利用地图量化 X 射线荧光数据
February 17th, 2018
在这里, 我们演示使用 X 射线荧光拟合软件, 地图, 由阿贡国家实验室创建的荧光显微数据的量化。结果的量化数据有助于了解样本中的元素分布和化学计量比率。
基于同步辐射的 X 射线荧光是一种重要的技术，用于观察来自生物学、化学和材料科学等多个领域的样品中的元素偏析、化学计量关系和聚类行为。从这些研究中获得的信息是定性的，直到使用适当的定量程序将原始荧光计数转换为元素空气质量。本视频将演示如何使用阿贡国家实验室创建的定量程序为二维 X 射线荧光图生成数值信息。
要使用 MAPS 程序，首先需要从 Internet 下载 IDL 软件。目前可以通过访问 IDL 网站并创建一个帐户来完成此作。接下来，选择我的帐户，然后选择下载，它将显示所有可用程序的页面。
向下滚动并选择最新版本的 IDL。下一页 MAPS 可从阿贡国家实验室网站下载。下载并解压缩 zip 文件夹后，应该有四个文件。复合。
DAT，亨克。XDR、地图和xrf_library.csv。应将 maps 以外的三个文件复制并粘贴到名为 lib 的 IDL 子文件夹中。
对于 Windows 计算机，这很可能可以在 Program Files 文件夹 Exelis 下找到。通常，从桌面运行管接头很方便，但文件夹名称和路径不能包含任何空格或特殊字符，否则 MAPS 将在尝试运行管接头时产生错误。如果通往桌面的路径包含空格，请将文件夹放在其他位置。
例如，直接在 C 盘中。在本演示中，我将放置 Fitting Folder 和 MAPS。SAV 图标，以便于访问。
在此文件夹中，将文件放在 maps_fit_parameters_override. txt 和 maps_settings.txt。这些文件的示例可在支持文档中找到。
接下来，创建一个名为 mda 的文件夹，并粘贴所选的高分辨率映射文件，该文件最初将用于拟合。此外，还会添加标准拟合的文件，并且应包括一个或四个文件，具体取决于扇区使用的探测器元件的数量。这些文件表示标准。
如果使用了 AXO 标准，则文件应命名为 axo_std. mca，否则如果使用了 NIST 或任何其他标准，则可以将其命名为以 mca 结尾的任何名称，因为这些文件将在稍后被选择。然后，对于四象限检测器，标准文件和 fit_parameter 文件应按以下方式命名，范围从 mca0 到 mca3，从 txt0 到 txt3，并包含一个以 txt 结尾的 fit_parameters 文件。
接下来，检查 maps 设置文件是否使用了正确数量的检测器元素。在这种安装的情况下，使用了一个检测器元件。准备好配件文件夹后，打开 MAPS 并将目录更改为刚刚在桌面上创建的文件夹。
然后单击 确定 并转到 配置。配置窗口具有多种功能，用于设置管接头的参数。首先，选择代表用于测量的光束线的光束线。
如果测量是在阿贡国家实验室进行的，那么光束线应该直接对应。否则，手稿中将包含有关使用哪个选择的附加信息。接下来，选择将使用的 mda 文件，然后输入用于测量的入射能量。
选择 Start processing 并等待程序完成。完成后，转到文件，然后选择第一个选项。打开 XRF 图像平均或单个元素。
程序应该已经创建了一系列新文件夹，因此选择 img，生成的 fit 文件或 h5 文件应该位于此文件夹中。选择与映射对应的文件，然后将从左侧开始的第二个下拉菜单更改为标准化。在这种情况下，数据被归一化为上游离子室或 USIC。
选择 viewing， multi element view 将为各个元素通道生成图像。这些单位现在以微克/平方厘米为单位。但这些值还不能代表拟合量。
为了进行拟合，数据被视为来自图的每个像素的所有光谱的总和，可以通过转到查看、绘制积分光谱来查看。接下来去生成输出，导出原始积分光谱系列长以保存图像。关闭窗口并转到 Tools （工具）、spectrum （频谱） tool （频谱） 和 load spectrum （负载谱）。
找到刚刚导出到输出文件夹的文件。通常，按修改日期对输出文件夹进行排序是查找文件的最快方法，因为每个新配件都会更新文件夹中的文件。导出的光谱将命名为 intspec，后跟光束线和扫描编号，然后是 txt。
打开光谱后，打开 maps_fit_parameters_override 文件。首先检查检测器元件的数量是否正确。接下来，在 Elements to fit 行中，包括预期在样本中的所有元素。
