Article de méthode

L'utilisation de MALDI-TOF spectrométrie de masse et une base de données personnalisée pour caractériser les bactéries indigènes à un environnement unique Cave (Kartchner, AZ, USA)

DOI :

10.3791/52064

⸱

2 janvier 2015

 ,  ,  , 
1School of Mathematical and Natural Sciences, Arizona State University, 2Applied Maths NV

Dans cet article

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ce travail détaille les procédures d’identification rapide des bactéries à l’aide de MALDI-TOF MS. Les procédures d’identification comprennent l’acquisition du spectre, la construction de bases de données et les analyses de suivi. Deux méthodes d’identification, basées sur les coefficients de similarité et les méthodes basées sur les biomarqueurs, sont présentées.

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La spectrométrie de masse MALDI-TOF s’est avérée être un outil rapide et fiable pour l’identification des bactéries au niveau du genre et de l’espèce, et dans certains cas, des niveaux de souche. Des outils logiciels disponibles dans le commerce et open source ont été mis au point pour faciliter l’identification ; Cependant, aucun pipeline d’analyse de données universel/standardisé n’a été décrit dans la littérature. Nous proposons ici une démonstration complète et détaillée des procédures d’identification bactérienne à l’aide d’un spectromètre de masse MALDI-TOF. Des spectres de masse ont été collectés à partir de 15 bactéries diverses isolées dans les cavernes de Kartchner, en Arizona, aux États-Unis, et identifiées par séquençage de l’ADNr 16S. Les bases de données ont été construites dans BioNumerics 7.1. Des analyses de suivi des spectres de masse ont été effectuées, y compris des analyses en grappes, l’appariement des pics et des analyses statistiques. L’identification a été effectuée à l’aide d’échantillons codés à l’aveugle et choisis au hasard parmi ces 15 bactéries. Deux méthodes d’identification sont présentées : les méthodes basées sur les coefficients de similarité et les méthodes basées sur les biomarqueurs. Les résultats montrent que les deux méthodes d’identification permettent d’identifier la bactérie au niveau de l’espèce.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La spectrométrie de masse (MS) par désorption/ionisation laser assistée par matrice (MALDI-TOF) s’est avérée être un outil rapide et fiable pour l’identification des bactéries au genre, à l’espèce et, dans certains cas, aux niveaux de souche1 à 4. MALDI-TOF MS ionise des molécules biologiques (généralement des protéines) qui proviennent de surfaces cellulaires, de membranes intracellulaires et de ribosomes à partir de cellules entières bactériennes ou d’extraits de protéines1,5. Les pics qui en résultent forment des motifs caractéristiques ou des « empreintes digitales » des bactéries analysées1. L’identification des bactéries repose sur ces « empreintes digitales » de la masse à la charge.

Deux des stratégies d’identification les plus couramment utilisées sont les stratégies basées sur la bibliothèque et les stratégies basées sur la bio-informatique1. Les approches basées sur des bibliothèques consistent à comparer les spectres de masse d’inconnues aux spectres de masse de bactéries connues précédemment collectés dans des bases de données/bibliothèques à des fins d’identification. Des logiciels disponibles dans le commerce, tels que les progiciels BioNumerics, Biotyper et SARAMIS, ainsi que des outils logiciels open source, tels que SpectraBank6, sont disponibles pour faciliter la comparaison et la quantification de la similitude entre les spectres de masse des inconnues et les bactéries de référence. Les approches bioinformatiques reposent généralement sur des génomes de bactéries entièrement séquencés pour l’identification. Contrairement aux approches basées sur des banques qui n’impliquent pas l’identification de la nature biologique de pics particuliers, les approches basées sur la bio-informatique impliquent l’identification de protéines1.

