CN108780730A - 光谱分析 - Google Patents
光谱分析 Download PDFInfo
- Publication number
- CN108780730A CN108780730A CN201780016031.8A CN201780016031A CN108780730A CN 108780730 A CN108780730 A CN 108780730A CN 201780016031 A CN201780016031 A CN 201780016031A CN 108780730 A CN108780730 A CN 108780730A
- Authority
- CN
- China
- Prior art keywords
- sample
- spectras
- analysis
- spectrum
- classification
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J49/00—Particle spectrometers or separator tubes
- H01J49/0027—Methods for using particle spectrometers
- H01J49/0036—Step by step routines describing the handling of the data generated during a measurement
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J49/00—Particle spectrometers or separator tubes
- H01J49/02—Details
- H01J49/04—Arrangements for introducing or extracting samples to be analysed, e.g. vacuum locks; Arrangements for external adjustment of electron- or ion-optical components
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J49/00—Particle spectrometers or separator tubes
- H01J49/26—Mass spectrometers or separator tubes
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
一种光谱分析方法,该方法包括获得样品的一个或多个样品光谱。对所述一个或多个样品光谱进行预处理然后进行基于多变量和/或文库的分析,以对所述样品进行分类。该预处理包括对该样品光谱进行分离同位素。
Description
相关申请的交叉引用
本申请要求于2016年3月7日提交的英国专利申请号1603906.7、于2016年3月7日提交的英国专利申请号1603907.5的优先权和权益。这些申请的全部内容通过引用结合在此。
技术领域
本发明总体上涉及光谱测定法,具体涉及光谱分析,以分类样品。
背景技术
在已知的装置中,使靶物质获得的样品离子化以生成分析物离子。随后该分析物离子经受质量和/或离子迁移率分析以生成样品光谱。随后该样品光谱经受光谱分析以对该样品进行分类。例如,已知利用光谱数据的统计分析来帮助区分和鉴定不同的样品分类。
希望的是提供改进的光谱分析方法,以便对样品进行分类。例如,大体上希望的是提供产生更准确的分类和/或消耗更少的处理功率的光谱分析方法。
发明内容
根据一方面,提供了一种光谱分析方法,该方法包括:
获得样品的一个或多个样品光谱;
对一个或多个样品光谱进行预处理,其中对一个或多个样品光谱进行预处理包括分离同位素处理;和
分析一个或多个经预处理的样品光谱,以便对样品进行分类,其中分析一个或多个样品光谱包括基于多变量和/或文库的分析。
类似地,根据另一方面,提供了一种光谱分析系统,该系统包括:
控制电路,该控制电路被布置并适合于:
获得样品的一个或多个样品光谱;
对一个或多个样品光谱进行预处理,其中对一个或多个样品光谱进行预处理包括分离同位素处理;和
分析一个或多个经预处理的样品光谱,以便对样品进行分类,其中分析一个或多个样品光谱包括基于多变量和/或文库的分析。
已经确定分离同位素可以显著降低一个或多个样品光谱中的维度。当对样品光谱进行基于多变量和/或文库的分析以便对样品进行分类时,这是特别有用的,因为这可以进行更简单和/或更少的资源密集型分析。此外,已经确定分离同位素可以通过去除由同位素分布引起的共性来帮助区分光谱。再次,当对样品光谱进行基于多变量和/或文库的分析以便对样品进行分类时,这是特别有用的。具体地,例如由于多变量空间中的类别之间更大的分离和/或在基于文库的分析中的分类评分或概率之间的更大差异,可以提供更准确或更可信的分类。因此,实施例可以促进样品的分类。
分离同位素处理可以包括在一个或多个样品光谱中鉴定一个或多个另外的同位素峰,和/或从一个或多个样品光谱中减少一个或多个另外的同位素峰、或从一个或多个样品光谱中去除一个或多个另外的同位素峰。
分离同位素处理可以包括产生一个或多个样品光谱的分离同位素版本,在该分离同位素版本中减少或去除了一个或多个另外的同位素峰。
分离同位素处理可以包括同位素反卷积。
分离同位素处理可以包括迭代处理,该迭代处理任选地包括迭代正演模拟。
分离同位素处理可以包括概率处理,该概率处理可选地是贝叶斯推理处理。
分离同位素处理可以包括蒙特卡罗方法。
分离同位素处理可以包括以下中的一个或多个:嵌套取样;大量推论和最大熵。
分离同位素处理可以包括产生一组试验假设的单同位素样品光谱。
每个试验假设的单同位素样品光谱可以使用一类样品的概率密度函数(质量、强度、电荷状态、峰数中的一个或多个)产生。
分离同位素处理可以包括:在每个试验假设的单同位素样品光谱的情况下,导出一个或多个样品光谱的似然度。
分离同位素处理可以包括从一组试验假设的单同位素样品光谱产生具有同位素峰的一组建模样品光谱。
可以使用一类样品的已知平均同位素分布来产生每个建模样品光谱。
分离同位素处理可以包括通过将建模样品光谱与一个或多个样品光谱进行比较,在每个试验假设的单同位素样品光谱的情况下,得出一个或多个样品光谱的似然度。
分离同位素处理可以包括再生试验假设的单同位素样品光谱,该光谱给出最低似然度Ln,直到经再生的试验假设的单同位素样品光谱给出似然度Ln+1>Ln。
分离同位素处理可以包括;再生试验假设的单同位素样品光谱,直到试验假设的单同位素样品光谱达到或似乎达到最大似然度Lm为止,或者直到满足另一个终止标准为止。
分离同位素处理可以包括从试验假设的单同位素样品光谱产生代表性的一组一个或多个分离同位素的样品光谱。
分离同位素处理可以包括:将代表性的一组一个或多个分离同位素的样品光谱与组合的分离同位素样品光谱进行组合。该组合的分离同位素样品光谱可以是上述一个或多个样品光谱的分离同位素版本。
该组合的分离同位素样品光谱中的一个或多个峰可以对应于代表性的组的一个或多个分离同位素的样品光谱中的一个或多个峰,一个或多个分离同位素的样品光谱具有:在一个或多个分离同位素的样品光谱的代表组中存在至少一个阈值概率;小于一个或多个分离同位素样品光谱的代表组中的阈值质量不确定度;和/或小于一个或多个分离同位素样品光谱的代表组中的阈值强度不确定度。
组合可以包括在代表性的一组样品光谱中鉴定峰簇。
组合的分离同位素样品光谱中的一个或多个峰可以各自包括:在一个或多个分离同位素的样品光谱的代表组上鉴定的峰簇的求和、平均、分位数或其他统计特性。
该平均可以是在一个或多个分离同位素样品光谱的代表组上鉴定的峰簇中的峰的平均值或中位值平均值。
分离同位素处理可以包括以下中的一个或多个:最小二乘法处理、非负最小二乘法处理;和傅立叶变换处理。
分离同位素处理可以包括;针对理论质量和/或同位素和/或电荷分布,对一个或多个样品光谱进行反卷积。
该理论质量和/或同位素和/或电荷分布可以从一个或多个样品类别的已知的和/或典型的和/或平均的性质来导出。
该理论质量和/或同位素和/或电荷分布可以从光谱仪(例如用于获得一个或多个样品光谱)的已知的和/或典型的和/或平均的性质导出。
理论分布可以在一个或多个样品类别的每一类内变化。例如,光谱峰宽度可随质荷比而变化,和/或同位素分布可随分子质量而变化。
可以使用一个或多个概率密度函数来对理论质量和/或同位素和/或电荷分布进行建模。
获得一个或多个样品光谱可以包括使用取样装置来获得样品。
该取样装置可以包括或形成离子源的一部分。
该取样装置可以包括一个或多个选自下组的离子源,该组由以下各项组成:(i)电喷雾电离(Electrospray Ionisation(“ESI”))离子源;(ii)大气压光致电离(AtmosphericPressure Photo Ionisation(“APPI”))离子源;(iii)大气压化学电离(AtmosphericPressure Chemical Ionisation(“APCI”))离子源;(iv)基质辅助激光解吸电离(MatrixAssisted Laser Desorption Ionisation(“MALDI”))离子源;(v)激光解吸电离(LaserDesorption Ionisation(“MALDI”))离子源;(vi)大气压电离(Atmospheric PressureIonisation(“API”))离子源;(vii)硅表面上解吸电离(Desorption Ionisation onSilicon(“DIOS”))离子源;(viii)电子碰撞(Electron Impact(“EI”))离子源;(ix)化学电离(Chemical Ionisation(“CI”))离子源;(x)场电离(Field Ionisation(“FI”))离子源;(xi)场解吸(Field Desorption(“FD”))离子源;(xii)电感耦合等离子体(InductivelyCoupled Plasma(“ICP”))离子源;(xiii)快原子轰击(Fast Atom Bombardment(“FAB”))离子源;(xiv)液态二次离子质谱(Liquid Secondary Ion Mass Spectrometry(“LSIMS”))离子源;(xv)解吸电喷雾电离(Desorption Electrospray Ionisation(“DESI”))离子源;(xvi)镍-63(Nickel-63)放射性离子源;(xvii)大气压基质辅助激光解吸电离(Atmospheric Pressure Matrix Assisted Laser Desorption Ionisation)离子源;(xviii)热喷雾(Thermospray)离子源;(xix)大气采样辉光放电电离(AtmosphericSampling Glow Discharge Ionisation(“ASGDI”))离子源;(xx)辉光放电(GlowDischarge(“GD”)device);(xxi)撞击器(Impactor)离子源;(xxii)实时直接分析(DirectAnalysis in Real Time(“DART”)离子源);(xxiii)激光喷雾电离(LasersprayIonisation(“LSI”)离子源);(xxiv)声波喷雾电离(Sonicspray Ionisation(“SSI”)离子源);(xxv)基质辅助入口电离(Matrix Assisted Inlet Ionisation(“MAII”)离子源);(xxvi)溶剂辅助入口电离(Solvent Assisted Inlet Ionisation(“SAII”)离子源);(xxvii)解吸电喷雾电离(Desorption Electrospray Ionisation(“DESI”))离子源;(xxviii)激光烧蚀电喷雾电离(Laser Ablation Electrospray Ionisation(“LAESI”))离子源;和(xxix)表面辅助激光解吸电离(Surface Assisted Laser DesorptionIonisation(“SALDI”))离子源。
样品可以包括气溶胶、烟雾或蒸汽样品。
获得一个或多个样品光谱可以包括使用取样装置来产生气溶胶、烟雾或蒸气样品。
该取样装置可以包括或形成敞开式电离或敞开式离子源的一部分。
该取样装置可以包括一个或多个选自下组的离子源,该组由以下各项组成:(i)快速蒸发电离质谱(rapid evaporative ionisation mass spectrometry(“REIMS”))离子源;(ii)解吸电喷雾电离(desorption electrospray ionisation(“DESI”))离子源;(iii)激光解吸电离(laser desorption ionisation(“LDI”))离子源;(iv)热解吸(thermaldesorption)离子源;(v)激光二极管热解吸(laser diode thermal desorption(“LDTD”))离子源;(vi)解吸电流聚焦(desorption electro-flow focusing(“DEFFI”))离子源;(vii)介质阻挡放电(dielectric barrier discharge(“DBD”))等离子体离子源;(viii)大气固体分析探针(Atmospheric Solids Analysis Probe(“ASAP”))离子源;(ix)超声波辅助喷雾电离(ultrasonic assisted spray ionisation)离子源;(x)简易敞开式声波喷雾电离(easy ambient sonic-spray ionisation(“EASI”))离子源;(xi)解吸大气压光致电离(desorption atmospheric pressure photoionisation(“DAPPI”))离子源;(xii)纸喷雾(paperspray(“PS”))离子源;(xiii)射流解吸电离(jet desorption ionisation(“JeDI”))离子源;(xiv)触摸喷雾(touch spray(“TS”))离子源;(xv)纳米DESI离子源;(xvi)激光消融电喷雾(laser ablation electrospray(“LAESI”))离子源;(xvii)实时直接分析(direct analysis in real time(“DART”))离子源;(xviii)探针电喷雾电离(probe electrospray ionisation(“PESI”))离子源;(xix)固体探针辅助电喷雾电离(solid-probe assisted electrospray ionisation(“SPA-ESI”))离子源;(xx)超声吸引刀装置(cavitron ultrasonic surgical aspirator(“CUSA”)device);(xxi)聚焦或未聚焦的超声波消融装置;(xxii)微波共振装置(microwave resonance device);和(xxiii)脉冲等离子体RF解剖装置(pulsed plasma RF dissection device)。
该取样装置可以包括定点照护(“POC”)诊断装置或手术装置或形成定点照护(“POC”)诊断装置或手术装置的一部分。
该取样装置可以包括电外科装置、透热装置、超声波装置、混合超声波电外科装置、手术喷水装置、混合电外科装置、氩等离子体凝固装置、混合氩等离子体凝固装置和喷水装置和/或激光装置。在此使用的术语“水”包括溶液,例如盐水溶液。
该取样装置可以包括快速蒸发电离质谱(“REIMS”)装置或形成快速蒸发电离质谱(“REIMS”)装置的一部分。
产生气溶胶、烟雾或蒸汽样品可包括使靶与一个或多个电极接触。
一个或多个电极可以包括以下或形成以下的一部分:(i)单极装置,其中该单极装置任选地进一步包括一个或多个单独返回电极;(ii)双极装置,其中该双极装置任选地进一步包括一个或多个单独返回电极;或(iii)多相RF装置,其中该RF装置任选地进一步包括一个或多个单独返回电极。该双极取样装置可以提供特别有用的样品光谱,来用于分类气溶胶、烟雾或蒸汽样品。
产生气溶胶、烟雾或蒸汽样品可以包括向一个或多个电极施加AC或RF电压,以便产生气溶胶、烟雾或蒸汽样品。
将AC或RF电压施加到一个或多个电极可以包括将一个或多个AC或RF电压的脉冲施加到一个或多个电极。
将AC或RF电压施加到一个或多个电极可能导致热量散发到靶中。
产生气溶胶、烟雾或蒸气样品可包括用激光照射靶。
产生气溶胶、烟雾或蒸汽样品可包括通过焦耳加热或透热法直接蒸发靶材料或从靶汽化靶材料。
产生气溶胶、烟雾或蒸汽样品可以包括将超声能量引导到靶中。
气雾剂、烟雾或蒸汽样品可以包括不带电荷的水性液滴,这些不带电荷的水性液滴任选地包括细胞材料。
至少50%、55%、60%、65%、70%、75%、80%、85%、90%或95%的形成气溶胶、烟雾或蒸气样品的所产生的质量或物质可以处于液滴形式。
气溶胶、烟雾或蒸汽样品的索特平均直径(“SMD”,d32)可以在选自下组的范围内,该组由以下各项组成:(i)≤或≥5μm;(ii)5-10μm;(iii)10-15μm;(iv)15-20μm;(v)20-25μm;和(vi)≤或≥25μm。
气溶胶、烟雾或蒸汽样品可以以雷诺数(Re)穿过流动区域,该雷诺数在选自下组的范围内,该组由以下各项组成:(i)≤或≥2000;(ii)2000-2500;(iii)2500-3000;(iv)3000-3500;(v)3500-4000;和(vi)≤或≥4000。
基本上,在产生气溶胶、烟雾或蒸汽样品的时刻,该气溶胶、烟雾或蒸汽样品可以包括具有韦伯数(We)的液滴,该韦伯数在选自下组的范围内,该组由以下各项组成:(i)≤或≥50;(ii)50-100;(iii)100-150;(iv)150-200;(v)200-250;(vi)250-300;(vii)300-350;(viii)350-400;(ix)400-450;(x)450-500;(i)500-550;(xii)550-600;(xiii)600-650;(xiv)650-700;(xv)700-750;(xvi)750-800;(xvii)800-850;(xviii)850-900;(xix)900-950;(xx)950-1000;以及(xxi)≤或≥1000。
基本上,在产生气溶胶、烟雾或蒸汽样品的时刻,该气溶胶、烟雾或蒸汽样品可以包括具有斯托克斯数(Sk)的液滴,该斯托克斯数在选自下组的范围内,该组由以下各项组成:(i)1-5;(ii)5-10;(iii)10-15;(iv)15-20;(v)20-25;(vi)25-30;(vii)30-35;(viii)35-40;(ix)40-45;(x)45-50;(xi)≤或≥50。
基本上,在产生气溶胶、烟雾或蒸汽样品的时刻,该气溶胶、烟雾或蒸汽样品可以包括具有平均轴向速度的液滴,该平均轴向速度在选自下组的范围内,该组由以下各项组成:(i)≤或≥20m/s;(ii)20-30m/s;(iii)30-40m/s;(iv)40-50m/s;(v)50-60m/s;(vi)60-70m/s;(vii)70-80m/s;(viii)80-90m/s;(ix)90-100m/s;(x)100-110m/s;(xi)110-120m/s;(xii)120-130米/秒;(xiii)130-140m/s;(xiv)140-150m/s;和(xv)≤或≥150m/s。
样品可以包括大块固体、液体或气体样品。
样品可以从靶中获得。
样品可以从靶的一个或多个区域获得。
靶可以包括靶材料。
靶可以包括天然和/或未修饰的靶材料。
天然和/或未修饰的靶材料不会通过添加基质和/或试剂而被修饰。
样品可以从靶中获得,不需要事先准备该靶。
靶可以包括非天然和/或修饰的靶材料。
非天然和/或修饰的靶材料可以通过添加基质和/或试剂而被修饰。
样品可以在事先准备该靶之后从靶中获得。
靶可以来自或形成人类或非人类动物受试者(例如,患者)的一部分。
靶可以包括有机物质、生物组织、生物物质、细菌菌落或真菌菌落。
生物组织可以包括人类组织或非人类动物组织。
生物组织可以包括体内生物组织。
生物组织可以包括离体生物组织。
生物组织可以包括体外生物组织。
生物组织可以包括以下中的一个或多个:(i)肾上腺组织、阑尾组织、膀胱组织、骨、肠组织、脑组织、乳腺组织、支气管、冠状组织、耳组织、食管组织、眼组织、胆囊组织、生殖器组织、心脏组织、下丘脑组织、肾组织、大肠组织、肠组织、喉组织、肝组织、肺组织、淋巴结、口腔组织、鼻组织、胰腺组织、甲状旁腺组织、垂体腺组织、前列腺组织、直肠组织、唾液腺组织、骨骼肌组织、皮肤组织、小肠组织、脊髓、脾组织、胃组织、胸腺组织、气管组织、甲状腺组织、输尿管组织、尿道组织、软组织和结缔组织、腹膜组织、血管组织和/或脂肪组织;(ii)I级、II级、III级或IV级癌组织;(iii)转移性癌组织;(iv)混合级癌组织;(v)亚级癌组织;(vi)健康或正常组织;和/或(vii)癌组织或异常组织。
靶可以包括无机物质和/或非生物物质。
获得一个或多个样品光谱可以包括在几秒钟的时间段内获得样品,该时间段在选自下组的范围内,该组由以下各项组成:(i)≤或≥0.1;(ii)0.1-0.2;(iii)0.2-0.5;(iv)0.5-1.0;(v)1.0-2.0;(vi)2.0-5.0;(vii)5.0-10.0;和(viii)≤或≥10.0。更长的时间可以增加信噪比并改进离子统计,而较短的时间段可以加速光谱分析处理。在一些实施例中,可以在更长的时间段内获得一个或多个参考和/或已知的样品,以改进信噪比。在一些实施例中,可以在更短的时间内获得一个或多个未知的样品,以加快分类处理。
一个或多个样品光谱可以包括一个或多个样品质量和/或质荷比和/或离子迁移率(漂移时间)光谱。可以使用不同的离子迁移漂移气体来获得多个样品离子迁移谱,或者可以将掺杂剂添加到漂移气体中以引起例如一个或多个种类的漂移时间的变化。然后可以组合多个样品光谱。组合多个样品光谱可以包括多个光谱或其部分(比如一个或多个所选择的峰)的级联(concatenation)、(例如加权)求和、平均、分位数或其他统计特性。
获得一个或多个样品光谱可以包括从样品产生多个分析物离子。
获得一个或多个样品光谱可以包括电离至少一些的样品,以便产生多个分析物离子。