请注意，L line elements 和 M line elements 相应地包含后缀 _L 或 _M。此处已知样品中存在铜，但将排除铜以提供不完全拟合的示例。向下滚动，输入相干散射能量的入射能量。
然后，在随后的两行中，输入程序用作边界的最大和最小能量范围。通常，正负 2 到正负 5 keV 的范围就足够了。再往下，检查要拟合的最大和最小能量是否包含感兴趣的元素能量。
此外，检查线路检测器元件是否具有与锗或硅检测器对应的正确编号。在文件底部，可以更改拟合中使用的检测器通道的名称。有关如何更改它们的更多信息，请参见手稿中的更详细内容。
进行更改后，保存文档。然后选择 分析，拟合光谱，会弹出一个窗口。在顶部，可以设置拟合的能量范围以及用于拟合的迭代次数。
更改范围后，选择底部四个按钮中的第三个，程序将运行合适。在等级库工具窗口中，有一系列下拉菜单，用于可视化不同的曲线。在下拉列表中，将 1 设置为 fitted，将其余选择设置为 none。
在左下角，选择 add element（添加元素）允许用户在谱图中搜索缺失的峰。使用加号并单击，拟合中缺少的峰似乎是铜 K alpha one 峰。对于某些峰，尤其是图像左侧的峰，拟合似乎包含正确的元素，但线条在适当的强度上与光谱的强度仍然相差很远。
这可以通过增加迭代次数来改善。通常至少 50 足以产生明显的差异。现在返回到 fit_parameters 文件，加入铜，保存，然后重新运行拟合，表明峰现在拟合良好。
在搜索所有剩余的缺失元素后，拟合看起来不错。在某些情况下，仍有一些峰的线条没有完全匹配。例如，对应于铟 Lg1 到 Lg4 线的两个峰位于四个 keV 上，似乎拟合了正确的元素，但拟合评估的峰强度高于测量实际产生的峰强度。
这种情况最常发生在 L 线元素中。由于 K 线元素在文献中将峰强度比制成表格，而 L 线的峰高比则更多地依赖于入射能量。为了改进这些线的拟合，首先必须在 fit_parameters 文件中为分支族调整画一行。
这些数字表示与 L1、L2 和 L3 系列的文献相比的相对强度，这些文献在规范工具中显示为黄线、粉线和蓝线。通常，这些数字可以保持为 1 或等于 literature 值。相反，每条线的比率将发生变化。
在调整铟的分支比率之前，请注意 L gamma 线的分支比率都设置为 1。通过查看积分谱，很明显文献价值太高了。估计每种能量的绿线和白线之间的百分比差异，然后更改分支比率，保存并重新运行拟合，绿线与白光谱线的拟合有明显的改善。
通常，此过程需要几次尝试，但有必要确保配件的准确性。确定产生最佳拟合的fit_parameters后，以 10 或 50 K 迭代再次运行拟合。这样做是因为每次拟合都会更新平均结果maps_fit_parameters_override文件，该文件将是实际为拟合实现的文件。
完成最终拟合后，关闭 spec 工具窗口。然后将 _input 添加到 maps_fit_parameters 文件中，并将平均结果文件重命名为 read maps_fit_parameters_override.txt。完成后，返回配置窗口并选择光束线。
然后勾选 use fitting，并复制并粘贴所有要适合的 mda 文件到 mda 文件夹中。使用 select mda files，浏览并突出显示所有要适合的文件。入射能量将从拟合过程中输入。
在窗口右侧，使用加号和减号，单击并选中 fit_parameters 文件中包含的元素的框。此框中不包含某些元素。例如，铟不是。
要包含铟，请为任何其他不适合的元素划出一个框。然后，在 ROI name 类别中，将名称更改为所需元素的名称。接下来，使用任何荧光数据库，例如应用程序 Hephaestus，找到主能量线的能量。
在这种情况下，铟 L α 一。继续滚动元素直到最后，同时选择 S_I、S_E、S_A、TFY 和 background。在左上角，选择右侧设置以配置文件以保存配件设置以备将来使用。
此时，如果要使用 NIST 标准进行接头，请选择与 NIST 标准编号 NBS 1832 或 1833 相对应的按钮。然后从父文件夹中选择标准的文件名。在此之后，配件就准备好了。
因此，请选择 start processing 开始。一旦拟合完成，就可以像以前一样通过进入文件、打开 XRF 图像、平均或单个元素来可视化它们。然后是 viewing，多元素视图。
使用右下角的 select elements 检测器，可以更改正在分析的通道。由此，以微克/平方厘米为单位的数值按样品的预期顺序显示。用于估计预期值的计算在手稿中订阅。