La majorité des études récentes basées sur les empreintes digitales MALDI ont utilisé des approches basées sur des banques pour identifier les bactéries1. Les approches basées sur des bibliothèques nécessitent la construction de bases de données et la comparaison de la similitude entre les spectres de masse. Des études montrent que de nombreuses procédures expérimentales, telles que le milieu3,7, le temps de culture8, la méthode de préparation d’échantillon3 et la matrice utilisée9, affectent les spectres de masse obtenus. De plus, certaines espèces et souches étroitement apparentées génèrent des spectres avec seulement des différences subtiles. Ainsi, les approches basées sur des bibliothèques nécessitent des procédures rigoureusement normalisées pour générer des spectres de masse hautement reproductibles entre les répétitions. Des variations mineures dans les protocoles peuvent compromettre l’efficacité de l’identification, en particulier aux niveaux1, 3 et 10 de la sous-espèce et de la souche. Cependant, ni les bases de données de référence fournies par le fabricant ni les bases de données personnalisées signalées n’incluent de procédures documentées visuellement pour la construction et/ou l’application d’un pipeline d’analyse de données. Pour cette raison, l’objectif de ce travail était de développer, d’appliquer et de démontrer une procédure complète et détaillée pour l’identification bactérienne basée sur une bibliothèque à l’aide de MALDI-TOF MS.

Dans cette démonstration, les spectres de masse de 15 bactéries isolées d’un environnement karstique (Kartchner Cavern, AZ, USA) ont été collectés et importés dans un logiciel pour construire une base de données de modèles. Le traitement des données et le pipeline d’analyse ont été détaillés à l’aide de la base de données du modèle. Enfin, des spectres de masse de bactéries codées à l’aveugle qui ont été sélectionnées au hasard parmi ces 15 bactéries ont été collectés à nouveau et comparés aux spectres de référence dans la base de données du modèle à des fins d’identification. Les résultats montrent que les bactéries peuvent être correctement identifiées, soit sur la base de coefficients de similarité, soit sur la base de biomarqueurs/classes de pics potentiels.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Attention: les bactéries non identifiés de ne importe quel environnement peuvent être pathogènes et doivent être manipulés avec prudence en utilisant des protocoles de biosécurité appropriées. Travailler avec des cultures vivantes doit être effectuée dans une armoire de biosécurité de classe II en utilisant de sécurité biologique de niveau 2 (BSL-2) procédures. Plus d'informations sur BSL-2 procédures est disponible dans le manuel CDC / NIH intitulé «prévention des risques biotechnologiques en laboratoires microbiologiques et biomédicaux», pages 33-38. Le document est disponible en ligne à http://www.cdc.gov/biosafety/publications/bmbl5/BMBL.pdf . Équipement de protection individuelle (EPI), y compris les sarraus de laboratoire / robes, des lunettes de sécurité et des gants en nitrile ou en latex, doit être porté. Pratiques et précautions microbiologiques standards doivent être respectées, et des déchets biologiques dangereux doivent être éliminés de façon appropriée.

Bactéries utilisées dans cette démonstration ont été isolés à partir Kartchner,AZ, États-Unis, à partir de quatre environnements, y compris spéléothème sèche, la pierre de flux, spéléothème humide et stalactite goutte à goutte (tableau 1). Tous les isolats ont été identifiés par séquençage de l'ADNr 16S et conservés à -80 ° C dans 25% de glycérol-R milieu 2B. Toutes les expériences ont été réalisées à température ambiante.

Note: Nous vous recommandons d'utiliser la même méthode de préparation d'échantillon d'acquérir des spectres de masse pour la construction de base de données et les spectres de masse d'inconnues. Méthode de préparation des échantillons a été montré précédemment affecter la qualité du spectre et la reproductibilité 3. En utilisant une méthode de préparation d'échantillon différent peut provoquer une mauvaise identification d'inconnus, surtout quand résolution taxonomique plus élevé (par exemple, au niveau de la souche) est souhaitée.

1. dépôt sur la cible MALDI

Attention: Plusieurs protocoles d'obtenir des extraits de protéines nécessitent l'utilisation d'acides et de solvants organiques qui doivent être utilisé conformément aux guidElines et informations contenues dans leurs fiches respectives de données de sécurité des matériaux (MSDS). EPI approprié doit être porté et variera en fonction des type et le volume des produits chimiques utilisés (par exemple, sarraus de laboratoire / robes, des gants, des lunettes de sécurité, et la protection respiratoire doit être utilisée lorsque vous travaillez avec des quantités importantes de solvants toxiques et inflammables, tels que l'acétonitrile, et des acides corrosifs, tels que les acides formique et trifluoroacétique).

