Summary
Denne protokol præsenterer en tilgang til fingeraftryk og udforsker flerdimensionelle data indsamlet ved omfattende todimensionel gaskromatografi koblet til massespektrometri. Dedikerede mønstergenkendelsesalgoritmer (skabelonmatchning) anvendes til at udforske de kemiske oplysninger, der er krypteret i den ekstra jomfruelige olivenolie volatile fraktion (dvs. volatilome).
Abstract
Databehandling og evaluering er kritiske trin i omfattende todimensionel gaskromatografi (GCxGC), især når det kombineres med massespektrometri. De rige oplysninger, der er krypteret i dataene, kan være meget værdifulde, men vanskelige at få effektiv adgang til. Datatæthed og kompleksitet kan føre til lange udarbejdelsestider og kræve besværlige, analytikerafhængige procedurer. Effektive, men tilgængelige databehandlingsværktøjer er derfor nøglen til at muliggøre spredning og accept af denne avancerede flerdimensionale teknik i laboratorier til daglig brug. Den dataanalyseprotokol, der præsenteres i dette arbejde, bruger kromatografiske fingeraftryk og skabelonmatchning til at nå målet om højt automatiseret dekonstruktion af komplekse todimensionale kromatogrammer i individuelle kemiske træk til avanceret genkendelse af informative mønstre inden for individuelle kromatogrammer og på tværs af sæt kromatogrammer. Protokollen giver høj konsistens og pålidelighed med lidt intervention. Samtidig er analytikeropsyn muligt i en række forskellige indstillinger og begrænsningsfunktioner, der kan tilpasses for at give fleksibilitet og kapacitet til at tilpasse sig forskellige behov og mål. Skabelon matching er vist her for at være en kraftfuld tilgang til at udforske ekstra jomfru olivenolie volatilome. Krydsjustering af toppe udføres ikke kun for kendte mål, men også for ikke-målrettede forbindelser, hvilket øger karakteriseringskraften betydeligt for en lang række applikationer. Eksempler præsenteres for dokumentation for ydeevnen for klassificering og sammenligning af kromatografiske mønstre fra prøvesæt, der analyseres under lignende forhold.
Introduction
Omfattende todimensionel gaskromatografi kombineret med tid-of-flight massespektrometrisk detektion (GC×GC-TOF MS) er i dag den mest informative analytiske tilgang til kemisk karakterisering af komplekse prøver1,2,3,4,5. I GC×GC er kolonner serielt forbundet og forbundet med en modulator (f.eks. en termisk eller ventilbaseret fokusgrænseflade), der opfanger udringskomponenter fra den første dimension (1D) kolonne før deres genindsprøjtning i den anden dimension (2D) kolonne. Denne handling udføres inden for en fast gradueringsperiode (PM), der normalt varierer mellem 0,5-8 s. Ved termisk graduering omfatter processen kryo-fældefangst og fokusering af elutingbåndet med nogle fordele for den samlede adskillelseskraft.
Selvom GC×GC er en todimensionel separationsteknik, producerer processen sekventielle dataværdier. Detektoren analog-til-digital (A/D) konverter opnår kromatografisk signal output med en bestemt frekvens. Derefter gemmes data i specifikke proprietære formater, som ikke kun indeholder de digitaliserede data, men også relaterede metadata (oplysninger om dataene). Den A/D-konverter, der anvendes i GC×GC-systemer, hjælper med at kortlægge intensiteten af det kromatografiske signal til et digitalt nummer (DN) som en funktion af tiden i de to analytiske dimensioner. Enkeltkanalsdetektorer (f.eks. flammeioniseringsdetektor (FID), elektronfangstdetektor (ECD), svovl-chemiluminescensdetektor (SCD) frembringer enkelte værdier pr. prøvetagningstid, mens multikanaldetektorer (f.eks. massespektrometrisk detektor (MS)) frembringer flere værdier (typisk over et spektralområde) pr. prøvetagningstid langs analysekørslen.
Hvis du vil visualisere 2D-data, starter udarbejdelsen med rasterisering af en enkelt gradueringsperiode (eller cyklus) dataværdier som en kolonne med pixel (billedelementer, der svarer til detektorhændelser). Langs ordinaten (Y-aksen, nederst til toppen) visualiseres 2D-separationstiden. Pixelkolonner behandles sekventielt, så abscissa (X-aksen, venstre mod højre) rapporterer 1D-separationstid. Denne bestilling præsenterer 2D-dataene i et højrehåndet kartesisk koordinatsystem med 1D-opbevaringsordinær som det første indeks i matrixen.
Databehandling af 2D-kromatogrammer giver adgang til et højere informationsniveau end rådata, hvilket muliggør 2D-topdetektion, topidentifikation, udtræk af responsdata til kvantitativ analyse og krydskomparativ analyse.
2D-topmønstrene kan behandles som prøvens unikke fingeraftryk og detekteres forbindelser som minutiae-funktioner til effektiv krydssammenlignelig analyse. Denne tilgang, kendt som skabelonbaseret fingeraftryk6,7, var inspireret af biometriske fingeraftryk6. Automatiske biometriske fingeraftryk verifikationssystemer, i virkeligheden, stole på unikke fingerspids egenskaber: højderyg bifurcations og endelser, lokaliseret og udvundet af sværtede indtryk eller detaljerede billeder. Disse egenskaber, navngivne minutiae-funktioner, matches derefter på tværs af tilgængelige gemte skabeloner8,9.
Som nævnt ovenfor består hvert GC×GC-adskillelsesmønster af 2D-toppe rationelt fordelt over et todimensionelt plan. Hver top svarer til en enkelt analysand, har sit informative potentiale og kan behandles som et enkelt træk ved komparativ mønsteranalyse.
Her præsenterer vi en effektiv tilgang til kemiske fingeraftryk fra GC×GC-TOF MS med tandemionisering. Målet er at omfattende og kvantitativt katalog funktioner fra et sæt kromatogrammer.
Sammenlignet med eksisterende kommerciel software eller interne rutiner10,11, der anvender en top-features tilgang, skabelon-baseret fingeraftryk er kendetegnet ved høj specificitet, effektivitet og begrænset beregningstid. Derudover har den en iboende fleksibilitet, der muliggør krydsjustering af minutia-funktioner (dvs. 2D-toppe) mellem stærkt forkert justerede kromatogrammer som dem, der erhverves ved forskellige instrumentering eller i langtidsrammestudier12,13,14.
