Kwantyfikacja danych fluorescencji rentgenowskiej za pomocą MAPS
17 lutego 2018
Tutaj demonstrujemy użycie oprogramowania do montażu fluorescencji rentgenowskiej, MAPS, stworzonego przez Argonne National Laboratory do ilościowego oznaczania danych z mikroskopii fluorescencyjnej. Uzyskane dane ilościowe są przydatne do zrozumienia rozkładu pierwiastków i stosunków stechiometrycznych w badanej próbie.
Synchrotronowa fluorescencja rentgenowska jest ważną techniką obserwacji segregacji pierwiastków, relacji stechiometrycznych i zachowań grupowych w próbkach z wielu dziedzin, w tym biologii, chemii i materiałoznawstwa. Informacje uzyskane z tych badań mają charakter jakościowy, dopóki nie zostaną zastosowane odpowiednie procedury kwantyfikacji w celu przekształcenia surowych liczb fluorescencji na pierwiastkowe masy powietrzne. Ten film pokaże, jak korzystać z programu do kwantyfikacji stworzonego przez Argonne National Laboratory do generowania informacji numerycznych dla dwuwymiarowych map fluorescencji rentgenowskiej.
Aby korzystać z programu MAPS, należy najpierw pobrać oprogramowanie IDL z Internetu. Obecnie można to zrobić, wchodząc na stronę internetową IDL i zakładając konto. Następnie wybierz Moje konto, a następnie Pobrane, a wyświetli się strona ze wszystkimi dostępnymi programami.
Przewiń w dół i wybierz najnowszą wersję IDL. Następnie MAPS można pobrać ze strony internetowej Argonne National Laboratory. Po pobraniu i rozpakowaniu folderu zip powinny znajdować się cztery pliki. Związek.
dat, henke. XDR, mapy i xrf_library.csv. Trzy pliki inne niż mapy należy skopiować i wkleić do podfolderu IDL o nazwie lib.
W przypadku komputerów z systemem Windows najprawdopodobniej można to znaleźć w Program Files w folderze Exelis. Ogólnie rzecz biorąc, wygodnie jest uruchomić dopasowanie z pulpitu, jednak bardzo ważne jest, aby nazwa folderu i ścieżka nie zawierały żadnych spacji ani znaków specjalnych, w przeciwnym razie MAPS spowoduje błąd podczas próby uruchomienia dopasowania. Jeśli ścieżka do pulpitu zawiera spacje, umieść folder w innym miejscu.
Na przykład bezpośrednio na dysku C. Na potrzeby tej demonstracji umieszczę folder dopasowania i mapy. ikonę Zapisz na pulpicie, aby mieć do niej łatwy dostęp.
W tym folderze umieść pliki maps_fit_parameters_override. txt i maps_settings.txt. Przykłady tych plików są dostępne w dokumentach uzupełniających.
Następnie utwórz folder o nazwie mda i wklej wybrany plik mapy w wysokiej rozdzielczości, który będzie początkowo używany do dopasowania. Dodawane są również pliki do standardowego dopasowania, które powinny zawierać jeden lub cztery pliki, w zależności od liczby elementów detekcyjnych używanych przez sektor. Pliki te oznaczają standard.
Jeśli użyto standardu AXO, plik powinien mieć nazwę axo_std. mca, w przeciwnym razie, jeśli użyto NIST lub dowolnego innego standardu, może on mieć dowolną nazwę kończącą się na mca, ponieważ te pliki zostaną wybrane później. Następnie, w przypadku detektora czterokwadrantowego, pliki standardowe i fit_parameter powinny być nazwane w następujący sposób, w zakresie od mca0 do mca3 i txt0 do txt3 oraz zawierają jeden plik fit_parameters kończący się na txt.
Następnie sprawdź plik ustawień map, czy używa prawidłowej liczby elementów detektora. W przypadku tej oprawy zastosowano jeden element detektora. Po przygotowaniu odpowiedniego folderu otwórz MAPS i zmień katalog na folder właśnie utworzony na pulpicie.
Następnie klikamy ok i przechodzimy do konfiguracji. Okno konfiguracji posiada szereg funkcji, które ustawiają parametry dla dopasowania. W pierwszej kolejności należy wybrać linię badawczą, która jest reprezentatywna dla linii badawczej użytej do pomiarów.
Jeśli pomiary zostały wykonane w Argonne National Laboratory, to linia powinna bezpośrednio odpowiadać. W przeciwnym razie dodatkowe informacje na temat tego, z którego wyboru należy skorzystać, są zawarte w manuskrypcie. Następnie wybierz plik mda, który będzie używany, a następnie wpisz energię padającą użytą do pomiaru.