  1. Dépôt de 1 pi d'extrait de protéine ne contenant pas de cellules viables (obtenues à l'aide de protocoles appropriés, décrits précédemment 11 à 13) sur une plaque de cible MALDI en acier inoxydable et le laisser sécher. Superposer l'extrait protéinique séchée avec une solution de matrice ul (α-cyano-4-hydroxy-cinnamique solution d'acide), et laisser sécher.
  2. Pour chaque répétition biologique, repérer un nombre approprié de répétitions techniques (5-20 réplicats techniques). Ici, repérer 10 répétitions techniques pour chaque répétition biologique et trois répétitions biologiques were préparé.
    Note: Nous recommandons d'utiliser un MALDI plaque cible en acier poli en utilisant la méthode de préparation des échantillons d'extraction de protéines. Utilisation des plaques cibles de masse d'acier peut provoquer une contamination accidentelle et la propagation des différents échantillons à l'extérieur du puits d'échantillon individuels.
  3. Dépôt 1 ul norme d'étalonnage sur la plaque cible et laisser sécher. Superposition avec une solution de matrice de pi et laisser sécher.
  4. Dépôt solution de 2 ul de matrice sur la plaque cible en tant que témoin négatif.

2. Acquisition spectres de masse

  1. Utilisez un spectromètre de masse MALDI-TOF équipé d'un laser d'azote (λ = 337 nm) et exploité en utilisant un logiciel Bruker FlexControl.
  2. Recueillir chaque spectre de masse en mode linéaire positive par l'accumulation de 500 tirs laser par incréments de 100 tir. Régler la tension source d'ions 1 à 20 kV; tension de la source d'ions 2 18,15 kV; et la tension de la lentille à 9,05 kV. A noter que ces paramètres sont instrument spécific et pourrait nécessiter un ajustement sur d'autres instruments pour obtenir des résultats optimaux.
  3. Définissez la plage de masse-charge pour l'évaluation automatisée du spectre 2-20 kDa par charge. Utiliser l'algorithme de détection de pic centroïde. Réglez le seuil minimum de la résolution à 100 Da. Réglez le rapport signal sur bruit (S: N) seuil à 2. Réglez le seuil d'intensité minimum à 100.

3. Base de données Construction

  1. la conception de base de données
    1. Créer une nouvelle base de données dans BioNumerics 7.1 utilisant le "Nouvel assistant de base de données".
    2. Créer un type d'expérimentation du spectre, par exemple, Maldi, en utilisant les commandes dans le panneau "Types de Experiment".
    3. Créez les niveaux en utilisant le "panneau de conception de base de données". Ajouter de nouveaux niveaux en utilisant le "Niveau> Ajouter nouveau niveau ..." commande dans le menu "Base de données". Ici, créer des "espèces" niveau ", réplique biologique" niveau "et" répétition technique "niveau, respectivEly.
  2. Importation et prétraitement des spectres de masse brute
    1. Exporter les spectres de masse brute sous forme de fichiers .txt utilisant Flexanalysis en cliquant sur le "Exporter> Spectre de masse" dans le menu "Fichier".
    2. Importez les spectres de masse brute (fichiers .txt) dans la base de données dans le niveau des répétitions techniques.
    3. Prétraiter les spectres de masse brute.
      1. Importation et rééchantillonnage (en utilisant un algorithme d'ajustement quadratique).
      2. Effectuer une soustraction de ligne de base (avec un disque de roulement avec une taille de 50 points).
      3. Calculer le bruit [transformation en ondelettes continue (CWT)], lisse (Kaiser Fenêtre avec une taille de fenêtre de 20 points et bêta de 10 points), et effectuer une seconde soustraction de base (laminage disque avec la taille de 200 points).
      4. Détecter des pics [CWT avec un signal minimum sur bruit (S: N) 10].
    4. Après prétraitement, mémoriser les motifs caractéristiques de chaque spectre de masse, tels que les listes de pointe contenant pictailles, des intensités de pointe, S: N, etc., dans la base de données.
  3. Création spectre de masse composite
    1. Créer spectres composite à partir des spectres prétraités à l'aide de la commande "Résumer ..." dans le menu "Analyse". Choisissez l'option "répétition biologique» comme niveau cible.
    2. Ici, combiner les spectres de masse de 10 répétitions techniques de la même colonie pour obtenir un spectre de masse composite pour cette colonie, résultant en trois spectres de masse composite pour que isolat au niveau "répliqué biologique".
    3. Ici, résumer les trois spectres composite pour créer une spectre composite pour qui isolent au niveau «espèces».
      Remarque: Le spectre composite est la moyenne de point par point des répétitions techniques. Réplique d'une similitude (de corrélation de Pearson) à la moyenne inférieure à 95% (réglage par défaut) sont exclus du composite. Les pics sur le spectre composite sont appelés seulement se ils sont présents dans 75% (réglage par défaut) des répétitions incluses. Pour les répétitions biologiques, ces paramètres étaient de 90 et 60%, respectivement.