例如，这里显示的是 sig 太阳能电池中大多数元素（铜、铟和镓）的量化数据。由于使用了入射能量，测量对硒峰不敏感或无法检测到硒峰。所以它被排除在外。
从这些数据中，现在可以将样品中各种元素的分布相互关联，从而得出关于 sig 太阳能电池的各种阳离子在器件内的分布以及它们表现出的不均匀程度的结论。每个拟合图的拟合谱也可以通过转到 查看，绘制积分谱 来再次查看。在这里，应该能够看到白色数据和 fit 颜色的数据光谱。
这可用于检查所有数据文件的拟合度，以确保该过程已正确应用于每个映射。最后要导出数据，请转到 Generate output 并选择 export，制作地图的组合 ASCII 文件。这将创建一个 Excel 文件，其中包含所显示的所有元素的定量荧光数据。
要更改或添加元素，请使用选项选择元素检测器。然后可以在输出文件夹中找到数据。本视频逐步解释了如何使用阿贡国家实验室创建的验配软件 MAPS 来量化 X 射线荧光数据。
虽然该程序对各种情况都非常有用，但有许多特殊情况和挑战需要额外考虑。下面将更详细地描述这些方法，并且正在进行持续改进，以进一步提高拟合 X 射线荧光光谱的准确性。然而，程序能够将定性、高分辨率的 2D 荧光图转换为定量的空间分辨元素量，从而显著增加从这些测量中获得的信息。
我们希望这个演示有助于更好地理解量化 X 射线荧光显微镜数据的过程。感谢观看。
View the full transcript and gain access to thousands of scientific videos
概述
本研究展示了使用MAPS软件来量化荧光显微镜数据的方法。所得的量化数据有助于理解样品内的元素分布和计量比。
关键研究组成部分
科学领域
- 神经科学
- 生物学
- 材料科学
背景
- 基于同步加速器的X射线荧光对于研究元素分离至关重要。
- 正确的量化将原始荧光计数转化为元素的面积质量。
- 这种技术适用于各种科学领域。
- 理解计量关系对于材料分析至关重要。
研究目的
- 展示MAPS程序用于量化荧光数据。
- 提供二维X射线荧光图的数值信息。
- 增强对生物样品中元素分布的理解。
使用的方法
- 利用阿贡国家实验室开发的MAPS软件。
- 下载IDL软件以运行MAPS程序。
- 从原始数据生成二维X射线荧光图。
- 将定性数据转化为定量元素信息。
主要结果
- 成功量化荧光显微镜数据。
- 清晰地可视化样品内的元素分布。
- 从量化数据建立计量比。
- 展示MAPS程序在数据分析中的能力。
结论
- MAPS软件有效用于量化荧光显微镜数据。
- 量化数据显著增强了对元素关系的理解。
- 这种技术可以应用于各个领域以获得更好的材料分析。
常见问题
Executive Industry Relevance
Quantifying X-ray fluorescence (XRF) data transforms qualitative elemental maps into spatially resolved, quantitative concentration data, enabling precise assessment of material composition and heterogeneity. This capability supports target validation in drug discovery by providing mechanistic insights into elemental distribution, stoichiometry, and clustering behavior in biological and material systems. The MAPS software facilitates reproducible, high-sensitivity analysis that informs go/no-go decisions in early discovery and preclinical development.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by quantifying elemental segregation and stoichiometric relationships in samples.