Wybierz rozpocznij przetwarzanie i poczekaj, aż program się zakończy. Po zakończeniu przejdź do pliku, a następnie wybierz pierwszą opcję. Otwórz średni obraz XRF lub pojedynczy element.
Program powinien utworzyć serię nowych folderów, więc wybierz img, a wygenerowane pliki dopasowania lub pliki h5 powinny znajdować się w tym folderze. Wybierz plik odpowiadający mapie, a następnie zmień drugie menu rozwijane od lewej na normalizację. W takiej sytuacji dane są normalizowane do komory jonowej lub USIC.
Wybierając wyświetlanie, widok wieloelementowy spowoduje utworzenie obrazów dla poszczególnych kanałów elementarnych. Jednostki są teraz podane w mikrogramach na centymetr kwadratowy. Ale wartości nie są jeszcze reprezentatywne dla dopasowanych wielkości.
Aby pracować nad dopasowaniem, zamiast tego dane są wyświetlane jako suma wszystkich widm z każdego piksela mapy, które można wyświetlić, przechodząc do viewing, wykres całkowego widma. Następnie przejdź do generowania danych wyjściowych, wyeksportuj surowe zintegrowane serie widm, aby zapisać obraz. Zamknij okno i przejdź do narzędzia, narzędzie widma, załaduj spektrum.
Zlokalizuj plik, który został właśnie wyeksportowany do folderu wyjściowego. Ogólnie rzecz biorąc, sortowanie folderu wyjściowego według daty modyfikacji jest najszybszym sposobem znajdowania plików, ponieważ każde nowe dopasowanie aktualizuje pliki w folderze. Wyeksportowane widmo zostanie nazwane intspec, po którym następuje linia badawcza i numer skanu, a następnie txt.
Po otwarciu widma otwórz plik maps_fit_parameters_override. Najpierw sprawdź, czy liczba elementów detektora jest prawidłowa. Następnie w wierszu elementów, które mają pasować, uwzględnij wszystkie elementy, które powinny znaleźć się w próbce.
Zwróć uwagę, że elementy linii L i elementy linii M zawierają odpowiednio sufiks _L lub _M. W tym przypadku wiadomo, że w próbce znajduje się miedź, ale zostanie ona wykluczona, aby podać przykład niepełnego pasowania. Przewijając w dół, wprowadź energię padającą, aby uzyskać spójną energię rozpraszania.
Następnie w kolejnych dwóch wierszach wprowadź maksymalny i minimalny zakres energii, który ma być używany przez program jako granice. Generalnie wystarczający jest zakres od plus i minus 2 do plus i minus 5 keV. Dalej sprawdź, czy maksymalna i minimalna energia do dopasowania obejmuje energie interesujących Cię elementów.
Dodatkowo sprawdź, czy element detektora linii ma prawidłowy numer, który odpowiada detektorowi germanowemu lub krzemowemu. Na dole pliku znajduje się możliwość zmiany nazw kanałów detekcyjnych, które są używane w oprawie. Więcej informacji na temat sposobu ich zmiany opisano bardziej szczegółowo w manuskrypcie.
Po wprowadzeniu zmian zapisz dokument. Następnie wybierz analizę, dopasuj spektrum, a pojawi się okno. U góry można ustawić zakres energii dla dopasowania, a także liczbę iteracji użytych dla dopasowania.
Po zmianie zakresu wybierz trzeci z czterech przycisków na dole, a program uruchomi dopasowanie. W oknie narzędzia specyfikacji znajduje się szereg rozwijanych menu, które pozwalają na wizualizację różnych krzywych. Na listach rozwijanych ustaw jeden z nich na dopasowane, a pozostałe opcje na brak.
W lewym dolnym rogu wybranie opcji dodaj element umożliwia użytkownikowi przeszukanie widma w poszukiwaniu brakujących szczytów. Używając znaku plus i klikając, wygląda na to, że szczyt, którego brakuje w dopasowaniu, to miedziany pik K alfa jeden. W przypadku niektórych szczytów, szczególnie po lewej stronie obrazu, dopasowanie wydaje się zawierać właściwe elementy, ale linie są nadal bardzo odległe w odpowiedniej intensywności od intensywności widma.
Można to poprawić, zwiększając liczbę iteracji. Zwykle wystarczy co najmniej 50, aby zrobić zauważalną różnicę. Teraz powrót do pliku fit_parameters, dodanie miedzi, zapisanie i ponowne uruchomienie dopasowania pokazuje, że szczyt jest teraz dobrze dopasowany.
