En la desafortunada Cumbre de 2020 en Múnich, que demostró la increíble capacidad de adaptación de los organizadores de la Cumbre JMP, mostramos nuestras aplicaciones iniciales de JMP para el análisis de imágenes de espectrometría de masas de alta resolución espacial (NanoSIMS).
En esta charla, presentamos una actualización sobre nuestros avances desde aquella presentación. Tras un breve repaso de nuestros procedimientos analíticos más básicos que utilizan enlaces dinámicos y Graph Builder, pasamos a análisis más avanzados que incluyen análisis de conglomerados y, finalmente, a las aplicaciones de JMP Pro Functional Data Explorer, demostrando cómo nos ayuda a interpretar espectros de masas.
Y ahora podemos realizar muchos de estos análisis con mucha más rapidez gracias al Generador de Flujos de Trabajo, recientemente incorporado a JMP 17. Nos basamos en conjuntos de datos de ejemplo, desde la investigación del cáncer (tejido tumoral canceroso) hasta la fertilización del suelo mediante bacterias. Para cada uno de estos estudios, presentamos brevemente su importancia y, posteriormente, la mayor parte de la charla consiste en una demostración en vivo de los pasos que seguimos para obtener el resultado final.
Buenos días a todos. Me llamo Greg McMahon y soy científico principal del Laboratorio Nacional de Física en Teddington, Reino Unido. Hoy les hablaré sobre los avances en el uso de JMP y JMP Pro para el análisis de imágenes de espectrometría de masas de alta resolución espacial.
Esta charla es una continuación de lo que presenté hace unos 4 años en aquella desafortunada reunión de Múnich, donde la COVID-19 la impidió y la convirtió rápidamente en una reunión en línea. La capacidad de quienes se apresuraron a adaptarla y convertirla en un evento exitoso sigue siendo increíble. Me alegra estar con ustedes hoy, tanto en persona como en línea, y espero presentar mi charla y conversar con ustedes durante la semana.
Para empezar, hablaré de NanoSIMS como nuestro método para obtener imágenes de espectrometría de masas de alta resolución espacial. Hay una imagen del instrumento aquí a la izquierda. Solo hay unos 55 en todo el mundo. Se utilizan para diversas aplicaciones. El nuestro se centra probablemente en un 80 % en biología y quizás un 20 % en ciencias físicas, metalurgia, ciencia de materiales y semiconductores, por así decirlo.
En resumen, ¿cómo funciona el instrumento? Generamos un haz de iones, los aceleramos y los enfocamos hacia la muestra de interés. Cuando este haz de iones incide en la muestra, la energía que se le imparte hace que sus átomos y moléculas sean expulsados de su superficie. En ese proceso, una pequeña fracción de las especies expulsadas se ioniza.
Una vez ionizados y cargados mediante la aplicación de campos electrostáticos intensos, podemos recolectarlos y enfocarlos a través de lo que llamamos columna secundaria, para luego dirigirlos hacia un imán. Utilizamos un espectrómetro de masas de sector magnético. Este separa estos iones según su relación masa-carga, de forma muy similar a como un prisma separa la luz en sus distintas longitudes de onda.
Una vez realizada la separación, tenemos lo que llamamos una cámara multicolección, que alberga siete detectores. Seis de estos detectores están en carros motorizados, lo que nos permite moverlos a cualquier posición. El séptimo detector está fijado en el radio más alto del imán. Normalmente, la masa más alta se colocaría en ese detector fijo, y los otros seis se posicionan en consecuencia.
Delante de cada detector, podemos adquirir lo que llamamos un espectro de masas de alta resolución de masas, que vemos aquí. Normalmente contiene múltiples picos que indican lo que llamamos interferencias de masas. Hablaré más sobre esto hacia el final de mi charla. Pero, en realidad, las principales ventajas de este método se detallan al final de la diapositiva. Obtenemos una resolución espacial extremadamente alta. Podemos reducirla hasta unos 35 nanómetros. 100 nanómetros es bastante típico y no requiere mucho esfuerzo.
También obtenemos una alta resolución de masas, con valores de m sobre delta m de aproximadamente 15 000 a 20 000. Esto nos permite separar picos, como los que se observan en los espectros de masas. Al ser una técnica de espectrometría de masas o SIMS, la llamamos espectrometría de masas de iones secundarios, obtenemos una sensibilidad muy alta, incluso en niveles de ppm y ppb.
Hoy les voy a hablar de un par de casos prácticos sobre cómo hemos avanzado. La última vez, hablé de cómo lo aplicamos a la investigación del cáncer. No hablaré de eso hoy. El primero será un ejemplo bastante sencillo de cómo hemos implementado el Generador de Flujos de Trabajo en nuestro flujo de trabajo. Ha sido una bendición.
El primer caso práctico del que hablaré se centra en los fertilizantes nitrogenados que utilizamos para favorecer el crecimiento de las plantas y su efecto sobre el cambio climático. En todo el mundo, la disponibilidad de nitrógeno fijo limita la producción agrícola. Desafortunadamente, se utilizan con frecuencia estos fertilizantes nitrogenados sintéticos, que pueden causar contaminación atmosférica por amoníaco y óxido nitroso en su producción. También pueden generar smog, lo que también genera contaminación específica en la producción. Una vez aplicados, pueden causar la acidificación de los ecosistemas y la nitrificación de las vías fluviales y, en general, son perjudiciales para el cambio climático.
Lo que se descubrió, no hace mucho tiempo, quizás hace 30 o 40 años, fue que ciertas bacterias tienen la asombrosa capacidad de absorber nitrógeno inerte de la atmósfera, ese N₂, y de hecho pueden fijarlo y convertirlo en amoníaco, que luego puede liberarse en la planta para la síntesis de aminoácidos, clorofila y proteínas. En efecto, puede reemplazar básicamente esos desagradables fertilizantes nitrogenados sintéticos de los que hablábamos antes.
Sin embargo, nadie ha demostrado esto a escala micro o nanométrica en plantas. Se han realizado numerosos análisis a gran escala que lo demuestran, pero queríamos analizarlo con mucho más detalle y con una resolución espacial mucho mayor.
Esta demostración en particular mostrará cómo tomamos las hojas de una planta cultivada, en este caso maíz, en una atmósfera de 15 nitrógenos, sin ningún otro fertilizante sintético. No existe otra fuente de ¹⁵N₂ posible. Quizás debería retroceder un poco. El ¹⁵N es un isótopo pesado del nitrógeno. La proporción natural es de aproximadamente el 0,0037 %. Lo que hacemos es cultivarlo con casi el 100 % de ¹⁵N₂ en lugar de 0,0037 N₂. Nuestra idea es usar el espectrofotómetro de masas para buscar ¹⁵N en la planta.
Creo que en este punto, resumiré nuestro primer nivel de análisis y cómo utilizamos JMP Workflow Builder para lograrlo. Nuestros archivos de datos sin procesar son bastante simples. Se presentan como un archivo CSV con dos columnas que definen la ubicación de los píxeles y, luego, siete columnas, o más, que contienen los recuentos de las diversas masas que medimos.
Normalmente, si analizamos las proporciones isotópicas, lo primero que hacemos es tomar las dos masas que construyen la proporción e insertar una nueva columna para el valor de la proporción isotópica. Podemos ir al Constructor de Gráficos y reconstruir las imágenes de iones que vemos aquí. Esta imagen es la imagen de carbono y nitrógeno de una sección de la planta. Se ven estos diversos orgánulos. Este es el núcleo de la planta. Estos son los cloroplastos.
Esta imagen muestra la proporción isotópica del nitrógeno, donde se muestra una escala de colores. El azul más oscuro representa la proporción natural, la que esperaríamos que mostrara el nitrógeno normal. Todo lo que esté por encima de esta proporción representa proporciones elevadas de ¹⁵N que, en este caso, solo podrían provenir del gas ¹⁵N₂ en el que se criaron estas plantas.
Claramente, ahora tenemos evidencia de que las bacterias, las semillas que fueron inoculadas con estas bacterias, han cumplido su función: fijan el N₂ y lo distribuyen por toda la planta. Pero también podríamos generar... Es muy útil observar las distribuciones de los diversos recuentos, especialmente observar dónde se encuentran los valores atípicos.
Me cronometré usando mi método habitual, que consiste básicamente en realizar todos estos pasos manualmente. Tardé unos 3 minutos en llegar a donde se muestra aquí en la pantalla. Pero ahora, con Workflow Builder, tardo unos 5 segundos. Si analizamos 20 de estos archivos al día, eso puede suponer un ahorro de tiempo considerable, de hasta entre 45 minutos y una hora al día. A lo largo de un mes y un año, todo suma.
Haré una demostración rápida para mostrarles cómo se ve. Si abrimos un archivo reciente, seleccionaré este. Como mencioné, así se ve el archivo RAW. Dos columnas, X, Y. Estas son las ubicaciones de los píxeles y los recuentos en cada una de nuestras masas.
Ahora iré a Archivo, Abrir reciente y a la primera parte, Generador de flujos de trabajo. Ahí está nuestro Generador de flujos de trabajo. Quizás lo reduzca un poco. Vamos a ejecutarlo paso a paso. Se inserta una nueva columna. Se le asigna un título: Relación de isótopos de nitrógeno. Se proporciona una fórmula para calcular la relación. Esa es nuestra imagen de CN sin procesar. Esa fue la primera imagen que les mostré, solo que ahí está coloreada en la diapositiva. En realidad, era en escala de grises.
Aquí está la imagen de la proporción de isótopos de nitrógeno. Podemos terminar con las distribuciones y luego simplemente aplicar las estadísticas multivariantes simples con la matriz del diagrama de dispersión y el mapa de calor. Vimos que las proporciones eran mayores en estos orgánulos en particular. Estos son los que llamamos cloroplastos. Los cloroplastos son un orgánulo responsable de la fotosíntesis.
Que el nitrógeno parezca estar yendo allí preferentemente es casi una doble ventaja, ya que ahora el nitrógeno se destina preferentemente al crecimiento y la función de los cloroplastos. Pero los cloroplastos son los orgánulos que absorben el CO₂ de la atmósfera y lo convierten en energía que impulsa el crecimiento de las plantas. Desde la perspectiva del cambio climático, esto es realmente beneficioso para todos. Estamos reduciendo la necesidad de nitrógeno sintético en nuestros suelos y, quizás, ayudando a absorber el CO₂ de la atmósfera.
Pero ya que estoy aquí, voy a hacer otra cosa. Lo interesante fueron estos valores atípicos altos en la señal de azufre. Los vamos a seleccionar. Como ven, los seleccionados se han vuelto rosados. Estos ocurren principalmente en los cloroplastos, algunos más que otros. No estoy seguro de si esto se debe a un efecto temporal.
Pero esto es significativo, ya que para que se produzca la reacción de fijación de nitrógeno, se necesita la ayuda de una enzima rica en azufre. Esto supuso una ventaja adicional para el análisis de esta muestra en particular.
Este es solo un análisis rápido de primer nivel con Workflow Builder. Ahorra muchísimo tiempo. Lo siguiente que haré es cerrar todo, incluido esto, y luego volveré a la presentación de PowerPoint y pasaré a la siguiente diapositiva. Esta es la parte que acabo de mostrarles con el azufre preferentemente en el cloroplasto, lo que facilita la fijación del nitrógeno.
Ese fue un análisis bastante sencillo, pero a veces encontramos otros que requieren mucha más complejidad. El segundo ejemplo que voy a usar es un estudio que realizamos sobre las selenoproteínas. Si vas a una tienda de productos naturales, probablemente hayas visto una sección donde venden suplementos de selenio.
Es un campo muy interesante, ya que aún se encuentra en sus inicios. Se sabe mucho, pero aún se desconoce mucho, sobre cómo funcionan las selenoproteínas en el organismo. Se han hecho ciertas afirmaciones, y existen pruebas que las respaldan, de que pueden proteger el cerebro y ser eficaces para fortalecer el sistema inmunitario. Pueden tener propiedades antioxidantes, favorecer la reproducción, favorecer la glándula tiroides y su función, y también tener efectos antimutagénicos, que pueden ayudar a prevenir daños en el ADN.
La pregunta que queríamos abordar específicamente en este estudio era: ¿realmente las selenoproteínas se asocian con el ADN para proteger su integridad? Recordando que estamos analizando imágenes de espectrometría de masas de muy alta resolución espacial, esta es una de las pocas técnicas que pueden lograr esto con una eficacia razonable.
El problema con las selenoproteínas es que ya se encuentran en cantidades muy bajas en el cuerpo. Para simplificarlo, se podría decir: "Solo añadiremos un poco más", pero en realidad no conviene hacerlo, ya que también se puede producir una intoxicación por selenio si se tiene demasiado. Estudiar muestras en una placa de Petri a las que se les ha añadido demasiado selenio artificialmente no es muy revelador.
Lo que hicimos fue usar algunos de estos precursores de selenio, ingredientes típicos de los frascos de suplementos. Teníamos medios de cultivo con 300 nanomolar de estos precursores marcados con isótopos para selenoproteínas: metilselenocisteína enriquecida con selenio (76%), selenometionina enriquecida con selenio (77%) o selenito de sodio (82%).
Debo recalcar que, cuando hablo de isótopos, todos son isótopos estables. No son radiactivos ni nada parecido. Son completamente seguros.
Añadimos estos al medio de cultivo, pero también añadimos timidina ¹⁵N. Este es nuestro amigo, ¹⁵N, el isótopo pesado del nitrógeno. Este aminoácido marcará selectivamente el ADN. Lo que esperamos ver en este experimento de doble marcaje es una correlación entre las altas proporciones de nitrógeno y selenio, o viceversa, o incluso ninguna correlación.
Si observamos las imágenes iniciales que acabamos de obtener, esto habría ocurrido si hubiéramos usado nuestro Work Builder anterior, observamos que los recuentos de selenio son muy bajos. Esto probablemente no sea tan inesperado, ya que, recuerden, su abundancia es baja, incluso con el tiempo que llevamos contando. Esta imagen, esta es la imagen de la proporción de selenio a la izquierda.
Esto tomó aproximadamente un día y medio o dos días de adquisición de imágenes, simplemente recopilando conteos de la muestra mientras el haz de iones primario la rasterizaba. Al generar la imagen de relación, vemos en las áreas grises todos estos datos faltantes y todas estas áreas grises. Probablemente haya mucha información que no podemos ver con tanta facilidad.
En esta imagen, tenemos básicamente dos células. Esta es la imagen de carbono más nitrógeno, que básicamente muestra la biomasa de las células. Todo lo demás, toda esta materia oscura entre ellas, es la resina de incrustación. Estas muestras se incrustan en una resina polimérica y luego se cortan en capas muy finas con un bisturí de diamante. Vemos que los recuentos son bajos.
Incluso antes de seguir adelante, pensamos: "Quizás sería mejor sacrificar la resolución espacial por más recuentos al agrupar la imagen". Ahora sé que estoy empezando a convertir JMP en un software de análisis de imágenes, algo que nunca estuvo previsto. Pero tiene toda esta vinculación dinámica. La unión entre ambos es magnífica.
Voy a volver a cerrar esto. Le agradezco a Julian Paris por esto. El año pasado, durante el almuerzo, hablamos sobre cómo agrupar imágenes. Lo repasaré brevemente. Ya lo hemos incorporado al Generador de Flujos de Trabajo. Toma esta imagen.
Estos son los datos sin procesar. El truco para agruparlos es un proceso de dos pasos. No derivaré las proporciones de isótopos aquí. Pero lo que haremos es seleccionar las columnas X e Y. Iremos a Utilidades y luego crearemos una fórmula de agrupamiento. Iré a Puntos de corte y agruparé esto en intervalos de 4x4 con el mismo ancho.
Voy a usar intervalos iguales. El desplazamiento cero está bien. Lo cambio a cuatro, haré clic en "Aceptar" y crearé todas las X y luego las columnas de fórmula. Tenemos dos columnas más, una con intervalos X y otra con intervalos Y. Vamos a las tablas, a una tabla de resumen y también quiero doblar todas las columnas de recuentos, así que las seleccionaré todas.
En Estadísticas, quiero sumar todo. Ahora voy a sumar todos los recuentos de píxeles individuales en ese contenedor de 4x4. Esta parte no era tan obvia: vamos a agrupar por X e Y. Bien. Ahora tenemos nuestra imagen agrupada, y podemos mostrarla en el Constructor de Gráficos. Gráfico y X, Y. Coloreemos por ahora con nuestro CN, así que... Como está agrupado, aumentemos un poco el tamaño del marcador.
Ahora tenemos cuatro recuentos más. Hay un poco de trabajo con las escalas de los ejes. En fin, pensé que valía la pena mostrarlo por si alguien más lo está haciendo con sus imágenes, ya que no era tan obvio cuando empezamos a trabajar con él. Déjenme cerrarlo y luego volver a PowerPoint.
Una vez agrupadas las imágenes, derivamos la proporción de isótopos de nitrógeno y selenio. Obtuvimos todas nuestras distribuciones y nuestro mapa de calor. Al observar el mapa de calor, algo parecía sospechoso. La proporción de isótopos de selenio parecía tener una correlación negativa con el selenio 77 y el selenio 80. Tenemos una correlación negativa tanto con el numerador como con el denominador, lo cual no parecía correcto. Uno pensaría que sería 1 y luego el otro, pero no.
Empezamos a preguntarnos. Lo que realmente nos intrigaba eran todos estos valores atípicos en la proporción isotópica de selenio y su distribución. También observamos muchos en la proporción isotópica de nitrógeno. Pero esto no nos preocupa tanto porque sabemos que la tasa de conteo es mayor. Básicamente, por experiencia, sabemos que podemos obtener ese nivel de proporción isotópica mediante la administración de timidina ¹⁵N, especialmente a nivel micromolar. Pero no estábamos seguros de esto. Es un territorio desconocido.
Lo que hicimos entonces fue decidir: "Echemos un vistazo más de cerca a estos valores atípicos". Realizamos un análisis de valores atípicos de ajuste robusto y descubrimos que la mayoría de ellos se identificaron como atípicos mediante el algoritmo de ajuste robusto.
Tras eliminarlos y rehacer el mapa de calor y la matriz del diagrama de dispersión, todo parece tener más sentido. El selenio 77 tuvo una correlación positiva muy pequeña, mientras que el 80 fue ligeramente negativo1 para el valor de la proporción. Esto tenía más sentido.
En ese momento, pensamos: "Intentemos hacer un análisis de conglomerados sencillo". Lo hicimos. Hicimos un K-Means sencillo, considerando solo tres variables. Muy simple: fósforo, la proporción de isótopos de selenio y la proporción de isótopos de nitrógeno.
Lo que esperamos encontrar, o al menos según nuestra hipótesis, es que debería haber un grupo en el que tengamos tanto altos niveles de selenio como de nitrógeno en el caso en que las selenoproteínas se asocien con el ADN para ayudar a protegerlo contra algún daño al ADN.
Pero observamos los gráficos paralelos y nunca lo vemos. Siempre ocurre que uno es mayor que el otro, o viceversa, o son prácticamente iguales, pero a un nivel bajo. Este fue nuestro primer indicio de que quizá no funciona o que nuestra hipótesis es incorrecta.
Al analizar estos valores atípicos en la proporción de isótopos de selenio, descubrimos que todos estaban asociados con recuentos extremadamente bajos de 80 de selenio. En realidad, deberían estar aquí abajo, 77 de selenio. De hecho, todos estaban incrustados básicamente en la matriz o la resina de incrustación.
Esto nos llevó a pensar: "Tenemos que ir un paso más allá porque toda esta resina de incrustación está sesgando nuestro análisis. Tenemos que eliminarla". Es fácil. Podemos hacer otro análisis de conglomerados rápido, básicamente usando solo CN y un par más, y crear dos conglomerados. El alto número de CN nos permitirá segmentar todo esto y dejar solo las celdas. Podemos crear un subconjunto de tablas a partir de eso y tener una nueva tabla de datos con la que trabajar.
Esto nos da esta matriz de diagrama de dispersión y mapa de calor, donde ahora observamos la proporción de isótopos de selenio. Vemos que en 80 hay una correlación negativa; en 77, una correlación positiva mucho más fuerte. Todo esto cobra sentido. Pero lo que realmente nos interesa es la proporción de isótopos de selenio y nitrógeno, que ahora muestra una correlación completamente negativa. Esto significa que lo que pensábamos que estaba sucediendo no era así. Para observar otras áreas, examinaríamos cientos de estas células.
Ya contamos con nuestro Generador de Flujo de Trabajo completo, que incorpora un bin de 4x4 de la imagen utilizando tres veces un Generador de Gráficos para tres masas diferentes, el CN, la relación de isótopos de selenio, la relación de isótopos de nitrógeno, las distribuciones, las estadísticas multivariadas por primera vez, un análisis de valores atípicos, la agrupación de K-Medias y los gráficos de coordenadas paralelas. K-Medias para segmentar las celdas.
Se crea la nueva tabla de datos en el Constructor de Gráficos. Podemos continuar con las estadísticas multivariantes. En ese punto, terminamos. Pero también añadimos otro clúster de K-Medias y un gráfico paralelo.
Les mostraré cómo funciona esto, porque es muy divertido. Vamos a Archivo, Abrir recientes, y este es este archivo. Ahora, vamos a Abrir recientes con el Generador de flujos de trabajo. Esa es la segunda parte, esa es la primera. Lo iniciaremos y veremos cómo funciona en tiempo real.
Aquí vienen el primer conjunto de imágenes, el segundo conjunto, el tercero, las distribuciones, la matriz del diagrama de dispersión y el análisis de valores atípicos. A continuación, el diagrama de dispersión, la agrupación en clústeres de K-medias y la imagen del subconjunto de datos. Finalmente, la última matriz del diagrama de dispersión. Podemos ejecutarla ahora directamente en el archivo de apertura. Esto también ahorra muchísimo tiempo.
Esto es genial porque puedo desarrollar estas cosas, enviárselas a mi colega, y cuando ella vea los datos, no tendrá que hacer nada más. Simplemente pulsa "ir" y todo estará listo. Cerremos todo y cerremos esto.
Una última cosa. Hoy estamos en enero, pero para marzo… De hecho, esto es lo penúltimo. Sí, lo olvidé. Después de terminar todo eso, hicimos más agrupamiento de K-Medias con ese subconjunto de datos. De nuevo, lo que vemos con los gráficos paralelos es que no hay absolutamente ninguna señal de niveles altos de selenio y nitrógeno al observar todos los diferentes grupos.
Yo haría un mínimo de tres grupos de 10 y un máximo de tres, y luego usaría solo el que el criterio CCC identificara como el mejor. Pero en ningún caso se observan niveles altos de selenio ni de nitrógeno.
Nuestra conclusión es que, al menos directamente, no hay evidencia de que esas selenoproteínas protejan el ADN simplemente por una asociación espacial, por así decirlo. Sin embargo, podría existir algún mecanismo indirecto que lo haga, pero eso queda fuera del alcance de nuestro estudio.
Por último, como dije, apenas estamos a finales de enero. Espero que para marzo tenga mucho más que decir al respecto. Pero así es como creo que probablemente podamos usar Functional Data Explorer para ayudarnos con otro tipo de análisis que necesitamos.
Les mostré al principio estos espectros de alta resolución de masas que se adquieren en cada detector. Los adquirimos porque, al configurar el detector, necesitamos saber qué masa estamos analizando realmente, ya que, en muchos casos, existen muchas interferencias de masa.
Lo que ocurre es que, tras ampliar esta región en el extremo del detector, el haz de iones separado pasa a través de un conjunto de placas deflectoras que escanean el haz de iones secundario enfocado a través de una rendija estrecha, hasta llegar al detector. El diámetro de este haz es menor que el ancho de la rendija. Se puede observar lo que ocurre cuando la desviación es bastante grande. En realidad, no incide en el detector; incide más en el borde de la rendija y no llega al detector.
La trayectoria deflectora lo desvía aún más, y comienza a entrar en la rendija y, de camino al detector, los conteos comienzan a aumentar. En cierto punto, se encuentra completamente dentro de la rendija, y entonces se puede observar un pico superior plano y agradable, que luego comienza a descender. Podría comenzar a observarse un segundo pico de otra masa. Eso es lo que tenemos aquí. Vuelve a descender y finalmente aparece el tercero.
Durante un análisis, seleccionaríamos el pico en el que queremos estar y ajustaríamos el voltaje de deflexión de forma que solo ese pico o ese pico pase por el detector. Si esto no se configura correctamente, todos los datos adquiridos serán prácticamente inútiles.
Para muchos de estos, como el ¹⁵N (y usamos mucho ¹³C), conocemos el aspecto de estos espectros. Pero para el selenio, fue todo un reto analizarlo para asegurarnos de que realmente utilizábamos selenio, sobre todo porque la tasa de conteo era muy baja.
Pero cuando analicé esto y comencé a usar Functional Data Explorer, lo primero que vi al hablar sobre el uso de wavelets es que estos espectros se parecen casi exactamente a los de Haar. Además, prácticamente no hay fondo, ya que configuramos los umbrales y las ganancias de los detectores para garantizar que prácticamente no haya fondo electrónico y que la respuesta sea la misma.
Tenemos que hacer esto porque medimos las proporciones isotópicas constantemente, pero las medimos con dos detectores diferentes. Si estos dos detectores no están calibrados con precisión, nuestra capacidad para medir con una proporción isotópica adecuada se ve reducida.
Básicamente, solo necesitamos saber la posición de uno de estos y a qué está asignado. En este caso, sé que este pico ancho es ¹²C y ¹⁴N. Este forma parte de ¹²C, ¹³C, ¹H. Ambos suman 26.
Si sabemos qué es uno, podemos determinar qué es el otro simplemente por la diferencia de masas. Esta escala no importa, ya que siempre observamos las diferencias de masa. Podemos calibrarla para que sea precisa en todo momento, pero eso requiere muchísimo esfuerzo y trabajo.
Si sabemos cuál es uno, podemos calcular cuáles son estos otros picos y diferencias, y luego asociarlos con un programa. Básicamente, podemos introducir todos los elementos que creemos que están en la muestra, y este generará todos los resultados posibles que suman esa masa y la diferencia asociada con ese pico en particular.
Si pudiéramos usar FDE para separar todo esto como una deconvolución, sería una gran ventaja, sobre todo en algunas de estas masas más pesadas, donde se producen más interferencias y son mucho más difíciles de clasificar. Eso es prácticamente todo lo que tengo que decir al respecto por ahora. Pero para cuando llegue la reunión, espero tener mucho más, y quizás también algunos ejemplos.
Pero por ahora, solo quisiera agradecer a algunos colegas. El Dr. David Dent, de la Fundación de Nitrógeno Sostenible, y los profesores Erik Murchie y Ted Cocking de la Universidad de Nottingham. Su contribución fue fundamental en el primer estudio de caso sobre la fijación de nitrógeno por las bacterias GD. La Dra. Diane Handy y el profesor Claude Lechene de la Facultad de Medicina de Harvard también fueron esenciales para el estudio de la selenoproteína, y a todos mis colegas del NiCE-MSI del NPL.
Con tristeza, quiero decir que Ted y Claude han fallecido. Es una gran pérdida para la comunidad científica, pero los recordamos con esta charla y muchas otras que vendrán. Muchas gracias, y si tienen alguna pregunta, con gusto la responderé.