De grundlæggende operationer i den foreslåede metode er beskrevet kort for at guide læseren til en god forståelse af 2D mønster kompleksitet og information magt. Derefter udføres kemisk identifikation ved at udforske instrumentoutputdatamatrixen og kendte målrettede analysetter placeret over det todimensionale rum. Skabelonen for målrettede toppe bygges derefter og anvendes på en række kromatogrammer, der er erhvervet inden for samme analysebatch. Metadata relateret til opbevaringstider, spektralsignaturer og svar (absolutte og relative) udtrækkes fra omjusterede mønstre af målrettede toppe og vedtages for at afsløre kompositoriske forskelle i prøvesættet.
Som et yderligere, unikt trin i processen udføres der også et kombineret ikke-målrettet og målrettet (UT) fingeraftryk på forudbestemte kromatogrammer for at udvide fingeraftrykspotentialet til både kendte og ukendte analysetter. Processen producerer en UT-skabelon til en virkelig omfattende komparativ analyse, der stort set kan automatiseres.
Som et sidste skridt udfører metoden krydsjusteringen af funktioner i to parallelle detektorsignaler produceret med høj og lav elektronioniseringsenergi (70 og 12 eV).
Protokollen er ret fleksibel med hensyn til understøttende analyser af et enkelt kromatogram eller et sæt kromatogrammer og med variabel kromatografi og/eller flere detektorer. Her demonstreres protokollen med en kommercielt tilgængelig GC×GC Software suite (se Materialetabel)kombineret til et MS-bibliotek og søgesoftware (se Materialeoversigt). Nogle af de nødvendige værktøjer er tilgængelige i anden software , og lignende værktøjer kan implementeres uafhængigt af beskrivelser i litteraturen af Reichenbach og kolleger15,16,17,18,19. Rå data til demonstrationen stammer fra en forskningsundersøgelse af ekstra jomfruolie (EVO) udført i forfatternes laboratorium14. Især udtages der prøver af den flygtige fraktion (dvs. volatilome) af italienske EVO-olier efter mikroextraktion i hovedrumskulostret (HS-SPME) og analyseres af GC×GC-TOF MS for at opfange diagnostiske fingeraftryk for at opnå kvalitet og sensorisk kvalificering af prøver. Nærmere oplysninger om prøver, prøveudtagningsbetingelser og analyseopsætning findes i materialeoversigten.
Trin 1-6 beskriver forbehandling af kromatogrammer. Trin 7-9 beskriver behandling og analyse af individuelle kromatogrammer. Trin 10-12 beskriver oprettelse og sammenholdelse af skabeloner, som danner grundlag for analyse på tværs af stikprøver. Trin 13-16 beskriver anvendelse af protokollen på tværs af et sæt kromatogrammer med trin 14-16 til UT-analyse.
Protocol
1. Import af rådata
BEMÆRK: Dette opretter en todimensionel rastermatrix til visualisering og behandling.
- Start billedsoftwaren.
- Vælg | Import; navigere til og vælge den rå datafil, der er erhvervet af GC×GC-TOF MS-system med navnet "VIOLIN 101.lsc" (Supplerende fil 1); Klik derefter på Åbn. Kromatogrammet åbnes i denne software.
BEMÆRK: Rå datafilformatet afhænger af instrumentproducenten. Softwaren importerer en række filformater, der er angivet i brugervejledningen. - Angiv modulationsperioden (PM) til 3,5 s i dialogboksen Import. Klik derefter på OK.
BEMÆRK: Nogle anskaffelsessoftware registrerer muligvis ikke gradueringsperioden. - Vælg | Gem billede som; navigere til den ønskede mappe. skriv navnet "Oil 1 RAW.gci"(supplerende fil 2); Klik derefter på Gem.
2. Ændring af gradueringsfasen
BEMÆRK: Dette sætter alle toppe i hver gradueringscyklus i den samme billedkolonne, herunder de toppe, der ombrydes omkring slutningen af gradueringsperioden, i tomrummet for den næste gradueringsperiode20.
- Vælg behandling | Skift fase.
- Angiv Skift beløb til -0,8 s i dialogboksen Skift fase. Klik derefter på OK.
3. Oprindelig korrektion21
- Vælg grafik | Tegn rektangel.
- Klik og træk for at tegne et rektangel i billedet, hvor der ikke registreres toppe.
- Vælg | Værktøjer Visualiser data; bemærk middel- og standardafvigelsen for detektorsignalet her 21.850 ± 1.455 SD-enhed-mindre digitalt nummer (DN) Luk derefter værktøjet.
- Vælg behandling | Ret oprindelig plan.
4. Farvelægning af det kromatografiske billede ved hjælp af et værdikort og farvekort20
- Vælg Vis | Farvelægge.
- Vælg fanen Importer/eksporter i dialogboksen Farvelægning. Vælg det brugerdefinerede farvekort #AAAA (Supplerende fil 3), der leveres som supplerende materiale. Klik derefter på Importer.
- Angiv værdiområdet til minimum- og maksimumværdierne i kontrolelementerne Værditilknytning. Klik derefter på OK.
5. 2D toppe (dvs. klatter) detektion for analysetter18
- Vælg behandling | Find klatter med standardindstillingerne. derefter observere, at nogle toppe er delt, og der er falske opdagelser.
- Vælg Konfigurer | Indstillinger | Blob-registrering; derefter indstille Udjævning til 0,1 for den første dimension og 2,0 for den anden dimension og angive Minimum volume (dvs. tærskel for de opsummerede værdier) til 1,00 E6; Klik derefter på OK.
- Vælg behandling | Registrer klatter med de nye indstillinger. derefter observere forbedringerne.
6. 2D toppe filtrering
BEMÆRK: Dette gøres for automatisk at fjerne meningsløse fund på grund af kolonneblødninger langs 1D og strejker eller tailings langs 2D.
- Vælg behandling | Interaktiv blob-registrering.
- Bemærk indstillingerne for blobregistrering. Klik derefter på Find.
- Klik på Tilføj i Generator til avanceret filter. Vælg derefter Retention IIi dialogboksen Ny begrænsning . Klik derefter på OK.
- I begrænsningsskydekontrollerne skal du angive minimum- og maksimums- og 2D-retentionstiderne for filteret for at reducere antallet af falske spidsbelastninger uden at miste sande spidsbelastninger.
- Klik på Anvend; Klik derefter på Ja for at gemme i registreringsindstillingerne med det nye filter.
BEMÆRK: Der kan være behov for mere avancerede værktøjer til at håndtere særlige detektionsproblemer, f.eks.
7. Lineære retentionsindeks kalibrering
BEMÆRK: Udfør dette trin22 (IT) for de specifikke opbevaringstider på tværs af ri-standarder (set of retention index) (typisk n-alkaner).