Po wyszukaniu wszystkich pozostałych brakujących elementów, dopasowanie wygląda dobrze. W niektórych przypadkach nadal istnieją szczyty, na których linie nie są idealnie dopasowane. Na przykład dwa piki znajdują się na czterech keV, które odpowiadają liniom indu od Lg1 do Lg4, wydają się mieć dopasowany prawidłowy element, ale dopasowanie wycenia intensywności pików wyżej niż to, co faktycznie wyprodukowano z pomiaru.
Taka sytuacja występuje najczęściej w przypadku elementów linii L. Ponieważ elementy linii K mają w literaturze tabelaryczne współczynniki intensywności pików, podczas gdy zamiast tego stosunki wysokości pików dla linii L są znacznie bardziej zależne od energii padania. Aby poprawić dopasowanie tych linii, najpierw należy utworzyć linię w pliku fit_parameters w celu dopasowania rodziny rozgałęzień.
Liczby te oznaczają względne intensywności w porównaniu z literaturą dla rodzin L1, L2 i L3, które są pokazane jako żółte, różowe i niebieskie linie w narzędziu specyfikacji. Często liczby te mogą pozostać jedynkami lub równorzędnymi z wartościami literaturowymi. Zamiast tego zmieni się stosunek dla każdej pojedynczej linii.
Przed korektą współczynnika rozgałęzień dla indu zwróć uwagę, że wszystkie współczynniki rozgałęzień dla linii L gamma są ustawione na jeden. Patrząc na całkowe spektrum, jasne jest, że wartość literatury jest zbyt wysoka. Szacując procentową różnicę między zieloną i białą linią dla każdej energii, a następnie zmieniając współczynnik rozgałęzienia, zapisując i ponownie uruchamiając oprawę, obserwuje się poprawę dopasowania zielonej linii do białej linii widma.
Często proces ten zajmie kilka prób, ale jest to konieczne, aby zapewnić dokładność dopasowania. Po zidentyfikowaniu fit_parameters, które zapewniają najlepsze możliwe dopasowanie, uruchom złączkę jeszcze raz w 10 lub 50 K. Dzieje się tak, ponieważ każde pasowanie aktualizuje średni wynikowy plik maps_fit_parameters_override, który będzie plikiem, który jest faktycznie zaimplementowany dla łącznika.
Po zakończeniu ostatecznego dopasowania zamknij okno narzędzia specyfikacji. Następnie dodaj _input do pliku maps_fit_parameters i zmień nazwę średniego pliku wynikowego na odczyt maps_fit_parameters_override.txt. Po wykonaniu tych czynności wróć do okna konfiguracji i wybierz linię badawczą.
Następnie zaznacz Użyj dopasowania i skopiuj i wklej wszystkie pliki mda, które mają być dopasowane do folderu mda. Korzystając z wybranych plików mda, przejrzyj i zaznacz wszystkie pliki, które mają być dopasowane. Energia padania zostanie już wprowadzona z procesu dopasowania.
Po prawej stronie okna, używając symboli plus i minus, kliknij i zaznacz pola wyboru dla elementów, które są zawarte w pliku fit_parameters. Niektóre elementy nie są zawarte w tym pudełku. Na przykład ind nie jest.
Aby uwzględnić ind, zaznacz pole na wszelkie inne elementy, które nie są pasowane. Następnie w kategorii Nazwa ROI zmień nazwę na nazwę potrzebnego elementu. Następnie, korzystając z dowolnej bazy danych fluorescencji, na przykład aplikacji Hefajstos, znajdź energię dla głównej linii energetycznej.
W tym przypadku ind L alfa. Kontynuuj przewijanie elementów do końca, wybierając również S_I, S_E, S_A, TFY i tło. W lewym górnym rogu wybierz prawe ustawienia do pliku konfiguracyjnego, aby zapisać ustawienia dopasowania do wykorzystania w przyszłości.
W tym momencie, jeśli do montażu ma być używany standard NIST, wybierz przycisk odpowiadający numerowi normy NIST NBS 1832 lub 1833. A następnie wybierz nazwę pliku dla normy z folderu nadrzędnego. Następnie oprawa jest gotowa
.Wybierz więc rozpocznij przetwarzanie, aby rozpocząć. Gdy okucia są gotowe, można je wizualizować jak poprzednio, przechodząc do pliku, otwartego obrazu XRF, średniej lub pojedynczego elementu. A potem do przeglądania, widoku wielu elementów.
Za pomocą detektorów wybranych elementów w prawym dolnym rogu możliwa jest zmiana analizowanych kanałów. Na tej podstawie wyświetlane są wartości liczbowe w mikrogramach na centymetr kwadratowy w kolejności oczekiwanej dla próbki. Kalkulacja służąca do oszacowania przewidywanych wartości jest zapisana w manuskrypcie.