获得一个或多个样品光谱可以包括在产生气溶胶、烟雾或蒸气样品时产生多个分析物离子。
获得一个或多个样品光谱可以包括将至少一些的样品引导到质谱仪和/或离子迁移谱仪的真空室中。
获得一个或多个样品光谱可以包括在质谱仪和/或离子迁移谱仪的真空室内电离至少一些样品,以便产生多个分析物离子。
获得一个或多个样品光谱可以包括使样品撞击位于质谱仪和/或离子迁移谱仪的真空室内的碰撞表面,以产生多个分析物离子。
获得一个或多个样品光谱可以包括使用敞开式电离产生多个分析物离子。
获得一个或多个样品光谱可以包括以阳离子模式和/或阴离子模式产生多个分析物离子。质谱仪和/或离子迁移谱仪可以仅以阴离子模式获得数据、仅以阳离子模式获得数据、或者以阳离子模式和阴离子模式两者获得数据。阳离子模式光谱数据可以与阴离子模式光谱数据组合。组合光谱数据可以包括多个光谱或其部分(比如一个或多个所选择的峰)的级联、(例如加权)求和、平均、分位数或其他统计特性。阴离子模式可以提供特别有用的样品光谱,用于对一些样品(例如来自靶(包括脂质)的样品)进行分类。
获得一个或多个样品光谱可以包括分析多个分析物离子的质量、质荷比和/或离子迁移率。
考虑了各种实施例,其中分析物离子经受:(i)通过质量分析仪如四极质量分析仪或飞行时间质谱仪进行的质量分析;(ii)离子迁移率分析(IMS)和/或微分离子迁移谱(DMA)和/或场非对称离子迁移谱(FAIMS)分析;和/或(iii)首先进行离子迁移率分析(IMS)和/或差示离子迁移率分析(DMA)和/或场非对称离子迁移谱(FAIMS)分析的组合,随后其次是质量分析仪(比如四极质谱仪或飞行时间质量分析仪)的质量分析(反之亦然)。各种实施例还涉及离子迁移谱仪和/或质量分析仪以及离子迁移谱方法和/或质量分析方法。
获得一个或多个样品光谱可以包括分析样品或多个来自样品的分析物离子的质量、质荷比和/或离子迁移率。
获得一个或多个样品光谱可以包括产生多个前体离子。
获得一个或多个样品光谱可以包括从前体离子产生多个碎片离子和/或反应离子。
获得一个或多个样品光谱可以包括扫描、分离和/或过滤多个分析物离子。
可以根据以下中的一个或多个来扫描、分离和/或过滤多个分析物离子:质量;质荷比;离子迁移率;和电荷状态。
扫描、分离和/或过滤多个分析物离子可以包括向前传输多个具有质量或质荷比(以Da或Th(Da/e)为单位)的离子,该质量或质荷比在一个或多个选自下组的范围内,该组由以下各项组成:(i)≤或≥200;(ii)200-400;(iii)400-600;(iv)600-800;(v)800-1000;(vi)1000-1200;(vii)1200-1400;(viii)1400-1600;(ix)1600-1800;(x)1800-2000;和(xi)≤或≥2000。
扫描、分离和/或过滤多个分析物离子可以包括至少部分地衰减或完全地衰减多个具有质量或质荷比(以Da或Th(Da/e)为单位)的离子,该质量或质荷比在一个或多个选自下组的范围内,该组由以下各项组成:(i)≤或≥200;(ii)200-400;(iii)400-600;(iv)600-800;(v)800-1000;(vi)1000-1200;(vii)1200-1400;(viii)1400-1600;(ix)1600-1800;(x)1800-2000;和(xi)≤或≥2000。
具有在600-2000Da或Th(Da/e)的范围内的质量或质荷比的离子可以提供特别有用的样品光谱,以用于分类一些样品,例如从细菌中获得的样品。具有在600-900Da或Th(Da/e)的范围内的质量或质荷比的离子可以提供特别有用的样品光谱,以用于分类一些样品,例如从组织中获得的样品。
获得一个或多个样品光谱可以包括部分地衰减多个分析物离子。
可以应用部分衰减,以避免离子检测器饱和。
在检测到离子检测器饱和已经发生或预测将发生离子检测器饱和时,可以自动施用部分衰减。
可以切换部分衰减(例如,打开或关闭,更高或更低等),以提供具有不同衰减程度的样品光谱。
部分衰减可以周期性地切换。
获得一个或多个样品光谱可以包括使用离子检测器装置来检测多个分析物离子。
离子检测器装置可以包括质谱仪和/或离子迁移谱仪或形成质谱仪和/或离子迁移谱仪的一部分。质谱仪和/或离子迁移谱仪可以包括一个或多个:离子阱;离子迁移率分离(IMS)装置(例如漂移管和/或IMS行波装置等);和/或质量分析仪或过滤器。一个或多个质量分析仪或过滤器可以包括四极质量分析仪或过滤器和/或飞行时间(TOF)质量分析仪。
获得一个或多个样品光谱可以包括产生一个或多个样品光谱的一组分析值-强度分组或“元组(tuplet)”(例如,时间-强度对、时间漂移时间-强度元组),其中每个分组包括:(i)一个或多个分析值,例如时间、基于时间的值或操作参数;和(ii)一个或多个相应的强度。以下更详细地讨论了用于各种操作模式的操作参数。例如,操作参数可以包括以下中的一个或多个:碰撞能量;解析度;镜头设置;离子迁移率参数(例如气体压力、掺杂剂状态、气体类型等)。
可以为一个或多个操作模式中的每一种获得一组分析值-强度分组。
一个或多个操作模式可以包括基本上相同或重复的操作模式。一个或多个操作模式可以包括不同的操作模式。下面更详细地讨论操作模式之间的可能的差异。
一个或多个操作模式可以包括基本相同或重复的操作模式,这些操作模式使用基本上相同的操作参数。一个或多个操作模式可以包括使用不同操作参数的不同操作模式。以下将更详细地讨论可能变化的操作参数
分析值-强度分组的组可以是或可以用于导出一个或多个样品光谱的一组样品强度值。
获得一个或多个样品光谱可以包括面元化处理(binning process),该面元化处理导出一个或多个样品光谱的一组分析值-强度分组和/或一组样品强度值。该组时间强度分组可以包括强度向量,其中一个或多个分析维度(例如,质荷比、离子迁移率、操作参数等)中的每个点由向量元素表示。
面元化处理可以包括在一组多个面元中累积或直方图化离子检测和/或强度值。
面元化处理中的每个面元(bin)可以对应于一个或多个特定的时间或基于时间的值(例如质量、质荷比和/或离子迁移率)的范围。当使用多个分析维度(例如,质荷比、离子迁移率、操作参数等)时,这些面元可以是分析空间中的区域。该区域的形状可以是规则的或不规则的。
面元化处理中的面元各自可能具有的宽度相当于:
以Da或Th(Da/e)为单位的宽度,该宽度在选自下组的范围内,该组选自以下各项:(i)≤或≥0.01;(ii)0.01-0.05;(iii)0.05-0.25;(iv)0.25-0.5;(v)0.5-1.0;(vi)1.0-2.5;(vii)2.5-5.0;和(viii)≤或≥5.0;和/或
以毫秒为单位的宽度,该宽度在选自下组的范围内,该组选自以下各项:(i)≤或≥0.01;(ii)0.01-0.05;(iii)0.05-0.25;(iv)0.25-0.5;(v)0.5-1.0;(vi)1.0-2.5;(vii)2.5-5.0;(viii)5.0-10;(ix)10-25;(x)25-50;(xi)50-100;(xii)100-250;(xiii)250-500;(xiv)500-1000;和(xv)≤或≥1000。
已经确定,具有相当于0.01-1Da或Th(Da/e)范围宽度的面元可以提供特别有用的样品光谱,用于分类一些样品(例如从组织获得的样品)。
这些面元可以具有或不具有相同的宽度。
面元化处理中面元的宽度可能会根据面元宽度函数而变化。
面元宽度函数可以随着时间或基于时间的值(例如质量、质荷比和/或离子迁移率)而变化。
面元宽度函数可以是非线性的(例如,基于对数或基于幂的,例如基于平方或平方根的)。面元宽度函数可以考虑这一事实:离子的飞行时间可能不与其质量、质荷比和/或离子迁移率成正比。例如,离子的飞行时间可以与其质荷比的平方根成正比。
面元宽度函数可以从仪器峰宽度随着时间或基于时间的值(例如质量、质荷比和/或离子迁移率)的已知变化来导出。
面元宽度函数可能与已知的或预期的光谱复杂度或峰密度的变化有关。例如,可以在一个或多个光谱的区域(预期含有较高的峰密度)中选择较小面元宽度。
获得一个或多个样品光谱可以包括在第二位置处接收来自第一位置的一个或多个样品光谱。
该方法可以包括将一个或多个样品光谱从第一位置传输到第二位置。
第一位置可以是远程或远端取样位置,和/或第二位置可以是本地或近端分析位置。例如,这可以允许在灾害位置(例如,地震区域、战区等)获得一个或多个样品光谱,但在相对更安全或更方便的位置对一个或多个样品光谱进行分析。
一个或多个样品光谱或其部分可以以Hz为单位的频率周期性地传输和/或接收,该频率的范围选自下组,该组由以下各项组成:(i)≤或≥0.1;(ii)0.1-0.2;(iii)0.2-0.5;(iv)0.5-1.0;(v)1.0-2.0;(vi)2.0-5.0;(vii)5.0-10.0;和(viii)≤或≥10.0。
当样品光谱或其部分高于强度阈值时,可以传输和/或接收一个或多个样品光谱或其部分。
强度阈值可以基于一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的统计特性。
统计特性可以基于一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的总离子流(TIC)、基峰强度、平均或分位数强度值或、或一些强度函数的平均值或分位数。
平均强度可以是一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的平均值或中位值平均值。
可以使用(例如光谱质量的)其他测量(例如信噪比、存在或不存在一个或多个光谱峰(例如污染物)、存在表示数据质量的潜在问题的数据标志等)来选择一个或多个光谱或其部分(用于传输)。
获得样品的一个或多个样品光谱可以包括从光谱分析系统的电子存储器中检索一个或多个样品光谱。
该方法可以包括将一个或多个样品光谱存储在光谱分析系统的电子存储器中。
该电子存储器可以形成光谱分析系统的光谱仪(例如质谱仪和/或离子迁移谱仪)的一部分或可以结合到光谱分析系统的光谱仪(例如质谱仪和/或离子迁移谱仪)。
获得一个或多个样品光谱可以包括解压缩一个或多个样品光谱的压缩版本,例如在接收或检索一个或多个样品光谱的压缩版本之后。
例如,该方法可以包括在传输或存储一个或多个样品光谱的压缩版本之前压缩一个或多个样品光谱。
获得一个或多个样品光谱可以包括从一个或多个未知样品获得一个或多个样品光谱。
获得一个或多个样品光谱可以包括获得使用一个或多个分类模型和/或文库来鉴定的一个或多个样品光谱。
获得一个或多个样品光谱可以包括从一个或多个已知样品获得一个或多个样品光谱。
获得一个或多个样品光谱可以包括获得一个或多个参考样品光谱,该参考样品光谱用于开发和/或修饰一个或多个分类模型和/或文库。
可以通过光谱分析系统的预处理电路来进行一个或多个样品光谱的预处理。
该预处理电路可以形成光谱分析系统的光谱仪(例如质谱仪和/或离子迁移谱仪)的一部分或可以结合到光谱分析系统的光谱仪(例如质谱仪和/或离子迁移谱仪)形成光谱分析系统的光谱仪(例如质谱仪和/或离子迁移谱仪)的一部分或可以结合到光谱分析系统的光谱仪(例如质谱仪和/或离子迁移谱仪)。
以下任何一个或多个预处理步骤可以以任何希望的和合适的顺序进行。
预处理一个或多个样品光谱可以包括组合多个获得的样品光谱或其部分(例如一个或多个所选择的峰)。
组合多个获得的样品光谱可以包括多个光谱或其部分(比如一个或多个所选择的峰)的级联、(例如加权)求和、平均、分位数或其他统计特性。
该平均可以是多个光谱或其部分(例如一个或多个所选择的峰)的平均值或中位值平均值。
预处理一个或多个样品光谱可以包括背景减除处理。
背景减除处理可以包括获得一个或多个背景噪音分布图,并从一个或多个样品光谱中减除一个或多个背景噪音分布图,以产生一个或多个背景减除的样品光谱。
可以从一个或多个样品光谱本身导出一个或多个背景噪音分布图。然而,样品光谱的适当的背景噪音分布图常常难以从样品光谱本身导出,特别是在使用相对较少的样品或质量差的样品的情况下,这样使得样品光谱包括相对较弱的峰和/或包括不良限定的噪音。
因此,在一些实施例中,一个或多个背景噪音分布图可以从除了样品光谱本身之外的一个或多个背景参考样品光谱导出。
一个或多个背景噪音分布图可以包括一个或多个样品类别的每一类的一个或多个背景噪音分布图。
一个或多个背景噪音分布图可以存储在光谱分析系统的电子存储器中。
该电子存储器可以形成光谱分析系统的光谱仪(例如质谱仪和/或离子迁移谱仪)的一部分或可以结合到光谱分析系统的光谱仪(例如质谱仪和/或离子迁移谱仪)。
因此,实施例可以包括:
获得一个或多个样品的一个或多个背景参考样品光谱;
导出一个或多个背景参考样品光谱的一个或多个背景噪音分布图,其中一个或多个背景噪音分布图包括:一个或多个样品类别的每一类的一个或多个背景噪音分布图;和
将一个或多个背景噪音分布图存储在电子存储器中以供在预处理和分析从与一个或多个样品不同的样品中获得的一个或多个样品光谱时使用。
该方法可以包括使用一个或多个背景噪音分布图来对一个或多个背景参考光谱进行背景减除处理,以便提供一个或多个背景减除的参考光谱。
该方法可以包括使用一个或多个背景减除的参考光谱开发分类模型和/或文库。
实施例可以包括:
获得样品的一个或多个样品光谱;
预处理一个或多个样品光谱,其中预处理一个或多个样品光谱包括:背景减除处理,其中该背景减除处理包括从电子存储器中检索一个或多个背景噪音分布图和从一个或多个样品光谱中减除一个或多个背景噪音分布图,以产生一个或多个背景减除的样品光谱,其中一个或多个背景噪音分布图从针对与该样品不同的一个或多个样品获得的一个或多个背景参考样品光谱导出,并且其中一个或多个背景噪音分布图包括:一个或多个样品类别的每一类的一个或多个背景噪音分布图;和
分析一个或多个背景减除的样品光谱,以便对样品进行分类。
样品类别的参考样品光谱通常具有特征(例如,周期性)背景噪音分布图,这是由于当电离该类样品时倾向于产生特定离子。因此,可以预先为特定类别的样品导出明确限定的背景噪音分布图(使用针对该类别的样品获得的一个或多个背景参考样品光谱)。例如,一个或多个背景参考样品光谱可以从相对较高质量或更大量的样品获得。因此,这些实施例可以允许在针对一个或多个不同样品光谱的背景减除处理期间,特别是在那些不同的样品光谱包括弱峰和/或不良限定的噪音的情况下,使用明确限定的背景噪音分布图。
该样品和一个或多个不同的样品可能来自或可能不是来自相同的靶和/或受试者。
一个或多个背景噪音分布图可以包括一个或多个归一化(例如,比例化(scale)和/或偏移)背景噪音分布图。
可以基于一个或多个背景参考样品光谱或其部分(例如一个或多个所选择的峰)的统计特性来归一化一个或多个背景噪音分布图。
统计特性可以基于一个或多个背景参考样品光谱或其部分(例如一个或多个所选择的峰)的总离子流(TIC)、基峰强度、平均或分位数强度值、或一些强度函数的平均值或分位数。
该平均强度可以是一个或多个背景参考样品光谱或其部分(例如一个或多个所选择的峰)的平均值或中位值平均值(median average)。
一个或多个背景噪音分布图可以被归一化和/或偏移,使得它们具有所选择的组合强度,例如具有所选择的相加强度或所选择的平均强度(例如,0或1)。
一个或多个归一化的背景噪音分布图可以在对一个或多个样品光谱进行背景减除处理之前被适当地比例化和/或偏移,以对应于一个或多个样品光谱。
可以基于一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的统计特性来比例化和/或偏移一个或多个归一化的背景噪音分布图。
统计特性可以基于一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的总离子流(TIC)、基峰强度、平均或分位数强度值、或一些强度函数的平均值或分位数。
该平均强度可以是一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的平均值或中位值平均值。
可替代地,一个或多个样品光谱可以在对一个或多个样品光谱进行背景减除处理之前被适当地归一化(例如,比例化和/或偏移),以便对应于归一化的背景噪音分布图。
可以基于一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的统计特性来归一化一个或多个样品光谱。
统计特性可以基于一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的总离子流(TIC)、基峰强度、平均或分位数强度值、或一些强度函数的平均值或分位数。
该平均强度可以是一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的平均值或中位值平均值。
一个或多个样品光谱可以被归一化和/或偏移,使得它们具有所选择的组合强度,例如具有所选择的相加强度或所选择的平均强度(例如,0或1)。
可以通过将一个或多个背景分布图拟合到一个或多个样品光谱来确定要使用的归一化。该归一化可能是最优的或接近最优的。将一个或多个背景分布图拟合到一个或多个样品光谱可以使用一个或多个光谱部分,一个或多个光谱部分不包括或不可能包括非背景数据。
可以使用一个或多个背景噪音分布图中的每一个对一个或多个样品光谱进行背景减除处理,以产生一个或多个样品类别的每一类的一个或多个背景减除的样品光谱。
分析一个或多个样品光谱可以包括分析一个或多个背景减除的样品光谱中的每一个,以便为一个或多个样品类别的每一类提供距离、分类评分或概率。
每个距离、分类评分或概率可以表明样品属于样品类别的似然度,该样品类别与用于产生背景减除的样品光谱的一个或多个背景噪音分布图有关。
样品可以分为具有小于阈值距离或至少阈值分类评分或概率和/或最低距离或最高分类评分或概率的一个或多个类别。
可以使用利用一个或多个背景参考光谱(用于导出一个或多个背景噪音分布图)开发的分类模型和/或文库来提供距离、分类评分或概率。
可以使用一个或多个背景噪音分布图使一个或多个背景参考光谱进行背景减除处理,以便在使用一个或多个背景减除的参考光谱来建立分类模型和/或文库之前提供一个或多个背景减除的参考光谱。
可以使用US 2005/0230611中所述的技术来导出每个背景噪音分布图。然而,如将了解的是,在US 2005/0230611中,背景噪音分布图不是从样品的光谱导出的,并且与实施例中的不同样品的光谱一起存储以供使用。
无论一个或多个背景噪音分布图是从一个或多个样品光谱本身导出还是从一个或多个背景参考样品光谱导出,一个或多个背景噪音分布图的每一个可以从一个或多个样品光谱导出(如下)。
可以通过在一个或多个样品光谱上平移窗口或通过将一个或多个样品光谱中的每一个划分为多个窗口(例如重叠的窗口)来导出每个背景噪音分布图。
一个或多个窗口可以各自对应于特定范围的时间或基于时间的值,例如质量、质荷比和/或离子迁移率。
一个或多个窗口可以各自具有的宽度相当于以Da或Th(Da/e)为单位的宽度,该宽度范围选自下组,该组由以下各项组成:(i)≤或≥5;(ii)5-10;(iii)10-25;(iv)25-50;(v)50-100;(vi)100-250;(vii)250-500;和(viii)≤或≥500。
可以将一个或多个窗口的大小选择为足够宽,使得可以形成适当的背景统计图像,和/或可以将一个或多个窗口的大小选择为足够窄,使得背景的(例如,周期性)分布图在窗口内没有显著变化。
每个背景噪音剖面可以通过将一个或多个样品光谱中的每一个(例如,一个或多个样品光谱的窗口或每个窗口)划分成多个段来导出。一个窗口中可能有M个段,其中M可以在下组选择的范围中,该组由以下各项组成:(i)≥2;(ii)2-5(iii)5-10;(iv)10-20;(v)20-50;(vi)50-100;(vii)100-200;和(viii)≤或≥200。
这些段可以各自对应于特定范围的时间或基于时间的值,例如质量、质荷比和/或离子迁移率。
这些段可以各自具有的宽度相当于以Da或Th(Da/e)为单位的宽度,该宽度范围选自下组,该组由以下各项组成:(i)≤或≥0.5;(ii)0.5-1;(iii)1-2.5;(iv)2.5-5;(v)5-10;(vi)10-25;(vii)25-50;和(viii)≤或≥50。
可以选择段的大小,以对应于周期分布图的整数个重复单位(可以是或可以预期是在背景中),和/或可以选择段的大小,使得该窗口或每个窗口包括足够多的段以便对背景进行适当的统计分析。在一些实施例中,窗口的大小是奇数个段。这允许在多个段中存在单个中心段,以给出处理对称性。
每个背景噪音分布图可以通过将一个或多个样品光谱中的每一个(例如,一个或多个样品光谱的窗口或每个窗口和/或每个段)划分成多个次段来导出。一个段中可能有N个次段,其中N可以在下组选择的范围中,该组由以下各项组成:(i)≥2;(ii)2-5(iii)5-10;(iv)10-20;(v)20-50;(vi)50-100;(vii)100-200;和(viii)≤或≥200。
次段可以各自对应于特定范围的时间或基于时间的值,例如质量、质荷比和/或离子迁移率。
次段可以各自具有的宽度相当于以Da或Th(Da/e)为单位的的宽度,该宽度范围选自下组,该组由以下各项组成:(i)≤或≥0.05;(ii)0.05-0.1;(iii)0.1-0.25;(iv)0.25-0.5;(v)0.5-1;(vi)1-2.5;(vii)2.5-5;和(viii)≤或≥5。
例如,每个给定(例如,中心)段的第n个次段(其中1≤n≤N)的背景噪音分布图值,和/或在给定位置处的窗口中的背景噪音分布图值可以包括:例如其他段的和/或在给定位置的窗口中的第n个的一个或多个次段(对应于第n个次段)的强度值的组合。
该组合可以包括次段的强度值的(例如加权)求和、平均、分位数或其他统计特性。
该平均可以是次段的强度值的平均值(mean average)或中位值平均值(medianaverage)。
背景噪音分布图可以通过将分段多项式拟合到光谱中而导出。描述背景噪音分布图的分段多项式可以被拟合,使得光谱的选定比例低于分段多项式的每个段中的多项式。
例如,可以通过使用(例如,快速)傅里叶变换在频域中进行过滤来导出背景噪音分布图。过滤可以去除随时间或基于时间的值(例如质量、质荷比和/或离子迁移率)相对缓慢变化的一个或多个样品光谱的成分。过滤可以去除一个或多个样品光谱的成分,该样品光谱在时间内、或由时间或基于时间的值(例如质量、质荷比和/或离子迁移率)导出的时间内是周期性的。