- Vælg Konfigurer | RI Tabel | Opbevaringsindeks (kol. 1).
- Klik på Importeri dialogboksen RI-tabelkonfiguration . Vælg derefter RI-kalibreringsfilen (i CSV-format med navn, opbevaringstid og opbevaringsindeks) med navnet "LRI-tabel.csv" – (Supplerende fil 4).
- Vælg | Gem billede A. Gå til den ønskede mappe. skriv navnet "Oil 1 LRI CALIBRATED.gci"(supplerende fil 5) Klik derefter på Gem.
8. Søgning efter topspektre i NIST17 MS-biblioteket23
- Vælg Konfigurer | Indstillinger | Søg i bibliotek.
- Angiv Frekvenstype i dialogboksen Søgebibliotek til Maksimal MS, Intensitetstærskel til 100, NIST-søgetype til Simpel (lighed), NIST RI-kolonnetype til Standardpol og NIST RI Tolerance til 10. Klik derefter på OK. NIST MS Search tilbyder mange andre indstillinger, der er indstillet til standardindstillingerne her.
- Vælg behandling | Søg Bibliotek for alle klatter.
9. Gennemgå og korrekt analysandsidentifikationer
- Angiv markørtilstanden til Blob | Vælg Blobs.
- Højreklik på den ønskede top i billedvisningen.
- Undersøg blobegenskaber i dialogboksen Blob Properties. Klik derefter på Hitliste.
- Undersøg besøgslisten. Hvis identifikationen er forkert, skal du derefter markere afkrydsningsfeltet ud for den korrekte identifikation.
- Angiv gruppenavnet i dialogboksen Blob Properties for at angive kemisk klasse og andre ønskede metadata. Klik derefter på OK.
- Vælg | Gem billede som; navigere til den ønskede mappe. skriv navnet "Olie 1 farvelagt til skabelonkonstruktion.gci" (Supplerende fil 6); Klik derefter på Gem.
BEMÆRK: Denne fil er inkluderet i det supplerende arkiv, som kan åbnes for trin 10.
10. Opret en skabelon med målrettede toppe15
- I visningen Billede (stadig i tilstanden Vælg klatter fra trin 9.1) skal du vælge de ønskede toppe med et klik på den første top, og CTRL + klik på de ekstra toppe.
- Klik på knappen Føj til skabelon på værktøjspaletten.
- Når skabelonen er færdig, skal du vælge Fil | Gem skabelon; angiv mappen og filnavnet. Klik derefter på Gem.
- Vælg | Luk billede.
BEMÆRK: På dette tidspunkt fortsætter disse instruktioner med den skabelon, der er oprettet for at inkludere de ønskede måltoppe, der er tilgængelig som "Målrettet tamplate.bt" (Supplerende fil 7).
11. Søg efter og anvend skabelonen
BEMÆRK: Matchning genkender skabelonmønsteret i de fundne toppe et nyt kromatogram. Anvendelse af identifikationer af matchende sæt og andre metadata i det nye kromatogram fra skabelonen.
- Vælg | Åbn billede; navigere til og vælge "Olie 2 COLORIZED.gci" (Supplerende fil 8) kromatogramfil (som er forbehandlet) Klik derefter på Åbn.
- Angiv markørtilstanden til Skabelon på værktøjspaletten | Vælg Objekter.
- Vælg skabelon | Indlæs skabelon.
- Klik på Gennemsei dialogboksen Indlæs skabelon . navigere til og vælge skabelonen"Målrettet template.bt"(Supplerende fil 7); Klik derefter på Åbn.
- Klik på Indlæsi dialogboksen Indlæs skabelon , og afvisderefter .
- Højreklik på en skabelontop i visningen Billede. Derefter skal du undersøge dets objektegenskaber, herunder qCLIC og reference MS.
- Vælg skabelon | Interaktiv match- og transformeringsskabelon.
- Klik på Match allei grænsefladen Interaktivt match . Gennemgå derefter de tilsvarende resultater både i tabellen og i billedet, hvor hver skabelontop er markeret med ufyldte cirkler, og hvis der foretages et match, er der et link til en udfyldt cirkel for den fundne top.
- Rediger kampene efter behov. Når du er tilfreds, skal du klikke på Anvend for at overføre metadata fra skabelonen til kromatogrammet.
BEMÆRK: Matchende begrænsninger, f.eks. Begrænsningsparametre omfatter den type MS-signatur, der bruges som skabelonreference (peak MS eller blob MS) og tærskelværdierne for spektral lighed (Direct Match Factor (DMF) og RMF (Reverse Match Factor)). Her er parametre sat baseret på tidligere undersøgelser13,14 for at begrænse falske negative kampe: peak MS og DMF og RMF lighed tærskel 700.
12. Omdan skabelonen til væsentligt forskellige kromatografier
BEMÆRK: Dette trin er ikke nødvendigt, medmindre kromatografiske forhold varierer væsentligt, hvilket medfører, at skabelonen er forkert justeret med et nyt kromatogram, som det kan være tilfældet i forbindelse med langtidsundersøgelser, eller efter at en ny kolonne er installeret. I sådanne tilfælde kan skabelonen geometrisk omdannes i det kromatografiske retention-times plan for bedre at passe til det nye kromatogram12,13. I dette eksempel er skabelonens og kromatogrammets topmønstre ens, men adskiller sig i retention-times geometri, som det ville ses for forskellige kromatografiske forhold.
- Gentag trin 11.2-11.5, undtagen naviger til, vælg og indlæs skabelonen Mål 2.bt (Supplerende fil 9).
- Vælg skabelon | Interaktiv matchskabelon; Klik derefter på Rediger transformering.
- I grænsefladen Transformer skabelon skal du variere 1D- og 2D-skalaer, -oversættelser og -forskydninger for bedre at justere skabelonen i forhold til de fundne toppe. Klik derefter på Transformer skabelon.
- Klik på Redigermatch med den transformerede skabelon. Gentag derefter trin 11.8-11.9.
13. Udfør kombineret ikke-målrettet og målrettet analyse på tværs af et sæt kromatogrammer
BEMÆRK: En kombineret skabelon, der ikke er målrettet og målrettet (UT), også kaldet funktionsskabelon 24,25, når den matches med hvert af et sæt kromatogrammer, etablerer korrespondancer mellem ikke-målrettede og målrettede analysetter, hvorefter der udtrækkes ensartede krydseksempelfunktioner til mønstergenkendelse.