Analyse 4. Spectre de masse de données

  1. Sélectionnez les entrées dans la base de données et de créer une comparaison en cliquant sur la commande "Créer un nouveau rapport" dans le panneau "comparaisons".
  2. Ici, utiliser les spectres de masse à la "répétition technique" et / ou les niveaux "répétés biologique" pour montrer des comparaisons et des analyses.
  3. Analyse de cluster basé similarité et l'analyse multidimensionnelle (MDS)
    1. Créer des groupes avec des couleurs. Sélectionnez les trois biologique spectre de masse composite et cliquez sur "Créer un nouveau groupe de la sélection" commande dans le menu "Groupes" pour créer un groupe pour l'isolat correspondante. Désigner une couleur automatiquement utilisé pour ces trois spectres de masse.
    2. Alternativement, définir des états de terrain avec des couleurs correspondantes en utilisant les commandes dans le "Base de données entrées panel "de telle sorte que tout groupement basée sur ce champ défini utilise la même couleur définie pour ce groupe.
    3. Effectuer une analyse cluster. Cliquez sur la commande "Calculer l'analyse de cluster» dans le menu «Clustering». Sur la comparaison des paramètres Page 1, sélectionnez le «corrélation de Pearson" et laissez les autres paramètres par défaut. À la page 2, sélectionnez "UPGMA". Puis cliquez sur "Terminer".
    4. Obtenir un complot MDS utilisant la "mise à l'échelle multidimensionnelle ..." commande dans le menu "Statistiques".
  4. Appariement pic
    1. Cliquez sur le type de spectre "Maldi" dans le panneau "expériences". Ensuite, sélectionnez "Mise en page> Voir l'image". Spectra sont présentés comme des bandes de gel.
    2. Effectuer une comparaison pic en utilisant la commande "faire de la correspondance pic" dans le menu "Spectra".
  5. Identification des classes de pointe
    1. Effectuer l'analyse en composantes principales (ACP). Mettez en surbrillance le "Maldi "type de l'expérience dans le" expérimentale "panneau et utiliser le" Analyse en Composantes Principales ... "dans le menu" statistique "pour effectuer PCA.
    2. Effectuer regroupement dans les deux sens. Cliquez sur le "Statistiques> minière Matrix" ... dans la fenêtre "Comparaison". L'intensité des pics appariés aux classes de pointe est représenté en utilisant des couleurs différentes (carte de chaleur).