次段、段和/或窗口的背景噪音分布图值和对应的时间或基于时间的值可以一起形成样品光谱的背景噪音分布图。
一个或多个背景噪音分布图可以各自从多个样品光谱导出。
可以组合多个样品光谱,然后可以针对组合的样品光谱导出背景噪音分布图。
可替代地,可以针对多个样品光谱中的每一个导出背景噪音分布图,然后可以组合这些背景噪音分布图。
该组合可以包括样品光谱或背景噪音分布图的(例如加权)求和、平均、分位数或其他统计特性。该平均可以是样品光谱或背景噪音分布图的强度值的平均值或中位值平均值。
预处理一个或多个样品光谱可以包括时间到基于时间的值的转换处理,例如时间值到质量、质荷比和/或离子迁移率值的转换处理。
该转换处理可以包括将时间强度分组(例如,飞行时间-强度对或漂移时间-强度对)转换为基于时间的值-强度分组(例如,质量-强度对、质荷比-强度对、移动性-强度对、碰撞横截面强度对等)。
该转换处理可以是非线性的(例如,基于对数或基于幂的,例如基于平方或平方根的)。这种非线性转换可以解释以下事实:离子的飞行时间可能不与其质量、质荷比和/或离子迁移率成正比,例如离子的飞行时间可以与其质荷比的平方根成正比。
预处理一个或多个样品光谱可以包括进行时间校正或基于时间的校正(例如质量、质荷比和/或离子迁移率校正)。
时间校正或基于时间的校正处理可以包括(全部或部分)校准处理。
时间校正或基于时间的校正可以包括峰对齐处理。
时间校正或基于时间的校正处理可以包括锁定质量和/或锁定迁移率(例如,锁定碰撞横截面(CCS))的处理。
锁定质量和/或锁定迁移率处理可以包括:提供具有一个或多个已知光谱峰(例如,在已知时间或基于时间的值,例如质量、质荷比或离子迁移率)的锁定质量和/或锁定迁移率离子以及多个分析物离子。
锁定质量和/或锁定迁移率处理可以包括使用一个或多个已知的光谱峰来校正一个或多个样品光谱。
锁定质量和/或锁定迁移率处理可以包括一点锁定质量和/或锁定迁移率校正(例如,比例化或偏移)或两点锁定质量和/或锁定迁移率校正(例如,比例化或偏移)。
锁定质量和/或锁定迁移率处理可以包括测量一个或多个已知光谱峰中的每一个的位置(例如,在当前实验期间),和使用该位置作为校正的参考位置(例如,而不是使用理论或计算的位置或来自单独实验的位置)。可替代地,该位置可以是理论位置或计算的位置,或者来自单独实验的位置。
一个或多个已知的光谱峰可以作为内源种类或加标种类存在于一个或多个样品光谱中。
锁定质量和/或锁定迁移率离子可以由矩阵解法(例如IPA)提供。
预处理一个或多个样品光谱可以包括归一化和/或偏移和/或比例化一个或多个样品光谱的强度值。
可以基于一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的统计特性来归一化和/或偏移和/或比例化一个或多个样品光谱的强度值。
统计特性可以基于一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的总离子流(TIC)、基峰强度、平均或分位数强度值、或一些强度函数的平均值或分位数。
该平均强度可以是一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的平均值或中位值平均值。
对于一个或多个样品光谱的不同部分来说,归一化和/或偏移和/或比例化处理可以是不同的。
归一化和/或偏移和/或比例化处理可以根据归一化和/或偏移和/或比例化函数而变化,例如,随着时间或基于时间的值(例如质量、质荷比和/或离子迁移率)而变化。
一个或多个样品光谱的不同部分可以分别经受不同的归一化和/或偏移和/或比例化处理,然后再重新组合。
预处理一个或多个样品光谱可以包括在一个或多个样品光谱中将函数应用于强度值。
该函数可以是非线性的(例如,基于对数或基于幂的,例如基于平方或基于平方根的)。
该函数可以包括差异稳定函数(variance stabilising function),其基本上去除了一个或多个样品光谱中的强度差异和强度之间的相关性。
该函数可以增强一个或多个样品光谱中的一个或多个特定区域,例如低、中和/或高质量、质荷比、和/或离子迁移率。
一个或多个特定区域可以是被鉴定为具有相对较低强度差异的区域,例如如从一个或多个参考样品光谱所鉴定的。
这些特定区域可以是被鉴定为具有相对较低强度的区域,例如如从一个或多个参考样品光谱所鉴定的。
该函数可以减少一个或多个样品光谱中的一个或多个特定其他区域,例如低、中和/或高质量、质荷比、和/或离子迁移率。
一个或多个特定其他区域可以是被鉴定为具有相对较高强度差异的区域,例如如从一个或多个参考样品光谱所鉴定的。
这些特定其他区域可以是被鉴定为具有相对较高强度的区域,例如如从一个或多个参考样品光谱所鉴定的。
该函数可以应用归一化和/或偏移和/或比例化,例如如上所述。
预处理一个或多个样品光谱可以包括:保留和/或选择一个或多个样品光谱的一个或多个部分,以进行基于时间或基于时间的值(例如质量、质荷比和/或离子迁移率值)的进一步预处理和/或分析。该选择可以在峰检测之前或之后进行。当在选择之前进行峰检测时,可以将测量的峰位置(由离子统计和校准不确定度产生)的不确定度用作一部分选择标准。
预处理一个或多个样品光谱可以包括:保留和/或选择一个或多个样品光谱的一个或多个部分,其相当于以Da或Th(Da/e)为单位的质量或质荷比,该质量或质荷比在选自下组的范围内,该组由以下各项组成:(i)≤或≥200;(ii)200-400;(iii)400-600;(iv)600-800;(v)800-1000;(vi)1000-1200;(vii)1200-1400;(viii)1400-1600;(ix)1600-1800;(x)1800-2000;和(xi)≤或≥2000。
预处理一个或多个样品光谱可以包括:丢弃和/或忽视一个或多个样品光谱的一个或多个部分,以进行基于时间或基于时间的值(例如质量、质荷比和/或离子迁移率值)的进一步预处理和/或分析。
预处理一个或多个样品光谱可以包括:丢弃和/或忽略一个或多个样品光谱的一个或多个部分,其相当于以Da或Th(Da/e)为单位的质量或质荷比,该质量或质荷比在选自下组的范围内,该组由以下各项组成:(i)≤或≥200;(ii)200-400;(iii)400-600;(iv)600-800;(v)800-1000;(vi)1000-1200;(vii)1200-1400;(viii)1400-1600;(ix)1600-1800;(x)1800-2000;和(xi)≤或≥2000。
从基于时间或基于时间的值(例如质量、质荷比和/或离子迁移率值)的进一步预处理和/或分析保留和/或选择和/或丢弃和/或忽略一个或多个样品光谱的一个或多个部分的处理在本文中可以称为“开窗”。
开窗处理可以包括:丢弃和/或忽略一个或多个样品光谱的一个或多个部分,已知这些部分包括一个或多个锁定质量和/或锁定迁移率率峰;和/或一个或多个背景离子峰。一个或多个样品光谱的这些部分通常对分类无用,并且实际上可能会干扰分类。
被保留和/或选择和/或丢弃和/或忽略的一个或多个样品光谱的一个或多个预定部分可以是多维分析空间中的一个或多个区域(例如,质量或质荷比和离子迁移率(漂移时间)空间)。
一旦进行开窗,用于开窗的一个或多个分析维度(例如与时间或基于时间的值(例如质量、质荷比和/或离子迁移率值)相关的分析维度)可以不用于进一步处理和/或分析。例如,当将离子迁移率用于开窗时,离子迁移率不用于进一步处理和/或分析,一个或多个样品光谱可被视为一个或多个非迁移率样品光谱。
如上所述,具有在600-2000Da或Th(Da/e)的范围内的质量和/或质荷比的离子可以提供特别有用的样品光谱,以用于分类一些样品,例如从细菌中获得的样品。此外,具有在600-900Da或Th(Da/e)的范围内的质量或质荷比的离子可以提供特别有用的样品光谱,以用于分类一些样品,例如从组织中获得的样品。
预处理一个或多个样品光谱可以包括:忽略、抑制或标记一个或多个样品光谱的区域,这些部分受空间电荷效应和/或检测器饱和度和/或ADC饱和度和/或数据速率限制的影响。
预处理一个或多个样品光谱可以包括:过滤处理和/或平滑处理。该过滤处理和/或平滑处理可以去除一个或多个样品光谱中的不期望的(例如较高频率的)波动。
该过滤处理和/或平滑处理可以包括Savitzky-Golay处理。
预处理一个或多个样品光谱可以包括数据缩减处理,例如阈值、峰检测/选择和/或面元化处理。
数据缩减处理可以减少要经受分析的强度值的数量。数据缩减处理可能会提高精度和/或效率、和/或减轻分析的负担。
预处理一个或多个样品光谱可以包括阈值处理。
该阈值处理可以包括保留一个或多个样品光谱的一个或多个部分,这些部分高于强度阈值或强度阈值函数(例如随时间或基于时间的值(例如质量、质荷比和/或离子迁移率)而变化)。
该阈值处理可以包括丢弃和/或忽略一个或多个样品光谱的一个或多个部分,这些部分低于强度阈值或强度阈值函数(例如随时间或基于时间的值(例如质量、质荷比和/或离子迁移率)而变化)。
该强度阈值或强度阈值函数可以基于一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的统计特性。
统计特性可以基于一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的总离子流(TIC)、基峰强度、平均或分位数强度值、或一些强度函数的平均值或分位数。
该平均强度可以是一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的平均值或中位值平均值。
阈值处理可以包括:丢弃和/或忽略一个或多个样品光谱的一个或多个部分,已知这些部分包括一个或多个锁定质量和/或锁定迁移率率峰;和/或一个或多个背景离子峰。一个或多个样品光谱的这些部分通常对分类无用,并且实际上可能会干扰分类。
被保留和/或选择和/或丢弃和/或忽略的一个或多个样品光谱的一个或多个预定部分可以是多维分析空间中的一个或多个区域(例如,质量或质荷比和离子迁移率(漂移时间)空间)。
一旦进行阈值处理,用于阈值处理的一个或多个分析维度(例如与时间或基于时间的值(例如质量、质荷比和/或离子迁移率值)相关的分析维度)可以不用于进一步处理和/或分析。例如,当将离子迁移率用于阈值处理时,离子迁移率不用于进一步处理和/或分析,一个或多个样品光谱可被视为一个或多个非迁移率样品光谱。
预处理一个或多个样品光谱可以包括峰检测/选择处理。
峰检测/选择处理可以包括找到一个或多个样品光谱的梯度或第二导数并使用梯度阈值或第二导数阈值和/或过零(zero crossing)来鉴定峰的上升沿和/或下降沿和/或峰转折点或极大值。
峰检测/选择处理可以包括概率峰检测/选择处理。
峰检测处理可以包括USDA(US Department of Agriculture,美国农业部)峰检测处理。
峰检测/选择处理可以包括生成一个或多个峰匹配评分。对于被怀疑存在于样品中的种类,一个或多个峰匹配评分中的每个可以基于检测到的峰强度与理论峰强度的比。
可以基于一个或多个峰匹配评分选择一个或多个峰。例如,可以选择至少具有阈值峰匹配评分或最高峰匹配评分的一个或多个峰。
峰检测/选择处理可以包括比较多个样品光谱以及鉴定共同的峰(例如,使用峰聚类方法)。
峰检测/选择处理可以包括进行多维峰检测。峰检测/选择处理可以包括进行二维或三维峰检测,其中两个或三个维度是时间或基于时间的值,例如质量、质荷比和/或离子迁移率。
预处理一个或多个样品光谱可以包括重新面元化处理。
重新面元化处理可以包括在一组多个面元中累积或直方图化离子检测和/或强度值。
重新面元化处理中的每个面元可以对应于一个或多个特定的时间或基于时间的值(例如质量、质荷比和/或离子迁移率)的范围。当使用多个分析维度(例如,质荷比、离子迁移率、操作参数等)时,这些面元可以是分析空间中的区域。该区域的形状可以是规则的或不规则的。
重新面元化处理中的面元各自可能具有的宽度相当于:
以Da或Th(Da/e)为单位的宽度,该宽度在选自下组的范围内,该组选自以下各项:(i)≤或≥0.01;(ii)0.01-0.05;(iii)0.05-0.25;(iv)0.25-0.5;(v)0.5-1.0;(vi)1.0-2.5;(vii)2.5-5.0;和(viii)≤或≥5.0;和/或
以毫秒为单位的宽度,该宽度在选自下组的范围内,该组选自以下各项:(i)≤或≥0.01;(ii)0.01-0.05;(iii)0.05-0.25;(iv)0.25-0.5;(v)0.5-1.0;(vi)1.0-2.5;(vii)2.5-5.0;(viii)5.0-10;(ix)10-25;(x)25-50;(xi)50-100;(xii)100-250;(xiii)250-500;(xiv)500-1000;和(xv)≤或≥1000。
该重新分组处理可以降低一个或多个样品光谱的维度(即,强度值的数量),并因此增加分析的速度。
如上所述,具有相当于0.01-1Da或Th(Da/e)范围宽度的面元可以提供特别有用的样品光谱,用于分类一些样品(例如从组织获得的样品)。
这些面元可以具有或不具有相同的宽度。
重新面元化处理中的面元宽度可以根据面元宽度函数而变化,例如,随着时间或基于时间的值(例如质量、质荷比和/或离子迁移率)而变化。
面元宽度函数可以是非线性的(例如,基于对数或基于幂的,例如基于平方或平方根的)。该函数可以解释以下事实:离子的飞行时间可能不与其质量、质荷比和/或离子迁移率成正比,例如离子的飞行时间可以与其质荷比的平方根成正比。
面元宽度函数可以从仪器峰宽度随着时间或基于时间的值(例如质量、质荷比和/或离子迁移率)的已知变化来导出。
面元宽度函数可能与已知的或预期的光谱复杂度或峰密度的变化有关。例如,可以在一个或多个光谱的区域(预期含有较高的峰密度)中选择较小面元宽度。
预处理一个或多个样品光谱可以包括进行(例如,进一步)时间校正或基于时间的校正(例如质量、质荷比或离子迁移率校正)。
(例如,进一步)时间校正或基于时间的校正处理可以包括(全部或部分)校准处理。
(例如,进一步的)时间校正或基于时间的校正可以包括(例如,检测/选择的)峰对齐处理。
(例如,进一步)时间校正或基于时间的校正处理可以包括锁定质量和/或锁定迁移率(例如,锁定碰撞横截面(CCS))的处理。
锁定质量和/或锁定迁移率处理可以包括:提供具有一个或多个已知光谱峰(例如,在已知时间或基于时间的值,例如质量、质荷比或离子迁移率)的锁定质量和/或锁定迁移率离子以及多个分析物离子。
锁定质量和/或锁定迁移率处理可以包括使用一个或多个已知的光谱峰来对齐一个或多个样品光谱。
锁定质量和/或锁定迁移率处理可以包括一点锁定质量和/或锁定迁移率校正(例如,比例化或偏移)或两点锁定质量和/或锁定迁移率校正(例如,比例化或偏移)。
锁定质量和/或锁定迁移率处理可以包括测量一个或多个已知光谱峰中的每一个的位置(例如,在当前实验期间),和使用该位置作为校正的参考位置(例如,而不是使用理论或计算的位置或来自单独实验的位置)。可替代地,该位置可以是理论位置或计算的位置,或者来自单独实验的位置。
一个或多个已知的光谱峰可以作为内源种类或加标种类存在于一个或多个样品光谱中。
锁定质量和/或锁定迁移率离子可以由矩阵解法(例如IPA)提供。
预处理一个或多个样品光谱可以包括(例如,进一步)归一化和/或偏移和/或比例化一个或多个样品光谱的强度值。
可以基于一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的统计特性来归一化和/或偏移和/或比例化一个或多个样品光谱的强度值。
统计特性可以基于一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的总离子流(TIC)、基峰强度、平均或分位数强度值、或一些强度函数的平均值或分位数。
该平均强度可以是一个或多个样品光谱或其部分(例如一个或多个所选择的峰)的平均值或中位值平均值。
(例如,进一步)归一化和/或偏移和/或比例化可以准备用于分析(例如基于多变量、单变量和/或文库的分析)的强度值。
该强度值可以被归一化和/或偏移和/或比例化以具有特定的平均值(例如均值(mean)或中位值(median)),例如0或1。
该强度值可以被归一化和/或偏移和/或比例化以具有特定的最小值(例如-1)和/或以具有特定的最大值(例如1)。
预处理一个或多个样品光谱可以包括例如以上述方式来预处理多个样品光谱。
预处理一个或多个样品光谱可以包括;组合多个经预处理的样品光谱或其部分,例如一个或多个所选择的峰。
组合多个经预处理的样品光谱可以包括多个光谱或其部分(例如一个或多个所选择的峰)的级联、(加权)求和、平均、分位数或其他统计特性。
该平均可以是多个光谱或其部分(例如一个或多个所选择的峰)的平均值或中位值平均值。
分析一个或多个样品光谱可以包括分析一个或多个样品光谱以便:(i)区分健康组织和病变组织;(ii)区分潜在的癌组织和非癌组织;(iii)区分不同类型或等级的癌组织;(iv)区分不同类型或类别的靶材料;(v)确定靶中是否存在一个或多个所希望的或不希望的物质;(vi)确认靶的身份或真实性;(vii)确定靶中是否存在一个或多个杂质、非法物质或不希望的物质;(viii)确定人或动物患者是否可能患不良后果的风险增加;(ix)作出或协助作出诊断或预后;和/或(x)通知外科医生、护士、医师或机器人医疗、手术或诊断结果。
分析一个或多个样品光谱可以包括将样品分成一个或多个类别。
分析一个或多个样品光谱可以包括将样品分类为属于分类模型和/或文库内的一个或多个类别。
多个类别中的一类可能与样品、靶和/或受试者的类型、身份、状态和/或组成有关。
多个类别中的一类可能涉及以下一个或多个:(i)疾病的类型和/或亚型(例如癌症,癌症类型等);(ii)感染的类型和/或亚型(例如,属、物种、亚种、革兰氏组、抗生素抗性或抗微生物抗性等);(iii)靶和/或受试者的身份(例如细胞、生物量、组织、器官、受试者和/或生物体身份);(iv)健康/不健康的状态或质量(例如,癌、肿瘤、恶性、病变、败血症、感染、受污染、坏死、胁迫、缺氧、用药治疗、和/或异常);(v)健康/不健康状态或质量的程度(例如,晚期、侵略性、癌症等级、低质量等);(vi)化学、生物或物理组成;(vii)靶和/或受试者类型(例如,基因型、表型、性别等);(viii)靶和/或受试者表型和/或基因型;和(ix)实际或希望的靶和/或受试者结果(例如预期寿命、生命质量、恢复时间、缓解率、手术成功率、并发症发生率、并发症类型、进一步治疗率的需要、和通常需要的治疗类型(例如手术、化疗、放疗、药物治疗、激素治疗、剂量水平等)等)。
多个类别中的一类可用于通知决策,例如是否以及如何对受试者进行手术、治疗(therapy)和/或诊断。例如,是否应该将靶组织从受试者体内移除和该移除多少,和/或是否应该将相邻的非靶组织从受试者体内移除和该移除多少。
已经认识到,在一方面,靶和/或受试者基因型和/或表型与希望的靶和/或受试者结果(例如治疗成功)之间存在强相关性。进一步认识到,与样品相关的实际或预期的受试者结果的知识可对于通知决策(例如治疗决策,诸如是否以及如何对受试者进行手术、治疗和/或诊断)非常有用。因此,这些实施例可以为样品提供特别有用的分类。
术语“表型”可以用于指细胞的物理和/或生物化学特征,而术语“基因型”可以用于指细胞的遗传构成。
术语“表型”可以用于指细胞的物理和/或生物化学特征的集合,其可以任选地是所有细胞的物理和/或生物化学特征的集合;和/或指一个或多个细胞的物理和/或生物化学特性。例如,细胞可以被称为具有特定细胞类型(例如乳腺细胞)的表型,和/或具有表达特异性蛋白(例如受体,例如HER2(人表皮生长因子受体2)的表型。
术语“基因型”可以用于指遗传信息,遗传信息可以包括基因、调控元件和/或垃圾DNA。术语“基因型”可以用于指细胞的遗传信息的集合,其可以任选地是所有细胞遗传信息的集合;和/或用于指细胞的一个或多个遗传信息。例如,细胞可以被称为具有特定细胞类型(例如乳腺细胞)的基因型,和/或具有编码特异性蛋白(例如受体、例如HER2(人表皮生长因子受体2)的基因型。
细胞的基因型可能影响或可能不影响其表型,如下文所解释。
基因型与表型之间的关系可能很直接。例如,如果细胞包括编码特定蛋白质(例如HER2)的功能基因,那么它通常将是表型HER2阳性的,即在其表面上具有HER2蛋白质,而如果细胞缺少功能HER2基因,则它将具有HER2阴性表型。
突变体基因型可能导致突变体表型。例如,如果突变破坏了基因的功能,则该基因功能的丧失可能导致突变体表型。然而,诸如遗传冗余的因素可能会阻止基因型性状造成相应的表型性状。例如,人类细胞通常具有每个基因的两个拷贝,其中一个来自每个亲本。谈到遗传疾病的实例,细胞可以包括基因的一个突变体(病变)拷贝和基因的一个非突变体(健康)拷贝,这些基因可能导致或可能不导致突变体(病变)表型(取决于突变基因是隐性还是显性)。隐性基因不影响或不显著影响细胞的表型,而显性基因确实影响细胞的表型。
还必须记住的是,许多基因型变化可能没有表型效应,例如,因为它们在垃圾DNA(即似乎不具有序列依赖性目的的DNA)中,或者因为它们是沉默突变(即由于遗传密码的冗余,不改变DNA的编码信息的突变)。
细胞的表型可以通过其基因型来确定,因为细胞需要遗传信息来进行细胞处理,并且如果细胞含有相关遗传信息,则任何特定的蛋白质只能在该细胞内产生。然而,细胞的表型也可能受到环境因素和/或胁迫(如温度、营养物和/或矿物质可用性、毒素等)的影响。这些因素可能会影响遗传信息的使用,例如哪些基因被表达和/或在什么水平被表达。环境因素和/或胁迫也可能影响细胞的其他特征,例如,热可能使膜更加不固定。
如果将功能转基因插入到细胞中正确的基因组位置,则可能导致相应的表型
转基因的插入可能影响细胞的表型,但是可以在适当的环境条件下,任选地仅观察到改变的表型。例如,仅在细胞被提供有所需的起始物质时,插入编码蛋白质(该蛋白质参与合成特定物质)的转基因将生成能产生该物质的细胞。
任选地,该方法可以涉及细胞群体的表型和/或基因型的分析。
可以操纵细胞群体的基因型和/或表型,例如用于分析细胞处理、分析疾病如癌症、使细胞群体更适合于药物筛选和/或生产等。任选地,该方法可以涉及对细胞群体(例如细胞群体的基因型和/或表型)的这类基因型和/或表型操作的影响的分析。
如上所述,已经认识到,与样品相关的实际或预期的受试者结果的知识可对于通知决策(例如治疗决策,诸如是否以及如何对受试者进行手术、治疗和/或诊断)非常有用。因此,这些实施例可以为样品提供特别有用的分类。