- Udfør forbehandling (trin 1-6) og sammenholdelse af UT-skabelon (trin 11.1-11.9) for alle kromatogrammer i sættet (dvs. 2D-kromatogrammer af olier). Alternativt kan du automatisere dette trin med projektsoftware eller lignende software, der ikke er beskrevet her.
- Start Investigator-softwaren.
- Vælg | Åben analyse; Vælg derefter og åbn "Feature Jove su 70 eV.gca" (Supplementary File 10).
- Klik på OK for at åbne og undersøge resultaterne.
- Klik på fanen Forbindelser for at gennemgå metrikværdier og statistikker for bestemte analysetter (dvs. målrettede analysetter med tilknyttede kemiske navne) eller ikke-målrettede analysetter med (#) identifikatorer justeret på tværs af alle kromatogrammer, og udfør derefter nedenstående trin.
- Klik på fanen Attributter for at gennemgå værdier og statistikker for bestemte målinger på tværs af kromatogrammer.
- Klik på fanen Oversigt for at gennemgå oversigtsstatistikken for både forbindelser og funktioner. Hvis kromatogrammet kommer fra forskellige klasser, som i dette tilfælde olier fremstillet af oliven høstet i to forskellige regioner i Italien, viser fanen Summary Fisher ratio statistics (F og FDR), som giver indsigt i funktioner til forskelsbehandling mellem klasser.
- Få vist forskellige diagrammer under alle faner, og udfør omkræ vist PCA (Principal Component Analysis) under fanen Attributter.
14. Ændre UT-skabelonen til parallel MS-analyse
BEMÆRK: Analysen blev udført med både 70 eV og 12 eV (dvs. høj og lav) elektronionisering energier26,27.
- Åbn et af de 12 eV relaxed.bt-kromatogrammer, f.eks. Filer leveres som supplerende materiale.
- Hvis det er nødvendigt, skal du justere skabelonen, så den passer til de fundne 12 eV-toppe som beskrevet i trin 12. Her er der ingen væsentlig forskydning, fordi tandemsignalerne er multiplekseret. Det skal dog bemærkes, at da de forskellige ioniseringsindstillinger frembringer forskellige fragmenteringer, er det nødvendigt at lempe begrænsningerne for QCLIC-begrænsningerne for DMF og RMF's spektrale lighed (ikke påvist her).
- Vælg | Gem skabelon; angive mappen og filnavn 12.bt et, f.eks. Klik derefter på Gem.
15. Udfør kombineret ikke-målrettet og målrettet analyse på tværs af 12 eV-kromatogrammer
- Vælg | Åben analyse; vælg og åbn derefter "Feature Jove su 12 eV.gca" - Supplerende fil 14-fil leveret.
- Klik på OK for at åbne og undersøge resultaterne.
- Klik på fanen Forbindelser for at gennemgå metrikværdier, se 12 eV-svar og statistikker for bestemte analysetter (dvs. målrettede analysetter med tilknyttede kemiske navne) eller ikke-målrettede analysetter med (#) identifikatorer justeret på tværs af alle kromatogrammer, og udfør derefter nedenstående trin.
- Klik på fanen Attributter for at gennemgå værdier og statistikker for bestemte målinger på tværs af kromatogrammer.
- Klik på fanen Oversigt for at gennemgå oversigtsstatistikken for både forbindelser og funktioner ved 12 eV. Hvis kromatogrammet kommer fra forskellige klasser, som i dette tilfælde olier fremstillet af oliven høstet i to forskellige regioner i Italien, viser fanen Summary Fisher ratio statistics (F og FDR), som giver indsigt i funktioner til forskelsbehandling mellem klasser.
- Få vist de forskellige diagrammer, der er tilgængelige under alle fanerne, og udfør omkræ vist pca (Principal Component Analysis) under fanen Attributter.
Representative Results
GC×GC-TOF MS mønstre af høj kvalitet ekstra jomfru olivenolie volatilome udstille omkring 500 2D toppe over et signal-til-støj-forhold (SNR) tærskel på 100. En sådan tærskel blev defineret ved tidligere undersøgelser af fødevareflygtige14,27 som det mindste relative signal over tærskel for at opnå pålidelige spektre til krydssammenligningsanalyse. Komponenterne fordeles over det kromatografiske rum i henhold til deres relative fastholdelse i de to kromatografiske dimensioner og er specifikt baseret på deres volatilitet/polaritet i 1Dog volatiliteten i 2D. Her er kolonnekombinationen polær × halvpolær (dvs. Carbowax 20M × OV1701).
2D-mønsteretviser en høj grad af rækkefølge. Relative retentionsmønstre for homologe serier og klasser er vist i figur 1A med anmærkninger (grafik for grupper og bobler for toppe) for lineære mættede kulbrinter (sort), umættede kulbrinter (gul), lineære mættede aldehyder (blå), mono umættede aldehyder (rød), flerumættede aldehyder (laks), primære alkoholer (grøn) og kortkædede fedtsyrer (cyano).
Detekterede 2D-toppe kan derefter identificeres ved at sammenligne det gennemsnitlige MS-spektrum, der er udvundet fra hele 2D-toppen(blob-spektrum) eller fra det største spektrum(apex-spektrum). Figur 2 illustrerer outputtet af apexspektrets søgning efter blob 5 og returnerer en høj lighedsmatch (de første 10 hits) for (E)-2-hexenal. Databaser, der undersøges, er dem, der er valgt på forhånd af analytikeren i trin 8 i metoden.
Identifikationen valideres ved aktiv opbevaringsindeksering. Den eksperimentelle IT-værdi blev beregnet for 2D-toppe, så bibliotekssøgningen på nuværende tidspunkt prioriterer resultater med sammenhængende værdier af tabuleret IT. Tolerancevinduer kan tilpasses ud fra analytikererfaring, pålideligheden af referencedatabaseværdier i henhold til stationær fase og anvendte analytiske betingelser. Nye værktøjer til smart kalibrering af lineære fastholdelsesindekser uden eksperimentel kalibrering med n-alkaner er for nylig blevet udviklet og diskuteret i en undersøgelse af Reichenbach etal. 19.
Indsamlingen af identificerede 2D-toppe (dvs. målrettede toppe) kan vedtages for at opbygge en skabelon med målrettede toppe for hurtigt at etablere pålidelige korrespondancer mellem den samme forbindelse på tværs af alle prøvekromatogrammer. Samlingen af målrettede skabelontoppe visualiseres i Figur 1B. Røde cirkler svarer til de 196 målrettede forbindelser, herunder to interne standarder (IS), der er knyttet til skabelontoppe med forbindelseslinjer. IS bruges til responsnormalisering, og forbindelseslinjer hjælper med at visualisere, hvilken af de medfølgende IS der vil blive anvendt til at normalisere hvert 2D-top-/blob-svar.