5. Les bactéries d'identification avec une base de données personnalisée

  1. Méthode fondée sur la similarité coefficient-
    1. Créer une comparaison et de générer un dendrogramme basé sur des spectres de masse au niveau "répliqué technique" tel que décrit à l'étape 4.3.3. Enregistrez le dendrogramme de comparaison de similitude.
    2. Sélectionnez un spectre de masse inconnue, et cliquez sur le "Analyse> Identifier entrées sélectionnées". La boîte de dialogue d'identification apparaît.
    3. Sélectionnez le "Comparaison basée" type de classificateur (ou un classif stockéeIER) et cliquez sur "suivant". Sur la page suivante, choisissez le dendrogramme enregistré comme une comparaison de référence, puis cliquez sur "Suivant".
    4. Choisissez l'option "similitude de base" comme une méthode d'identification et puis cliquez sur "Suivant".
    5. Choisissez l'option "similitude maximale» comme méthode de notation. Tapez les valeurs de seuil appropriées et valeurs de différence minimum pour chaque paramètre, puis cliquez sur "Suivant".
    6. Une fois les calculs sont terminés, la fenêtre d'identification apparaît. Dans le panneau "Résultats", les membres de la base de données qui correspondent le mieux l'inconnu sont répertoriés.
    7. Enregistrez le projet d'identification et valider l'identification en utilisant le "analyse de validation croisée" dans le panneau "projet d'identification".
  2. Méthode basée sur les biomarqueurs potentiel
    1. Définir des classes de pointe. Dans la fenêtre «Matrix Mining", sélectionner des ensembles de pics des caractéristiques communes et de définir ces pics que spéciles classes fic de pointe (biomarqueurs potentiels) en utilisant "Spectra> Gérer les types de classe de pointe ..." dans la fenêtre "Comparaison".
    2. Ici, définir des classes de pointe spécifiques pour chaque isolent pour tous les 15 isolats.
    3. Sélectionner les spectres de masse d'inconnues et faire correspondre les sommets de ces spectres pour les classes de pointe définis comme précédemment décrit.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les bases de données construites à cette manifestation avaient quatre niveaux, du plus haut au plus bas niveau, y compris "tous les niveaux", "répétition biologique" "Species" et "répétition technique", respectivement (figure 1A). La "répétition technique" niveau contenait tous les spectres prétraitée de répétitions techniques. La "répétition biologique" et les niveaux «espèce» contenaient le composite (résumé) spectres. "Tous les niveaux" contenaient tous les spectres répliqué technique ainsi que tous ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette démonstration a montré des procédures détaillées de caractérisation et d'identification des bactéries utilisant MALDI-TOF MS et une base de données personnalisée. En comparaison avec les méthodes moléculaires classiques, par exemple, les méthodes d'empreintes digitales MS-séquençage de l'ADNr 16S, MALDI-TOF de faciliter une identification plus rapide des diverses bactéries. En raison de sa robustesse, cette technique est largement utilisée pour caractériser les bactéries, les virus, les champignons et ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les auteurs Vranckx et Janssens sont des employés d’Applied Maths NV, le fabricant du logiciel d’analyse de données utilisé dans cette vidéo. Applied Maths NV a fourni certains modules logiciels mis en évidence dans cette vidéo ainsi qu’une partie des coûts de publication associés à cette vidéo.

Remerciements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ce travail a été soutenu par le New College of Interdisciplinary Arts and Sciences de l’Université d’État de l’Arizona, Applied Maths NV, et par la National Science Foundation (ROA Supplement to Award No. MCB0604300). Les opinions, les constatations, les conclusions ou les recommandations exprimées dans ce document sont celles de l’auteur ou des auteurs et ne reflètent pas nécessairement les opinions de la National Science Foundation.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Acide &alpha ;-cyano-4-hydroxy-cinnamiqueACROS Organics163440050&ge ; 97 %, CAS 28168-41-8
Logiciel Bruker FlexControlBruker Daltonicsversion 3.0
Logiciel Bruker FlexAnalysisBruker Daltonicsversion 3.0
Logiciel de bionumérique AppliedMathsversion 7.1