一个或多个靶和/或受试者的一个或多个基因型和/或表型和/或预期结果类别可以指示以下中的一个或多个:(i)预期寿命;(ii)生活质量;(iii)恢复时间;(iv)缓解率;(v)手术成功率;(vi)并发症发生率;(vii)并发症类型;(viii)需要进一步治疗率;和(ix)通常需要的治疗类型(例如手术、化疗、放疗、药物治疗、激素治疗、剂量水平等)。
一个或多个靶和/或受试者的一个或多个基因型和/或表型和/或预期结果类别可以指示遵循特定作用疗程(例如治疗)的结果。
当遵循特定作用疗程的结果被指示为相对较好(例如较长的预期寿命;较好的生活品质;较短的恢复时间;较高的缓解率;较高的手术成功率;较低的并发症发生率;较不严重的并发症类型;较低的需要进一步治疗率;和/或较不严重的通常需要的进一步治疗类型)时,该方法可以包括遵循特定作用疗程。
当遵循特定作用疗程的结果被指示为相对较差(例如较短的预期寿命;较差的生活品质;较长的恢复时间;较低的缓解率;较低的手术成功率;较高的并发症发生率;较严重的并发症类型;较高的需要进一步治疗率;和/或较严重的通常需要的进一步治疗类型)时,该方法可以不包括遵循特定作用疗程。
该特定作用疗程可以是:(i)截肢;(ii)减瘤;(iii)切除;(iv)移植;或(v)例如,骨或皮肤)移植。
该方法可以包括监测和/或单独测试一个或多个靶和/或受试者,以确定和/或确认基因型和/或表型和/或结果。
可以通过光谱分析系统的分析电路来进行一个或多个样品光谱的分析。
该分析电路可以形成光谱分析系统的光谱仪(例如质谱仪和/或离子迁移谱仪)的一部分或可以结合到光谱分析系统的光谱仪(例如质谱仪和/或离子迁移谱仪)。
分析一个或多个样品光谱可以包括:对一个或多个样品光谱的无监督分析(例如,用于维度降低)和/或对一个或多个样品光谱的监督分析(例如,用于分类)。分析一个或多个样品光谱可以包括:无监督分析(例如,用于维度降低)后进行监督分析(例如,用于分类)。
分析一个或多个样品光谱可以包括使用以下中的一个或多个:(i)单变量分析;(ii)多变量分析;(iii)主成分分析(PCA);(iv)线性判别分析(LDA);(v)最大间距准则(MMC);(vi)基于文库的分析;(vii)软独立建模分类类比(SIMCA);(viii)因子分析(FA);(ix)递归分区(决策树);(x)随机森林;(xi)独立成分分析(ICA);(xii)偏最小二乘判别分析(PLS-DA);(xiii)正交(偏最小二乘)投影潜在结构(OPLS);(xiv)OPLS判别分析(OPLS-DA);(xv)支持向量机(SVM);(xvi)(人造)神经网络;(xvii)多层感知器;(xviii)径向基函数(RBF)网络;(xix)贝叶斯分析;(xx)聚类分析;(xxi)核心化方法(kernelized method);(xxii)子空间判别分析;(xxiii)K最近邻(k-nearest neighboursc,KNN);(xxiv)二次判别分析(QDA);(xxv)概率主成分分析(PPCA);(xxvi)非负矩阵因子分解;(xxvii)k均值因式分解(k-均值的因式分解);(xxviii)模糊c均值因子分解(fuzzyc-means factorisation);和(xxix)判别分析(DA)。
分析一个或多个样品光谱可以包括前述分析技术的组合,(例如PCA-LDA、PCA-MMC,PLS-LDA等)。
分析一个或多个样品光谱可以包括使用一个或多个参考样品光谱开发分类模型和/或文库。
一个或多个参考样品光谱可以各自已经被或可以各自被(例如以上述方式)获得和/或预处理。
一组参考样品强度值可以从一个或多个参考样品光谱中的每一个(例如以上述方式)导出。
在多变量分析中,每组参考样品强度值可以对应于具有多维度和/或多个强度轴的多变量空间中的参考点。
每个维度和/或强度轴可以对应于特定时间或基于时间的值(例如特定质量、质荷比和/或离子迁移率)。
每个维度和/或强度轴还可以对应于特定操作模式。
每个维度和/或强度轴可以对应于在具有一个或多个分析维度的分析空间中的范围、区域或面元(例如,该范围、区域或面元包括一个或多个峰的(识别簇))。在使用多个分析维度(例如,质荷比、离子迁移率、操作参数等)的情况下,多变量空间中的每个维度和/或强度轴可以对应于分析空间中的区域或面元(例如,该区域或面元包括一个或多个峰)。该区域或面元的形状可以是规则的或不规则的。
该多变量空间可以由参考矩阵表示,该参考矩阵具有与相应参考样品光谱相关联的行以及与相应时间或基于时间的值和/或操作模式相关联的列,反之亦然,参考矩阵的元素是相应参考样品光谱的相应时间或基于时间的值和/或操作模式的参考样品强度值。
可以在参考矩阵上进行多变量分析,以限定具有一个或多个(例如希望的或主要的)成分的分类模型和/或以限定具有一个或多个(例如希望的或主要的)成分维度或轴的分类模型空间。
第一成分和/或成分维度或轴可以在最高差异的方向上,并且每个后续成分和/或成分维度或轴可以处于下一最高差异的正交方向上。
分类模型和/或分类模型空间可以由一个或多个分类模型向量或矩阵(例如,一个或多个评分矩阵,一个或多个载荷矩阵等)来表示。多变量分析还可以限定误差向量或矩阵,该误差向量或矩阵不构成分类模型的一部分,并且不是由分类模型所“解释”。
参考矩阵和/或多变量空间可以具有第一数量的维度和/或强度轴,并且分类模型和/或分类模型空间可以具有第二数量的成分和/或维度或轴。
第二数量可能低于第一数量。
可以基于分类模型的累积差异或“解释”差异(“explained”variance)高于解释差异阈值和/或基于分类模型的误差差异或“未解释”差异(“unexplained”variance)低于未解释差异阈值来选择第二数量。
第二数量可能低于参考样品光谱的数量。
分析一个或多个样品光谱可以包括主成分分析(PCA)。在这些实施例中,可以通过找到特征向量和特征值来计算PCA模型。PCA模型的一个或多个成分可以对应于具有最高特征值的一个或多个特征向量。
可以使用非线性迭代偏最小二乘法(NIPALS)算法或奇异值分解来进行PCA。PCA模型空间可以限定PCA空间。PCA可以包括概率PCA、增量PCA、非负PCA和/或核PCA。
分析一个或多个样品光谱可以包括线性判别分析(LDA)。
分析一个或多个样品光谱可以包括在进行主成分分析(PCA)(例如,用于维度降低)之后进行线性判别分析(LDA)(例如,用于分类)。LDA或PCA-LDA模型可以限定LDA或PCA-LDA空间。LDA可以包括增量LDA。
如上所述,分析一个或多个样品光谱可以包括最大间距准则(MMC)处理。
分析一个或多个样品光谱可以包括在进行主成分分析(PCA)(例如,用于维度降低)之后进行最大间距准则(MMC)处理(例如,用于分类)。MMC或PCA-MMC模型可以限定MMC或PCA-MMC空间。
如上所述,分析一个或多个样品光谱可以包括基于文库的分析。
基于文库的分析特别适用于样品的分类(例如以实时的方式)。基于文库的分析的一个优点是可以独立地计算每个文库条目的分类评分或概率。为每个文库条目添加新的文库条目或添加表示文库条目的数据还可以独立完成。相比之下,基于多变量或神经网络的分析可能涉及重建模型,该模型可能是时间消耗的和/或资源消耗的。因此,这些实施例可以促进样品的分类。
在基于文库的分析中,分析一个或多个样品光谱可以包括导出一个或多个样品光谱的一个或多个元数据组。
每组元数据可以代表一个或多个样品类别中的一类。
每组元数据可以存储在电子文库中。
一类样品的每组元数据可以从该类样品的一组多个参考样品光谱中导出。
每组多个参考样品光谱可以包括相应(例如,就时间或基于时间的值(例如质量、质荷比和/或离子迁移率)而言)强度值的多个通道,并且其中每组元数据包括每个通道的平均值(例如均值或中位值)和/或偏差值。
以下将更详细地描述该元数据的使用。
分析一个或多个样品光谱可以包括限定分类模型和/或文库内的一个或多个类别。
一个或多个类别可以以受监督和/或无监督的方式在分类模型和/或文库中进行限定。
分析一个或多个样品光谱可以包括根据一个或多个类别标准,手动地或自动地限定分类模型和/或文库内的一个或多个类别。
每个类别中的一类或多类标准可以基于以下中的一个或多个:(i)在分类模型空间内,参考样品光谱的一对或多对参考点之间的距离(例如,平方距离或根平方距离和/或马氏距离和/或(差异)比例化距离)(ii)分类模型空间内参考样品光谱的参考点组之间的差异值;和(iii)分类模型空间内的参考样品光谱的参考点组内的差异值。
一个或多个类别可以各自由一个或多个类别限定来进行限定。
一类或多类限定可以包括以下中的一个或多个:(i)在分类模型空间内,一组参考样品光谱、值、边界、线、平面、超平面、差异、体积、沃罗诺(Voronoi)区域和/或位置的一个或多个参考点;和(ii)类别层级内的一个或多个位置。
分析一个或多个样品光谱可以包括鉴定分类模型和/或文库中的一个或多个异常值。
分析一个或多个样品光谱可以包括从分类模型和/或文库中去除一个或多个异常值。
分析一个或多个样品光谱可以包括使分类模型和/或文库经受交叉验证,以确定分类模型和/或文库是否被成功开发。
交叉验证可以包括从用于开发分类模型和/或文库的一组多个参考样品光谱中略去一个或多个参考样品光谱。
略去的一个或多个参考样品光谱可能涉及一个或多个特定靶和/或受试者。
略去的一个或多个参考样品光谱可以是用于开发分类模型和/或文库的多个参考样品光谱组的百分比,该百分比在选自下组的范围内,该组由一下各项组成:(i)≤或≥0.1%;(ii)0.1%-0.2%;(iii)0.2%-0.5%;(iv)0.5%-1.0%;(v)1.0%-2.0%;(vi)2.0%-5%;(vii)5%-10.0%;和(viii)≤或≥10.0%。
交叉验证可以包括使用分类模型和/或文库来分类分类模型和/或文库中略去的一个或多个参考样品光谱。
交叉验证可以包括:基于通过分类模型和/或文库正确分类的参考样品光谱的比例来确定交叉验证评分。
交叉验证评分可以是通过分类模型和/或文库正确分类的参考样品光谱的比率或百分比。
当分类模型和/或文库的敏感度(真阳性率或百分比)大于灵敏度阈值时,和/或当分类模型和/或文库的特异性(真阴性率或百分比)大于特异性阈值时,该分类模型和/或文库可被认为是成功开发的。
分析一个或多个样品光谱可以包括使用分类模型和/或文库(例如如上所述的分类模型和/或文库),以将一个或多个样品光谱分类为属于一个或多个样品类别。
一个或多个样品光谱可以各自已经被或可以各自被(例如以上述方式)获得和/或预处理。
一组样品强度值可以从一个或多个样品光谱中的每一个(例如以上述方式)导出。例如,可以针对一个或多个样品类别的每一类导出不同的背景减除样品强度值组。
在多变量分析中,每组样品强度值可以对应于具有多维度和/或多个强度轴的多变量空间中的样品点。
每个维度和/或强度轴可以对应于特定的时间或基于时间的值。
每个维度和/或强度轴可以对应于特定的操作模式。
每组样品强度值可以由样品向量表示,这些样品向量的元素是相应时间或基于时间的值的强度值和/或一个或多个样品光谱的操作模式。
用于一个或多个样品光谱的样品点和/或向量可以被投影到分类模型空间中,以便对一个或多个样品光谱进行分类。
以前开发的多变量模式空间特别适用于之后的样品进行(例如实时)分类。因此,这些方面和实施例可以促进样品的分类。
可以使用分类模型的一个或多个向量或矩阵(例如,一个或多个载荷矩阵等)将样品点和/或向量投影到分类模型空间中。
可以基于分类模型空间中的投影样品点和/或向量的位置将一个或多个样品光谱分类为所属类别。
在基于文库的分析中,分析一个或多个样品光谱可以包括:计算一个或多个概率或分类评分,该计算是基于一个或多个样品光谱对应于在电子文库中表示的一个或多个样品类别的程度。
如上所述,一个或多个元数据组(代表一个或多个样品类别)的每个可以存储在电子文库中。
分析一个或多个样品光谱可以包括:对于一个或多个类别中的每一个,在存储在代表该类别的电子文库中的元数据组的情况下,计算一个或多个样品光谱的一组样品强度值中每个强度值的似然度。如上所述,可以针对一个或多个样品类别中的每一类导出不同的背景减除样品强度值组。
可以使用概率密度函数来计算每个似然度。
概率密度函数可以基于广义柯西分布函数。
概率密度函数可以是柯西分布函数、高斯(正态)分布函数或其他概率密度函数(这些函数是基于柯西分布函数和高斯(正态)分布函数的组合)。
计算类别的多个似然度可以组合(例如,相乘)以给出一个或多个样品光谱属于该类别的概率。
可替代地,分析一个或多个样品光谱可以包括:对于一个或多个类别别中的每一个,使用存储在代表该类别的电子文库中的元数据,计算一个或多个样品光谱的一组强度值中的强度值分类评分(例如,距离评分、例如均方根评分)。
例如,可以以上述方式为多个类别中的每一个计算概率或分类评分。
多个类别的概率或分类评分可以跨越多个类别被归一化。
一个或多个样品光谱可以基于一个或多个(例如,归一化的)概率或分类评分被分类为属于的类别。
分析一个或多个样品光谱可以包括将一个或多个样品光谱分类为属于一个或多个类别(以受监督和/或无监督方式)。
分析一个或多个样品光谱可以包括根据一个或多个分类标准来手动或自动地分类一个或多个样品光谱。
一个或多个分类标准可以基于一个或多个类别限定。
一类或多类限定可以包括以下中的一个或多个:(i)在分类模型空间内,一组参考样品光谱、值、边界、线、平面、超平面、差异、体积、沃罗诺(Voronoi)区域和/或位置的一个或多个参考点;和(ii)类别层级内的一个或多个位置。
一个或多个分类标准可以包括以下中的一个或多个:(i)在分类模型空间内一个或多个样品光谱的投影样品点和在所述分类模型空间内一组一个或多个参考样品光谱、值、边界、线、平面、超平面、体积、沃罗诺区域或位置的一个或多个参考点之间的距离低于距离阈值或者是最低的这样的距离;(ii)在分类模型空间内一个或多个样品光谱的一个或多个投影样品点是在所述分类模型空间内一个或多个参考样品光谱、值、边界、线、平面、超平面或位置的一个或多个参考点的一侧或另一侧;(iii)在分类模型空间内一个或多个投影样品点在所述分类模型空间内一个或多个体积或沃罗诺区域内;(iv)在分类模型空间内一个或多个样品光谱的一个或多个投影样品点属于一类的概率高于概率阈值或者是最高的这样的概率;和(v)概率或分类评分高于概率或分类评分阈值或者是最高的这样的概率或分类评分。
对于不同类型的类别,一个或多个分类标准可以是不同的。
第一类型类别的一个或多个分类标准可能相对较不严格,并且第二类型类别的一个或多个分类标准可能相对更严格。这可能增加样品被分类为属于第一类型类别的似然度,和/或可能降低样品被分类为属于第二类型类别的似然度。当不正确分类将类别分到第一类型类别比不正确分类将类别分到第二类型类别更可接受时,这可能是有用的。
第一类型类别可以包括不健康和/或不希望的和/或较低质量的靶物质,并且第二类型类别可以包括健康和/或希望的和/或较高质量的靶物质,反之亦然。
分析一个或多个样品光谱可以包括修饰分类模型和/或文库。
修饰分类模型和/或文库可以包括:向用于开发分类模型和/或文库的一个或多个参考样品光谱中添加一个或多个先前未分类的样品光谱,以提供更新的参考样品光谱组。
修饰分类模型和/或文库可以包括:导出一个或多个先前未分类的样品光谱的一个或多个背景噪音分布图,并将一个或多个背景噪音分布图存储在电子存储器中,以用于预处理和分析一个或多个另外的样品光谱(该样品光谱从另外不同的气溶胶、烟雾或蒸汽样品获得)。
修饰分类模型和/或文库可以包括使用更新的参考样品光谱组来重新开发分类模型和/或文库。
修饰分类模型和/或文库可以包括使用更新的参考样品光谱组来重新限定一个或多个分类模型和/或文库类别。这可以解释其特征随时间变化的靶,如发展中的癌症、微生物进化等。
如上所述,可以使用取样装置来获得一个或多个样品光谱。在这些实施例中,分析一个或多个样品光谱可能发生在取样装置保持使用的情况下。
在取样装置保持使用的情况下,分析一个或多个样品光谱可以允许开发和/或修饰和/或使用分类模型和/或文库进行基本实时地分类。因此,这些实施例对应用特别有利,例如在希望进行实时分析的情况下。
分析一个或多个样品光谱可以包括在取样装置保持使用的情况下(例如在获得一个或多个参考样品光谱的同时和/或之后)开发和/或修饰分类模型和/或文库。
分析一个或多个样品光谱可以包括在取样装置保持使用的情况下(例如在获得一个或多个样品光谱的同时和/或之后)来使用分类模型和/或文库。
该方法可以包括停止操作模式,例如以避免不必要的取样和/或靶或受试者损坏。
该方法可以包括选择操作模式,以便对样品进行分类。
该方法可以包括从第一操作模式改变到第二不同操作模式,或反之亦然,以便对样品进行分类。
选择操作模式和/或改变第一和第二不同操作模式可以减少或分辨一个或多个样品光谱分类中的模糊性,提供一个或多个样品光谱子分类,和/或提供一个或多个样品的确认光谱分类。选择操作模式和/或改变第一和第二不同操作模式还可以促进样品的准确分类(例如通过提高样品光谱的质量(例如峰强度、信噪比等)和/或提高分类的相关性或精度)。因此,这些实施例是特别有利的。
可以基于靶和/或受试者样品的分类和/或一个或多个先前样品光谱的分类来选择和/或改变操作模式。
靶和/或受试者样品和/或一个或多个先前样品光谱可以从与一个或多个样品光谱相同的靶和/或受试者获得。
可以以如上所述的方式获得和/或预处理和/或分析一个或多个先前的样品光谱。
可以手动或自动地选择和/或改变操作模式。可以基于先前正确分类的似然度来选择和/或改变操作模式。例如,相对较低的似然度可能导致使用不同的操作模式,而相对较高的似然度可能不导致使用不同的操作模式。
选择和/或改变操作模式可以包括选择和/或改变用于获得样品光谱的操作模式。
可以针对以下方面来选择和/或改变用于获得样品光谱的操作模式:(i)在获得样品时取样的靶或受试者的状况(例如胁迫、缺氧、药物等);(ii)用于获得样品的装置类型(例如针、探针、镊子等);(iii)用于获得样品的装置设置(例如,使用的电位、频率等);(iv)用于获得样品的装置操作模式(例如探测模式、指示模式、切割模式、切除模式、凝固模式、干燥模式、电灼模式、烧灼模式等);(v)使用的离子源的类型;(vi)获得样品的取样时间;(vii)用于产生样品的分析物离子的离子模式(例如,阳离子模式和/或阴离子模式);(viii)获得一个或多个样品光谱时使用的光谱仪设置(例如,使用的电位、电位波形(例如波形分布和/或速度)、频率、气体类型和/或压力、掺杂剂等);(ix)断裂或反应步骤的使用、数量和/或类型(例如MS/MS、MSn、MSE、更高能量或更低能量的断裂或反应步骤,电子转移解离(ETD)等);(x)质量或质荷比的分离或过滤步骤的使用、数量和/或类型(例如,扫描、选择或过滤的质量或质荷比的范围);(xi)离子迁移率分离或过滤步骤的使用、数量和/或类型(例如,扫描、选择或过滤的漂移时间范围,使用的气体类型和/或压力、掺杂剂等);(xii)电荷状态分离或过滤步骤的使用、数量和/或类型(例如,扫描、选择或过滤的电荷状态);(xiii)获得一个或多个样品光谱时使用的离子检测器的类型;(xiv)使用的离子检测器设置(例如,使用的电位、频率、增益等);和(xv)使用的面元化处理(例如,面元宽度)。
选择和/或改变操作模式可以包括选择和/或改变用于预处理样品光谱的操作模式。
预处理样品光谱的操作模式可以针对以下中的一个或多个来进行选择和/或改变:(i)组合的光谱的数量和类型;(ii)背景减除处理;(iii)转换/校正处理;(iv)归一化、偏移、比例化和/或函数应用处理;开窗处理(例如,保留或选择的质量、质荷比、或离子迁移率的范围);(v)过滤处理/平滑处理;(vi)数据缩减处理;(vii)阈值处理;(viii)峰检测/选择处理;(ix)分离同位素处理;(x)重新面元化处理;(xi)(进一步)校正处理;和(xii)(进一步)归一化、偏移、比例化和/或函数应用处理。
选择和/或改变操作模式可以包括选择和/或改变用于分析样品光谱的操作模式。
用于分析一个或多个样品光谱的操作模式可以针对以下中的一个或多个来进行选择和/或改变:(i)使用的一类或多类型的分类分析(例如,多变量分析、单变量分析、基于文库的分析、监督分析、无监督分析等);(ii)使用的一个或多个特定分类模型和/或文库;(iii)用于分类模型和/或文库的一个或多个特定参考样品光谱;(iv)使用的一个或多个特定类别或类别限定。
该方法可以包括使用第一操作模式来获得和/或预处理和/或分析样品的一个或多个样品光谱。
该方法可以包括使用第二操作模式来获得和/或预处理和/或分析样品的一个或多个样品光谱。
操作模式可以包括以下中的一个或多个:(i)质量、质荷比和/或离子迁移谱;(ii)光谱,包括拉曼光谱和/或红外(IR)光谱;和(iii)射频(RF)阻抗超声。
如上所述,可以使用取样装置来获得一个或多个样品光谱。在这些实施例中,可以在取样装置保持使用的情况下选择和/或改变操作模式。
该方法可以包括使用第一操作模式来为特定靶和/或受试者提供第一分类,以及使用第二不同操作模式来为相同的特定靶和/或受试者提供第二分类。
使用第一和第二操作模式来获得特定靶和/或受试者的第一和第二分类可以减少或分辨一个或多个样品光谱分类中的模糊性,提供一个或多个样品光谱子分类,和/或提供一个或多个样品的确认光谱分类。使用第一和第二操作模式来获得特定靶和/或受试者的第一和第二分类还可以促进样品的准确分类(例如通过适当地改变操作模式以提高样品光谱的质量(例如峰强度、信噪比等)和/或提高分类的相关性或精度)。因此,这些实施例是特别有利的。
第一操作模式可以在第二操作模式之前或之后或与第二操作模式相同的时间使用。
第一操作模式可以基于第一分类正确的似然度来提供第一分类评分。第二不同的操作模式可以基于第二分类正确的似然度来提供第二分类评分。
可以对第一分类评分和第二分类评分进行组合以提供组合分类评分。
组合分类评分可以基于第一分类评分和第二分类评分的(例如,加权)求和、相乘或平均。
样品可以根据组合分类评分进行分类。
在一些实施例中,第二分类可以与第一分类相同,或者第二分类可以是第一分类中的子分类,或者第二分类可以是包括第一分类的分类。第二类可以确认第一类。
可替代地,第二分类可以与第一分类不同,和/或第二分类可以不是第一分类中的子分类,和/或第二分类可以不是包括第一分类的分类。第二类可能反驳第一种分类。
如上所述,可以使用取样装置来获得一个或多个样品光谱。在这些实施例中,可以在取样装置保持使用的情况下改变操作模式。