I figur 1Bangiver udfyldte cirkler positive overensstemmelser mellem skabelontoppen og det faktiske mønster, mens tomme cirkler er til skabelontoppe, for hvilke korrespondancen ikke blev bekræftet. Falske negative forekomster kan begrænses ved passende valg af tærskelparametre , referencespektre og begrænsningsfunktioner13,14,18,19. For komplekse mønstre med flere co-elutions er ion peak detektionsfunktioner, der er baseret på spektral dekonvolution, tilrådelige og kan være en gyldig mulighed19. Topmetadata for skabeloner vises i det forstørrede panel i Figur 1B for (E)-2-hexenal.
Specificiteten af skabelonmatchning afhænger af muligheden for at anvende begrænsningsfunktioner, der begrænser positiv korrespondance til de kandidattoppe, der falder inden for algoritmens søgevindue, har MS-spektral lighed over en bestemt tærskel. I dette tilfælde blev lighedstærsklerne23 i trin 11 fastsat til 700 i henhold til tidligere eksperimenter med det formål at definere optimale parametre, der begrænser falske negative matches14. Fremhævede områder af skabelonens maksimale egenskaber i figur 1B viser oplysningerne om referencen MS-spektrumstrengen og qCLIC-begrænsningsfunktionen (dvs. (Match("
Ved at anvende skabelonen på alle kromatogrammer i et sæt, kan man støde på udfordrende situationer som i tilfælde af delvis forskydning af mønstre. Dette kan skyldes ovntemperatur uoverensstemmelser, carrier gas flow / tryk ustabilitet, eller på grund af en manuel indgriben på systemet som i tilfælde af kolonne substitution eller modulator loop-kapillær udskiftning14,28. Figur 3 viser en situation med en delvis forskydning mellem den målrettede skabelon og det faktiske kromatogram. For minimale fejljusteringer kan interaktive skabelontransformationer(Figur 3, kontrolpanel) flytte skabelontoppe for at få en bedre pasform. Når skabelonen er flyttet, kan den matches for at etablere korrespondancer. I eksemplet passer skabelonen (Figur 3, trin 12) korrekt sammen med det faktiske 2D-mønster. I tilfælde af alvorlige fejljusteringer, der ikke diskuteres her, kan gentagelsen af match-transform-update-handlinger gentage skabelonens toppeposition til det faktiske topmønster12,13,14.
Her giver de målrettede toppe (dvs. kendte analysander) ca. 40% af det kromatografiske resultat (196 målrettede toppe på ca. 500 påviselige toppe i gennemsnit). De øvrige 60 % af forbindelserne samt de oplysninger, de bringer, tages ikke i betragtning i en målrettet analyse. For at gøre undersøgelsen virkelig omfattende bør der også etableres en konsekvent krydsjustering af ikke-målrettede 2D-toppe. Den første applikation, hvor skabelonmatchning blev udvidet til at omfatte alle påviselige analysander, behandlede den komplekse volatilome af ristet kaffe7. Denne proces automatiseres med en software (f.eks. Investigator), der vises her i trin 14-15.
I denne proces anvendes forudindstillede billeder, der tilhører det undersøgte prøvesæt (20 prøver), til at definere pålidelige toppe ved krydsmatchning af alle billedmønstre29. Derefter bygges et sammensat kromatogram, hvorfra man kan identificere UT-pålidelige toppe og spidsbelastningsområder (dvs. 2D toppe fodaftryk) i den såkaldte funktionsskabelon17.
For analyser erhvervet ved 70 eV, processen bestemmes 144 pålidelige toppe med afslappet pålidelighed29, hvoraf 76 hører til den målrettede toppe listen. Baseret på disse 144 pålidelige toppe justerer processen alle kromatogrammer i overensstemmelse med de gennemsnitlige retentionstider for de pålidelige toppe og kombinerer dem derefter for at oprette et sammensat kromatogram. Figur 4 viser en liste over alle prøver, der er mærket i henhold til oliens produktionsområde (til venstre), og listen over pålidelige toppe/klatmængder i hver prøve (højre).
Den ikke-målrettede funktionsskabelon består af 2D-toppe fra analysater, der er registreret i det sammensatte kromatogram, vist i figur 5A, og som modsvares af skabelonen for pålidelige toppe (n = 168 – røde cirkler for målrettede toppe og grønne cirkler for ikke-målrettede toppe). Massespektre af de sammensatte toppe samt deres retentionstider registreres i funktionsskabelonen som vist for (Z)-3-hexenolacetat i det forstørrede område. Peak-regions vises i Figur 5B som rød farvet grafik. De defineres i stedet af konturerne af alle 2D-toppe, der registreres i det sammensatte kromatogram (n = 3578).
Når uovervåget mønstergenkendelse ved Principal Component Analysis anvendes på målrettet toppe distribution inden for de 20 analyserede prøver, sicilianske og Toscana olier klynge separat tyder på, at pedo-klimatiske forhold og terroir indvirkning den relative forekomst af flygtige stoffer. Resultaterne er vist i figur 6A , og resultaterne af varekontrol under den pålidelige fordeling af toppe er vist i figur 6B. De to tilgange kryds validerer, at olier fra forskellige geografiske områder har forskellige, mens sammenhængende, kemiske signaturer, uanset om målrettede eller ikke-målrettede forbindelser eller begge dele er kortlagt.
Endelig muliggør softwaren hurtig og effektiv justering af mønstre på tværs af parallelle detektionskanaler. I denne applikation foreslås omjusteringen til tandemioniseringssignaler. Ionkilden til MS-multiplexerne mellem to ioniseringsenergier (dvs. 70 og 12 eV) med en anskaffelsesfrekvens på 50 Hz pr. kanal30. De to resulterende kromatografiske mønstre er nøje afstemt, mens spektrale data (dvs . spektrale signaturer og svar) giver supplerende oplysninger med forskellige dynamiske responsområder26,27. De justerede mønstre tilladerudvindingsfunktioner (2D-toppe og spidsbelastningsområder) med entydige id'er (dvs. kemiske navne for målrettede toppe og unik nummerering # for ikke-målrettede toppe og spidsbelastningsområder).