Na przykład, pokazane tutaj są dane ilościowe dla większości pierwiastków ogniwa słonecznego sig, miedzi, indu i galu. Ze względu na wykorzystaną energię padającą, pomiar nie był czuły lub nie był w stanie wykryć piku selenu. Został więc wykluczony.
Na podstawie tych danych możliwe jest teraz powiązanie rozkładu różnych pierwiastków w próbce ze sobą nawzajem, wyciągając wnioski na temat tego, jak różne kationy ogniwa słonecznego sig rozprowadzają się w urządzeniu i stopień niejednorodności, jaki wykazują. Spektrum dopasowania dla każdej z map dopasowania można również wyświetlić ponownie, przechodząc do viewing, wykres całkowego spektrum. Tutaj powinno być w stanie zobaczyć spektrum danych w kolorze białym i dopasowanie w kolorze.
Można to wykorzystać do sprawdzenia dopasowania dla wszystkich plików danych, aby upewnić się, że proces został prawidłowo zastosowany do każdej mapy. Na koniec, aby wyeksportować dane, przejdź do generowania danych wyjściowych i wybierz eksport, utwórz połączone pliki ASCII map. Spowoduje to utworzenie pliku Excel, który zawiera ilościowo określone dane fluorescencji dla wszystkich wyświetlanych elementów.
Aby zmienić lub dodać elementy, należy skorzystać z opcji wybierz detektory elementów. Dane można następnie znaleźć w folderze wyjściowym. Ten film wyjaśnił krok po kroku, jak korzystać z oprogramowania do dopasowania MAPS stworzonego przez Argonne National Laboratory do ilościowego oznaczania danych fluorescencji rentgenowskiej.
Chociaż procedura ta jest bardzo przydatna w różnych sytuacjach, istnieje wiele szczególnych scenariuszy i wyzwań, które wymagają dodatkowego rozważenia. Są one opisane bardziej szczegółowo poniżej i są wprowadzane ciągłe ulepszenia w celu dalszego zwiększania dokładności dopasowania widm fluorescencji rentgenowskiej. Jednak zdolność programów do przekształcania jakościowych map fluorescencyjnych 2D o wysokiej rozdzielczości w ilościowe przestrzennie rozdzielone wielkości pierwiastkowe zapewnia znaczny wzrost informacji możliwych do uzyskania z tych pomiarów.
Mamy nadzieję, że ta demonstracja była pomocna w lepszym zrozumieniu procesu ilościowego określania danych z mikroskopii fluorescencji rentgenowskiej. Dzięki za oglądanie.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
To badanie pokazuje zastosowanie oprogramowania MAPS do ilościowego określania danych mikroskopii fluorescencyjnej. Uzyskane dane ilościowe pomagają w zrozumieniu dystrybucji pierwiastków oraz stosunków stechiometrycznych w próbkach.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Biologia
- Nauki o materiałach
Tło
- Fluorescencja rentgenowska oparta na synchrotronie jest niezbędna do badania segregacji pierwiastków.
- Właściwe ilościowe określenie przekształca surowe dane fluorescencyjne w ilościowe masy pierwiastków.
- Technika ta ma zastosowanie w różnych dziedzinach nauki.
- Zrozumienie relacji stechiometrycznych jest niezbędne do analizy materiałów.
Cel badania
- Przedstawienie programu MAPS do ilościowego określania danych fluorescencyjnych.
- Dostarczenie informacji numerycznych dla dwuwymiarowych map fluorescencji rentgenowskiej.
- Poprawa rozumienia dystrybucji pierwiastków w próbkach biologicznych.
Stosowane metody
- Wykorzystanie oprogramowania MAPS opracowanego przez Narodowe Laboratorium Argonne.
- Pobieranie oprogramowania IDL do uruchomienia programu MAPS.
- Generowanie dwuwymiarowych map fluorescencji rentgenowskiej z danych surowych.
- Przekształcanie danych jakościowych w ilościowe informacje o pierwiastkach.
Główne wyniki
- Udane ilościowe określenie danych mikroskopii fluorescencyjnej.
- Jasna wizualizacja dystrybucji pierwiastków w próbkach.
- Ustalenie stosunków stechiometrycznych na podstawie ilościowych danych.
- Demonstracja możliwości programu MAPS w analizie danych.
Wnioski
- Oprogramowanie MAPS jest skuteczne w ilościowym określaniu danych mikroskopii fluorescencyjnej.
- Ilościowe dane znacząco poprawiają zrozumienie relacji pierwiastkowych.
- Technika ta może być stosowana w różnych dziedzinach nauki dla lepszej analizy materiałów.
Często zadawane pytania
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.