在一些实施例中,获得一个或多个样品光谱可以包括:获得相同特定靶和/或受试者的一个或多个(例如已知的)参考样品光谱和一个或多个(例如,未知的)样品光谱,并且分析一个或多个样品光谱可以包括:开发和/或修饰和/或使用为特定靶和/或受试者而定制的分类模型和/或文库。
使用专门为特定靶和/或受试者来开发和/或修饰分类模型和/或文库可以改进特定靶和/或受试者的分类的相关性和/或精度。因此,这些实施例是特别有利的。
如上所述,可以使用取样装置来获得一个或多个样品光谱。在这些实施例中,可以在取样装置保持使用的情况下开发和/或修饰和/或使用针对特定靶和/或受试者的分类模型和/或文库。
可以开发和/或修饰和/或使用多个分类模型和/或文库(例如每个具有一个或多个类别),如任何方面或实施例中所述。
分析一个或多个样品光谱可能会产生一个或多个结果。一个或多个结果可以包括样品的一个或多个分类模型和/或文库和/或类别限定和/或分类标准和/或分类。一个或多个结果可以对应于靶和/或受试者的一个或多个区域。
这些结果可能由光谱分析系统的控制电路使用。
该控制电路可以形成光谱分析系统的光谱仪(例如质谱仪和/或离子迁移谱仪)的一部分或可以结合到光谱分析系统的光谱仪(例如质谱仪和/或离子迁移谱仪)。
该方法可以包括基于一个或多个结果(例如以上述方式)来停止操作模式。
该方法可以包括基于一个或多个结果(例如以上述方式)来选择和/或改变操作模式。
该方法可以包括基于一个或多个结果(例如以上述方式)来开发和/或修饰分类模型和/或文库。
该方法可以包括将一个或多个结果输出到光谱分析系统的电子存储器中。
该电子存储器可以形成光谱分析系统的光谱仪(例如质谱仪和/或离子迁移谱仪)的一部分或可以结合到光谱分析系统的光谱仪(例如质谱仪和/或离子迁移谱仪)。
该方法可以包括将一个或多个结果从第二位置传输到第一位置。
该方法可以包括从第二位置接收在第一位置的一个或多个结果。
如上所述,第一位置可以是远程或远端取样位置,和/或第二位置可以是本地或近端分析位置。例如,这可以允许在灾害地点(例如,地震区域、战区等)获得一个或多个样品光谱,但在相对更安全或更方便的位置对一个或多个样品光谱进行分析。
如上所述,可以使用取样装置来获得一个或多个样品光谱。在这些实施例中,该方法可以包括在取样装置保持使用的情况下基于一个或多个结果提供反馈。
在取样装置保持使用的情况下,基于一个或多个结果提供反馈可以及时使用(例如,术中使用)样品分类。因此,这些实施例是特别有利的。
提供反馈可以包括将一个或多个结果输出到光谱分析系统的一个或多个反馈装置。
一个或多个反馈装置可以包括以下中的一个或多个:触觉反馈装置、视觉反馈装置和/或声音反馈装置。
提供一个或多个结果可以包括(例如使用视觉反馈装置)显示一个或多个结果。
显示一个或多个结果可以包括显示以下中的一个或多个:(i)一个或多个分类模型空间,其包括一个或多个参考样品光谱的一个或多个参考点;(ii)一个或多个分类模型空间,其包括一个或多个样品光谱的一个或多个样品点;(iii)一个或多个样品类别的一个或多个文库条目(例如,元数据);(iv)一个或多个样品类别一个或多个类别限定;(v)一个或多个样品类别的一个或多个分类标准;(vi)样品的一个或多个概率或分类评分;(vii)样品的一个或多个分类;和/或(viii)分类模型的一个或多个评分或载荷。
显示一个或多个结果可以包括以图形和/或字母数字方式显示一个或多个结果。
以图形方式显示一个或多个结果可以包括显示一个或多个结果的一个或多个图示。
一个或多个图示可以具有基于一个或多个结果的形状、大小、图和/或颜色。
显示一个或多个结果可以包括在靶和/或受试者上显示引导线或引导区域,和/或覆盖对应于靶和/或受试者的图像的引导线或引导区。
显示一个或多个结果可以包括显示在靶和/或受试者的一个或多个区域上的一个或多个结果,和/或覆盖图像的一个或多个区上的一个或多个结果,该图像的一个或多个区对应于靶和/或受试者的一个或多个区域。
该方法可以在以下中的一个或多个的上下文中使用:(i)人;(ii)动物;(iii)植物;(iv)微生物;(v)食物;(vi)饮料;(vii)电子香烟;(viii)细胞;(ix)组织;(x)粪便;(xi)化学品;和(xii)生物制药(如发酵液)。
在一些实施例中,该方法可以包括通过手术或治疗(therapy)来治疗人体或动物体,和/或可以包括对人体或动物体进行诊断。该方法可以是手术的和/或治疗的和/或诊断的方法。
根据各个实施例,提供了病理、手术、治疗(therapy,treatment)、诊断、活检和/或尸检的方法,该方法包括在本文任何方面或实施例中所述的光谱分析方法。
在其他实施例中,该方法不包括通过手术或治疗对人体或动物体进行治疗、和/或不包括对人体或动物体进行诊断。该方法可以是非手术的和/或非治疗的和/或非诊断的方法。
根据各个实施例,提供了一种质量控制方法,该方法包括本文在任何方面或实施例中描述的光谱分析方法。
考虑了使用敞开式电离离子源从靶产生烟雾、气溶胶或蒸气的各种实施例(其细节在本文其他地方提供)。然后将气溶胶、烟雾或蒸气与基质进行混合并吸入质谱仪和/或离子迁移谱仪的真空室中。可能引起混合物撞击碰撞表面,导致气溶胶、烟雾或蒸气通过碰撞电离被电离,这会导致分析物离子产生。然后可以对所得分析物离子(或衍生自分析物离子的片段或产物离子)进行质量分析和/或离子迁移率分析,并且所得质谱数据和/或离子迁移谱光谱数据可以进行多变量分析或其他数学处理以便实时确定靶的一个或多个属性。
根据实施例,用于从靶产生气溶胶、烟雾或蒸汽的装置可以包括利用RF电压(例如连续RF波形)的工具。
考虑了其他实施例,其中用于从靶产生气溶胶、烟雾或蒸气的装置可以包括氩等离子体凝固(“APC”)装置。氩等离子体凝固装置涉及使用通过探针引导的电离氩气(等离子体)射流。该探针可以通过内窥镜。当将该探针放置在离靶一定距离处时,氩等离子体凝固基本上是非接触的处理。氩气从探针射出,然后通过高压放电(例如6kV)进行电离。然后通过气体喷射高频电流,导致靶在射流的另一端凝固。凝固深度通常只有几毫米。
在本文的任何实施例中公开的用于产生气溶胶、烟雾或蒸汽的装置(例如手术工具或电外科手术工具、装置或探针或其他取样装置或探针)可包括非接触性手术装置,例如一个或多个水疗手术装置(hydrosurgical device)、手术水射流装置、氩等离子体凝固装置、混合氩等离子体凝固装置、水射流装置和激光装置。
非接触式手术装置可以被限定为被布置并适合于以下的手术装置:在无物理接触组织的情况下进行解剖、裂解、液化、抽吸、电灼或以其他破坏生物组织。实例包括激光装置、水疗手术装置、氩等离子体凝固装置和混合氩等离子体凝固装置。
由于非接触装置可能不会与组织发生物理接触,因此该程序可被视为相对安全的并且可用于治疗具有低细胞内结合的微细组织(例如皮肤或脂肪)。
根据各种实施例,质谱仪和/或离子迁移谱仪可以仅以阴离子模式获得数据、仅以阳离子模式获得数据、或者以阳离子模式和阴离子模式两者来获得数据。阳离子模式光谱数据可以与阴离子模式光谱数据组合或级联。阴离子模式可以提供特别有用的光谱,用于对气溶胶、烟雾或蒸汽样品(例如来自靶(包括脂质)的气溶胶、烟雾或蒸汽样品)进行分类。
可以使用不同的离子迁移漂移气体来获得离子迁移谱光谱数据,或者可以将掺杂剂添加到漂移气体中以引起一个或多个种类的漂移时间的变化。然后可以将这些数据组合或级联。
显而易见的是,直接向样品中添加基质或试剂的要求可能阻止对组织进行体内分析的能力,并且更一般地,可能阻止提供靶材料的快速简单分析的能力。
根据其他实施例,敞开式电离离子源可以包括超声消融离子源或混合电外科-超声消融源(产生液体样品然后将其作为气溶胶吸出)。超声消融离子源可以包括聚焦或未聚焦的超声波。
任选地,用于产生气溶胶、烟雾或蒸气的装置包括选自下组的离子源或形成选自下组的离子源的一部分,该组由以下各项组成:(i)快速蒸发电离质谱(“REIMS”)离子源;(ii)解吸电喷雾电离(“DESI”)离子源;(iii)激光解吸电离(“LDI”)离子源;(iv)热解吸离子源;(v)激光二极管热解吸(“LDTD”)离子源;(vi)解吸电流聚焦(“DEFFI”)离子源;(vii)介质阻挡放电(“DBD”)等离子体离子源;(viii)大气固体分析探针(“ASAP”)离子源;(ix)超声波辅助喷雾电离离子源;(x)简易敞开式声波喷雾电离(“EASI”)离子源;(xi)解吸大气压光致电离(“DAPPI”)离子源;(xii)纸喷雾(“PS”)离子源;(xiii)射流解吸电离(“JeDI”)离子源;(xiv)触摸喷雾(“TS”)离子源;(xv)纳米DESI离子源;(xvi)激光消融电喷雾(“LAESI”)离子源;(xvii)实时直接分析(“DART”)离子源;(xviii)探针电喷雾电离(“PESI”)离子源;(xix)固体探针辅助电喷雾电离(“SPA-ESI”)离子源;(xx)超声外科吸引器(“CUSA”)装置;(xxi)混合CUSA透热设备;(xxii)聚焦或未聚焦的超声波消融装置;(xxiii)混合聚焦和未聚焦的超声波消融和透热装置;(xxiv)微波共振装置;(xxv)脉冲等离子体RF解剖装置;(xxvi)氩等离子体凝固装置(argon plasma coagulation device);(xxvi)混合脉冲等离子体RF解剖和氩等离子体凝固装置(hybrid pulsed plasma RFdissection and argon plasma coagulation device);(xxvii)混合脉冲等离子体RF解剖和JeDI装置(hybrid pulsed plasma RF dissection and JeDI device);(xxviii)手术水/盐水射流装置(surgical water/saline jet device);(xxix)混合电外科和氩等离子体凝固装置(hybrid electrosurgery and argon plasma coagulation device);和(xxx)混合氩等离子体凝固和水/盐水射流装置(hybrid argon plasma coagulation andwater/saline jet device)。
根据一方面,提供了质谱和/或离子迁移谱的方法,该方法包括本文在任何方面或实施例中所述的光谱分析方法。
根据一方面,提供了质谱分析系统和/或离子迁移谱分析系统和/或质谱仪和/或离子迁移谱仪,这些都包括本文在任何方面或实施例中所述的光谱测定分析系统。
即使没有明确说明,本文所述的光谱分析方法可以包括在适当的情况下进行光谱测量分析系统(如本文的任何方面或实施例所述)中进行的任何一个或多个步骤。
类似地,即使没有明确说明,本文所述的光谱测量分析系统(例如,电路和/或装置)可以被布置并适合于在适当的情况下进行光谱分析方法的任何一个或多个功能步骤(如本文的任何方面或实施例所述)。
可以根据需要来使用硬件和/或软件来实施一个或多个功能步骤。
因此,根据一个方面,提供了一种计算机程序,该程序包括计算机软件代码,该计算机软件代码用于当该程序在光谱测量分析系统的控制电路上运行时进行光谱分析方法(如本文的任何方面或实施例所述)。
计算机程序可以在有形的计算机可读介质(例如,磁盘、CD、DVD、ROM、RAM、闪存、硬盘等)上提供和/或经由有形介质(例如,使用光通信线路或模拟通信线路)或无形介质(例如使用无线技术)来提供。
附图说明
仅通过举例的方式并且参照这些附图来说明出各种实施例,其中:
图1示出了根据各种实施例的光谱分析方法的概视图;
图2示出了系统的概视图,该系统根据各种实施例被布置并适合于进行光谱测量分析的系统;
图3示出了快速蒸发电离质谱法(“REIMS”)的方法,其中将RF电压施加到双极镊子,导致产生气溶胶或手术羽流(surgical plume),然后通过双极镊子的冲洗口捕获该气溶胶或手术羽流,并且之后将该气溶胶或手术羽流转移到质谱仪进行质谱分析和/或离子迁移率分析;
图4示出了根据各种实施例的预处理样品光谱的方法;
图5示出了从多个参考样品光谱产生背景噪音谱、然后使用背景减除的参考样品光谱来开发分类模型和/或文库的方法;
图6示出了样品质谱,将要导出其背景噪音分布图;
图7示出了用于导出背景噪音分布图的图6的样品质谱的窗口;
图8示出了图7样品质谱的窗口的段和次段,其中该样品质谱用于导出背景噪音分布图;
图9示出了针对图7的样品质谱的窗口导出的背景噪音分布图图。
图10示出了图7样品质谱的窗口,其中减除了图9的背景噪音分布图;
图11示出了根据各种实施例的用于样品光谱的背景减除和分类的方法;
图12A和图12B示出了样品质谱,将要应用分离同位素对其进行处理;
图13示出了试验单同位素样品质谱的建模同位素版本。
图14A和图14B示出了图12A和图12B的样品质谱的分离同位素样品质谱;
图15示出了一种分析方法,该方法包括根据各种实施例构建分类模型;
图16示出了从两类已知参考样品获得的一组参考样品光谱;
图17示出了具有由强度轴限定的三个维度的多变量空间,其中该多变量空间包括多个参考点,每个参考点对应于从参考样品光谱导出的一组三个峰强度值;
图18示出了PCA模型的累积差异和成分数量之间的一般关系;
图19示出了具有由主要成分轴限定的两个维度的PCA空间,其中该PCA空间包括多个变换的参考点或评分,每个变换的参考点对应于图17的参考点;
图20示出了具有单个维度或轴的PCA-LDA空间,其中基于图19的PCA空间进行LDA,该PCA-LDA空间包括多个进一步变换的参考点或类别评分,每个进一步变换的参考点对应到图19的变换参考点或评分。
图21示出了一种分析方法,该方法包括根据各种实施例使用分类模型;
图22示出了从未知样品获得的样品光谱;
图23示出了图20的PCA-LDA空间,其中该PCA-LDA空间还包括从图22的样品光谱的峰强度值导出的PCA-LDA投影样品点;
图24示出了一种分析方法,该方法包括根据各种实施例构建分类文库;和
图25示出了一种分析方法,该方法包括根据各种实施例使用分类文库。
具体实施方式
概述
现在将在下面更详细地描述各种实施例,这些实施例通常涉及:获得一个或多个样品的样品光谱,然后分析一个或多个样品光谱,以便将样品进行分类。
在这些实施例中,从靶获得样品。然后使样品电离以产生分析物离子。然后对所得分析物离子(或衍生自分析物离子的片段或产物离子)进行质量分析和/或离子迁移率分析,并且使所得质谱数据和/或离子迁移谱光谱数据经受预处理,然而经受分析以便(例如,实时)确定靶的一个或多个属性。
图1示出了根据各种实施例的光谱分析方法100的概视图;
光谱分析方法100包括步骤102,该步骤102获得一个或多个样品的一个或多个样品光谱。光谱分析方法100然后包括步骤104,该步骤104预处理一个或多个样品光谱。光谱分析方法100然后包括步骤106,该步骤106分析一个或多个样品光谱以对一个或多个样品进行分离。光谱分析方法100然后包括步骤108,该步骤108使用分析结果。以下将更详细地讨论光谱分析方法100中的步骤。
图2示出了系统200的概视图,该系统200被根据各种实施例布置并适合于进行光谱测量分析;
光谱分析系统200包括取样装置202和光谱仪204,该取样装置202和光谱仪204被布置并适合于获得一个或多个样品的一个或多个样品光谱。
光谱分析系统200还包括预处理电路206,该预处理电路206被布置并适合于预处理由取样装置202和光谱仪204获得的一个或多个样品光谱。预处理电路206可以直接连接到光谱仪204或无线连接到光谱仪204。无线连接可以允许在远程或远端灾害地点(例如地震区域或战区)获得一个或多个样品光谱,然后将其在例如更方便或更安全的本地或近端位置进行处理。此外,光谱仪204可以压缩一个或多个样品光谱中的数据,使得需要传输的数据较少。
光谱分析系统200还包括分析电路208,该分析电路208被布置并适合于分析一个或多个样品光谱,以便对一个或多个样品进行分类。分析电路208可以直接连接到预处理电路206或无线连接到预处理电路206。再次,无线连接可以允许在远程或远端灾害地点获得一个或多个样品光谱,然后将其在例如更方便或更安全的本地或近端位置进行处理。此外,预处理电路206可以减少一个或多个样品光谱中的数据量,使得需要传输的数据较少。
光谱分析系统200还包括反馈装置210,该反馈装置210被布置并适合于基于分析结果提供反馈。反馈装置210可以直接连接到分析电路208或无线地连接到分析电路208。无线连接可以允许在更方便或更安全的本地或近端位置处预处理和分析一个或多个样品光谱,然后在远程或远端灾害位置提供反馈。反馈装置可以包括触觉反馈装置、视觉反馈装置和/或听觉反馈装置。
系统200还包括控制电路212,该控制电路212被布置并适合于控制系统200的元件的操作。控制电路212可以直接连接到系统200的每个元件或无线连接到系统200的每个元件。在一些实施例中,系统200的一个或多个元件还可以具有或替代地具有它们自己的控制电路。
系统200还包括电子存储器214,该电子存储器214被布置并适合于存储由系统200的各种元件提供和/或使用的各种数据(例如样品光谱、背景噪音分布图、同位素模型、分类模型和/或文库、结果等)。
系统200的各元件可以直接或无线连接到彼此,以便能够传送一些数据或全部数据。可替代地,可以经由可移动存储介质传送一些数据或全部数据。
在一些实施例中,预处理电路206、分析电路208、反馈装置210、控制电路212和/或电子存储器214可以形成光谱仪204的一部分。
在一些实施例中,预处理电路206和分析电路208可以形成控制电路212的一部分。
以下将更详细地讨论光谱分析系统200的元件。
获得样品光谱
如上所述,图1的光谱分析方法100包括步骤102,该步骤102获得一个或多个样品光谱。
此外,如上所述,图2的光谱分析系统200包括取样装置202和光谱仪204,该取样装置202和光谱仪204被布置并适合于获得一个或多个样品的一个或多个样品光谱。
样品可以是大块固体、液体或气体样品,或是气溶胶、烟雾或蒸汽样品。
使用取样装置202来获得样品。然后,通过采样装置202或光谱仪204来使样品电离。然后,使用光谱仪204分析所获得的分析物离子以生成一个或多个样品光谱。
通过举例,现在将描述用于获得样品光谱的许多不同技术。
敞开式电离离子源
根据各种实施例,取样装置是用于从靶(例如,体内组织)产生气溶胶、烟雾或蒸气样品。该装置可以包括敞开式离子源,该敞开式离子源的特征在于能够从天然和/或未修饰的靶产生分析物气溶胶、烟雾或蒸汽样品。例如,其他类型的电离离子源,例如基质辅助激光解吸电离(“MALDI”)离子源需要在电离之前将将基质或试剂添加到样品中。
尽管实施例可以包括这些操作,显而易见的是,向样品中添加基质或试剂的要求可能阻止对组织进行体内分析的能力,并且更一般地,可能阻止提供靶材料的快速简单分析的能力。
因此,相比之下,敞开式电离技术是特别有利的,因为它们首先不需要添加基质或试剂(因此适用于体内组织的分析),其次,它们能够快速简单地对靶物质进行分析。
许多不同的敞开式电离技术是已知的,并且这些技术旨在落入本发明的范围内。根据历史记录,解吸电喷雾电离(“DESI”)是第一个要开发的敞开式电离技术,该技术被公开于2004年。自2004年以来,已经开发了许多其他敞开式电离技术。这些敞开式电离技术在精确的电离方法上是不同的,但是它们具有相同的直接从天然(即未处理或未修饰)样品产生气相离子的综合性能。各种敞开式电离技术(可在实施例中使用)的特别优点是它们不需要先前制备任何样品。结果,各种敞开式电离技术使得能够对体内组织和离体组织样品进行分析,同时不需要向组织样品或其他靶材料添加基质或试剂的时间和费用。
可在实施例中使用的敞开式电离技术的列表在下表中给出:
根据实施例,敞开式离子源可以包括快速蒸发电离质谱(“REIMS”)离子源,其中将RF电压施加到一个或多个电极,以通过焦耳加热产生手术烟雾的气溶胶或羽流。
然而,应当理解,还可以使用包括上述那些的其他敞开式离子源。例如,根据另一个实施例,敞开式电离离子源可以包括激光离子源。根据实施例,激光离子源可以包括中红外激光消融离子源。例如,存在几个发射接近2.94μm或2.94μm的辐射的激光器,这些激光器对应于吸水光谱中的峰。根据各种实施例,敞开式电离离子源可以包括激光消融离子源,该激光消融离子源具有接近2.94μm的波长(基于2.94μm高吸收系数)。根据实施例,激光消融离子源可以包括发射2.94μm辐射的Er:YAG激光器。
可以考虑其他实施例,其中可以使用中红外光参量振荡器(“OPO”)来产生具有大于2.94μm波长的激光消融离子源。例如,可以使用Er:YAG泵浦ZGP-OPO产生激光辐射,这些激光辐射具有例如6.1μm、6.45μm或6.73μm的波长。在某些情况下,使用具有比2.94μm更短或更长的波长的激光消融离子源可能是有利的,因为只有表面层将被消融并且可能导致较少的热损伤。根据实施例,Co:MgF2激光器可以用作激光消融离子源,其中该激光器可以从1.75μm-2.5μm调谐。根据另一个实施例,可以使用由Nd:YAG激光器泵浦的光学参量振荡器(“OPO”)系统来产生激光消融离子源,该激光消融离子源的波长在2.9μm-3.1μm之间。根据另一个实施例,可以使用波长为10.6μm的CO2激光来产生气溶胶、烟雾或蒸汽样品。
根据其他实施例,敞开式电离离子源可以包括超声消融离子源(产生液体样品然后将其作为气溶胶吸出)。超声消融离子源可以包括聚焦源或未聚焦源。
根据实施例,用于获得样品的取样装置可以包括利用连续RF波形的电外科手术工具。
根据其他实施例,可以使用射频组织解剖系统,该射频组织解剖系统被布置成将脉冲等离子体RF能量提供给工具。例如该工具可以包括等离子刀(PlasmaBlade(RTM))。脉冲等离子体RF工具的工作温度低于传统的电外科手术工具的工作温度(例如参考40℃-170℃,200℃-350℃),从而减少热损伤深度。脉冲波形和占空比(duty cycles)都可以用于切割模式和凝固模式(包括通过沿着薄绝缘电极的切割边缘引入电等离子体)。
快速蒸发电离质谱法(“REIMS”)
图3示出了快速蒸发电离质谱法(“REIMS”)的方法,其中双极镊子1可以与患者3的体内组织2接触。在图3所示的实例中,双极镊子1可以在对患者的大脑进行外科手术处理中与患者3的脑组织2进行接触。来自RF电压发生器4的RF电压可以被施加到双极镊子1,这导致组织2的局部焦耳或透热加热。结果,产生气溶胶或手术羽流5。然后可以通过双极镊子1的冲洗口捕获或以其他方式抽吸气溶胶或手术羽流5。因此,双极镊子1的冲洗口被再次用作抽吸口。然后可以将气溶胶或手术羽流5从双极镊子1的冲洗(抽吸)口传送到管道6(例如,直径为1/8”或3.2mm的特氟隆(RTM)管)。管道6被布置成将气溶胶或手术羽流5传送到质谱仪和/或离子迁移谱仪8的大气压界面7。