Skabelonsammenholdelse giver mulighed for effektiv krydsjustering. I denne situation er der ikke meget forskydning, men MS begrænsninger skal lempes for at tillade kampe for UT toppe. På den anden side matches fremhævede UT-topregioner, der ikke har ms-begrænsninger, straks uden falske negative matches. Figur 5C viser et forstørret område med et 12 eV-kromatogram, hvor funktionsskabelonen, der er bygget af 70 eV-data, matches. Pålidelige toppe af UT matches positivt på grund af de sænkede qCLIC-begrænsninger (f.eks. DMF-tærskel ved 600). Bemærk, at ved 12 eV er der færre påviste toppe på grund af den begrænsede fragmentering forårsaget af lav iioniseringsenergi.
Figur 1: Todimensional konturplot og målrettet skabelon. (A)Konturplot af den flygtige del af en ekstra jomfruolivenolie fra Toscana. Bestilte mønstre af homologserier og -klasser fremhæves med forskellige farver og linjer: lineære mættede kulbrinter (sort linje og 2D-konturer) umættede kulbrinter (gul), lineære mættede aldehyder (blå) mono umættede aldehyder (rød), flerumættede aldehyder (laks), primære alkoholer (grøn) og kortkædede fedtsyrer (cyano). (B) Overlejret målrettet skabelon af kendte analysetter (rødfarvede cirkler) med forbindelseslinjer, der forbinder interne standarder (ISs). Paneler viser topegenskaberne 2D-top-/blobegenskaber (Decanal) eller Dekanale egenskaber for skabelon. Klik her for at se en større version af dette tal.
Figur 2: Apex MS-søgning. Output af apex MS søgning efter blob 5. Liste over de databaseposter, der har den højeste lighed, og relaterede metadata, der er tilgængelige fra biblioteket. Klik her for at se en større version af dette tal.
Figur 3: Justering af skabelon. Arbejdsproces, der illustrerer de trin, der tillader justering af skabelonen ved transformering. Klik her for at se en større version af dette tal.
Figur 4: GC Investigator interface. Investigator panel med alle udvalgte billeder mærket i henhold til produktionen Region af olien (venstre) og listen over pålidelige toppe / klat mængder i hver prøve (højre). Klik her for at se en større version af dette tal.
Figur 5: Målrettet skabelon og skabelon til brug for indtr./min. a)pålidelige toppe som følge af den automatiserede behandling i trin 11 røde cirkler svarer til kendte analysetter, mens grønne cirkler er ukendte. I det overlejrede panel vises egenskaber for skabelonobjekter for (Z)-3-hexenal. (B) Udvidet område, der viser UT toppe (røde og grønne cirkler) og peak-regioner (rød grafik) af UT skabelon matchede på en prøve olie erhvervet ved 70 eV ionisering energi. (C) UT-skabelon, der er matchet på en prøveolie, der er erhvervet ved 12 eV-ioniseringsenergi. Klik her for at se en større version af dette tal.
Figur 6: Lasteområder for pca.eks. De viser den naturlige kropsbygning af prøver (olier fra Toscana og Sicilien), da de skyldes (A) målrettet topper distribution eller (B) UT toppe distribution. Klik her for at se en større version af dette tal.
Supplerende filer. Klik her for at downloade disse filer.
Discussion
Visualisering af GC×GC-TOF MS-data er et grundlæggende skridt for en passende forståelse af de resultater, der opnås ved omfattende todimensionelle separationer. Billedplotter med tilpasset farvelægning gør det muligt for analytikere at sætte pris på detektorresponsforskelle og dermed differentialfordelingen af prøvekomponenter. Denne visuelle tilgang ændrer fuldstændigt analytikernes perspektiv på fortolkning og udarbejdelse af kromatogrammer. Dette første skridt, der engang blev forstået og trygt brugt af kromatografer, åbner et nyt perspektiv i yderligere behandling.
Et andet grundlæggende aspekt ved databehandling er tilgængeligheden til den fulde datamatrix (dvs. MS-spektraldata og -svar) for alle prøvepunkter, som hver især svarer til en enkelt detektorhændelse. I denne henseende topper 2D integrationen, således at indsamlingen af detektorhændelser svarende til en enkelt analysand udgør et kritisk skridt. I den nuværende protokol er 2D toppedetektering baseret på vandskelletalgoritme 18 med nogle tilpasninger inkluderet for at forbedre detektionsfølsomheden i tilfælde af delvise co-eluting forbindelser. For at gøre denne proces mere specifik skal der gøres en dekonvolution, og der skal vedtages mere avancerede procedurer. Dette er muligt ved at udføre en iontopregistrering for MS-data. algoritmen behandler datamatrixen og isolerer svaret fra enkelte analysetter baseret på spektralprofilerne19,31.
Et vigtigt, men kritisk skridt i protokollen og i enhver GC×GC-MS-datafortolkningsproces vedrører identifikation af analysater. Denne procedure, der foreslås i trin 8 og 9, skal i mangel af en bekræftende analyse med autentiske standarder omhyggeligt udføres af analytikeren. Automatiserede handlinger er tilgængelige i enhver kommerciel software; de omfatter ms spektral signatur lighedsvurdering i forhold til de indsamlede referencespektre (dvs. spektralbiblioteker) og evaluering af karakteristiske forhold mellem kvalifikations-/kvantificerioner. Der er dog behov for yderligere verifikationskriterier for at fjerne identifikationen af isomerer. I protokollen foreslås det, at der vedtages lineære fastholdelsesindekser for at prioritere listen over kandidater. grænsen her vedrører tilgængeligheden af opbevaringsdata og dens konsistens.
Den vigtigste egenskab, der gør denne tilgangunik,er skabelon, der matcher12,13,15,29. Skabelonmatchning muliggør 2D mønstergenkendelse på en meget effektiv, specifik og intuitiv måde. Det kan indstilles med hensyn til følsomhed og specificitet ved at anvende tilpassede tærskelværdier og/eller begrænsningsfunktioner, mens analytikeren kan overvåge proceduren ved aktivt at interagere med transformeringsfunktionsparametre. Denne process egenart afhænger af muligheden for at krydsjustere oplysninger om målrettede og ikke-målrettede toppe mellem prøver af et ensartet parti, men også mellem prøver, der er udtaget med de samme nominelle forhold på trods af medium-til-alvorlig forskydning. Fordelene ved denne operation vedrører muligheden for at bevare alle målrettede analysandidentifikationer, hvilket er en tidskrævende opgave for analytikeren, og alle metadata, der er gemt til målrettede og ikke-målrettede toppe fra tidligere udarbejdelsessessioner.
