的被测样品，特征物质判定模块还用于得到每个被测样品对应的特征物质后，对每个被测样品对应的特征物质有关的信息进行统计分析，得到具有统计学意义的特征物质。
29.如权利要求18所述的特征物质的检测系统，其特征在于，特征物质判定模块，还用于将与具有统计学意义的特征物质有关的信息作为输入参数，建立模式识别的模型；得到未知样品对应的特征物质，将与未知样品对应的特征物质有关的信息作为输入参数输入该模式识别的模型，判断该未知的被测样品的类型是否与所述多个同类的被测样品的类型相同；其中与未知样品的特征物质有关的信息的参数类型和与具有统计学意义的特征物质有关的信息的参数类型相同。
30.如权利要求29所述的特征物质的检测系统，其特征在于，与具有统计学意义的特征物质有关的信息包括感兴趣区域内特征物质种类、每种特征物质的总强度、每种特征物质的平均强度、每种特征物质的空间分布图，以及各特征物质的总强度相对强度和各特征物质的平均强度相对强度。
31.如权利要求29所述的特征物质的检测系统，其特征在于，模式识别的模型为距离测度分类模式识别、基于概率统计的贝叶斯分类模式识别、神经网络模型、决策树模型、粗糙集、聚类分析、模糊聚类、遗传算法聚类模型、蚁群算法聚类或粒子群算法聚类模型。
32.如权利要求29所述的特征物质的检测系统，其特征在于，对于两种不同类的被测样品，特征物质判定模块还在得到该两种不同类的被测样品中包含的具有统计意义的特征物质后，将两种不同类的被测样品中具有统计意义的特征物质或者两种不同类的被测样品中与具有统计意义的特征物质有关的信息进行比较，以得到两种不同类的被测样品中具有统计意义的特征物质的相同之处和/或不同之处，或者两种不同类的被测样品中与具有统计意义的特征物质有关的信息的相同之处和/或不同之处。
33.如权利要求29所述的特征物质的检测系统，其特征在于，对于两种不同类的被测样品，特征物质判定模块还在得到该两种不同类的被测样品中包含的具有统计意义的特征物质后，将与具有统计学意义的特征物质有关的信息作为输入参数，分别建立模式识别的模型；得到对两种不同类的被测样品之一同类的未知被测样品中包含的具有统计意义的特征物质，将与具有统计学意义的特征物质有关的信息分别输入所建立的模型，判断该未知被测样品具体的类别。
34.如权利要求29所述的特征物质的检测系统，其特征在于，对多类不同的被测样品，特征物质判定模块还用于分别得到该多类不同的被测样品具有统计学意义的特征物质以及与具有统计学意义的特征物质有关的信息，并存储到数据库中；得到未知样品对应的特征物质以及与未知样品对应的特征物质有关的信息，将未知样品对应的特征物质以及与未知样品对应的特征物质有关的信息作为输入参数，根据预置的约束在数据库中搜索以得到该未知样品的类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201010164194.0A CN101975818B (zh) | 2010-04-29 | 2010-04-29 | 特征物质的检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201010164194.0A CN101975818B (zh) | 2010-04-29 | 2010-04-29 | 特征物质的检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101975818A CN101975818A (zh) | 2011-02-16 |
| CN101975818B true CN101975818B (zh) | 2012-12-26 |
Family
ID=43575720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201010164194.0A Active CN101975818B (zh) | 2010-04-29 | 2010-04-29 | 特征物质的检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101975818B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105008908B (zh) * | 2013-02-22 | 2017-10-13 | 株式会社岛津制作所 | 数据处理装置以及数据处理方法 |
| CN103940898B (zh) * | 2014-05-09 | 2016-09-07 | 清华大学 | 一种显微质谱成像平台装置及其成像方法 |
| WO2016196179A1 (en) * | 2015-05-29 | 2016-12-08 | Waters Technologies Corporation | Essential nutrient ratio determination |
| US10204290B2 (en) * | 2016-10-14 | 2019-02-12 | Kla-Tencor Corporation | Defect review sampling and normalization based on defect and design attributes |
| CN107894357B (zh) * | 2017-11-08 | 2021-03-05 | 上海华力微电子有限公司 | 一种自动化的样本减薄方法 |
| CN110044997B (zh) * | 2018-01-15 | 2023-08-04 | 中国医学科学院药物研究所 | 一种体内药物的离子强度虚拟校正和定量质谱成像分析方法 |
| CN108663437B (zh) * | 2018-06-19 | 2020-11-27 | 苏州芷宁信息科技有限公司 | 一种快速筛查标的物的方法 |
| CN109407630B (zh) * | 2018-09-21 | 2020-08-21 | 深圳新视智科技术有限公司 | 参数计算的方法、装置、终端及可读存储介质 |
| CN112805559B (zh) * | 2018-11-20 | 2024-03-22 | 株式会社岛津制作所 | 成像数据解析装置 |
| CN111339799B (zh) * | 2018-12-18 | 2023-02-28 | 广州印芯半导体技术有限公司 | 指纹感测装置以及指纹感测方法 |
| CA3125695A1 (en) * | 2019-01-22 | 2020-07-30 | Imabiotech | Method for evaluating molecular changes related to a molecule effect in a biological sample |
| WO2020154853A1 (zh) * | 2019-01-28 | 2020-08-06 | 湖北润生食品科技有限公司 | 一种九蒸九晒过程中芝麻蒸晒程度的控制方法 |
| CN110095464B (zh) * | 2019-04-12 | 2022-01-28 | 武汉科技大学 | 一种复杂组成的烧结矿矿相精细化定量分析方法 |
| DE102019114829A1 (de) * | 2019-06-03 | 2020-12-03 | Bruker Daltonik Gmbh | Massenspektrometrische Bestimmung von Gewebezuständen |
| CN110609030B (zh) * | 2019-10-22 | 2022-02-25 | 上海海关动植物与食品检验检疫技术中心 | 一种基于检出概率模型的拉曼快检性能综合评价方法 |
