Количественная оценка рентгеновской флуоресценции данных с использованием карты
17 февраля 2018 г.
Здесь мы демонстрируют использование рентгеновской флуоресценции установку программного обеспечения, в карты, созданные Аргоннской национальной лаборатории для количественной оценки данных микроскопии флуоресцирования. Количественные данные, которые приводит полезно для понимания Элементаль распределения и стехиометрические коэффициенты в образец интерес.
Синхротронная рентгеновская флуоресценция является важным методом наблюдения за сегрегацией элементов, стехиометрическими отношениями и поведением кластеризации в образцах из множества областей, включая биологию, химию и материаловедение. Информация, полученная в результате этих исследований, является качественной до тех пор, пока не будут использованы надлежащие процедуры количественной оценки для преобразования исходных подсчетов флуоресценции в элементарные воздушные массы. В этом видео будет показано, как использовать программу количественной оценки, созданную Аргоннской национальной лабораторией, для получения числовой информации для двумерных рентгенофлуоресцентных карт.
Чтобы использовать программу MAPS, сначала необходимо скачать программное обеспечение IDL из Интернета. В настоящее время это можно сделать, перейдя на сайт для МВУ и создав учетную запись. Затем выберите «Моя учетная запись», затем «Загрузки», и на экране появится страница со всеми доступными программами.
Прокрутите вниз и выберите самую последнюю версию IDL. Далее MAPS можно скачать с веб-сайта Аргоннской национальной лаборатории. После скачивания и извлечения zip-папки в ней должно остаться четыре файла. Соединение.
dat, henke. xdr, карты и xrf_library.csv. Три файла, кроме карт, должны быть скопированы и вставлены в подпапку IDL под названием lib.
Для компьютеров с Windows это, скорее всего, можно найти в Program Files в папке Exelis. Как правило, удобно запускать примерку с рабочего стола, однако очень важно, чтобы имя папки и путь не содержали пробелов или специальных символов, в противном случае MAPS выдаст ошибку при попытке запустить примерку. Если путь к рабочему столу содержит пробелы, поместите папку в другое место.
Например, непосредственно в дисководе C. Для этой демонстрации я размещу папку Fitting Folder и MAPS. Значок SAVE на рабочем столе для удобного доступа.
В эту папку поместите файлы maps_fit_parameters_override. txt и maps_settings.txt. Примеры таких файлов приведены в сопроводительных документах.
Затем создайте папку с именем mda и вставьте выбранный файл карты с высоким разрешением, который будет использоваться изначально для примерки. Также добавляются файлы для стандартного фитинга, которые должны включать в себя один или четыре файла в зависимости от количества элементов детектора, используемых сектором. Эти файлы обозначают стандарт.
Если использовался стандарт AXO, то файл должен быть назван axo_std. mca, в противном случае, если использовался NIST или любой другой стандарт, он может быть назван любым именем, оканчивающимся на mca, так как эти файлы будут выбраны позже. Затем для четырехквадрантного детектора стандартный и fit_parameter файлы должны быть названы следующим образом, в диапазоне от mca0 до mca3 и от txt0 до txt3, включая один файл fit_parameters, заканчивающийся на txt.
Далее проверьте файл настроек карты, что в нем используется правильное количество элементов детектора. В случае с этим фитингом использовался один детекторный элемент. Подготовив подходящую папку, откройте MAPS и измените каталог на папку, только что созданную на рабочем столе.
Затем нажмите OK и перейдите в конфигурацию. Окно конфигурации имеет множество функций, которые задают параметры для примерки. Во-первых, выберите линию луча, которая является репрезентативной для линии луча, используемой для измерений.
Если измерения проводились в Аргоннской национальной лаборатории, то и линия пучка должна непосредственно соответствовать. В противном случае дополнительная информация о том, какой выбор следует использовать, включается в рукопись. Затем выберите файл mda, который будет использоваться, а затем введите энергию падения, используемую для измерения.
Выберите «Начать обработку» и дождитесь завершения работы программы. Как только он будет завершен, перейдите в раздел «Файл» и выберите первый вариант. Откройте РФА изображение среднего или одноэлементного.
Программа должна создать ряд новых папок, поэтому выберите img, и сгенерированные файлы fit или h5 должны находиться в этой папке. Выберите файл, соответствующий карте, а затем измените второе раскрывающееся меню слева на нормализацию. В этой ситуации данные нормализуются в ионную камеру или USIC.
При выборе просмотра, многоэлементный вид будет создавать изображения для отдельных элементных каналов. Единицы измерения теперь выражаются в микрограммах на квадратный сантиметр. Но эти значения еще не являются репрезентативными для подогнанных величин.
Для работы над аппроксимацией, вместо этого данные рассматриваются как сумма всех спектров от каждого пикселя карты, которые можно увидеть, перейдя к просмотру, построить интегральный спектр. Затем перейдите к генерации вывода, экспортируйте необработанные интегрированные спектральные ряды длинных для сохранения изображения. Закрываем окно и переходим в инструменты, инструмент спектра, загрузить спектр.