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Sandrin, T. R., Goldstein, J. E., Schumaker, S. MALDI TOF MS profiling of bacteria at the strain level: A review. Mass Spectrom Rev. 32 (3), 188-217 (2013).
  2. Siegrist, T. J., et al. Discrimination and characterization of environmental strains of Escherichia coli by matrix-assisted laser desorption/ionization time-of-flight mass spectrometry (MALDI-TOF-MS). J Microbiol Meth. 68 (3), 554-562 (2007).
  3. Goldstein, J. E., Zhang, L., Borror, C. M., Rago, J. V., Sandrin, T. R. Culture conditions and sample preparation methods affect spectrum quality and reproducibility during profiling of Staphylococcus aureus with matrix-assisted laser desorption/ionization time-of-flight mass spectrometry. Lett Appl Microbiol. 57 (2), 144-150 (2013).
  4. Benagli, C., et al. A rapid MALDI-TOF MS identification database at genospecies level for clinical and environmental Aeromonas strains. Plos One. 7 (10), (2012).
  5. Sauer, S., Kliem, M. Mass spectrometry tools for the classification and identification of bacteria. Nat Rev Microbiol. 8 (1), 74-82 (2010).
  6. Bohme, K., et al. SpectraBank: An open access tool for rapid microbial identification by MALDI-TOF MS fingerprinting. Electrophoresis. 33 (14), 2138-2142 (2012).
  7. Walker, J., Fox, A. J., Edwards-Jones, V., Gordon, D. B. Intact cell mass spectrometry (ICMS) used to type methicillin-resistant Staphylococcus aureus: media effects and inter-laboratory reproducibility. J Microbiol Meth. 48 (2-3), 117-126 (2002).
  8. Ruelle, V., El Moualij, B., Zorzi, W., Ledent, P., De Pauw, E. Rapid identification of environmental bacterial strains by matrix-assisted laser desorption/ionization time-of-flight mass spectrometry. Rapid Commun Mass Sp. 18 (18), 2013-2019 (2004).
  9. Sedo, O., Sedlacek, I., Zdrahal, Z. Sample Preparation Methods for Maldi-MS Profiling of Bacteria. Mass Spectrom Rev. 30 (3), 417-434 (2011).
  10. Swatkoski, S., Russell, S., Edwards, N., Fenselau, C. Analysis of a model virus using residue-specific chemical cleavage and MALDI-TOF mass spectrometry. Anal Chem. 79 (2), 654-658 (2007).
  11. Freiwald, A., Sauer, S. Phylogenetic classification and identification of bacteria by mass spectrometry. Nat Protoc. 4 (5), 732-742 (2009).
  12. Drevinek, M., Dresler, J., Klimentova, J., Pisa, L., Hubalek, M. Evaluation of sample preparation methods for MALDI-TOF MS identification of highly dangerous bacteria. Lett Appl Microbiol. 55 (1), 40-46 (2012).
  13. Lasch, P., et al. MALDI-TOF mass spectrometry compatible inactivation method for highly pathogenic microbial cells and spores. Anal Chem. 80 (6), 2026-2034 (2008).
  14. Usbeck, J. C., Kern, C. C., Vogel, R. F., Behr, J. Optimization of experimental and modelling parameters for the differentiation of beverage spoiling yeasts by Matrix-Assisted-Laser-Desorption/Ionization Time-of-Flight Mass Spectrometry (MALDI-TOF MS) in response to varying growth conditions. Food Microbiol. 36 (2), 379-387 (2013).
  15. Del Chierico, F., et al. MALDI-TOF MS proteomic phenotyping of filamentous and other fungi from clinical origin. J Proteomics. 75 (11), 3314-3330 (2012).
  16. Vitale, R., Roine, E., Bamford, D. H., Corcelli, A. Lipid fingerprints of intact viruses by MALDI-TOF/mass spectrometry. Bba-Mol Cell Biol L. 1831 (4), 872-879 (2013).
  17. Zhang, L., Borror, C. M., Sandrin, T. R. A designed experiments approach to optimization of automated data acquisition during characterization of bacteria with MALDI-TOF mass spectrometry. Plos One. 9 (3), (2014).
  18. Christner, M., Rohde, H., Wolters, M., Sobottka, I., Wegscheider, K., Aepfelbacher, M. Rapid identification of bacteria from positive blood culture bottles by use of matrix-assisted laser desorption-ionization time of flight mass spectrometry fingerprinting. J ClinMicrobiol. 48 (5), 1584-1591 (2010).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Identification bact rienneBioNumerics 7 1m thode du coefficient de similitudem thode bas e sur les biomarqueursanalyse de regroupementappariement des picsanalyse de spectres de massechantillons cod s en aveugle

Articles connexes