Skabelonmatchning er også meget effektiv med hensyn til beregningstid; MS-datafiler med lav opløsning består af ca. 1-2 Gb pakkede data, mens MS-analyser med høj opløsning kan nå op på 10-15 Gb pr. enkelt analysekørsel. Skabelonmatchning behandler ikke den fulde datamatrix hver gang, men udfører først tilpasning af retentionstid mellem kromatogrammer ved hjælp af skabelontoppe, hvorefter kandidattoppe i søgevinduet for deres lighed matcher med referencen i skabelonen. I tilfælde af alvorlig forskydning, den mest udfordrende situation, klarede globale andenrangs polynomiske transformeringer sig bedre end lokale metoder, samtidig med at beregningstiden13reduceres .
For at GC×GC-teknikken kan sprede sig bredt ud over den akademiske verden og forskningslaboratorier, skal databehandlingsværktøjer lette grundlæggende operationer til visualisering og kromatograminspektion; identifikation af analysater bør give mulighed for at anvende standardiserede algoritmer og procedurer (f.eks. NIST-søgealgoritme og IT-kalibrering); og krydssammenlignelig analyse bør være intuitiv, effektiv og understøttet af interaktive værktøjer. Den foreslåede tilgang imødekommer disse behov, samtidig med at den tilbyder avancerede muligheder og værktøjer til at håndtere komplekse situationer såsom analytisk medhjælpning, kalibrering af flere analysater, gruppetypeanalyse og parallel detektionsjustering.
Den refererede litteratur dækker godt mange mulige scenarier, hvor GC×GC og mere generelt omfattende todimensionel kromatografi tilbyder unikke løsninger og pålidelige resultater, der ikke kan opnås ved 1D-kromatografi i enkeltløbsanalyse. 5,32,33 Selvom GC×GC er det mest kraftfulde værktøj, der øger adskillelseskapaciteten og følsomheden, er der altid begrænsninger for separationskraft, følsomhed og andre systemiske kapaciteter. Efterhånden som disse systemiske grænser nærmer sig, bliver dataanalysen gradvist vanskeligere. Derfor skal forskning og udvikling fortsat forbedre de analytiske værktøjer, vi har til rådighed.
Disclosures
Prof. Stephen E. Reichenbach og Dr. Qingping Tao har økonomiske interesser i GC Image, LLC. Dr. Daniela Peroni er ansat hos SRA Instruments, en distributør af GC Image i Italien og Frankrig. Dr. Federico Stilo, prof. Chiara Cordero og professor Carlo Bicchi erklærer ingen interessekonflikter.
Acknowledgments
Forskningen blev støttet af Progetto Ager − Fondazioni i rete per la ricerca agroalimentare. Projekt akronym Violin - Valorisering af italienske olivenprodukter gennem innovative analytiske værktøjer (https://olivoeolio.progettoager.it/index.php/i-progetti-olio-e-olivo/violin-valorization-of-italian-olive-products-through-innovative-analytical-tools/violin-il-progetto). GC Image software er tilgængelig for en gratis prøveperiode for læsere, der ønsker at demonstrere og teste protokollen.
Materials
| Name | Company | Catalog Number | Comments |
| 1D SolGel-Wax column (100% polyethylene glycol; 30 m × 0.25 mm dc × 0.25 μm df). Carrier gas helium at a constant nominal flow of 1.3 mL/min. | Trajan SGE Analytical Science, Ringwood, Australia | PN 054796 | Carrier gas helium at a constant nominal flow of 1.3 mL/min. Oven temperature programming set as follows: 40°C (2 min) to 240°C (10 min) at 3.5°C/min. |
| 2D OV1701 column (86% polydimethylsiloxane, 7% phenyl, 7% cyanopropyl; 1 m × 0.1 mm dc × 0.10 μm df) from . | Mega, Legnano, Milan, Italy | PN MEGA-1701 | |
| Automated system for sample preparation: SPR Autosampler for GC | SepSolve-Analytical, Llantrisant, UK | ||
| Extra Virgin Olive oils: Sicily and Tuscany, Italy | Project VIOLIN (Ager - Fondazioni in rete per la ricerca agroalimentare) | Samples (n=10) were collected during the production year 2018 within the "Violin" project sampling campaign. Oils were submitted to HS-SPME to sample volatiles according to a reference protocol validated in a previous study of Stilo et al.14 | |
| Gas chromatograph: Model 7890B GC | Agilent Technologies Wilmington DE, USA | ||
| GC Image GC×GC edition V 2.9 | GC Image LLC, Lincoln, Nebraska | https://www.gcimage.com/gcxgc/trial.html | |
| Image processing software | GC Image LLC, Lincoln, Nebraska | https://www.gcimage.com/gcxgc/trial.html | |
| Mass spectrometer: BenchTOF-Select | Markes International Llantrisant, UK | ||
| Methyl-2-octynoate (CAS 111-12-6) | Merck-Millipore/Supelco | PN: 68982 | |
| Modulator controller: Optimode v2.0 | SRA Intruments, Cernusco sul Naviglio, Milan, Italy | ||
| Modulator: KT 2004 loop type | Zoex Corporation Houston, TX, USA | ||
| MS library and search software: NIST Library V 2017, Software V 2.3 | National Institute of Standards and Technology (NIST), Gaithersburg MD | https://www.nist.gov/srd/nist-standard-reference-database-1a-v17 | |
| n-alkanes C8-C40 for retention indexing | Merck-Millipore/Supelco | PN: 40147-U | |
| n-hexane (CAS 110-54-3) gas chromatography MS SupraSolv | Merck-Millipore/Supelco | PN: 100795 | |
| Solid Phase Microextraction fiber | Merck-Millipore/Supelco | PN 57914-U | |
| α- /β-thujone (CAS 546-80-5) | Merck-Millipore/Sigma Aldrich | PN: 04314 |
References
- Tranchida, P. Q., et al. Potential of comprehensive chromatography in food analysis. Trends in Analytical Chemistry. 52, 186-205 (2013).
- Cordero, C., Kiefl, J., Reichenbach, S. E., Bicchi, C. Characterization of odorant patterns by comprehensive two-dimensional gas chromatography: A challenge in omic studies. Trends in Analytical Chemistry. 113, 364-378 (2019).
- Cordero, C., Kiefl, J., Schieberle, P., Reichenbach, S. E., Bicchi, C. Comprehensive two-dimensional gas chromatography and food sensory properties: potential and challenges. Analytical and Bioanalytical Chemistry. 407, 169-191 (2015).
- Adahchour, M., Beens, J., Vreuls, R. J. J., Brinkman, U. A. T. Recent developments in comprehensive two-dimensional gas chromatography (GC × GC) - Introduction and instrumental set-up. Trends in Analytical Chemistry. 25 (5), 438-454 (2006).