Найдите файл, который только что был экспортирован в папку вывода. Как правило, сортировка выходной папки по дате изменения является самым быстрым способом поиска файлов, так как каждая новая примерка будет обновлять файлы в папке. Экспортируемый спектр будет называться intspec, за которым следует линия луча и номер сканирования, а затем txt.
Как только спектр будет открыт, откройте файл maps_fit_parameters_override. Сначала проверьте правильность количества элементов детектора. Далее в строку «Элементы по размеру» включите все элементы, которые должны быть в образце.
Обратите внимание, что элементы линии L и элементы линии M содержат суффикс _L или _M соответственно. Здесь известно, что медь есть в пробе, но будет исключен пример неполного соответствия. Прокрутив вниз, введите энергию падения для энергии когерентного рассеяния.
Затем в следующих двух строках введите максимальный и минимальный диапазон энергий, который программа будет использовать в качестве границ. Как правило, достаточно диапазона от плюса и минус 2 до плюса и минус 5 кэВ. Далее убедитесь, что максимальная и минимальная энергия для подгонки включают энергии интересующих элементов.
Кроме того, убедитесь, что номер линейного детектора соответствует германиевому или кремниевому детектору. В нижней части файла есть возможность изменить названия каналов детектора, которые используются в фитинге. Более подробно о том, как их изменить, подробно описано в рукописи.
После внесения изменений сохраните документ. Затем выберите анализ, подогнайте спектр, и появится всплывающее окно. В верхней части можно установить диапазон энергий для посадки, а также количество итераций, используемых для посадки.
После изменения диапазона выберите третью из четырех кнопок внизу, и программа запустит подгонку. В окне инструментов spec есть ряд выпадающих меню, которые позволяют визуализировать различные кривые. В раскрывающихся списках установите для одного из них значение «Подогнанный», а для остальных вариантов — «Нет».
В левом нижнем углу при выборе элемента add пользователь может выполнять поиск по спектру отсутствующих пиков. Используя знак плюс и щелкая по нему, кажется, что отсутствующий пик является медным пиком K alpha one. Для определенных пиков, особенно в левой части изображения, кажется, что аппроксимация включает в себя правильные элементы, но линии все еще очень далеки по интенсивности от интенсивности спектра.
Это можно улучшить, увеличив количество итераций. Обычно достаточно не менее 50, чтобы сделать заметную разницу. Теперь, возвращаясь к файлу fit_parameters, добавляя медь, сохраняя и затем повторно запуская подгонку, мы видим, что пик теперь хорошо подогнан.
После поиска всех оставшихся недостающих элементов посадка выглядит хорошо. В некоторых случаях все еще есть некоторые вершины, линии которых не совпадают идеально. Например, два пика находятся на четырех кэВ, которые соответствуют линиям индия от Lg1 до Lg4, кажутся подходящими для правильного элемента, но подгонка оценивает пиковые интенсивности выше, чем то, что было фактически получено в результате измерения.
Чаще всего такая ситуация возникает для элементов линии L. Поскольку элементы K линий имеют табличные отношения пиковой интенсивности в литературе, в то время как отношения высот пиков для L-линий гораздо больше зависят от падающей энергии. Чтобы улучшить подгонку этих линий, сначала в файле fit_parameters должна быть проведена линия для корректировки разветвляющегося семейства.
Эти числа обозначают относительную интенсивность по сравнению с литературой для семейств L1, L2 и L3, которые отображаются в виде желтых, розовых и синих линий в инструменте спецификации. Часто эти числа могут оставаться единицами или равными литературным значениям. Вместо этого соотношение для каждой отдельной линии будет изменено.
Перед уравниванием коэффициента ветвления для индия обратите внимание, что все коэффициенты ветвления для линий гаммы L установлены равными единице. Глядя на интегральный спектр, становится ясно, что ценность литературы слишком высока. Оценивая процентную разницу между зеленой и белой линиями для каждой энергии, затем изменяя коэффициент ветвления, сохраняя и повторно запуская фитинг, можно наблюдать заметное улучшение подгонки зеленой линии к белой линии спектра.
Часто этот процесс занимает несколько попыток, но необходимо обеспечить точность подгонки. Определив fit_parameters, которые обеспечивают наилучшую возможную посадку, запустите фитинг еще раз на 10 или 50 тыс. итераций. Это делается потому, что при каждой посадке обновляется среднее значение результирующего файла maps_fit_parameters_override, который будет файлом, фактически реализованным для примерки.
После завершения окончательной подгонки закройте окно инструментов спецификации. Затем добавьте _input в файл maps_fit_parameters и переименуйте средний результирующий файл в Read maps_fit_parameters_override.txt. Завершив это, вернитесь в окно конфигурации и выберите линию луча.
Затем отметьте галочкой «Использовать подгонку» и скопируйте и вставьте все файлы mda, которые должны поместиться, в папку mda. Используя выбранные файлы mda, просмотрите и выделите все файлы, которые должны быть подходящими. Падающая энергия будет уже введена в процессе подгонки.
Справа от окна, используя символы плюс и минус, кликните и отметьте галочками галочки для элементов, которые входят в файл fit_parameters. Некоторые элементы не включены в эту коробку. Например, индий — нет.