根据各种实施例,可以在大气压力界面7处将包括有机溶剂(如异丙醇)的基质添加到气溶胶或手术羽流5中。然后气溶胶3和有机溶剂的混合物可以被布置成撞击质谱仪和/或离子迁移谱仪8的真空室内的碰撞表面。根据一个实施例,可以加热碰撞表面。在撞击碰撞表面时使气溶胶电离,导致分析物离子的产生。通过添加有机溶剂可以提高产生分析物离子的电离效率。然而,添加有机溶剂不是必需的。
其它离子源
尽管以上详细描述了敞开式离子源,应当理解,在实施例中可以使用其它离子源。
例如,离子源可包括以下中的一个或多个:(i)电喷雾电离(ElectrosprayIonisation(“ESI”))离子源;(ii)大气压光致电离(Atmospheric Pressure PhotoIonisation(“APPI”))离子源;(iii)大气压化学电离(Atmospheric Pressure ChemicalIonisation(“APCI”))离子源;(iv)基质辅助激光解吸电离(Matrix Assisted LaserDesorption Ionisation(“MALDI”))离子源;(v)激光解吸电离(Laser DesorptionIonisation(“MALDI”))离子源;(vi)大气压电离(Atmospheric Pressure Ionisation(“API”))离子源;(vii)硅表面上解吸电离(Desorption Ionisation on Silicon(“DIOS”))离子源;(viii)电子碰撞(Electron Impact(“EI”))离子源;(ix)化学电离(Chemical Ionisation(“CI”))离子源;(x)场电离(Field Ionisation(“FI”))离子源;(xi)场解吸(Field Desorption(“FD”))离子源;(xii)电感耦合等离子体(InductivelyCoupled Plasma(“ICP”))离子源;(xiii)快原子轰击(Fast Atom Bombardment(“FAB”))离子源;(xiv)液态二次离子质谱(Liquid Secondary Ion Mass Spectrometry(“LSIMS”))离子源;(xv)解吸电喷雾电离(Desorption Electrospray Ionisation(“DESI”))离子源;(xvi)镍-63(Nickel-63)放射性离子源;(xvii)大气压基质辅助激光解吸电离(Atmospheric Pressure Matrix Assisted Laser Desorption Ionisation)离子源;(xviii)热喷雾(Thermospray)离子源;(xix)大气采样辉光放电电离(AtmosphericSampling Glow Discharge Ionisation(“ASGDI”))离子源;(xx)辉光放电(GlowDischarge(“GD”)device);(xxi)撞击器(Impactor)离子源;(xxii)实时直接分析(DirectAnalysis in Real Time(“DART”)离子源);(xxiii)激光喷雾电离(LasersprayIonisation(“LSI”)离子源);(xxiv)声波喷雾电离(Sonicspray Ionisation(“SSI”)离子源);(xxv)基质辅助入口电离(Matrix Assisted Inlet Ionisation(“MAII”)离子源);(xxvi)溶剂辅助入口电离(Solvent Assisted Inlet Ionisation(“SAII”)离子源);(xxvii)解吸电喷雾电离(Desorption Electrospray Ionisation(“DESI”))离子源;(xxviii)激光烧蚀电喷雾电离(Laser Ablation Electrospray Ionisation(“LAESI”))离子源;和(xxix)表面辅助激光解吸电离(Surface Assisted Laser DesorptionIonisation(“SALDI”))离子源。
分析物离子的分析
将所产生的分析物离子通过质谱仪和/或离子迁移谱仪的后续阶段,并在质量分析仪和/或离子迁移率分析仪中进行质量分析和/或离子迁移率分析。
考虑了各种实施例,其中分析物离子也经受:(i)通过质量分析仪如四极质量分析仪或飞行时间质谱仪进行的质量分析;(ii)离子迁移率分析(IMS)和/或微分离子迁移谱(DMA)和/或场非对称离子迁移谱(FAIMS)分析;和/或(iii)首先进行离子迁移率分析(IMS)和/或差示离子迁移率分析(DMA)和/或场非对称离子迁移谱(FAIMS)分析的组合(或反之亦然),随后是质量分析仪(比如四极质谱仪或飞行时间质量分析仪)的二次质量分析(或反之亦然)。各种实施例还涉及离子迁移谱仪和/或质量分析仪以及离子迁移谱方法和/或质量分析方法。离子迁移率分析可以在质荷比分析之前进行,或反之亦然。
在本申请中,对质量分析(mass analysis and mass analysing)、质量分析仪、质谱数据、质谱仪和其他相关术语(这些术语提及了用于确定分析物离子的质量或质荷比的装置和方法)进行了各种参考。应当理解,同样考虑到本发明可以延伸到离子迁移率分析(ion mobility analysis and ion mobility analysing)、离子迁移率分析仪、离子迁移率数据、离子迁移谱仪,离子迁移分离器和其他相关术语,这些术语参考用于确定离子迁移率、微分离子迁移率、碰撞横截面或分析物离子的相互作用横截面的装置和方法。此外,还应当理解,考虑了实施例,其中分析物离子可以经受离子迁移率分析和质量分析的组合,即(a)分析物离子的离子迁移率、微分离子迁移率、碰撞横截面或相互作用横截面与(b)分析物离子的质量一起被测定。因此,考虑了混合离子迁移率-质谱(IMS-MS)和质谱-离子迁移率(MS-IMS)实施例,其中所产生的分析物离子的离子迁移率和质荷比一起被测定。离子迁移率分析可以在质荷比分析之前进行,或反之亦然。此外,应当理解,考虑实施例,其中对质谱数据和数据库(包括质谱数据)的参考也应被理解为包括离子迁移率数据和差分离子迁移率数据等,以及数据库(分离或与质谱数据组合)包括离子迁移率数据和微分离子迁移率数据等。
例如,质量分析仪和/或离子迁移率分析仪可以包括四极质量分析仪或飞行时间质量分析仪。质量分析仪的输出包括样品的多个样品光谱,每个光谱由一组时间-强度对表示。通过将离子检测面元化成多个面元来获得每组时间-强度对。在该实施例中,每个面元具有质量或质荷比当量宽度为0.1Da或Th。
预处理样品光谱
如上所述,图1的光谱分析方法100包括步骤104,该步骤102预处理一个或多个样品光谱。
此外,如上所述,图2的光谱分析系统200包括预处理电路206,该预处理电路206被布置并适合于预处理一个或多个样品光谱。
通过举例,现在将描述许多不同的预处理步骤。除了分离同位素的步骤之外,还可以进行任何一个或多个步骤,以便预处理一个或多个样品光谱。一个或多个步骤还可以以任何希望的和合适的顺序进行。
图4示出了根据各种实施例的预处理样品光谱的方法400。
预处理方法400包括组合多个样品光谱的步骤402。在一些实施例中,将多个光谱的相应面元中的离子检测或强度值相加以产生样品的组合样品光谱。在其他实施例中,可以使用不同程度的离子衰减获得多个光谱,并且可以使用多个光谱的相应面元中的离子检测或强度值的适当加权求和来产生样品的组合样品光谱。在其他实施例中,多个样品光谱可以被级联,从而为预处理和/或分析提供更大的数据集。
预处理方法400然后包括背景减除的步骤404。背景减除处理包括:获得样品光谱的背景噪音分布图,并从样品光谱中减除背景噪音分布图,以产生一个或多个背景减除样品光谱。下面更详细地描述背景减除处理。
预处理方法400然后包括步骤406,该步骤406将样品光谱的离子到达时间转换和校正到合适质量和/或质荷比和/或离子迁移率。在一些实施例中,校正处理包括偏移和比例化样品光谱,该偏移和比例化是基于已知的质量和/或离子迁移率(对应于锁定质量和/或锁定迁移率率离子的已知光谱峰,该已知光谱峰与分析物离子一起提供)。
预处理方法400然后包括步骤408,该步骤408对样品光谱的强度值进行归一化。在一些实施例中,该归一化包括:基于样品光谱的统计特性(例如总离子电流(TIC))、基峰强度、平均或分位数强度值、或一些强度函数的平均值或分位数来偏移和比例化强度值。在一些实施例中,步骤408还包括对样品光谱中的强度值应用函数。该函数可以是一种差异稳定函数,该差异稳定函数可以消除样品光谱中强度差异和强度之间的相关性。该函数还可以增强样品光谱(该样品光谱可能对分类有用)中的特定质量和/或质荷比和/或离子迁移率。
预处理方法400然后包括开窗步骤410,其中该步骤选择样品光谱的部分用于进一步的预处理。在一些实施例中,保留对应于600Da或Th-900Da或Th范围内的质量或质荷比的样品光谱部分,因为这可以为分类组织提供特别有用的样品光谱。在其他实施例中,保留对应于600Da或Th-2000Da或Th范围内的质量或质荷比的样品光谱部分,因为这可以为分类细菌提供特别有用的样品光谱。
预处理方法400然后包括步骤412,该步骤412使用Savitzky-Golay处理来进行过滤处理和/或平滑处理。该处理消除了样品光谱中不需要的较高频率波动。
预处理方法400然后包括数据缩减步骤414,该步骤以减少要进行分析的强度值的数量。考虑了各种形式的数据缩减。除了分离同位素的步骤之外,还可以进行以下数据缩减步骤中的一个或多个。一个或多个数据缩减步骤还可以以任何希望的和合适的顺序进行。
数据缩减处理可以包括步骤416,该步骤416保留高于强度阈值或强度阈值函数的样品光谱部分。强度阈值或强度阈值函数可以基于样品光谱的统计特性,例如总离子电流(TIC)、基峰强度、平均或分位数强度值、或一些强度函数的平均值或分位数。
数据缩减处理可以包括步骤418,该步骤418是峰检测和选择。峰检测和选择处理可以包括找到样品光谱的梯度并使用梯度阈值来鉴定峰的上升沿和/或下降沿。
数据缩减处理包括分离同位素的步骤420,其中同位素峰从样品光谱中被鉴定和减少或去除和/或其中进行同位素反卷积。下面更详细地描述分离同位素处理。分离同位素的步骤420可以在峰检测和选择的步骤418之后,即使用所检测到并选择的峰。这可以减少在分离同位素的步骤420期间所需要的处理量。
数据缩减处理可以包括重新面元化的步骤422,其中来自较窄面元的离子强度值被积累于一组更宽的面元中。在该实施例中,每个面元具有的质量或质荷比当量宽度为1Da或Th。
预处理方法400然后包括进一步校正步骤424,该步骤包括包括偏移和比例化样品光谱的所选择的峰,该偏移和比例化是基于已知的质量和/或离子迁移率(对应于锁定质量和/或锁定迁移率率离子的已知光谱峰,该已知光谱峰与分析物离子一起提供)。
预处理方法400然后包括进一步的步骤426,该步骤归一化一个或多个样品光谱的所选择的峰的强度值。在一些实施例中,该归一化包括:基于样品光谱的所选择的峰的统计特性(例如总离子电流(TIC)、基峰强度、平均或分位数强度值、或一些强度函数的平均值或分位数)来偏移和比例化强度值。该归一化可以制备用于分析的样品光谱的所选择的峰的强度值。例如,强度值可以被归一化以具有特定的平均值(例如,均值或中位值)(例如0或1),以具有特定的最小值(例如-1)和具有特定的最大值(例如1)。
预处理方法400然后包括步骤428,该步骤输出用于分析的预处理光谱。
在一些实施例中,使用图4的预处理方法400产生多个预处理光谱。多个预处理光谱可以组合或级联。
背景减除
如上所述,图4的预处理方法400包括背景减除的步骤404。该步骤可以包括获得样品光谱的背景噪音分布图。
样品光谱的背景噪音分布图可以从样品光谱本身导出。然而,可能难以从样品光谱本身导出足够的背景噪音分布图,特别是在可用的样品相对较少或质量差的情况下,使得样品的样品光谱包括相对较弱的峰和/或包括不良限定的噪音。
为了解决这个问题,可将背景噪音分布图从参考样品光谱中导出,并存储在电子存储器中供以后使用。每类样品的参考样品光谱通常具有特征(例如,周期性)背景噪音分布图,这是由于当该类样品产生离子时倾向于产生特定离子。因此,可以针对每个类别的样品导出背景噪音分布图。相应地,可以使用针对相对较高质量或更大量的样品获得的参考样品光谱,为每个类别事先推导明确限定的背景噪音分布图。然后可以在分类样品之前检索背景噪音分布图以用于背景减除处理。
通过举例,现在将更详细地描述导出和使用背景噪音分布图的方法。
图5示出了从多个参考样品光谱产生背景噪音谱、然后使用背景减除的样品光谱来开发分类模型和/或文库的方法500。
方法500包括输入多个参考样品光谱的步骤502。该方法然后包括步骤504,该步骤导出和存储多个参考样品光谱中每一个的背景噪音分布图。该方法然后包括步骤506,该步骤从其对应的参考样品光谱中减除每个背景噪音分布图。该方法然后包括步骤508,该步骤对背景减除的样品光谱进行进一步的预处理(例如如上参考图4所述)。该方法然后包括步骤510,该步骤510使用背景减除的样品光谱来开发分类模型和/或文库。
现在参考实例,将更详细地描述从样品光谱产生背景噪音分布图的方法。
图6示出了将导出背景噪音分布图的样品光谱600。样品光谱600被划分成多个重叠窗口,每个重叠窗口分别被处理。可替代地,可以使用平移窗口。
图6和图7更详细地示出了样品光谱600的窗口602。在该实施例中,该窗口为18Da或Th宽。
如图8所示,为了导出背景噪音分布图,将窗口602划分成多个段604。在该实施例中,窗口602被划分成18段,每个段是1Da或Th宽。
每个段604被进一步划分成多个次段606。在该实施例中,每个段604被划分成10个次段,每个次段是0.1Da或Th宽。
给定次段606的背景噪音分布图值然后是窗口602(对应于次段606)中的次段606和段604的其他次段的强度值组合。在该实施例中,该组合是相应次段的强度值的45%分位数。
图9示出了所得到的背景噪音分布图,该背景噪音分布图针对图6和7的窗口602导出。如图9所示,窗口602包括具有1Da或Th周期的周期性背景噪音分布图。
图10示出了图7的窗口602,其中减除了图9的背景噪音分布图。比较图10至图7,清楚的是,图10的背景减除光谱具有提高的质量精度和另外的可鉴定峰。随后的处理(例如,峰检测、分离同位素、分类等)可以在背景减除处理之后提供改进的结果。
在其他实施例中,背景噪音分布图可以通过将分段多项式拟合到光谱中而导出。描述背景噪音分布图的分段多项式可以被拟合,使得光谱的选定比例低于分段多项式的每个段中的多项式。
在其他实施例中,例如,可以通过使用(例如,快速)傅里叶变换在频域中进行过滤来导出背景噪音分布图。过滤可以去除相对缓慢或周期性变化的光谱成分。
现在参考实例,将更详细地描述使用来自参考样品光谱的背景噪音分布图的方法。
图11示出了样品光谱的背景减除和分类方法1100。
该方法110包括输入样品光谱的步骤1102。该方法然后包括步骤1104,该步骤从电子存储器检索相应类别的样品的多个背景噪音分布图。该方法然后包括步骤1106,该步骤比例化每个背景噪音分布图,然后从样品光谱中减除每个背景噪音分布图,以产生多个背景减除光谱。该方法然后包括步骤1108,该步骤对背景减除的样品光谱进行进一步的预处理(例如如上参考图4所述)。该方法然后包括步骤1110,该步骤使用分类模型和/或文库,以便使用与该类别相对应的背景减除样品光谱来为每类样品提供分类评分或概率。
然后可以将样品光谱分类为具有最高分类评分或概率的类别。
分离同位素
如上所述,图4的预处理方法400包括分离同位素的步骤420。通过举例,现在将更详细地描述分离同位素的方法。
图12A示出了样品质谱1200,将对其应用分离同位素处理。通过微生物培养物的快速蒸发电离质谱分析获得样品质谱1200。图12B示出了样品质谱1200的一部分的近视图。
所示的质荷比(m/z)范围包括一系列磷脂,这些磷脂的相对强度可用于区分不同种类的微生物。
样品质谱1200含有至少三种不同的单一带电种类,这些带电种类的质量约为MA=714.5、MB=716.5和MC=719.5,每个都伴随着特征同位素分布,引起M+1、M+2等处的峰。
在该实施例中,MA=714.5、MB=716.5处的峰与化学上密切相关的种类A和B有关。因此,种类A在m/z 716.5处的同位素峰位于种类B的单同位素峰顶部。因此,716.5处的峰接收来自种类A和种类B的贡献。
如果不同微生物的种类A和B的相对丰度不同,那么m/z 716.5相对于周围峰的峰强度是复杂的。
可能出现这样的情况,其中单个质谱峰可以接收来自两个以上种类的贡献,以及具有不同电荷状态的种类的贡献。这种复杂性使评分类问题复杂化,并且可能需要使用比如果光谱中的每个峰都起源于单一分子物种所需要的更复杂和/或计算要求更高的算法。
产生的另一个相关问题是存在部分可分辨的峰,例如种类D的MD=720.5处的峰。
尽管在这样的光谱中表示的分子种类的身份可能是未知的,但是通常情况下,它们的组成被足足够好地限制,只要知道它们的分子量和电荷状态,能以良好的精度来预测同位素分布。这对于分子量和组成密切相关的分子(由共同的组分或重复单元(例如聚合物、寡核苷酸、肽、蛋白质、脂质、碳水化合物等)构成)来说尤其如此。
可以处理含有这种类型种类的质谱数据,以产生仅包括单同位素峰(换句话说,每个种类的单个代表性峰)的简化光谱。还可以根据同位素间隔来鉴定每个种类的电荷状态,用于输出分离同位素处理是重构的单电荷光谱或中性光谱。虽然这些方法可以在实施例中使用,但是它们更适合于处理相对简单的光谱,因为它们可能不能处理重叠的同位素簇。这可能导致错误的质量分配至种类、定量误差、并且完全不能对某些种类进行分类。
术语“同位素反卷积”在本文中用于描述分离同位素的方法,该方法可以对包括重叠/干扰或部分可分辨的种类的复杂光谱进行反卷积。在这些实施例中,即使当同位素峰重叠时,种类的相对强度还可以在分离同位素处理中保留。
在下面的实施例中,分离同位素处理是同位素反卷积处理,其中重叠和/或干扰的同位素峰可以被去除或减少,而不是简单地被去除。
在该实施例中,分离同位素处理是使用蒙特卡罗法(Monte Carlo)、概率(贝叶斯推理)和嵌套取样方法的迭代正演模拟处理。
首先,产生一组试验假设的单同位素样品光谱X。使用已知的概率密度函数(涉及可疑样品类别(该样品类别与样品光谱相关)的质量、强度、电荷状态和峰数)产生一组试验单同位素样品光谱X。
然后使用已知的可疑样品类别(该样品类别与样品光谱相关)的平均同位素分布,从试验单同位素样品光谱X中产生具有同位素峰的一组建模样品光谱。
图13示出了建模样品光谱1202的一个实例,该建模样品光谱1202从试验单同位素样品光谱产生。
然后通过将每个模型样品光谱与样品光谱1200进行比较,导出给定每个试验单同位素样品光谱1202的样品光谱1200的似然度L。
然后使用已知的的概率密度函数(涉及质量、强度、电荷状态和峰数量)重新产生具有最低似然度L0的试验单同位素样品光谱x0,直到再生的试验单同位素样品光谱x1给出似然度L1>L0。
然后使用已知的的概率密度函数(涉及质量、强度、电荷状态和峰数量)重新产生具有下一最低似然度L2的试验单同位素样品光谱x2,直到再生的试验单同位素样品光谱x3给出L3>L2。
继续进行对于每个随后的单同位素样品光谱xn(具有下一最低似然度Ln,需要Ln+1>Ln)的这种再生试验单同位素样品光谱的迭代处理,直到所有试验单同位素样品光谱X达到或似乎达到最大似然Lm。
图14A和图14B示出了从最终的一组试验单同位素样品光谱X得到的图12A和图12B的样品光谱1200的分离同位素光谱1204。
在该实施例中,分离同位素版本1204中的每个峰具有:至少在代表性的一组分离同位素的样品光谱(产生于最终的一组试验单同位素样品光谱X)中存在阈值概率(例如发生率);小于单同位素分离同位素样品光谱的代表组中的阈值质量不确定度;和小于分离同位素样品光谱的代表组中的阈值强度不确定度。
在其他实施例中,可以使用代表性的一组分离同位素的样品光谱(产生于最终的一组试验单同位素样品光谱X)所鉴定的峰簇的平均值,以导出分离同位素谱中的峰。
显而易见的是,分离同位素光谱1204比图12A和图12B的起源光谱1200简单得多,并且分离同位素光谱1204提供了数据的较低维度表征(例如,涉及更少的数据通道、面元、检测到的峰等)。当对样品光谱进行基于多变量和/或文库的分析以便对样品进行分类时,这是特别有用的。具体地,可以进行更简单和/或更少资源密集型分析。
此外,分离同位素可以通过去除由同位素分布引起的共性来帮助区分光谱。再次,当对样品光谱进行基于多变量和/或文库的分析以便对样品进行分类时,这是特别有用的。具体地,例如由于多变量空间中的类别之间更大的分离和在基于文库的分析中的分类评分或概率之间的更大差异,可以提供更准确或更可信的分类。
在其他实施例中,可以使用其他迭代正演模拟处理(诸如大量推论或最大熵)。这些也通常是同位素反卷积方法。
在其他实施例中,可以使用其他方法,例如最小二乘法、非负最小二乘法和(快速)傅里叶变换。这些方法通常也是同位素反卷积方法。
在一些实施例中,当已知一个或多个具有已知元素组成的种类存在或可能存在于光谱中时,它们可以包括在反卷积处理(具有正确的质量和基于其真实组成的精确同位素分布而不是基于它们的质量的估计)中。
分析样品光谱
如上所述,图1的光谱分析方法100包括步骤106,该步骤106分析一个或多个样品光谱以分类样品。
此外,如上所述,图2的光谱分析系统200包括分析电路208,该分析电路208被布置并适合于分析一个或多个样品光谱,以便对样品进行分类。
分析一个或多个样品光谱以便对样品进行分类可以包括使用参考样品光谱和/或使用分类模型和/或文库来构建分类模型和/或文库、以鉴定样品光谱。可以为特定靶或受试者(例如患者)开发和/或修饰分类模型和/或文库。还可以在使用用于获得样品光谱的取样装置时开发、修饰和/或使用分类模型和/或文库。
通过举例,现在将描述许多不同的分析技术。
旨在落入本发明范围内的分析技术的列表在下表中给出:
还可以使用上述分析方法的组合,例如PCA-LDA、PCA-MMC、PLS-LDA等。
分析样品光谱可以包括:无监督分析(用于维度降低)后进行监督分析(用于分类)。
