Un nuovo metodo di imaging di spettrometria di massa computazionale consente ai ricercatori di ottenere un'elevata risoluzione di massa e un'elevata risoluzione spaziale per i campioni biologici fornendo al contempo set di dati esponenzialmente più velocemente.

I ricercatori del Beckman Institute for Advanced Science and Technology hanno sviluppato un approccio di imaging con spettrometria di massa subspaziale che accelera la velocità di acquisizione dei dati, senza sacrificare la qualità, progettando una strategia di ricostruzione basata su modelli.

La tecnica, che è stato sviluppato utilizzando modelli animali, potrebbe avere importanti implicazioni per molte applicazioni, compresi chimica analitica e studi clinici, con risultati disponibili in una frazione del tempo. Può anche rilevare un'ampia gamma di biomolecole, da piccole molecole come neurotrasmettitori e amminoacidi a molecole più grandi come lipidi o peptidi.

Il documento "Accelerating Fourier Transform-Ion Cyclotron Resonance Mass Spectrometry Imaging Using a Subspace Approach" è stato pubblicato nel Journal of the American Society of Mass Spectrometry .

"La risonanza ciclotronica della trasformazione di Fourier è uno strumento davvero potente, fornendo la più alta risoluzione di massa, " ha detto Yuxuan Richard Xie, uno studente laureato in bioingegneria presso l'Università dell'Illinois Urbana-Champaign, chi è il primo autore della carta. "Ma uno svantaggio di FT-ICR è che è molto lento. Quindi, essenzialmente, se le persone vogliono raggiungere una certa risoluzione di massa, devono aspettare giorni per acquisire set di dati. Il nostro approccio computazionale velocizza questo processo di acquisizione, potenzialmente da un giorno a forse una o due ore, sostanzialmente un aumento di dieci volte della velocità di acquisizione dei dati".

"Il nostro metodo sta cambiando il modo in cui acquisiamo i dati, " ha detto Xie. "Invece di acquisire spettri di massa per pixel, la tecnica riconosce la ridondanza nei dati di imaging ad alta dimensionalità e utilizza un modello subspaziale a bassa dimensionalità per sfruttare questa ridondanza per ricostruire immagini multispettrali solo da un sottoinsieme dei dati".

Xie ha collaborato con Fan Lam, un assistente professore di bioingegneria, e Jonathan V. Sweedler, la James R. Eiszner Family Endowed Chair in Chemistry e il direttore della School of Chemical Sciences, che sono co-principali investigatori sulla carta. Daniele Castro, uno studente laureato in fisiologia molecolare e integrativa, anche contribuito.

"Utilizziamo modelli subspaziali nel nostro lavoro di imaging spettroscopico MRI e RM da molto tempo, " Ha detto Lam. "È davvero bello vedere che ha anche grandi potenzialità per una diversa modalità di imaging biochimico".

"La capacità di acquisire informazioni chimiche avanzate e la posizione delle sostanze chimiche in un campione complesso come una sezione di cervello diventa abilitante per la nostra ricerca neurochimica, " ha detto Sweedler.

Il concetto di imaging subspaziale è stato introdotto da Zhi-Pei Liang, professore di ingegneria elettrica e informatica e membro di facoltà Beckman a tempo pieno, che è un esperto mondiale di risonanza magnetica e MRSI.

La ricerca continua mentre i ricercatori cercano di applicare la tecnica all'imaging 3D. "(L'approccio) potrebbe avere un impatto molto maggiore per la comunità scientifica per l'imaging 3D di aree più grandi, come il cervello, " ha detto Xie. "Perché se facciamo 50 fette su FT-ICR, ci vorrebbero settimane in questo momento, ma (con questa tecnica) possiamo ottenere una copertura decente magari in pochi giorni.

"Credo che l'imaging computazionale, in particolare l'approccio basato sui dati, è come una nuova stella splendente. Sta diventando sempre più potente, e dovremmo sicuramente utilizzare alcune di queste tecniche per l'analisi chimica dei tessuti attraverso l'imaging con spettrometria di massa".