- Prebihalo, S. E., et al. Multidimensional gas chromatography: Advances in instrumentation, chemometrics, and applications. Analytical Chemistry. 90 (1), 505-532 (2018).
- Cordero, C., et al. Profiling food volatiles by comprehensive two-dimensional gas chromatography coupled with mass spectrometry: advanced fingerprinting approaches for comparative analysis of the volatile fraction of roasted hazelnuts (Corylus Avellana L.) from different origins. Journal of Chromatography A. 1217, 5848-5858 (2010).
- Cordero, C., et al. Targeted and non-targeted approaches for complex natural sample profiling by GC×GC-QMS. Journal of Chromatography Sciences. 48 (4), 251-261 (2010).
- Maio, D., Maltoni, D. Direct gray-scale minutiae detection in fingerprints. IEEE Transactions on Pattern Analysis and Machine Intelligence. 19 (1), 27-40 (1997).
- Jain, A. K., Hong, L., Pankanti, S., Bolle, R. An identity-authentication system using fingerprints. Proceedings of IEEE. 85 (9), 1365-1388 (1997).
- Parsons, B. A., et al. Tile-based fisher ratio analysis of comprehensive two-dimensional gas chromatography time-of-flight mass spectrometry (GC × GC-TOFMS) data using a null distribution approach. Analytical Chemistry. 87 (7), 3812-3819 (2015).
- Pierce, K. M., Kehimkar, B., Marney, L. C., Hoggard, J. C., Synovec, R. E. Review of chemometric analysis techniques for comprehensive two dimensional separations data. Journal of Chromatography A. 1255, 3-11 (2012).
- Reichenbach, S. E., et al. Alignment for comprehensive two-dimensional gas chromatography with dual secondary columns and detectors. Analytical Chemistry. 87 (19), 10056-10063 (2015).
- Rempe, D. W., et al. Effectiveness of global, low-degree polynomial transformations for GCxGC data alignment. Analytical Chemistry. 88 (20), 10028-10035 (2016).
- Stilo, F., et al. Untargeted and targeted fingerprinting of extra virgin olive oil volatiles by comprehensive two-dimensional gas chromatography with mass spectrometry: challenges in long-term studies. Journal of Agricultural and Food Chemistry. 67 (18), 5289-5302 (2019).
- Reichenbach, S. E., Carr, P. W., Stoll, D. R., Tao, Q. Smart templates for peak pattern matching with comprehensive two-dimensional liquid chromatography. Journal of Chromatography A. 1216 (16), 3458-3466 (2009).
- Reichenbach, S. E., et al. Informatics for cross-sample analysis with comprehensive two-dimensional gas chromatography and high-resolution mass spectrometry (GCxGC-HRMS). Talanta. 83 (4), 1279-1288 (2011).
- Reichenbach, S. E., Tian, X., Cordero, C., Tao, Q. Features for non-targeted cross-sample analysis with comprehensive two-dimensional chromatography. Journal of Chromatography A. 1226, 140-148 (2012).
- Latha, I., Reichenbach, S. E., Tao, Q. Comparative analysis of peak-detection techniques for comprehensive two-dimensional chromatography. Journal of Chromatography A. 1218 (38), 6792-6798 (2011).
- Reichenbach, S. E., Tao, Q., Cordero, C., Bicchi, C. A data-challenge case study of analyte detection and identification with comprehensive two-dimensional gas chromatography with mass spectrometry (GC×GC-MS). Separations. 6 (3), 38 (2019).
- Reichenbach, S. E. Chapter 4 Data Acquisition, Visualization, and Analysis. Comprehensive Analytical Chemistry. , 77-106 (2009).
- Reichenbach, S. E., Ni, M., Zhang, D., Ledford, E. B. Image background removal in comprehensive two-dimensional gas chromatography. Journal of Chromatography A. 985 (1-2), 47-56 (2003).
- Kratz, P. A Generalization of the retention index system including linear temperature programmed gas-liquid partition chromatography. Journal of Chromatography A. 11, 463-471 (1963).
- NIST Mass Spectrometry Data Center. NIST Standard Reference Database 1A: NIST/EPA/NIH Mass Spectral Library (NIST 08) and NIST Mass Spectral Search Program (Version 2.0f). National Institute of Standards and Technology (NIST). , Gaithersburg MD. (2005).
- Magagna, F., et al. Combined untargeted and targeted fingerprinting with comprehensive two-dimensional chromatography for volatiles and ripening indicators in olive oil. Analytica Chimica Acta. 936, 245-258 (2016).
- Reichenbach, S. E., et al. Benchmarking machine learning methods for comprehensive chemical fingerprinting and pattern recognition. Journal of Chromatography A. 1595, 158-167 (2019).
- Cialiè Rosso, M., et al. Adding extra-dimensions to hazelnuts primary metabolome fingerprinting by comprehensive two-dimensional gas chromatography combined with time-of-flight mass spectrometry featuring tandem ionization: insights on the aroma potential. Journal of Chromatography A. 1614 (460739), 1-11 (2020).
- Cordero, C., et al. Comprehensive two-dimensional gas chromatography coupled with time of flight mass spectrometry featuring tandem ionization: challenges and opportunities for accurate fingerprinting studies. Journal of Chromatography A. 1597, 132-141 (2019).
- Ni, M., Reichenbach, S. E., Visvanathan, A., TerMaat, J., Ledford, E. B. Peak pattern variations related to comprehensive two-dimensional gas chromatography acquisition. Journal of Chromatography A. 1086, 165-170 (2005).
- Reichenbach, S. E., et al. Reliable peak selection for multisample analysis with comprehensive two-dimensional chromatography. Analytical Chemistry. 85 (10), 4974-4981 (2013).
- Markes International. Select-EV: The next Generation of Ion Source Technology. Technical Note. , (2016).
- Tao, Q., Reichenbach, S. E., Heble, C., Wu, Z. New investigator tools for finding unique and common components in multiple samples with comprehensive two-dimensional chromatography. Chromatography Today. , February-March (2018).
- Seeley, J. V., Seeley, S. K. Multidimensional gas chromatography: fundamental advances and new applications. Analytical Chemistry. 85 (2), 557-578 (2013).
- Tranchida, P. Q., Aloisi, I., Giocastro, B., Mondello, L. Current state of comprehensive two-dimensional gas chromatography-mass spectrometry with focus on processes of ionization. Trends in Analytical Chemistry. 105, 360-366 (2018).