通过举例,现在将更详细地描述许多不同的分析技术。
多变量分析-开发分类模型
通过举例,现在将描述使用多个参考样品光谱的多变量分析构建分类模型的方法。
图15示出了使用多变量分析构建分类模型的方法1500。在该实例中,该方法包括获得参考样品光谱的多组强度值的步骤1502。该方法然后包括无监督主成分分析(PCA)的步骤1504,随后是监督线性判别分析(LDA)的步骤1506。这种方法在本文中可以称为PCA-LDA。可以使用其他多变量分析方法,例如PCA-MMC。然后在步骤1508中输出PCA-LDA模型,例如输出到存储器。
这样的多变量分析可以提供一种分类模型,该分类模型允许使用从样品获得的一个或多个样品光谱对该样品进行分类。现在将通过参考实例来更详细描述多变量分析。
图16示出了从两类已知参考样品获得的一组参考样品光谱;这些类别可以是本文描述的靶类别中的任何一个或多个。然而,为了简单起见,在这个实例中,这两个类别将被称为左手类和右手类。
已经对每个参考样品光谱进行了预处理,以导出在该参考样品光谱中各质荷比的一组三个参考峰强度值。尽管仅示出了三个参考峰强度值,但是应当理解,在每个参考样品光谱中,可以导出更多的针对相应数量质荷比的参考峰强度值(例如,~100个参考峰强度值)。在其他实施例中,参考峰强度值可对应于:质量;质荷比;离子迁移率(漂移时间);和/或操作参数。
图17示出了具有由强度轴限定的三个维度的多变量空间。每个维度或强度轴对应于特定质荷比下的峰强度。再次,应当理解,在多变量空间中可能存在更多维度或强度轴(例如,~100个维度或强度轴)。多变量空间包括多个参考点,每个参考点对应于参考样品光谱,即在多变量空间中每个参考样品光谱的峰强度值提供参考点的坐标。
参考样品光谱组可以由参考矩阵D表示,该参考矩阵D具有与相应的参考样品光谱相关联的行、与相应质荷比关联的列、和矩阵元素(针对相应参考样品光谱的相应质荷比的峰强度值。
在许多情况下,多变量空间和矩阵D中的大量维度使得难以将参考样品光谱分组到类别中。因此,可以在矩阵D上进行PCA,以便计算限定PCA空间的PCA模型,该PCA模型具有减少数量的由主成分轴限定的一个或多个维度。可以将主成分选择为包括或“解释”矩阵D中的最大差异的那些、和累积地解释矩阵D中的差异阈限量的那些。
图18示出了累积差异如何随着PCA模型中主要成分的函数数字n的增加而增加。可以根据需要选择差异的阈限量。
可以使用非线性迭代偏最小二乘法(NIPALS)算法或奇异值分解从矩阵D计算PCA模型,计算的细节是本领域技术人员熟知的,因此将不在此详细描述。可以使用其他计算PCA模型的方法。
所得到的PCA模型可以由PCA评分矩阵S和PCA载荷矩阵L限定。PCA还可以产生误差矩阵E,该误差矩阵E包括不由PCA模型解释的差异。D、S、L和E之间的关系可能是:
D=SLT+E (1)
图19示出了所得到的PCA空间,该PCA空间由图16和17的参考样品光谱导出。在该实例中,PCA模型具有两个主要成分PC0和PC1,因此PCA空间具有由两个主要成分轴限定的两个维度。然而,根据需要,可以在PCA模型中包括更少或更多数量的主成分。通常希望多变量空间中的主要成分数量比维度数量少至少一个。
PCA空间包括多个变换的参考点或PCA评分,每个变换的参考点或PCA评分对应于图16的参考样品光谱,并因此对应于图17的参考点。
如图19所示,PCA空间的降低的维度使得更容易将参考样品光谱分组到两个类中。在这个阶段,任何异常值还可以从分类模型中被鉴定和移除。
然后可以在PCA空间中进行进一步监督多变量分析(例如多级LDA或最大间距准则(MMC)),以便限定类别,并且以便可选地进一步降低维度。
如本领域技术人员将理解的,多级LDA寻求将类别之间的差异与类别内的差异的比率最大化(即,以便在最紧凑的类别之间给出尽可能最大的可能距离)。LDA的细节是本领域技术人员已知的,因此将不在此详细描述。
所得到的PCA-LDA模型可以由变换矩阵U限定,该变换矩阵U可以通过解决广义特征值问题(例如使用正则化(例如,如果需要使吉洪诺夫正则化(Tikhonovregularisation)或伪逆(pseudoinverses)))(如果需要使问题保持良好条件),从PCA评分矩阵S和每个变换光谱的类别分配导出。
从起源PCA空间变换为新的LDA空间的评分S可以由下式给出:
Z=SU (2)
其中矩阵Z包括变换成LDA空间的评分。
图20示出了具有单个维度或轴的PCA-LDA空间,其中在图19的PCA空间中进行LDA。如图20所示,LDA空间包括多个进一步变换的参考点或PCA-LDA评分,每个进一步变换的参考点对应于图19的变换参考点或PCA评分。
在该实例中,PCA-LDA空间的进一步降低的维度使得更容易将参考样品光谱分组到两个类别中。PCA-LDA模型中的每个类别可以通过其变换的类平均和协方差矩阵或PCA-LDA空间中的一个或多个超平面(包括点、线、面或更高阶的超平面)或超曲面或沃罗诺(Voronoi)区域来限定。
PCA载荷矩阵L、LDA矩阵U和变换类别平均值和协方差矩阵或超平面或超曲面或沃罗诺(Voronoi)区域可以输出到数据库以供之后用于分类样品。
针对类别g的LDA空间V’g中的变换协方差矩阵可以由下式给出
V’g=UT Vg U (3)
其中Vg是PCA空间中的类别协方差矩阵。
针对类别g变换的类平均位置zg可以由以下给出
sgU=zg (4)
其中sg是PCA空间中的类别平均位置。
多变量分析-使用分类模型
通过举例,现在将描述使用分类模型来分类样品的方法。
图21示出了使用分类模型的方法2100。在该实例中,该方法包括步骤2102,该步骤获得样品光谱的一组强度值。该方法然后包括步骤2104,该步骤将样品光谱的一组强度值投影到PCA-LDA模型空间中。可以使用其他分类模型空间,例如PCA-MMC。然后基于项目位置在步骤2106对样品光谱进行分类,然后在步骤2108中输出该分类。
现在将参考上述简单的PCA-LDA模型更详细地描述样品的分类。
图22示出了从未知的样品获得的样品光谱。已经对样品光谱进行了预处理,以便得出相应质荷比的一组三个样品峰强度值。如上所述,尽管仅示出了三个样品峰强度值,但是应当理解,可以导出样品光谱中针对许多更多相应的质荷比的更多的样品峰强度值(例如~100个样品峰强度值)。此外,如上所述,在其他实施例中,该样品峰强度值可以对应于:质量;质荷比;离子迁移率(漂移时间);和/或操作参数。
样品光谱可以由样品向量dx表示,其中向量的元素是相应质荷比的峰强度值。样品光谱的变换PCA向量sX可以如下获得:
dxL=sx (5)
然后,样品光谱的变换PCA-LDA向量zX可以如下获得:
sxU=zx (6)
图23再次示出了图20的PCA-LDA空间。然而,图23的PCA-LDA空间进一步包括投影样品,该投影样品点对应于从图22的样品光谱的峰强度值导出的变换的PCA-LDA向量zx。
在这个实例中,投影样品点是在与右手类相关的类别之间的超平面的一侧,因此样品可以分类为属于右手类。
可替代地,可以使用LDA空间中从类别中心的马氏距离,其中从类别g的中心到点zx的马氏距离可以由以下的平方根给出:
(zx-zg)T(V’g)-1(zx-zg) (8)
并且数据向量zx可以被分配给其中距离最小的类别。
另外,将每个类别用多变量高斯(multivariate Gaussian)进行处理,可以计算每个类别的数据向量的成员概率。
如上所述,可以针对一个或多个样品类别中的每一类导出不同类别的特定背景减除样品强度值组。因此,步骤2100可以包括获得针对每一类样品的一组类别特异性背景减除的强度值。然后可以针对每组类别特异性背景减除强度值进行步骤2102和2104,以提供特定类别的投影位置。然后可以在步骤2106基于类别特异性投影位置对样品光谱进行分类。例如,样品光谱可以被分配给具有投影位置的类别,该位置给出这一类别成员的最短距离或最高概率。
基于文库的分析-开发分类文库
通过举例,现在将描述使用多个输入参考样品光谱构建分类文库的方法。
图24示出了构建分类文库的方法2400。在该实例中,该方法包括获得参考样品光谱的步骤2402和从每个样品类别的多个输入参考样品光谱中导出元数据的步骤2404。该方法然后包括步骤2406,该步骤将每个样品类别的元数据存储为单独的文库条目。然后在步骤2408中将分类文库输出,例如输出到电子存储器。
诸如此类的分类文库允许使用从样品获得的一个或多个样品光谱对该样品进行分类。现在将参考实例更详细地描述基于文库的分析。
在该实例中,分类文库中的每个条目由代表类别的多个预处理参考样品光谱创建。在此实例中,根据以下处理对类别的参考样品光谱进行预处理:
首先,例如如上所述,进行重新面元化处理。在该实施例中,将数据重新取样到具有横坐标的对数网格上:
其中Nchan是一个选定的值,[x]表示x以下的最接近的整数。在一个实例中,Nchan是212或4096。
然后,进行背景减除处理,例如如上所述。在该实施例中,然后构造具有k个结的三次样条,使得每对结之间的数据的p%位于曲线下方。然后从数据中减除该曲线。在一个实例中,k是32。在一个实例中,p是5。然后从每个强度中减除对应于强度减除数据的q%分位数的定值。保留正值和负值。在一个实例中,q是45。
然后,进行归一化处理,例如如上所述。在该实施例中,数据被归一化为具有平均值在一个实例中,
然后,文库中的条目由元数据组成,这些元数据处于光谱中的每个μi点的中位值谱值Di和偏差值Nchan的形式。
第i个通道的似然度由以下方式给出:
其中1/2≤C<∞,并且其中是伽马函数Г(C)。
上述等式是广义柯西分布,其减少为C=1的标准柯西分布,并且变为高斯(正态)分布C→为∞。该参数Di控制分布的宽度(高斯极限Di=σi只是标准差),而全局值C控制尾部的大小。
在一个实例中,C是3/2,其位于柯西和高斯之间,所以似然度变成:
对于每个文库条目,将参数μi设置为输入参考样品光谱的第i个通道中的值列表的中位值,而偏差Di被取为这些值的四分位数除以√2。这种选择可以确保第i个通道的似然度与输入数据具有相同的四分位数范围,使用分位数提供一些防范异常数据的保护。
基于文库的分析-使用文库进行分类
通过举例,现在将描述使用分类文库来分类样品的方法。
图25示出了使用分类文库的方法2500。在该实例中,该方法包括步骤2502,该步骤获得一组多个样品光谱。该方法然后包括步骤2504,该步骤使用针对分类文库中的类别条目的元数据,针对每个样品类别计算多个样品光谱组的概率或分类评分。这可以包括针对每个类别使用不同类别的特定背景减除的样品光谱,以便为该类别提供概率或分类评分。然后在步骤2506对样品光谱进行分类,然后在步骤2508中输出该分类。
现在将参照上述分类文库更详细地描述样品的分类。
在该实例中,未知的样品光谱y是一组多个样品光谱的中位值谱。采用中位值光谱y可以通过通道基础(channel basis)来保护通道中的异常数据。
针对给定文库条目的输入数据的似然度Ls由下式给出:
其中μi和Di分别是通道i的文库中位值和偏差值。似然度Ls可以计算为针对数值安全的对数似然度。
然后,将所有候选类别Ls的似然度′s′归一化以给出概率,假设在这些类别上具有均匀的先验概率。该类别的所得概率由下式给出:
指数(1/F)可以软化(soften)概率,否则这些概率可能太具有限定性。在一个实例中,F=100。这些概率可以以百分比表示,例如在用户界面中。
可替代地,可以使用来自文库的相同中位值样品值和推导值来计算RMS分类评分Rs:
再次,评分Rs在所有候选类别上被归一化′s′。
然后将样品归类为具有最高概率和/或最高RMS分类评分的类别。
使用分析结果
如上所述,图1的光谱分析方法100包括使用分析结果的步骤108。
这可以包括例如使用反馈装置210显示分类结果和/或控制取样装置202、光谱仪204、预处理电路206和/或分析电路208的操作。
可以在使用用于获得样品光谱的取样装置时使用和/或提供该结果。
应用
考虑了各种不同的应用。
根据一些实施例,上述方法可以在有机物质、生物物质上和/或体内组织、体外组织或离体组织中进行。这些组织可以包括人类组织或非人类动物组织。
考虑了各种外科手术、治疗、医疗和诊断方法。然而,考虑了其他实施例,这些实施例涉及不是在体内组织进行的非手术和非治疗方法的光谱测定。考虑了其他相关实施例,这些实施例以体外方式进行(使得它们在人体或动物体外进行)。
考虑了另外的实施例,其中这些方法在非有生命的人或动物上进行(例如作为尸体解剖程序的一部分)。
考虑了进一步的非手术、非治疗和非诊断实施例。根据一些实施例,上述方法可以在无机物质和/或生物物质上进行。
虽然本发明参考各种实施例已经进行了具体描述,本领域的技术人员应当理解的是,在不偏离由所附权利要求书所涵盖的本发明的范围的情况下,可以在其中做出在形式和细节方面的多种改变。
Claims (20)
1.一种光谱分析方法,所述方法包括:
获得样品的一个或多个样品光谱;
对所述一个或多个样品光谱进行预处理,其中对所述一个或多个样品光谱进行预处理包括分离同位素处理;和
分析经预处理的所述一个或多个样品光谱,以对所述样品进行分类,其中分析所述一个或多个样品光谱包括基于多变量和/或文库的分析。
2.如权利要求1所述的方法,其中所述分离同位素处理包括产生所述一个或多个样品光谱的分离同位素版本,在所述分离同位素版本中减少或去除了一个或多个另外的同位素峰。
3.如权利要求1或2所述的方法,其中所述分离同位素处理包括同位素反卷积。
4.如任一前述权利要求所述的方法,其中所述分离同位素处理包括以下中的一个或多个:嵌套取样;大量推论和最大熵。
5.如任一前述权利要求所述的方法,其中所述分离同位素处理包括产生一组试验假设的单同位素样品光谱。
6.如权利要求5所述的方法,其中所述分离同位素处理包括:在每个试验假设的单同位素样品光谱的情况下,导出所述一个或多个样品光谱的似然度。
7.如权利要求5或6所述的方法,其中所述分离同位素处理包括从所述一组试验假设的单同位素样品光谱产生具有同位素峰的一组建模样品光谱。
8.如权利要求7所述的方法,其中使用一个或多个样品类别的已知平均同位素分布来产生每个建模样品光谱。
9.如权利要求7或8所述的方法,其中所述分离同位素处理包括:通过将建模样品光谱与所述一个或多个样品光谱进行比较,在每个试验假设的单同位素样品光谱的情况下,得出所述一个或多个样品光谱的似然度。
10.如任一前述权利要求所述的方法,其中所述分离同位素处理包括以下中的一个或多个:最小二乘法处理、非负最小二乘法处理;和傅立叶变换处理。
11.如任一前述权利要求所述的方法,其中分析所述一个或多个样品光谱包括使用所述一个或多个参考样品光谱开发分类模型和/或文库。
12.如任一前述权利要求所述的方法,其中分析所述一个或多个样品光谱包括以下中的一个或多个:主成分分析(PCA)、线性判别分析(LDA)、和最大间距准则(MMC)处理。
13.如任一前述权利要求所述的方法,其中分析所述一个或多个样品光谱包括导出所述一个或多个样品光谱的一个或多个元数据组。
14.如任一前述权利要求所述的方法,其中分析所述一个或多个样品光谱包括使用分类模型和/或文库将一个或多个样品光谱分类为属于一个或多个样品类别。
15.如任一前述权利要求所述的方法,其中所述一个或多个样品光谱的样品点和/或向量被投影到分类模型空间中,以对所述一个或多个样品光谱进行分类。
16.如任一前述权利要求所述的方法,其中分析所述一个或多个样品光谱包括:基于所述一个或多个样品光谱对应于在电子文库中表示的一个或多个样品类别的程度,计算一个或多个概率或分类评分。
17.一种质谱方法和/或离子迁移谱方法,所述方法包括如任一前述权利要求所述的方法。
18.一种光谱分析系统,所述系统包括:
控制电路,所述控制电路被布置并适合于:
获得样品的一个或多个样品光谱;
对所述一个或多个样品光谱进行预处理,其中对所述一个或多个样品光谱进行预处理包括分离同位素处理;和
分析经预处理的所述一个或多个样品光谱,以对所述样品进行分类,其中分析所述一个或多个样品光谱包括基于多变量和/或文库的分析。
19.一种质谱分析系统和/或离子迁移谱分析系统和/或质谱仪和/或离子迁移谱仪,其包括如权利要求18所述的光谱分析系统。
20.一种计算机程序,所述程序包括计算机软件代码,所述计算机软件代码用于当所述程序在光谱分析系统的控制电路上运行时执行如权利要求1-17中任一项所述的光谱分析方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GBGB1603906.7A GB201603906D0 (en) | 2016-03-07 | 2016-03-07 | Spectrometric analysis |
GB1603907.5 | 2016-03-07 | ||
GB1603906.7 | 2016-03-07 | ||
GBGB1603907.5A GB201603907D0 (en) | 2016-03-07 | 2016-03-07 | Spectrometric Analysis |
PCT/GB2017/050592 WO2017153727A1 (en) | 2016-03-07 | 2017-03-06 | Spectrometric analysis |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108780730A true CN108780730A (zh) | 2018-11-09 |
CN108780730B CN108780730B (zh) | 2021-02-12 |
Family
ID=58277298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780016031.8A Active CN108780730B (zh) | 2016-03-07 | 2017-03-06 | 光谱分析 |
Country Status (4)
Country | Link |
---|---|
US (3) | US10867779B2 (zh) |
EP (2) | EP3427287A1 (zh) |
CN (1) | CN108780730B (zh) |
WO (2) | WO2017153727A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765212A (zh) * | 2019-03-11 | 2019-05-17 | 广西科技大学 | 拉曼光谱中不同步褪色荧光的消除方法 |
CN109765214A (zh) * | 2019-03-29 | 2019-05-17 | 北京中科遗传与生殖医学研究院有限责任公司 | 基于表面增强拉曼光谱的不孕不育患者血清的检测方法 |
CN110954449A (zh) * | 2019-12-30 | 2020-04-03 | 暨南大学 | 一种单颗粒气溶胶质谱仪的质量精度提高方法 |
CN111289093A (zh) * | 2018-12-06 | 2020-06-16 | 珠海格力电器股份有限公司 | 一种空调异响噪音评判方法及系统 |
WO2020232959A1 (zh) * | 2019-05-22 | 2020-11-26 | 安徽大学 | 基于函数性主元分析的近红外光谱特征提取方法和系统 |
CN112798572A (zh) * | 2020-12-30 | 2021-05-14 | 北京华泰诺安探测技术有限公司 | 一种拉曼光谱与离子迁移谱联合检测方法和装置 |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3264989B1 (en) * | 2015-03-06 | 2023-12-20 | Micromass UK Limited | Spectrometric analysis |
WO2016142681A1 (en) | 2015-03-06 | 2016-09-15 | Micromass Uk Limited | Spectrometric analysis of microbes |
CN108700590B (zh) | 2015-03-06 | 2021-03-02 | 英国质谱公司 | 细胞群体分析 |
US10867779B2 (en) * | 2016-03-07 | 2020-12-15 | Micromass Uk Limited | Spectrometric analysis |
WO2017178833A1 (en) * | 2016-04-14 | 2017-10-19 | Micromass Uk Limited | Spectrometric analysis of plants |
CN110178200B (zh) * | 2016-08-22 | 2022-01-28 | 高地创新公司 | 采用基质辅助激光解吸/离子化飞行时间质谱仪逐次发射抽样 |
US10801963B2 (en) | 2018-08-22 | 2020-10-13 | Paul Bartholomew | Raman spectroscopy for minerals identification |
CN109248381A (zh) * | 2017-07-12 | 2019-01-22 | 库诺国际有限公司 | 非接触式温度控制加热装置 |
US11709156B2 (en) | 2017-09-18 | 2023-07-25 | Waters Technologies Corporation | Use of vapor deposition coated flow paths for improved analytical analysis |
US11709155B2 (en) | 2017-09-18 | 2023-07-25 | Waters Technologies Corporation | Use of vapor deposition coated flow paths for improved chromatography of metal interacting analytes |
JP6971141B2 (ja) * | 2017-12-15 | 2021-11-24 | アジレント・テクノロジーズ・インクAgilent Technologies, Inc. | プラズマイオン源を用いた質量分析 |