Чтобы включить индий, отметьте рамку для любых других элементов, которые не подходят. Затем в категории ROI name измените имя на имя нужного элемента. Далее с помощью любой базы данных флуоресценции, например приложения Hephaestus, найдите энергию для основной энергетической линии.
В данном случае это индий L-альфа. Продолжайте прокручивать элементы до конца, также выбирая S_I, S_E, S_A, TFY и фон. В левом верхнем углу выберите правые настройки для файла конфигурации, чтобы сохранить настройки установки для использования в будущем.
В настоящее время, если для установки будет использоваться стандарт NIST, выберите кнопку, соответствующую номеру стандарта NIST NBS 1832 или 1833. А затем выберите имя файла для стандарта из родительской папки. После этого штуцер готов.
Поэтому выберите «Начать обработку», чтобы начать. После того, как подгонка завершена, ее можно визуализировать, как и раньше, перейдя в файл, открыв XRF-изображение, среднее значение или отдельный элемент. А затем к просмотру, многоэлементному виду.
С помощью детекторов выбранных элементов в правом нижнем углу можно изменять анализируемые каналы. Из этого выводятся числовые значения в микрограммах на квадратный сантиметр в порядке того, что ожидается для образца. Расчет, использованный для оценки ожидаемых значений, подписан в рукописи.
Например, здесь показаны количественные данные для большинства элементов солнечного элемента sig, меди, индия и галлия. Из-за используемой падающей энергии измерение не было чувствительным к пику селена и не смогло его обнаружить. Так что его исключили.
Исходя из этих данных, теперь можно соотнести распределение различных элементов в образце друг с другом, делая выводы о том, как различные катионы солнечной батареи sig распределяются в устройстве и степень неоднородности, которую они проявляют. Спектр аппроксимации для каждой из карт аппроксимации также можно просмотреть еще раз, перейдя к просмотру, построение интегрального спектра. Здесь должен быть виден спектр данных белым цветом и соответствие цветом.
Это может быть использовано для проверки соответствия всех файлов данных, чтобы убедиться, что процесс был правильно применен к каждой карте. Наконец, чтобы экспортировать данные, перейдите в раздел Генерировать вывод и выберите экспорт, создайте объединенные ASCII файлы карт. В результате будет создан файл Excel, содержащий количественные данные флуоресценции для всех отображаемых элементов.
Чтобы изменить или добавить элементы, воспользуйтесь опцией выбора элементов детекторов. Затем данные можно найти в выходной папке. В этом видео шаг за шагом объясняется, как использовать программное обеспечение MAPS, созданное Аргоннской национальной лабораторией, для количественной оценки данных рентгеновской флуоресценции.
Несмотря на то, что эта процедура очень полезна в различных ситуациях, существует множество особых сценариев и проблем, которые требуют дополнительного рассмотрения. Они более подробно описаны ниже, и в настоящее время осуществляются постоянные усовершенствования для дальнейшего повышения точности подгонки рентгеновских флуоресцентных спектров. Тем не менее, способность программ преобразовывать качественные 2D-флуоресцентные карты с высоким разрешением в количественные пространственно разрешенные элементарные величины обеспечивает значительное увеличение информации, получаемой в результате этих измерений.
Мы надеемся, что эта демонстрация была полезна для лучшего понимания процесса количественной оценки данных рентгенофлуоресцентной микроскопии. Спасибо за просмотр.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
Это исследование демонстрирует использование программного обеспечения MAPS для количественной оценки данных флуоресцентной микроскопии. Полученные количественные данные помогают в понимании элементального распределения и стехиометрических соотношений в образцах.
Основные компоненты исследования
Область науки
- Нейробиология
- Биология
- Материаловедение
Фон
- Рентгеновская флуоресценция на основе синхротрона имеет важное значение для изучения элементарной сегрегации.
- Правильная количественная оценка преобразует сырые счеты флуоресценции в элементарные воздушные массы.
- Эта техника применима во многих научных областях.
- Понимание стехиометрических соотношений важно для анализа материалов.
Цель исследования
- Демонстрировать программу MAPS для количественной оценки данных флуоресценции.
- Предоставить числовую информацию для двухмерных рентгеновских флуоресцентных карт.
- Улучшить понимание распределения элементов в биологических образцах.
Используемые методы
- Использование программного обеспечения MAPS, разработанного Национальной лабораторией Аргонн.
- Загрузка программного обеспечения IDL для запуска программы MAPS.
- Создание двухмерных рентгеновских флуоресцентных карт из сырых данных.
- Преобразование качественных данных в количественную элементарную информацию.
Основные результаты
- Успешная количественная оценка данных флуоресцентной микроскопии.
- Ясное визуализирование распределения элементов в образцах.
- Установление стехиометрических соотношений из количественных данных.
- Демонстрация возможностей программы MAPS в анализе данных.
Выводы
- Программное обеспечение MAPS эффективно для количественной оценки данных флуоресцентной микроскопии.
- Количественные данные значительно улучшают понимание элементарных соотношений.
- Эта техника может быть применена во многих областях для лучшего анализа материалов.
Часто задаваемые вопросы
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.