- Operational Value: Supports biological de-risking through functional target validation via elemental mapping and distribution analysis.
- Predictive Value: Enhances portfolio triage by delivering quantitative data on elemental concentrations that inform mechanistic de-risking.
Screening & Assay Development
- Assay Readiness: Prepares validated biological systems for downstream workflows by generating reproducible, quantitative XRF outputs.
- Standardization: Addresses assay reproducibility and quantitative readout generation through calibrated fitting procedures.
- Scalability: Highlights platform reuse and screening readiness via standardized MAPS workflows for multi-element detection.
Translational & Preclinical Research
- Translational Continuity: Discusses disease relevance through elemental distribution analysis in Cu(In,Ga)Se₂ solar cells as a model for spatially resolved compositional evaluation.
- Preclinical Alignment: Describes continuity from discovery through preclinical validation by linking elemental quantification to stoichiometric and clustering behavior insights.
- Risk-Adjusted Decisions: Supports advancement decisions by providing quantitative thresholds for elemental homogeneity and distribution.
Pipeline & Workflow Integration
The MAPS workflow integrates into the discovery continuum from early target validation through lead identification to preclinical work by enabling quantitative elemental analysis that informs biological mechanism and material behavior.
- Discovery Biology: Supports hypothesis testing and pathway clarification by quantifying elemental distribution and identifying inhomogeneity in samples.
- Screening: Describes assay readiness and reproducibility through standardized fitting of XRF maps to known standards for quantitative output generation.
- Analytics: Highlights measurements such as micrograms per centimeter squared and integral spectrum fitting that enable cross-condition comparison and threshold setting.
- Translational Research: Connects method to preclinical continuity by demonstrating how quantified elemental data informs material behavior and device performance in model systems.
- Enterprise Reuse: Positions MAPS as a reusable capability for multi-project elemental analysis rather than a single-use technique due to its standardized file structure and configurable parameters.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence, target validation, reduction of mechanistic ambiguity in elemental distribution.
- Operational Value: Standardization, reproducibility, and scalability of XRF quantification across sample types and detector configurations.
- Strategic Value: Better go/no-go decisions, capital efficiency, and reduced late-stage biological risk through early elemental de-risking.
- Portfolio Impact: Risk-adjusted prioritization and advancement decisions based on quantitative elemental homogeneity and stoichiometric ratios.
Implementation Considerations
- Requires expertise in XRF spectroscopy, IDL software, and spectral fitting procedures.
- Needs access to synchrotron beamlines and computational infrastructure for IDL and MAPS execution.
- Demands cross-team standardization of file naming, pathway conventions, and detector element configuration.
- Involves adaptation considerations for varying detector quadrants, standard types (e.g., AXO, NIST), and incident energy settings.
- Includes practical limitations such as sensitivity to incident energy (e.g., selenium undetectable at used energy) and L-line fitting challenges requiring branching ratio adjustments.