| CN111678974B (zh) * | 2020-02-04 | 2023-08-15 | 公安部物证鉴定中心 | 一种朱墨时序鉴别或辅助鉴别的质谱成像分析方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1004878A1 (en) * | 1998-11-23 | 2000-05-31 | Aviv Amirav | Mass spectrometer method and apparatus for analyzing a sample in a solution |
| CN101627302A (zh) * | 2007-04-13 | 2010-01-13 | 株式会社堀场Stec | 气体分析器 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS61272650A (ja) * | 1985-05-29 | 1986-12-02 | Jeol Ltd | 質量分析装置における波形積算型定量測定法 |
| JP2000171442A (ja) * | 1998-12-02 | 2000-06-23 | Hitachi Ltd | 質量分析方法及び装置 |
| JP2009002719A (ja) * | 2007-06-20 | 2009-01-08 | Fujitsu Ltd | 二次イオン質量分析装置に於ける試料ステージの傾斜角度較正方法及び二次イオン質量分析方法 |
-
2010
- 2010-04-29 CN CN201010164194.0A patent/CN101975818B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1004878A1 (en) * | 1998-11-23 | 2000-05-31 | Aviv Amirav | Mass spectrometer method and apparatus for analyzing a sample in a solution |
| CN101627302A (zh) * | 2007-04-13 | 2010-01-13 | 株式会社堀场Stec | 气体分析器 |
Non-Patent Citations (5)
| Title |
|---|
| JP昭61-272650A 1986.12.02 |
| JP特开2000-171442A 2000.06.23 |
| JP特开2009-2719A 2009.01.08 |
| 黄泽建等.基于矩形离子阱的台式质谱仪的设计与性能.《现代科学仪器》.2008,50-53. * |
| 黄泽建等.气相色谱矩形离子阱质谱联用仪的设计与性能.《分析化学》.2008,第36卷(第3期),413-418. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101975818A (zh) | 2011-02-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101975818B (zh) | 特征物质的检测系统及方法 | |
| US11376441B2 (en) | Systems and methods for finding regions of in interest in hematoxylin and eosin (HandE) stained tissue images and quantifying intratumor cellular spatial heterogeneity in multiplexed/hyperplexed fluorescence tissue | |
| US20200302603A1 (en) | Method of computing tumor spatial and inter-marker heterogeneity | |
| US20210027462A1 (en) | Systems for cell shape estimation | |
| JP7197584B2 (ja) | デジタル病理学分析結果の格納および読み出し方法 | |
| US10181180B2 (en) | Method including generating and displaying a focus assist image indicating a degree of focus for a plurality of blocks obtained by dividing a frame of image signal | |
| CN110110743B (zh) | 一种七类质谱谱图自动识别系统与方法 | |
| CA2430532C (en) | Method for in-situ focus-fusion multi-layer spectral imaging and analysis of particulate samples | |
| US10685045B2 (en) | Systems and methods for cluster matching across samples and guided visualization of multidimensional cytometry data | |
| CN110088804A (zh) | 基于原色和免疫组织化学图像的计算机评分 | |
| CN112689757A (zh) | 使用crof和机器学习的基于图像测定的系统和方法 | |
| US11568657B2 (en) | Method of storing and retrieving digital pathology analysis results | |
| CN102194642A (zh) | 质谱仪 | |
| KR101634792B1 (ko) | 초분광 영상의 분광혼합분석에 의한 표적물질 탐지방법 | |
| US20220148176A1 (en) | Quantitation of Signal in Stain Agrregates | |
| CN109075013A (zh) | 数据导向的desi-ms成像 | |
| Chen et al. | Unsupervised imaging, registration and archiving of tissue microarrays. | |
| CN110751048A (zh) | 基于图像特征自动选择谱线的激光探针分类方法及装置 | |
| CN101865880B (zh) | 质谱成像数据的差异分析方法及系统 | |
| Codrea et al. | Robust peak detection and alignment of nanoLC-FT mass spectrometry data | |
| Ritchie et al. | Registering Particle Data Sets Using a Rotation and Translation Invariant Nearest-Neighbor Algorithm | |
| CN111412987A (zh) | 一种基于光谱特征的动态扫描检测装置及方法 | |
| Wang et al. | A TMA De-Arraying Method for High Throughput Biomarker Discovery in Tissue | |
| IL156325A (en) | Method for fusion-focus in multidimensional spectral imaging on site and examination of particle samples |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |