Summary
Denne protokollen presenterer en tilnærming til fingeravtrykk og utforsker flerdimensjonale data samlet inn av omfattende todimensjonal gasskromatografi kombinert med massespektrometri. Dedikerte mønstergjenkjenningsalgoritmer (malmatching) brukes til å utforske den kjemiske informasjonen som er kryptert i den ekstra jomfruelige olivenolje flyktige fraksjonen (dvs. volatilome).
Abstract
Databehandling og evaluering er kritiske trinn i omfattende todimensjonal gasskromatografi (GCxGC), spesielt når den kobles til massespektrometri. Den rike informasjonen som krypteres i dataene, kan være svært verdifull, men vanskelig å få tilgang til effektivt. Datatetthet og kompleksitet kan føre til lange utdypingstider og kreve arbeidskrevende, analytikeravhengige prosedyrer. Effektive, men tilgjengelige databehandlingsverktøy er derfor nøkkelen til å muliggjøre spredning og aksept av denne avanserte flerdimensjonale teknikken i laboratorier for daglig bruk. Dataanalyseprotokollen som presenteres i dette arbeidet bruker kromatografisk fingeravtrykk og malmatching for å oppnå målet om svært automatisert dekonstruksjon av komplekse todimensjonale kromatogrammer i individuelle kjemiske egenskaper for avansert anerkjennelse av informative mønstre innen individuelle kromatogrammer og på tvers av sett med kromatogrammer. Protokollen gir høy konsistens og pålitelighet med liten inngripen. Samtidig er analytikertilsyn mulig i en rekke innstillinger og begrensningsfunksjoner som kan tilpasses for å gi fleksibilitet og kapasitet til å tilpasse seg ulike behov og mål. Malmatching vises her for å være en kraftig tilnærming for å utforske ekstra virgin olivenolje volatilome. Kryssjustering av topper utføres ikke bare for kjente mål, men også for umålte forbindelser, noe som øker karakteriseringskraften betydelig for et bredt spekter av applikasjoner. Eksempler presenteres for å bevise ytelsen for klassifisering og sammenligning av kromatografiske mønstre fra prøvesett analysert under lignende forhold.
Introduction
Omfattende todimensjonal gasskromatografi kombinert med tid-of-flight massespektrometrisk deteksjon (GC×GC-TOF MS) er i dag den mest informative analytiske tilnærmingen for kjemisk karakterisering av komplekse prøver1,2,3,4,5. I GC×GC kobles kolonner serielt sammen og kobles sammen av en modulator (f.eks. et termisk eller ventilbasert fokuseringsgrensesnitt) som fanger elutingkomponenter fra den første dimensjonskolonnen (1D) før de injiseres på nytt i den andre dimensjonskolonnen (2D). Denne operasjonen utføres innenfor en fast modulasjonstidsperiode (PM), vanligvis mellom 0,5 og 8 s. Ved termisk modulasjon inkluderer prosessen kryo-fangst og fokusering av elutingsbåndet med noen fordeler for den generelle separasjonskraften.
Selv om GC×GC er en todimensjonal separasjonsteknikk, produserer prosessen sekvensielle dataverdier. Detektorens analog-til-digital (A/D) omformer får den kromatografiske signalutgangen med en viss frekvens. Deretter lagres data i spesifikke proprietære formater som ikke bare inneholder de digitaliserte dataene, men også relaterte metadata (informasjon om dataene). A/D-omformeren som brukes i GC×GC-systemer hjelper til med å kartlegge intensiteten til det kromatografiske signalet til et digitalt nummer (DN) som en funksjon av tid i de to analytiske dimensjonene. Enkanalsdetektorer (f.eks. flammeioniseringsdetektor (FID), elektronfangstdetektor (ECD), svovel chemiluminescence detector (SCD), etc.) produserer enkeltverdier per prøvetid, mens flerkanalsdetektorer (f.eks. massespektrometrisk detektor (MS)) produserer flere verdier (vanligvis over et spektralt område) per prøvetid langs analyseløpet.
For å visualisere 2D-datastarter utarbeidelsen med rastrering av en enkelt modulasjonsperiode (eller syklus) dataverdier som en kolonne med piksler (bildeelementer som tilsvarer detektorhendelser). Langs ordinatet (Y-akse, bunn-til-topp) visualiseres 2D-separasjonstiden. Pikselkolonner behandles sekvensielt slik at abscissa (X-aksen, venstre mot høyre) rapporterer 1D-separasjonstid. Denne sorteringen presenterer 2D-dataenei et høyrehendt kartesisk koordinatsystem, med 1D-oppbevaringsordinal som den første indeksen i matrisen.
Databehandling av 2D-kromatogrammer gir tilgang til et høyere informasjonsnivå enn rådata, noe som muliggjør 2D toppdeteksjon, toppidentifikasjon, utvinning av responsdata for kvantitativ analyse og krysskomparativ analyse.
2D-toppmønstrene kan behandles som prøvens unike fingeravtrykk og oppdagede forbindelser som minutiae-funksjoner for effektiv kryss-komparativ analyse. Denne fremgangsmåten, kjent som malbasert fingeravtrykk6,7, ble inspirert av biometrisk fingeravtrykk6. Automatiske biometriske fingeravtrykksverifiseringssystemer er faktisk avhengige av unike fingertuppegenskaper: bifurkasjoner og avslutninger på åsen, lokalisert og hentet fra blekkede inntrykk eller detaljerte bilder. Disse egenskapene, kalt minutiae-funksjoner, tilpasses deretter med tilgjengelige lagrede maler8,9.
Som nevnt ovenfor består hvert GC×GC-separasjonsmønster av 2D-topper rasjonelt fordelt over et todimensjonalt plan. Hver topp tilsvarer en enkelt analytt, har sitt informative potensial, og kan behandles som en enkelt funksjon for komparativ mønsteranalyse.
Her presenterer vi en effektiv tilnærming for kjemisk fingeravtrykk av GC×GC-TOF MS med tandemionisering. Målet er å omfattende og kvantitativt katalogisere funksjoner fra et sett med kromatogrammer.
Sammenlignet med eksisterende kommersiell programvare eller internerutiner 10,11 som bruker en toppfunksjoner tilnærming, er malbasert fingeravtrykk preget av høy spesifisitet, effektivitet og begrenset beregningstid. I tillegg har den en egen fleksibilitet som muliggjør kryssjustering av minutia-funksjoner (dvs. 2D-topper) mellom alvorlig feiljusterte kromatogrammer som de som er anskaffet ved annen instrumentering eller i langtidsrammestudier12,13,14.
De grunnleggende operasjonene til den foreslåtte metoden er beskrevet kort for å veilede leseren til en god forståelse av 2D-mønsterkompleksiteten og informasjonskraften. Deretter, ved å utforske instrumentets utgangsdatamatrise, utføres kjemisk identifikasjon og kjente målrettede analytter som ligger over det todimensjonale rommet. Malen med målrettede topper bygges deretter og brukes på en rekke kromatogrammer som er anskaffet innenfor samme analytiske batch. Metadata relatert til oppbevaringstider, spektralsignaturer og svar (absolutte og relative) hentes fra omjusterte mønstre med målrettede topper og vedtas for å avdekke sammensetningsforskjeller i eksempelsettet.
Som et ekstra, unikt trinn i prosessen utføres også et kombinert umålt og målrettet (UT) fingeravtrykk på forhåndsmålrettede kromatogrammer for å utvide fingeravtrykkspotensialet til både kjente og ukjente analytter. Prosessen produserer en UT-mal for en virkelig omfattende komparativ analyse som i stor grad kan automatiseres.
Som et siste trinn utfører metoden kryssjustering av funksjoner i to parallelle detektorsignaler produsert med høy og lav elektronioniseringsenergi (70 og 12 eV).
Protokollen er ganske fleksibel i å støtte analyser av et enkelt kromatogram eller et sett med kromatogrammer og med variabel kromatografi og/eller flere detektorer. Her demonstreres protokollen med en kommersielt tilgjengelig GC×GC-programvarepakke (se Tabell over materialer) kombinert med et MS-bibliotek og søkeprogramvare (se Tabell over materialer). Noen av de nødvendige verktøyene er tilgjengelige i annen programvare, og lignende verktøy kan implementeres uavhengig av beskrivelser i litteraturen av Reichenbach og medarbeidere15,16,17,18,19. Rådata for demonstrasjonen er avledet fra en forskningsstudie om extra-virgin oliven (EVO) olje utført i forfatternes laboratorium14. Spesielt er den flyktige fraksjonen (dvs. volatilome) av italienske EVO-oljer samplet av headspace solid phase microextraction (HS-SPME) og analysert av GC×GC-TOF MS for å fange diagnostiske fingeravtrykk for kvalitet og sensorisk kvalifisering av prøver. Du finner detaljer om prøver, prøvetakingsbetingelser og analytisk oppsett i Materialfortegnelser.
Trinn 1–6 beskriver forhåndsbehandling av kromatogrammer. Trinn 7–9 beskriver behandling og analyse av individuelle kromatogrammer. Trinn 10–12 beskriver oppretting og samsvar av maler, som er grunnlaget for analyse på tvers av utvalg. Trinn 13–16 beskriver bruk av protokollen på tvers av et sett med kromatogrammer, med trinn 14–16 for UT-analyse.
Protocol
1. Importere rådata
MERK: Dette oppretter en todimensjonal rastermatrise for visualisering og behandling.
- Start bildeprogramvaren.
- Velg Fil | Importer; navigere til og velge rådatafilen som er anskaffet av GC×GC-TOF MS-systemet med navnet "VIOLIN 101.lsc" (Tilleggsfil 1); Deretter klikker du Åpne. Kromatogrammet åpnes i denne programvaren.
MERK: Raw-datafilformatet avhenger av instrumentprodusenten. Programvaren importerer en rekke filformater som er oppført i brukerhåndboken. - I dialogboksen Importer setter du modulasjonsperioden (PM) til 3,5 s; Deretter klikker du OK.
MERK: Noe anskaffelsesprogramvare registrerer kanskje ikke modulasjonsperioden. - Velg Fil | Lagre bilde som; navigere til ønsket mappe; skriv inn navnet "Olje 1 RAW.gci" (Tilleggsfil 2); Deretter klikker du Lagre.
2. Skifte modulasjonsfasen
MERK: Dette plasserer alle topper i hver modulasjonssyklus i samme bildekolonne, inkludert toppene som brytes rundt slutten av modulasjonsperioden, i tomromstiden for neste modulasjonsperiode20.
- Velg behandling | Skiftfase.
- I dialogboksen Skiftfase setter du Skift-beløpet til -0,8 s; Deretter klikker du OK.
3. Korreksjon av opprinnelig plan21
- Velg grafikk | Tegn rektangel.
- Klikk og dra for å tegne et rektangel i bildet der ingen topper oppdages.
- Velg Verktøy | Visualiser data; legg merke til detektorsignalets gjennomsnitts- og standardavvik, her, 21.850 ± 1.455 SD-enhet-mindre digitalt nummer (DN); Lukk deretter verktøyet.
- Velg behandler | Rett opp opprinnelig plan.
4. Fargelegge det kromatografiske bildet ved hjelp av et verdikart og fargekart20
- Velg Vis | Fargelegg.
- Velg kategorien Importer/eksporter i dialogboksen Fargelegg. velg det egendefinerte fargekartet #AAAA (Tilleggsfil 3) som leveres som tilleggsmateriale. Deretter klikker du Importer.
- I kontrollene for verditilordning setter du verdiområdet til minimums- og maksimumsverdiene. Deretter klikker du OK.
5. 2D-topper (dvs. blober) deteksjon for analytter18
- Velg behandler | Oppdag blober med standardinnstillingene. Vær deretter oppmerksom på at noen topper er delt og det er falske deteksjoner.
- Velg Konfigurer | Innstillinger | Blob-gjenkjenning; Sett deretter Utjevning til 0,1 for den første dimensjonen og 2,0 for den andre dimensjonen, og sett Minimumsvolum (dvs. terskel for de summerte verdiene) til 1,00 E6; Deretter klikker du OK.
- Velg behandler | Oppdag blober med de nye innstillingene. Følg deretter forbedringene.
6. 2D topper filtrering
MERK: Dette gjøres for automatisk å fjerne meningsløse deteksjoner på grunn av kolonneblødninger langs 1D og streik eller avganger langs 2D.
- Velg behandler | Interaktiv BLOB-gjenkjenning.
- Legg merke til blob-gjenkjenningsinnstillingene. Deretter klikker du Oppdag.
- Klikk Legg tili avansert filterverktøy. Velg deretter Oppbevaring IIi dialogboksen Ny begrensning . Deretter klikker du OK.
- I glidebryterne for begrensning angir du minimums- og maksimumstiden på 2D for filteret for å redusere antall falske topper uten å miste sanne topper.
- Klikk Bruk; Klikk deretter Ja for å lagre i søkeinnstillingene med det nye filteret.
MERK: Mer avanserte verktøy kan være nødvendig for å håndtere spesielle deteksjonsproblemer, for eksempel ion-peak deteksjon eller dekonvolusjon for co-elutions19.
7. Kalibrering av lineær oppbevaringsindekser
MERK: Utfør dette trinnet22 (IT) for de spesifikke oppbevaringstidene på tvers av settet med oppbevaringsindeksstandarder (RI) (vanligvis n-alkaner).
- Velg Konfigurer | RI-tabell | Oppbevaringsindeks (kol I).
- Klikk Importeri dialogboksen Konfigurasjon av RI-tabell . Velg deretter RI-kalibreringsfilen (i CSV-format med navn, oppbevaringstid og oppbevaringsindeks) med navnet "LRI-tabell.csv" – (Tilleggsfil 4).
- Velg Fil | Lagre bilde A. Naviger til ønsket mappe; skriv inn navnet "Olje 1 LRI CALIBRATED.gci" (Tilleggsfil 5); Deretter klikker du Lagre.
8. Søker etter toppspektra i NIST17 MS-biblioteket23
- Velg Konfigurer | Innstillinger | Søk i bibliotek.
- I dialogboksen Søkebibliotek setter du Spektrumtype til Topp MS, Intensitetsterskel til 100, NIST-søketype til Enkel (likhet), NIST RI-kolonnetype til Standard polar og NIST RI-toleranse til 10; Deretter klikker du OK. NIST MS Search tilbyr mange andre innstillinger som er satt til standardinnstillingene her.
- Velg behandler | Søk etter alle blober i biblioteket.
9. Gjennomgå og korrigere analyttidentifikasjoner
- På verktøypaletten setter du markørmodus til Blob | Velg Blobs.
- Høyreklikk på ønsket topp i Bilde-visningen.
- I dialogboksen Blob Properties kontrollerer du BLOB-egenskaper. Klikk deretter Treffliste.
- Inspiser trefflisten; Hvis identifikasjonen er feil, merker du av ved siden av riktig identifikasjon.
- I dialogboksen Blob Properties angir du gruppenavnet for å angi kjemisk klasse og andre ønskede metadata. Deretter klikker du OK.
- Velg Fil | Lagre bilde som; navigere til ønsket mappe; skriv inn navnet "Olje 1 COLORIZED for Template construction.gci" (Tilleggsfil 6); Deretter klikker du Lagre.
MERK: Denne filen er inkludert i tilleggsarkivet, som kan åpnes for trinn 10.
10. Opprett en mal med målrettede topper15
- I bildevisningen (fortsatt i Select Blobs-modus fra trinn 9.1) velger du de ønskede toppene med et klikk på den første toppen og CTRL + klikker på de ekstra toppene.
- Klikk Knappen Legg til i mal på verktøypaletten.
- Når malen er fullført, velger du Fil | Lagre mal; angi mappen og filnavnet. Deretter klikker du Lagre.
- Velg Fil | Lukk bilde.
MERK: På dette tidspunktet fortsetter disse instruksjonene med malen som er opprettet for å inkludere de ønskede måltoppene, tilgjengelig som "Målrettet tamplate.bt" (Tilleggsfil 7).
11. Match og bruk malen
MERK: Matching gjenkjenner malmønsteret i de oppdagede toppene et nytt kromatogram. Bruke samsvarende settidentifikasjoner og andre metadata i det nye kromatogrammet fra malen.
- Velg Fil | Åpne Bilde; navigere til og velge "Oil 2 COLORIZED.gci" (Tilleggsfil 8) kromatogramfil (som er forhåndsbehandlet); Deretter klikker du Åpne.
- På verktøypaletten setter du markørmodus til Mal | Velg Objekter.
- Velg mal | Last inn mal.
- Klikk Bla gjennomi dialogboksen Last inn mal . navigere til og velge måltoppmalen "Målrettet template.bt" (Tilleggsfil 7); Deretter klikker du Åpne.
- Klikk Last inn i dialogboksen Last innmal , og velg deretter Lukk.
- Høyreklikk en maltopp i Bilde-visningen. Deretter kontrollerer du objektegenskapene, inkludert qCLIC og referanse MS.
- Velg mal | Interaktiv samsvars- og transformeringsmal.
- Klikk Tilordnealle i grensesnittet Interaktivt samsvar . Se deretter gjennom de samsvarende resultatene både i tabellen og i bildet, der hver maltopp er merket med ufylte sirkler, og hvis det gjøres et treff, er det en kobling til en fylt sirkel for den oppdagede toppen.
- Rediger treffene etter ønske. Når du er fornøyd, klikker du Bruk for å overføre metadata fra malen til kromatogrammet.
MERK: Samsvarende begrensninger, for eksempel qCLIC, bidrar til å matche riktig mønster blant de oppdagede toppene i det nye kromatogrammet. Begrensningsparametere inkluderer typen MS-signatur som brukes som malreferanse (topp MS eller blob MS) og terskelverdiene for spektral likhet (Direct Match Factor (DMF) og Reverse Match Factor (RMF)). Her er parametere satt basert på tidligere studier13,14 for å begrense falske negative treff: topp MS og DMF og RMF likhetsterskel 700.
12. Transformer malen for vesentlig forskjellig kromatografi
MERK: Dette trinnet er ikke nødvendig med mindre kromatografiske forhold varierer betydelig, noe som fører til at malen blir feiljustert med et nytt kromatogram, for eksempel kan være tilfelle over langsiktige studier eller etter at en ny kolonne er installert. I slike tilfeller kan malen transformeres geometrisk i det kromatografiske oppbevaringstidsplanet slik at den passer bedre til det nye kromatogrammet12,13. I dette eksemplet er toppmønstrene i malen og kromatogrammet like, men varierer i geometrien for oppbevaringstid, for eksempel for ulike kromatografiske forhold.
- Gjenta trinn 11.2–11.5, unntatt naviger til, velg og last inn målmal 2.bt (Tilleggsfil 9).
- Velg mal | Interaktiv samsvarsmal; Deretter klikker du Rediger transformering.
- I transformeringsmalgrensesnittet varierer du skalaene 1D og 2D,oversettelser og saks for bedre å justere malen etter de oppdagede toppene. Deretter klikker du Transformer mal.
- Klikk Rediger treffmed den transformerte malen. Gjenta deretter trinn 11.8–11.9.
13. Utfør kombinert umålt og målrettet analyse på tvers av et sett med kromatogrammer
MERK: En kombinert umålt og målrettet mal (UT), også kalt funksjonsmal 24,25, når den samsvarer med hvert av et sett med kromatogrammer, oppretter korrespondanser mellom umålte og målrettede analytter, og deretter trekkes konsekvente kryssprøvefunksjoner ut for mønstergjenkjenning.
- Utfør forhåndsbehandling (trinn 1–6) og UT-malsamsvar (trinn 11.1–11.9) for alle kromatogrammer i settet (dvs. 2D kromatogrammer av oljer). Alternativt kan du automatisere dette trinnet med prosjektprogramvare eller lignende programvare, som ikke er beskrevet her.
- Start Investigator-programvaren.
- Velg Fil | Åpne analyse; Velg deretter og åpne "Feature Jove su 70 eV.gca" (Supplementary File 10).
- Klikk OK for å åpne og undersøke resultatene.
- Klikk på Forbindelser-fanen for å se gjennom metriske verdier og statistikk for spesifikke analytter (dvs. målrettede analytter med tilknyttede kjemiske navn) eller umålte analytter med (#) identifikatorer justert på tvers av alle kromatogrammer, og utfør deretter trinnene nedenfor.
- Klikk på Attributter-fanen for å se gjennom verdier og statistikk for spesifikke beregninger på tvers av kromatogrammer.
- Klikk kategorien Sammendrag for å se gjennom sammendragsstatistikken for både forbindelser og funksjoner. Hvis kromatogrammene er fra forskjellige klasser, som i dette tilfellet oljer produsert fra oliven høstet i to forskjellige regioner i Italia, viser kategorien Sammendrag Fisher ratio statistikk (F og FDR), som gir innsikt i funksjoner for diskriminering mellom klasser.
- Vis ulike diagrammer i alle kategorier, og utfør om ønskelig Hovedkomponentanalyse (PCA) i kategorien Attributter .
14. Endre UT-malen for parallell MS-analyse
MERK: Analysen ble utført med både 70 eV og 12 eV (dvs. høye og lave) elektronioniseringsenergier26,27.
- Åpne ett av de 12 eV-kromatogrammene, for eksempel "Olje 1 12 eV RAW.gci" (Tilleggsfil 11), utfør forhåndsbehandling (trinn 1–6) og last inn UT-malen "UT mal 70 relaxed.bt" (Tilleggsfil 12) som beskrevet i trinn 11.1–11.6. Filer leveres som tilleggsmateriale.
- Juster om nødvendig malen slik at den passer til de oppdagede 12 eV-toppene som beskrevet i trinn 12. Her er det ingen betydelig feiljustering fordi tandemsignalene er multiplekset. Det skal imidlertid bemerkes at fordi de forskjellige ioniseringsinnstillingene produserer forskjellige fragmenteringer, er det nødvendig å slappe av begrensninger for qCLIC-begrensningene på DMF og RMF spektral likhet (ikke demonstrert her).
- Velg Fil | Lagre mal; angi mappen og filnavnet, for eksempel "UT-mal 12.bt" (Tilleggsfil 13); Deretter klikker du Lagre.
15. Utfør kombinert umålt og målrettet analyse på tvers av 12 eV-kromatogrammer
- Velg Fil | Åpne analyse; velg og åpne deretter "Feature Jove su 12 eV.gca" - Tilleggsfil 14 fil følger med.
- Klikk OK for å åpne og undersøke resultatene.
- Klikk på Forbindelser-fanen for å se gjennom metriske verdier, se 12 eV-svar og statistikk for spesifikke analytter (dvs. målrettede analytter med tilknyttede kjemiske navn) eller umålte analytter med (#) identifikatorer justert på tvers av alle kromatogrammer, og utfør deretter trinnene nedenfor.
- Klikk på Attributter-fanen for å se gjennom verdier og statistikk for spesifikke beregninger på tvers av kromatogrammer.
- Klikk på Sammendrag-fanen for å se gjennom sammendragsstatistikken for både forbindelser og funksjoner ved 12 eV. Hvis kromatogrammene er fra forskjellige klasser, som i dette tilfellet oljer produsert fra oliven høstet i to forskjellige regioner i Italia, viser kategorien Sammendrag Fisher ratio statistikk (F og FDR), som gir innsikt i funksjoner for diskriminering mellom klasser.
- Vis de ulike diagrammene som er tilgjengelige i alle kategoriene, og utfør om ønskelig Hovedkomponentanalyse (PCA) i kategorien Attributter .
Representative Results
GC×GC-TOF MS mønstre av høy kvalitet extra-virgin olivenolje volatilome vise ca 500 2D topper over en signal-til-støy forhold (SNR) terskelen på 100. En slik terskel ble definert av tidligere undersøkelser om mat flyktige14,27 som minimum relativt signal over terskelen for å oppnå pålitelig spektra for kryss-komparativ analyse. Komponenter fordeles over det kromatografiske rommet i henhold til deres relative oppbevaring i de to kromatografiske dimensjonene, og spesielt basert på deres volatilitet / polaritet i 1D og volatilitet i 2D. Her er kolonnekombinasjonen polar × halvpolar (dvs. Carbowax 20M × OV1701).
2D-mønsteretviser en høy grad av rekkefølge. Relative oppbevaringsmønstre for homologe serier og klasser er vist i figur 1A med merknader (grafikk for grupper og bobler for topper) for lineære mettede hydrokarboner (svart), umettede hydrokarboner (gule), lineære mettede aldehyder (blå), enumettede aldehyder (røde), flerumettede aldehyder (laks), primæralkoholer (grønn) og kortkjedede fettsyrer (cyanokjedede fettsyrer).
Oppdagede 2D-topper kan deretter identifiseres ved å sammenligne det gjennomsnittlige MS-spekteret som er trukket ut fra hele 2D-toppen(blob-spekteret) eller fra det største spekteret (apex-spekteret). Figur 2 illustrerer utdataene fra apexspektrumsøket etter blob 5 og returnerer et treff med høy likhet (de første 10 treffene) for (E)-2-heksenal. Databaser som utforskes, er de som er forhåndsvalgt av analytikeren i trinn 8 i metoden.
Identifikasjonen valideres ved aktiv oppbevaringsindeksering. Den eksperimentelle IT-verdien ble beregnet for 2D-toppene, slik at biblioteksøket på dette stadiet prioriterer resultater med sammenhengende verdier for tabellulert IT. Toleransevinduer kan tilpasses basert på analytikererfaring, pålitelighet av referansedatabaseverdier i henhold til stasjonær fase og analytiske forhold som brukes. Nye verktøy for smart kalibrering av lineære oppbevaringsindekser uten eksperimentell kalibrering med n-alkaner, har nylig blitt utviklet og diskutert i en studie av Reichenbach et al19.
Samlingen av identifiserte 2D-topper (dvs. målrettede topper) kan vedtas for å bygge en mal med målrettede topper for raskt å etablere pålitelige korrespondanser mellom samme forbindelse på tvers av alle prøvekromatogrammer. Samlingen av målmaltopper visualiseres i Figur 1B. Røde sirkler tilsvarer de 196 målrettede forbindelsene, inkludert to IS-er (Internal Standards) knyttet til maltopper med tilkoblingslinjer. IS brukes til responsnormalisering, og tilkoblingslinjer bidrar til å visualisere hvilken av de inkluderte IS-ene som skal brukes til å normalisere hvert 2D-topp-/blob-svar.
I Figur 1Bangir fylte sirkler positive treff mellom maltoppen og det faktiske mønsteret, mens tomme sirkler er for maltopper der korrespondansen ikke ble kontrollert. Falske negative treff kan begrenses ved riktig valg av terskelparametere, referansespektra og begrensningsfunksjoner13,14,18,19. For komplekse mønstre med flere samtidige alternativer, anbefales iontoppgjenkjenningsfunksjoner som er basert på spektral dekonvolusjon, og som kan være et gyldig alternativ19. Metadata for maltopp vises i det forstørrede panelet i figur 1B for (E)-2-heksenal.
Spesifisiteten til malmatching er avhengig av muligheten til å bruke begrensningsfunksjoner som begrenser positiv korrespondanse til de kandidattoppene som, som faller innenfor søkevinduet til algoritmen, har MS-spektral likhet over en bestemt terskel. I dette tilfellet, i trinn 11, ble likhetsterskler23 satt til 700 i henhold til tidligere eksperimenter med sikte på å definere optimale parametere som begrenser falske negative treff14. Uthevede områder i maltoppegenskapene i figur 1B viser informasjonen om MS-spektrumstrengen for referanse og qCLIC-begrensningsfunksjonen (dvs. (Match("
Ved å bruke malen på alle kromatogrammer i et sett, kan man støte på utfordrende situasjoner som ved delvis feiljustering av mønstre. Dette kan skyldes ovnstemperaturinkonsekvenser, bærergassstrøm / trykk ustabilitet, eller på grunn av en manuell inngrep på systemet som ved kolonneerstatning eller modulatorsløyfekapillær erstatning14,28. Figur 3 viser en situasjon med delvis feiljustering mellom målmalen og det faktiske kromatogrammet. For minimale feiljusteringer kan interaktive maltransformeringer (Figur 3, kontrollpanel) omplassere maltopper slik at de passer bedre. Når malen er omplassert, kan den sammenlignes med oppretting av korrespondanser. I eksemplet topper malen (Figur 3, trinn 12) riktig samsvar med det faktiske 2D-mønsteret. Ved alvorlige feiljusteringer, som ikke er omtalt her, kan gjentakelsen av samsvarstransformeringsoppdateringshandlinger tilpasse maltoppene til det faktiske toppmønsteret12,13,14.
Her gir de målrettede toppene (dvs. kjente analytter) omtrent 40% av det kromatografiske resultatet (196 målrettede topper på rundt 500 påvisbare topper i gjennomsnitt). De andre 60% av forbindelsene, sammen med informasjonen de bringer, tas ikke i betraktning i målrettet analyse. For å gjøre etterforskningen virkelig omfattende, bør det også etableres konsistent kryssjustering av umålte 2D-topper. Den første applikasjonen der malmatching ble utvidet til alle påvisbare analytter behandlet den komplekse volatilomen av stekt kaffe7. Denne prosessen er automatisert med en programvare (f.eks. undersøker), vist her i trinn 14-15.
I denne prosessen brukes forhåndsmålrettede bilder som tilhører eksempelsettet som studeres (20 prøver), til å definere pålitelige topper ved kryssmatching av alle bildemønstre29. Deretter bygges et komposittkromatogram hvorfra man kan identifisere UT-pålitelige topper og toppområder (dvs. 2D topper fotavtrykk) i den såkalte funksjonsmalen17.
For analyser oppnådd ved 70 eV, bestemte prosessen 144 pålitelige topper med avslappet pålitelighet29, hvorav 76 tilhører listen over målrettede topper. Basert på disse 144 pålitelige toppene justerer prosessen alle kromatogrammer konsekvent med gjennomsnittlig oppbevaringstid for de pålitelige toppene og kombinerer dem deretter for å skape et sammensatt kromatogram. Figur 4 viser en liste over alle prøver merket i henhold til oljeområdet (til venstre) og listen over pålitelige topper/blob-volumer i hvert utvalg (til høyre).
Den umålte funksjonsmalen består av 2D-topper fra analytter som oppdages i det sammensatte kromatogrammet, vist i figur 5A, som samsvarer med malen for pålitelige topper (n = 168 – røde sirkler for målrettede topper og grønne sirkler for umålte topper). Massespektraet til de sammensatte toppene, samt oppbevaringstidene, registreres i funksjonsmalen som vist for (Z)-3-heksenolacetat i det forstørrede området. Toppområder vises i figur 5B som rødfarget grafikk. De defineres i stedet av konturene av alle de 2D-toppene som oppdages i det sammensatte kromatogrammet (n = 3578).
Når ikke-overvåket mønstergjenkjenning av Principal Component Analysis brukes på målrettede topper distribusjon innenfor de 20 analyserte prøver, Sicilian og Toscana oljer klynge separat tyder på at pedo-klimatiske forhold og terroir påvirker den relative utbredelsen av volatiler. Resultatene vises i figur 6A, og PCA-resultatene fra den pålitelige toppfordelingen vises i figur 6B. De to tilnærmingene kryss validerer at oljer fra forskjellige geografiske områder har forskjellige, mens sammenhengende, kjemiske signaturer, enten de er målrettede eller umålte forbindelser, eller begge deler, kartlegges.
Til slutt muliggjør programvaren rask og effektiv re-justering av mønstre på tvers av parallelle deteksjonskanaler. I dette programmet foreslås omjusteringen for tandemioniseringssignaler. Ionkilden til MS-multiplexene mellom to iioniseringsenergier (dvs. 70 og 12 eV) med en anskaffelsesfrekvens på 50 Hz per kanal30. De to resulterende kromatografiske mønstrene er tett justert mens spektraldata (dvs. spektralsignaturer og svar) bringer komplementær informasjon med forskjellige dynamiske responsområder26,27. De justerte mønstrene tillater uttrekking av funksjoner (2D-topper og toppregioner) med univocal ID-er (dvs. kjemiske navn for målrettede topper og unik nummerering # for umålte topper og toppregioner).
Malsamsvar gir effektiv kryssjustering. I dette tilfellet er det ikke mye feiljustering, men MS-begrensninger må være avslappet for å tillate kamper for UT-topper. På den annen side, omtalt UT peak-regioner, som ikke har noen MS-begrensninger, er umiddelbart matchet uten falske negative treff. Figur 5C viser et forstørret område av et 12 eV-kromatogram der funksjonsmalen som er bygget fra 70 eV-data, samsvarer. Pålitelige UT-topper samsvarer positivt på grunn av de senkede qCLIC-begrensningene (f.eks. DMF-terskelen ved 600). For å merke seg, ved 12 eV, er det færre oppdagede topper på grunn av den begrensede fragmenteringen forårsaket av lav ioniseringsenergi.
Figur 1: Bidimensional contour plot og målrettet mal. (A) Konturplott av den flyktige brøkdelen av en ekstra jomfruolivenolje fra Toscana. Bestilte mønstre av homologserier og klasser er uthevet med forskjellige farger og linjer: lineære mettede hydrokarboner (svart linje og 2D konturer) umettede hydrokarboner (gule), lineære mettede aldehyder (blå) enumettede aldehyder (rød), flerumettede aldehyder (laks), primæralkoholer (grønn) og kortkjedede fettsyrer (cyano). (B) Overimposed målrettet mal av kjente analytter (rødfargede sirkler) med tilkoblingslinjer som kobler interne standarder (ISs). Paneler viserto metadata for topp-/blob-egenskaper (Decanal) eller maltopp. Klikk her for å se en større versjon av denne figuren.
Figur 2: Apex MS-søk. Utdata fra APEX MS-søket etter BLOB 5. Liste over databaseoppføringer med høyest likhetslikhet og relaterte metadata som er tilgjengelige fra biblioteket. Klikk her for å se en større versjon av denne figuren.
Figur 3: Omjustering av mal. Arbeidsflyt som illustrerer trinnene som gjør det mulig å justere malen på nytt etter transformasjon. Klikk her for å se en større versjon av denne figuren.
Figur 4: GC Investigator-grensesnitt. Undersøkerpanel med alle valgte bilder merket i henhold til oljens produksjonsregion (til venstre) og listen over pålitelige topper/blob-volumer i hvert utvalg (til høyre). Klikk her for å se en større versjon av denne figuren.
Figur 5: Målrettet mal og UT-mal. (A) Pålitelige topper som et resultat av den automatiserte behandlingen i trinn 11; røde sirkler tilsvarer kjente analytter mens grønne sirkler er ukjente. I det overliggende panelet vises malobjektegenskaper for (Z)-3-heksenal. (B) Forstørret område som viser UT-toppene (røde og grønne sirkler) og toppområder (rød grafikk) i UT-malen som samsvarer med en prøveolje som er anskaffet med 70 eV ioniseringsenergi. (C) UT-mal matchet på en prøveolje anskaffet ved 12 eV ioniseringsenergi. Klikk her for å se en større versjon av denne figuren.
Figur 6: PCA-lasteplott. De viser den naturlige konformasjonen av prøver (oljer fra Toscana og Sicilia) som de resulterer i (A) målrettede topper distribusjon eller (B) UT topper distribusjonen. Klikk her for å se en større versjon av denne figuren.
Tilleggsfiler. Klikk her for å laste ned disse filene.
Discussion
Visualisering av GC×GC-TOF MS-data er et grunnleggende skritt for en hensiktsmessig forståelse av resultatene oppnådd ved omfattende todimensjonale separasjoner. Bildeplott med tilpasset fargelegging gjør det mulig for analytikere å sette pris på detektorresponsforskjeller og dermed differensialfordelingen av prøvekomponenter. Denne visuelle tilnærmingen endrer analytikernes perspektiv fullstendig på tolkning og utarbeidelse av kromatogrammer. Dette første trinnet, når det er forstått og trygt brukt av kromatografer, åpner et nytt perspektiv i videre behandling.
Et annet grunnleggende aspekt ved databehandling er tilgjengeligheten til hele datamatrisen (dvs. MS-spektraldata og svar) for alle prøvepunkter, som hver tilsvarer en enkelt detektorhendelse. I denne forbindelse topper 2D integrasjonen, slik at innsamlingen av detektorhendelser som tilsvarer en enkelt analytt representerer et kritisk skritt. I den nåværende protokollen er 2D-topper deteksjon basert på vannskillealgoritmen18 med noen tilpasninger inkludert for å forbedre deteksjonsfølsomheten i tilfelle delvise ko-eluting forbindelser. For å gjøre denne prosessen mer spesifikk, må dekonvolusjon gjøres, og mer sofistikerte prosedyrer vedtatt. Dette er mulig ved å utføre en ion peak deteksjon for MS-data; Algoritmen behandler datamatrisen og isolerer svaret fra enkeltanalytter basert på spektralprofiler19,31.
Et viktig, men kritisk trinn i protokollen, og for enhver GC×GC-MS-datatolkningsprosess, er relatert til analytteridentifikasjon. Denne prosedyren, som foreslås i trinn 8 og 9, i fravær av en bekreftende analyse med autentiske standarder, må utføres nøye av analytikeren. Automatiserte handlinger er tilgjengelige i all kommersiell programvare; De inkluderer MS spektral signatur likhetsevaluering mot den innsamlede referansespektra (dvs. spektralbiblioteker) og evaluering av karakteristiske forhold blant kvalifikator / kvantifikatorioner. Imidlertid er det nødvendig med ytterligere bekreftende kriterier for å tvetydig identifikasjon av isomerer. Protokollen foreslår å ta i bruk lineære oppbevaringsindekser for å prioritere listen over kandidater; Grensen her gjelder tilgjengeligheten av oppbevaringsdata og dens konsistens.
Hovedkarakteristikken som gjør denne fremgangsmåten unik, er malen som samsvarer med12,13,15,29. Malmatching muliggjør 2D-mønstergjenkjenningpå en svært effektiv, spesifikk og intuitiv måte. Den kan angis, når det gjelder følsomhet og spesifisitet, ved å bruke tilpassede terskelverdier og/eller begrensningsfunksjoner, mens analytikeren kan overvåke prosedyren ved å samhandle aktivt med transformeringsfunksjonsparametere. Egenheten ved denne prosessen er avhengig av muligheten til å kryssjustere målrettede og umålte topper informasjon mellom prøver av en jevn batch, men også mellom prøver som er anskaffet med de samme nominelle forholdene til tross for middels til alvorlig feiljustering. Fordelene ved denne operasjonen er knyttet til muligheten til å bevare alle målrettede analytter identifikasjoner, som er en tidkrevende oppgave for analytikeren, og alle metadata lagret for målrettede og umålte topper fra tidligere utarbeidelsesøkter.
Malmatching er også veldig effektiv når det gjelder beregningstid; lavoppløselige MS-datafiler består av omtrent 1-2 Gb pakket data, mens høyoppløselige MS-analyser kan nå 10-15 Gb per enkelt analytisk kjøring. Malmatching behandler ikke hele datamatrisen hver gang, men utfører først justering av oppbevaringstid mellom kromatogrammer ved hjelp av maltopper, og behandler deretter kandidattopper i søkevinduet for å finne likhetssamsvaret med referanse i malen. Ved alvorlig feiljustering, den mest utfordrende situasjonen, utførte globale flerordens polynomtransformasjoner bedre enn lokale metoder samtidig som beregningstiden13reduseres.
For at GC×GC-teknikken skal spre seg vidt utover akademia og forskningslaboratorier, må databehandlingsverktøy legge til rette for grunnleggende operasjoner for visualisering og kromatogrammer inspeksjon; identifisering av analytter bør gi mulighet til å ta i bruk standardiserte algoritmer og prosedyrer (f.eks. NIST-søkealgoritme og I T-kalibrering); og kryss-komparativ analyse bør være intuitiv, effektiv og støttet av interaktive verktøy. Den foreslåtte tilnærmingen dekker disse behovene samtidig som den tilbyr avanserte alternativer og verktøy for å håndtere komplekse situasjoner som analytter co-elution, flere analytter kalibrering, gruppe-type analyse og parallell deteksjon justering.
Den refererte litteraturen dekker godt mange mulige scenarier der GC×GC og, mer generelt, omfattende todimensjonal kromatografi, tilbyr unike løsninger og pålitelige resultater som ikke kan oppnås ved 1D-kromatografi i enkeltkjøringsanalyse. 5,32,33 Selv om GC×GC er det kraftigste verktøyet som øker separasjonskapasiteten og følsomheten, er det alltid begrensninger for separasjonskraft, følsomhet og andre systemiske kapasiteter. Etter hvert som disse systemiske grensene nærmer seg, blir dataanalysen gradvis vanskeligere. Derfor må forskning og utvikling fortsette å forbedre de analytiske verktøyene vi har til rådighet.
Disclosures
Prof. Stephen E. Reichenbach og Dr. Qingping Tao har økonomiske interesser i GC Image, LLC. Dr. Daniela Peroni er ansatt i SRA Instruments, en distributør av GC Image i Italia og Frankrike. Dr. Federico Stilo, prof. Chiara Cordero og prof. Carlo Bicchi erklærer ingen interessekonflikter.
Acknowledgments
Forskningen ble støttet av Progetto Ager − Fondazioni i rete per la ricerca agroalimentare. Prosjekt akronym Fiolin - Valorisering av italienske olivenprodukter gjennom innovative analytiske verktøy (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-programvare er tilgjengelig for en gratis prøveperiode for lesere som ønsker å 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).