JP6539371B1 (ja) * | 2018-03-14 | 2019-07-03 | Ckd株式会社 | 検査装置、ptp包装機、及び、検査方法 |
GB2574269B (en) * | 2018-06-01 | 2023-03-15 | Waters Technologies Ireland Ltd | Techniques for sample analysis using consensus libraries |
US10957523B2 (en) | 2018-06-08 | 2021-03-23 | Thermo Finnigan Llc | 3D mass spectrometry predictive classification |
CN109901021B (zh) * | 2019-04-08 | 2021-07-16 | 珠海妙微科技有限公司 | 基于二维Hankel矩阵多尺度SVD变换法 |
KR20210151184A (ko) | 2019-04-15 | 2021-12-13 | 시큐리티 매터스 엘티디. | 샘플 분류를 위한 방법 및 시스템 |
JP2022545405A (ja) * | 2019-08-16 | 2022-10-27 | バーソロミュー、ポール | 鉱物同定のためのラマン分光法 |
US11918936B2 (en) | 2020-01-17 | 2024-03-05 | Waters Technologies Corporation | Performance and dynamic range for oligonucleotide bioanalysis through reduction of non specific binding |
CN112444582B (zh) * | 2021-02-01 | 2021-06-04 | 宁波大学 | 基于液滴萃取的质谱分析方法 |
WO2023042127A1 (en) * | 2021-09-15 | 2023-03-23 | Dh Technologies Development Pte. Ltd. | Spectral comparison |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3275032A (en) * | 1964-04-30 | 1966-09-27 | Cameron Iron Works Inc | Valve |
US6188064B1 (en) * | 1998-01-29 | 2001-02-13 | Bruker Daltonik Gmbh | Mass spectrometry method for accurate mass determination of unknown ions |
CN1481502A (zh) * | 2000-12-15 | 2004-03-10 | 埃克森美孚研究工程公司 | 质谱仪的多变量分析 |
US20050255606A1 (en) * | 2004-05-13 | 2005-11-17 | Biospect, Inc., A California Corporation | Methods for accurate component intensity extraction from separations-mass spectrometry data |
CN1997970A (zh) * | 2004-05-24 | 2007-07-11 | 杨百翰大学 | 用于从光谱仪产生的数据提取光谱的系统和方法 |
JP4193981B2 (ja) * | 2003-08-26 | 2008-12-10 | 独立行政法人科学技術振興機構 | レーザを用いた同位体分析方法 |
US7577538B2 (en) * | 2003-04-28 | 2009-08-18 | Cerno Bioscience Llc | Computational method and system for mass spectral analysis |
US8321144B2 (en) * | 2008-10-23 | 2012-11-27 | Microsoft Corporation | Non-contiguous regions processing |
US8604421B2 (en) * | 2010-04-15 | 2013-12-10 | Micromass Uk Limited | Method and system of identifying a sample by analyising a mass spectrum by the use of a bayesian inference technique |
US20150034813A1 (en) * | 2010-11-16 | 2015-02-05 | Micromass Uk Limited | Controlling Hydrogen-Deuterium Exchange on a Spectrum by Spectrum Basis |
EP2874177A1 (en) * | 2013-11-13 | 2015-05-20 | Institut De Physique Du Globe De Paris (Établissement Public À Caractère Scientifique Et Technologique) | Method for correcting a drift of an isotopic ratio derived from data measured by a multi-collector mass spectrometer |
CN107646089A (zh) * | 2015-03-06 | 2018-01-30 | 英国质谱公司 | 光谱分析 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7005632B2 (en) * | 2002-04-12 | 2006-02-28 | Sionex Corporation | Method and apparatus for control of mobility-based ion species identification |
US7217510B2 (en) * | 2001-06-26 | 2007-05-15 | Isis Pharmaceuticals, Inc. | Methods for providing bacterial bioagent characterizing information |
US7365309B2 (en) | 2003-12-22 | 2008-04-29 | Micromass Uk Limited | Mass spectrometer |
US7847244B2 (en) | 2006-12-28 | 2010-12-07 | Purdue Research Foundation | Enclosed desorption electrospray ionization |
US8063359B2 (en) * | 2007-10-08 | 2011-11-22 | University Of Central Florida Research Foundation, Inc. | Systems and methods for identifying substances contained in a material |
EP2218093B1 (en) | 2007-11-30 | 2018-03-21 | Waters Technologies Corporation | Device for performing mass analysis |
WO2010039675A1 (en) | 2008-09-30 | 2010-04-08 | Prosolia, Inc. | Method and apparatus for embedded heater for desorption and ionization of analytes |
US8375032B2 (en) * | 2009-06-25 | 2013-02-12 | University Of Tennessee Research Foundation | Method and apparatus for predicting object properties and events using similarity-based information retrieval and modeling |
US8299444B2 (en) | 2009-09-02 | 2012-10-30 | Shimadzu Research Laboratory (Shanghai) Co. Ltd. | Ion source |
GB2486871B (en) * | 2010-08-02 | 2017-01-25 | Kratos Analytical Ltd | Methods and apparatuses for producing mass spectrum data |
KR20130103517A (ko) * | 2010-08-31 | 2013-09-23 | 아토나프 가부시키가이샤 | 센서에 의해 측정된 데이터로부터 후보를 찾아내는 방법 및 장치 |
CA2825280A1 (en) * | 2011-01-21 | 2012-07-26 | Massdefect Technologies, Llc | Background subtraction-mediated data-dependent acquisition |
EP2530701B1 (en) | 2011-06-02 | 2020-12-09 | Bruker Daltonik GmbH | Quantitative peptide analysis by mass spectrometry |
JP6276196B2 (ja) * | 2011-12-30 | 2018-02-07 | ディーエイチ テクノロジーズ デベロップメント プライベート リミテッド | インテリジェントなバックグラウンドデータの取得および減算 |
GB201308765D0 (en) * | 2013-05-15 | 2013-06-26 | Electrophoretics Ltd | Mass Tag Reagents |
EP3570315B1 (en) * | 2015-03-06 | 2024-01-31 | Micromass UK Limited | Rapid evaporative ionisation mass spectrometry ("reims") and desorption electrospray ionisation mass spectrometry ("desi-ms") analysis of biopsy samples |
US10867779B2 (en) * | 2016-03-07 | 2020-12-15 | Micromass Uk Limited | Spectrometric analysis |
CN109429525A (zh) * | 2016-04-14 | 2019-03-05 | 沃特世科技公司 | 使用表面解吸电离和质谱的快速认证 |
GB2550199B (en) | 2016-05-13 | 2021-12-22 | Micromass Ltd | Enclosure for Ambient Ionisation Ion Source |
-
2017
- 2017-03-06 US US16/083,267 patent/US10867779B2/en active Active
- 2017-03-06 EP EP17710789.3A patent/EP3427287A1/en active Pending
- 2017-03-06 WO PCT/GB2017/050592 patent/WO2017153727A1/en active Application Filing
- 2017-03-06 WO PCT/GB2017/050591 patent/WO2017153726A1/en active Application Filing
- 2017-03-06 US US16/083,230 patent/US10658166B2/en active Active
- 2017-03-06 CN CN201780016031.8A patent/CN108780730B/zh active Active
- 2017-03-06 EP EP17710788.5A patent/EP3427286A1/en active Pending
-
2020
- 2020-05-14 US US16/874,250 patent/US10879058B2/en active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3275032A (en) * | 1964-04-30 | 1966-09-27 | Cameron Iron Works Inc | Valve |
US6188064B1 (en) * | 1998-01-29 | 2001-02-13 | Bruker Daltonik Gmbh | Mass spectrometry method for accurate mass determination of unknown ions |
CN1481502A (zh) * | 2000-12-15 | 2004-03-10 | 埃克森美孚研究工程公司 | 质谱仪的多变量分析 |
US7577538B2 (en) * | 2003-04-28 | 2009-08-18 | Cerno Bioscience Llc | Computational method and system for mass spectral analysis |
JP4193981B2 (ja) * | 2003-08-26 | 2008-12-10 | 独立行政法人科学技術振興機構 | レーザを用いた同位体分析方法 |
US20050255606A1 (en) * | 2004-05-13 | 2005-11-17 | Biospect, Inc., A California Corporation | Methods for accurate component intensity extraction from separations-mass spectrometry data |
CN1997970A (zh) * | 2004-05-24 | 2007-07-11 | 杨百翰大学 | 用于从光谱仪产生的数据提取光谱的系统和方法 |
US8321144B2 (en) * | 2008-10-23 | 2012-11-27 | Microsoft Corporation | Non-contiguous regions processing |
US8604421B2 (en) * | 2010-04-15 | 2013-12-10 | Micromass Uk Limited | Method and system of identifying a sample by analyising a mass spectrum by the use of a bayesian inference technique |
US20140158879A1 (en) * | 2010-04-15 | 2014-06-12 | Micromass Uk Limited | Method And System Of Identifying A Sample By Analysing A Mass Spectrum By The Use Of A Bayesian Inference Technique |
US20150034813A1 (en) * | 2010-11-16 | 2015-02-05 | Micromass Uk Limited | Controlling Hydrogen-Deuterium Exchange on a Spectrum by Spectrum Basis |
EP2874177A1 (en) * | 2013-11-13 | 2015-05-20 | Institut De Physique Du Globe De Paris (Établissement Public À Caractère Scientifique Et Technologique) | Method for correcting a drift of an isotopic ratio derived from data measured by a multi-collector mass spectrometer |
CN107646089A (zh) * | 2015-03-06 | 2018-01-30 | 英国质谱公司 | 光谱分析 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289093A (zh) * | 2018-12-06 | 2020-06-16 | 珠海格力电器股份有限公司 | 一种空调异响噪音评判方法及系统 |
CN109765212A (zh) * | 2019-03-11 | 2019-05-17 | 广西科技大学 | 拉曼光谱中不同步褪色荧光的消除方法 |
CN109765212B (zh) * | 2019-03-11 | 2021-06-08 | 广西科技大学 | 拉曼光谱中不同步褪色荧光的消除方法 |
CN109765214A (zh) * | 2019-03-29 | 2019-05-17 | 北京中科遗传与生殖医学研究院有限责任公司 | 基于表面增强拉曼光谱的不孕不育患者血清的检测方法 |
WO2020232959A1 (zh) * | 2019-05-22 | 2020-11-26 | 安徽大学 | 基于函数性主元分析的近红外光谱特征提取方法和系统 |
CN110954449A (zh) * | 2019-12-30 | 2020-04-03 | 暨南大学 | 一种单颗粒气溶胶质谱仪的质量精度提高方法 |
CN110954449B (zh) * | 2019-12-30 | 2022-05-17 | 暨南大学 | 一种单颗粒气溶胶质谱仪的质量精度提高方法 |
CN112798572A (zh) * | 2020-12-30 | 2021-05-14 | 北京华泰诺安探测技术有限公司 | 一种拉曼光谱与离子迁移谱联合检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US20190103258A1 (en) | 2019-04-04 |
US10867779B2 (en) | 2020-12-15 |
EP3427287A1 (en) | 2019-01-16 |
WO2017153726A1 (en) | 2017-09-14 |
US20190096645A1 (en) | 2019-03-28 |
CN108780730B (zh) | 2021-02-12 |
EP3427286A1 (en) | 2019-01-16 |
US10879058B2 (en) | 2020-12-29 |
US10658166B2 (en) | 2020-05-19 |
WO2017153727A1 (en) | 2017-09-14 |
US20200343082A1 (en) | 2020-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108780730A (zh) | 光谱分析 | |
US11515136B2 (en) | Spectrometric analysis | |
US10971346B2 (en) | Liquid trap or separator for electrosurgical applications | |
EP3265823B1 (en) | Ambient ionization mass spectrometry imaging platform for direct mapping from bulk tissue | |
CN112557491A (zh) | 光谱分析 | |
AU2002241535C1 (en) | Method for analyzing mass spectra | |
Lilien et al. | Probabilistic disease classification of expression-dependent proteomic data from mass spectrometry of human serum | |
CN107530064A (zh) | 气态样品的改进电离 | |
US20020193950A1 (en) | Method for analyzing mass spectra | |
US7860685B2 (en) | Method for clustering signals in spectra | |
Santilli et al. | Self-supervised learning for detection of breast cancer in surgical margins with limited data | |
Iravani | Interpretable Deep Learning Approaches for Biomarker Detection from High-Dimensional Biomedical Data | |
SIKORA et al. | FOR PEAK DETECTION AND ISOTOPE IDENTIFICATION IN MALDI TOF MSI DATA |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |