Az orvostudomány fejlődésével egyre nagyobb eséllyel vehető fel a küzdelem a daganatos betegségek ellen. A kombinált sebészeti és onkológiai kezelés hatására egyre jobb eredmények érhetőek el a terápiában, ám ennek ellenére a daganatos betegségek a vezető halálozási okok között szerepelnek napjainkban is. Az orvosi gyakorlatban a sugár-, gyógyszeres és immunterápiák mellett még mindig a sebészeti kezelés tekinthető az egyetlen, a teljes gyógyulás eléréséhez szükséges megoldásnak. Így nem meglepő, hogy a sebészeti gyakorlatban is egyre újabb technikák és technológiák kerülnek bevezetésre, melyekkel a daganateltávolító műtétek hatásfoka mind jobban növelhető.

A daganatsebészet egyik legfontosabb alapelve a tumor ép szélben történő eltávolítására való törekvés. Ennek lényege, hogy az eltávolított szövetrészlet körüli szélek daganatmentesek legyenek, minimálisra csökkentve a tumor kiújulásának esélyét a hátramaradó sejtekből. Ennek a törekvésnek a tökéletes megvalósítása azonban gyakran akadályba ütközik, akár a daganat elhelyezkedéséből adódóan, akár a daganat széleinek pontos meghatározásának nehézsége miatt. Az utóbbi probléma megoldására számos, jelenleg is alkalmazott és kísérleti stádiumban lévő technika is a sebészek rendelkezésére áll. A legelterjedtebb módszer, ami természetesen nem kizárólag a metszeti szélek vizsgálatát szolgálja, az intraoperatív szövettani vizsgálat. Ez a módszer, amellett, hogy viszonylag pontos szövettani információt ad egy kérdéses területről, több hátrányos tulajdonsággal is rendelkezik. A vizsgálat 20–40 percig is eltarthat, ami a műtét szempontjából hosszú időnek mondható. Az analízis viszonylag kis területről ad megfelelő felbontású szövettani képet, eredménye pedig szubjektív (Winther – Graem, 2011).

A műtéti területen lévő daganat pontosabb elkülöníthetőségét teszik lehetővé az úgynevezett vitális festési technikák. Ezekkel a módszerekkel olyan, tumorokban feldúsuló anyagok bejuttatása a cél, melyek az operáció közben vizualizálhatóak, és ilyen módon megkönnyítik a sebész számára a tumor kiterjedésének megítélését. A vitális festések esetében szintén felmerülnek bizonyos gyakorlati problémák. A festékanyagok nem minden esetben mutatnak megfelelő szelektivitást, a festés hatékonysága nagymértékben függ a dózistól, valamint a beadástól eltelt időtartamtól. A vitális festésnél jobb eredményt ad a műtét közbeni mágneses magrezonanciás képalkotó vizsgálat. A módszert a preoperatív diagnosztikában igen elterjedten használják, viszont a műtét közbeni alkalmazása körülményes, és speciális eszközök használatát igényli. Nem utolsósorban pedig rendkívül drágák az erre a feladatra alkalmas készülékek (Sherman et al., 2011).

E tények tükrében felmerül az igény egy olyan eszköz kifejlesztésére, ami megfelelő mértékben szelektív, képes a teljes műtéti területről releváns és objektív információt szolgáltatni, illetve az általános műtéti protokollt nem befolyásolja nagymértékben.

Biológiai szövetek közvetlen tömegspektrometriás (MS) vizsgálata már az 1970-es években felmerült, azonban az akkor rendelkezésre álló technikai feltételek mellett a módszer nem szolgáltatott elegendő hasznos információt a minták kémiai összetételéről. A területen az első áttörést az úgynevezett deszorpciós ionizációs módszerek (másodlagos ionizációs tömegspektrometria, SIMS; mátrix-segített lézer deszorpciós ionizáció, MALDI) megjelenése hozta. Ezekkel a technikákkal, a megfelelő mintaelőkészítést követően, biológiai szövetminták kémiai képalkotó (imaging) elemzése valósítható meg (van Hove et al., 2010). Már az 1990-es évek végén nyilvánvalóvá vált, hogy a képalkotó vizsgálatok során nyert tömegspektrometriás adatok nagymértékű szövettani specificitást mutatnak, azaz a szöveti hisztológia meghatározza a tömegspektrometriás információt és vice versa (Römpp et al., 2011). Ez a megfigyelés a detektált fehérje és peptid típusú komponensek esetében nem meglepő, a fehérjék szövetspecifikus expressziója ugyanis közismert, az immunhisztokémiai eljárások éppen ezen a jelenségen alapulnak. A tömegspektrométerrel detektált, jórészt sejtmembránokból származó, összetett lipidek hasonló szöveti specificitása azonban meglepő eredménynek számított (Belsare – Roy Chowdhuri, 1968). Mivel a fehérjék eloszlása jó egyezést mutatott az immunhisztokémiai módszerekkel nyert eloszlási mintázatokkal, a lipid komponensek eloszlása korábban viszonylag kis figyelmet kapott a szakirodalomban.

A közvetlen ionizációs tömegspektrometriás módszerek megjelenésével egy új korszak kezdődött a biológiai minták vizsgálatában. A deszorpciós elektrospray ionizáció (DESI) volt az első olyan MS-technika, amely lehetővé tette tetszőleges tárgyak (vagy akár élőlények) mintaelőkészítés nélküli, nem invazív vizsgálatát, függetlenül azok mechanikai tulajdonságaitól vagy alakjától (Takats et al., 2004). A technika egyik potenciális alkalmazásaként már igen korán felmerült a biológiai szövetek közvetlen vizsgálatának lehetősége. A DESI, a fentebb említett módszerekhez hasonlóan, alkalmas biológiai szövetek metszeteinek képalkotó elemzésére, a minta bármiféle módosítása nélkül, azonban a szövetek DESI-spektruma szinte kizárólag lipid komponensek ionjait mutatja. A DESI-módszert követően számos új, direkt ionizációs módszer került kifejlesztésre (Huang et al., 2011), viszont szövetminták esetében szinte mindig csak lipid komponensek detektálhatók, ami a figyelem középpontjába helyezte ezeket a molekulákat. A metszeteket követően logikus lépésként következett az intakt, illetve élő szövetek vizsgálata, ezen a területen azonban az első generációs módszerek kudarcot vallottak.

Az első, élő szövetek közvetlen tömegspektrometriás vizsgálatára alkalmas módszert, a gyors elpárologtatásos ionizációs tömegspektrometriát (REIMS), 2009 nyarán írta le kutatócsoportunk (Schäfer et al., 2009). Ez a második generációs módszer is elsősorban a szövetek lipid jellegű komponenseiről ad információt, de különböző metabolit molekulák és bizonyos fehérjék kimutatását is lehetővé teszi. Legfontosabb előnye, hogy a tömegspektrometriás adatok hisztológiai szintű specificitásának köszönhetően, lehetőséget teremt a biológiai szövetek kémiai összetétel alapján történő azonosítására. A REIMS-módszer különlegessége abban rejlik, hogy míg az előzőekben ismertetett tömegspektrometriás technikákhoz speciális, az adott módszerhez kifejlesztett ionforrásokat kell használni, addig ebben az esetben ionforrásként a sebészeti gyakorlatban használt eszközök szolgálnak. A módszer tehát alkalmas műtéti környezetben történő mérések kivitelezésére is, illetve egy komplex szövetazonosító rendszer részeként, daganateltávolító műtétek során, segítséget nyújthat az operáló sebésznek a műtéti terület pontosabb hisztológiai feltérképezésében.

A különböző szövetroncsoló és vágó eszközök, mint a diatermiás kés, a sebészeti lézer, illetve az ultrahangos szövetporlasztó működésekor olyan, a vágott szövetre jellemző összetételű aeroszol keletkezik, mely ionizált sejtalkotókat is tartalmaz. Ezek közül, a REIMS-módszer szempontjából, az intakt membránalkotó foszfolipidek fontosak, melyek egyrészt tömegspektrometriásan jól detektálhatók, másrészt az összetételük jellemző az adott szövettípusra. A tömegspektrometriás analízis megvalósításához mindössze egy hatékony elszívó rendszer kifejlesztésére volt szükség, amely a műtéti területről a vágás pillanatában keletkező aeroszolt a tömegspektrométerbe vezeti. Erre a célra egy úgynevezett Venturi-cső szolgál, valamint a fent említett sebészeti eszközök kézidarabjait úgy kellett módosítani, hogy az aeroszol elszívható legyen rajtuk keresztül.

A füstgázok elemzése a tömegspektrométerben pillanatszerűen, néhány tized másodperc alatt valósul meg, melynek eredményeként egy szövetspecifikus foszfolipid tömegspektrumot kapunk. Az összegyűjtött spektrumok elemzése egy speciális kiértékelő szoftverrel történik, mely erre a célra lett kifejlesztve. A szoftver a műtét során folyamatosan összehasonlítja a beérkező adatokat egy adatbázisban tárolt, validált spektrumtömeggel, besorolja a megfelelő osztályba, majd az eredményt vizuálisan megjeleníti a sebésznek. A spektrumok feldolgozása statisztikai módszerek segítségével történik (Balog et al., 2010). Mivel egy tömegspektrum önmagában is rengeteg információt tartalmaz, ezért mindenképpen szükséges az adattömeg dimenziószámának lecsökkentése. Erre alkalmas az úgynevezett főkomponens-analízis (PCA), melynek segítségével a kevésbé releváns változók kiszűrhetők az adattömegből, majd a releváns változók segítségével a hasonló spektrumokat ugyanabba, míg a különbözőket különböző osztályokba sorolhatjuk. Ez a csoportosítás két, illetve háromdimenziós térben elhelyezkedő pontok és pontcsoportok segítségével szemléltethető. Mivel a tömegspektrumok variabilitása viszonylag minimális, ezért szükséges az osztályok egymástól való lehető legjobb elkülönítése. Ezt a célt szolgálja az úgynevezett lineáris diszkriminanciaanalízis (LDA), mellyel a PCA-tér lineáris transzformációja valósul meg olyan módon, hogy a benne lévő pontcsoportok egymástól való távolsága maximalizálva legyen.

A szövetazonosításhoz nagyszámú validált spektrum szükséges, melyek mindegyike egy adatpontként jelenik meg a szövetazonosításhoz alkalmazott modellben. A műtét közben keletkező spektrumok is egy-egy új adatpontként jelennek meg a rendszerben. A különböző osztályokba történő besorolás alapja az úgynevezett Mahalanobis-távolság mérése, melynek során a modellben lévő pontcsoportok és az új adatpont közötti távolság határozza meg a vágott szövet típusát. Amennyiben az új adatpont helyzete az térben nem felel meg bizonyos peremfeltételeknek, úgy a szövet ismeretlenként (outlier) lesz jellemezve.

Sebészeti eszközök

Az előzőekben leírtak alapján a rendszer – tömegspektrometriás alkalmazásról lévén szó – legfontosabb eleme az ionforrás. A REIMS-módszer esetén ezt a szerepet több különböző, a sebészeti gyakorlatban alkalmazott eszköz is betöltheti. A legelterjedtebben alkalmazott ezek közül a nagyfrekvenciás árammal működő diatermiás kés, más néven elektrokauter. Ez az eszköz koagulációs funkcióban szövetek vágására, illetve vérzéscsillapításra használható, vágási funkcióban pedig finomabb preparálások is végezhetőek vele. Bármely funkcióban használva az eszközt, az gyakorlatilag a szövet gyors termikus elpárolgását okozza. A folyamat során keletkezett aeroszol negatív és pozitív töltésű cseppecskéket tartalmaz, melyek tömegspektrometriás detektálása egyaránt megvalósítható. A szövetazonosításhoz leginkább negatív ionmódot célszerű alkalmazni, mivel részletgazdagabb spektrumot biztosít, illetve a detektált jelek intenzívebbek.

A diatermiás kés mellett a sebészeti lézerek használatával szintén jó eredményeket sikerült elérni (Schäfer et al., 2011b). A sebészeti széndioxid-lézerek, melyek 10 500 nm körüli hullámhossztartományban működnek, bizonyultak a legalkalmasabbnak a feladatra. A biológiai szövetek optikai karakterisztikája ugyanis ebben a tartományban teszi lehetővé a detektálható ionok keletkezését. Szerencsés egybeesés, hogy ezek a lézerek viszonylag elterjedtek az orvosi gyakorlatban, főként a bőrgyógyászat terén.

Az idegsebészetben, valamint különböző parenchimás szervek sebészetében, elterjedten alkalmazzák az úgynevezett ultrahangos szövetaspirátort (Cavitron Ultrasonic Surgical Aspirator – CUSA). Ez az eszköz ultrahangos kavitáció segítségével porlasztja el a nagy víztartalmú szöveteket, miközben a kötőszövetet, illetve a vér- és nyirokereket viszonylag sértetlenül hagyja. Ennek köszönhetően különösen jól használható májsebészetben, ahol a májparenchima eltávolítása után a nagyobb erek leköthetők, így meg lehet akadályozni a nem kívánt vérzést. Az eszköz alkalmazásakor az elporlasztott szövetből szintén tömegspektrometriásan detektálható ionok képződnek (Schäfer et al., 2011a). A májsebészet mellett a CUSA-készülékek másik elterjedt alkalmazási területe az idegsebészet és az ehhez kapcsolódó onkológiai műtétek. A hasi sebészettel ellentétben itt egészen más a gyakorlati megközelítés. Nem minden esetben célszerű ép szélben eltávolítani a daganatot, mivel így fontos agyi funkciók sérülhetnek, ezért inkább a daganatos szöveti tartományban próbálják detektálni az ép idegszövet határát, és így meghatározni a vágás vonalát. Ezen a területen tehát még fontosabb szerepet kaphat egy olyan módszer, amely objektív információt szolgáltat a szövet összetételéről.

Amellett, hogy több különböző sebészeti eszköz bizonyult alkalmasnak arra, hogy membránlipidekben gazdag ionizált aeroszolt hozzon létre a biológiai szövetekből, fontos megjegyezni, hogy a tömegspektrumok különböznek egymástól, a különböző ionizációs mechanizmusoknak köszönhetően. Ennek következtében a különböző eszközökhöz külön szöveti spektrumtárak létrehozása szükséges.

Szövetspecifikus spektrumok

A szövetazonosítás alapját a REIMS-technika esetében az egyes szövetekre jellemző foszfolipid spektrumok adják. Ilyen módon a módszer nem tekinthető egy kitüntetett tumor, illetve szöveti markereken alapuló szövetelemző technikának. A szövetazonosítás a teljes szöveti spektrum információtartalmán alapul, ami az egyes foszfolipid specieszek jelenlétének, illetve az egyes alkotók egymáshoz viszonyított mennyiségének figyelembevételén alapul. A membránalkotó foszfolipidek összetételének sejtspecificitása egy jól ismert jelenség. Emellett az a tény is ismert, hogy ez az összetétel kismértékben variábilis. Ez mindenképpen felveti a kérdést, hogy az egyes sejttípusoknak, illetve így az egyes szöveteknek ez a sajátossága milyen mértékben befolyásol egy olyan módszert, ahol lényeges a jól definiált foszfolipid-összetétel ismerete. Több kísérlet történt annak bizonyítására, hogy ez az időbeli, illetve különböző külső körülmények által okozott variabilitás nem teszi lehetetlenné a módszer használatát. Az egyik variabilitást okozó tényező a bevitt táplálék zsírsavösszetétele. A szakirodalomban számos kísérleti bizonyítékot találhatunk arra vonatkozóan, hogy valamely zsírsav megvonásával, illetve mások túlsúlyának hatására bizonyos sejtek membránösszetétele megváltozik. Ezeket a kísérleteket kutatócsoportunk is elvégezte, és az adatok valóban kismértékben megváltozott foszfolipid-profilt mutattak. Statisztikai módszerek alkalmazása azonban megmutatta, hogy míg a szerven belül a különböző táplálás eltérést okoz, addig az egyes szerveket összehasonlítva ez az eltérés minimálisnak mondható, a két különböző szerv foszfolipid-profilja közötti eltéréshez képest. Bebizonyosodott tehát, hogy a táplálkozás nincs hatással a különböző szövetek azonosíthatóságára. Hasonló eredményeket születtek az életkorbeli különbségek hatásának vizsgálatában is. Mindenképpen figyelemre méltó azonban, hogy az egyes szervek fiziológiás hatásokra, például a máj krónikus betegségeinek esetében, olyan változás figyelhető meg a membránlipidösszetételben, ami statisztikailag detektálható, így ezek az elváltozások is vizsgálhatóak és felismerhetőek a tömegspektrometriás módszer segítségével.

A különböző membránalkotó foszfolipidek tömegspektrometriás vizsgálata során számos foszfolipid osztályt lehet detektálni. Ehhez a szövetazonosítási módszerhez megfelelő mennyiségű információt tartalmaz a 600–900 m/z régió, melyben megtalálhatók különböző hosszúságú zsírsavláncokat tartalmazó foszfatidil-etanolaminok, foszfatidilszerinek és foszfatidil-inozitolok csúcsai, negatív ionmódban történő detektáláskor. Ugyanebben a tömegtartományban pozitív ionmód esetén, az előzőekben említett ionok mellett foszfatidil-kolinok is detektálhatók, illetve mindkét polaritás esetében megjelennek a főleg izomszövetekre jellemző plazmalogének csúcsai. Nagyobb tömegtartományban gangliozidok, cerebrozidok, szulfatidok, kardiolipinek is detektálhatók, illetve megfigyelhetőek a jelátvitelben részt vevő foszforilált lipidkomponensek is. Kisebb tömegtartományban, 150–400 m/z között szabad zsírsavak, főként palmitinsav, sztearinsav, olajsav, arachidonsav detektálható, illetve különböző a foszfolipidek termikus degradációjakor keletkező fragmens ionok. A vizsgálatokból kiderült az is, hogy egyes membránalkotók jellemzőek lehetnek bizonyos szövetekre, míg másokból hiányozhatnak. Ez természetesen megkönnyíti a szövetazonosítást, mivel ezek súlyozottabban vesznek részt a statisztikai számításokkor kalkulált főkomponensekben. Ilyenek például a vesére, illetve a tüdő felületére jellemző speciális foszfolipidek, illetve izomszövet esetében a plazmalogének.

Daganatok és ép szövetek

A kifejlesztett módszer legfontosabb feladata a daganatos szövetek felismerése, és nagy biztonsággal történő elkülönítése az őket magukba foglaló ép szövetektől. Mint ahogy az előzőekben kiderült, az egyes egészséges szervek jól elkülöníthetőek egymástól membránlipid-összetételük alapján. Ez természetesen igaz a különböző daganatos szövetekre is, mivel ezek a környezetükben különálló szövettípusként jelennek meg. Mint az egyes egészséges szövetek, ezek is hordoznak magukban bizonyos karakterisztikus jellegeket, például szöveti képükben elkülönülnek az őket befogadó szövethez képest, más a fehérjeexpressziójuk, és eltérést mutatnak az anyagcserefolyamataikban is, így nem meglepő, hogy a biokémiai karakterisztikájuk is más.

A következő kísérletben bebizonyosodott, hogy a különböző tumoros szövetek tömegspektrometriás detektálása, felismerése és egymástól való megkülönböztetése megvalósítható a kifejlesztett módszerrel. A kísérletben humán vastagbéltumort, és annak a májban adott áttétét analizáltuk. A tumoros és ép szövet elkülönülését, illetve a primer tumor és az áttét viszonyát is elemeztük. A mintavétel azt mutatta, hogy a tumor mind az ép, mind pedig az áttétet tartalmazó szövettől eltér, azonban a primer tumor és az áttét egymástól csak minimális eltérést mutatott. Az áttét tehát hasonlít az eredeti daganatra, így műtéti körülmények között az áttétből nyert adatok felhasználhatók az eredeti tumor azonosítására, ami nagy segítséget nyújthat az úgynevezett ismeretlen eredetű tumoráttétek kiindulási helyének meghatározásában.

Ezzel szemben bonyolítja az azonosítást, hogy míg a különböző egészséges szövettípusok jellemzően reprodukálható és nagymértékben különböző spektrumot adnak, addig a rosszindulatú tumorok esetében akár egy tumortípuson belül is nagyfokú variabilitást mutat a spektrális információ. Ez a jelenség összefüggésbe hozható a daganatsejtek evolúciójával, azaz a betegség előrehaladása során történő folyamatos szövettani változásokkal. Ezen változások során a daganatsejtek fokozatosan elveszítik az eredeti szöveti környezetre jellemző tulajdonságaikat. Bár ez a jelenség megnehezíti a spektrális információ alapján történő azonosítást, megfelelő mennyiségű hiteles adat (ti. minden daganattípus esetén minden lehetséges evolúciós fokozatot megfelelően reprezentáló adattömeg) segítségével a probléma kézben tartható.

Szöveti adatbázis építése és tesztelése

A megfelelő szövetazonosításhoz elengedhetetlen egy nagyszámú spektrumot tartalmazó adatbázis kiépítése. Ez olyan módon valósítható meg, hogy adatgyűjtést végzünk onkológiai műtétek során, illetve friss műtéti preparátumokon. Ebből a célból készültek olyan prototípusok, melyek megfelelnek a műtét közbeni használhatósággal kapcsolatos nagyon szigorú követelményrendszernek. Ehhez a komplett tömegspektrometriás rendszert el kellett látni műtőkompatibilis csomagolással. A gázrendszer integrálása és a kiáramló gázok HEPA-szűrése is megvalósításra került a rendszer kiépítése során.

Az intelligens sebészeti eszköz tesztelése és az adatbázis építése jelenleg az országban két klinikai intézetben folyik: a Semmelweis Egyetem 1. Számú Sebészeti Klinikáján, illetve a 1. Számú Patológiai Intézetben, valamint a Debreceni Egyetem Sebészeti és Idegsebészeti Intézetében. A SE sebészeti klinikájára telepített készülékkel napi szinten történik adatgyűjtés, tumoreltávolító műtétek alkalmával. A kutatás fő irányvonalát a máj primer és szekunder rosszindulatú, illetve jóindulatú daganatainak vizsgálata adja. Szintén fontos szerepet töltenek be a kutatásban az itt végzett hasnyálmirigydaganat-eltávolító műtétek. Az intraoperatív méréseket a műtéti preparátumok vizsgálata egészíti ki, ami a Patológiai Intézetben történik. A műtéti körülményekhez képest itt kontrolláltabb környezetben folyik az adatgyűjtés, valamint folyamatos a konzultáció a patológusokkal. A tervek szerint az év végéig egy megfelelő méretű adatbázist lehet felépíteni az összegyűjtött adatokból, amely már alkalmas lesz szövetfelismerésre, műtéti körülmények között is.

A Debreceni Egyetemen folyó vizsgálatok célja szintén a készülék tesztelése, illetve emlő-, pajzsmirigy- és kolorektális daganatok eltávolítását célzó műtétek és különböző idegsebészeti beavatkozások közbeni adatgyűjtés. Az in vivo adatgyűjtés mellett itt is megoldott a műtét utáni preparátumok vizsgálata, további adatgyűjtés céljából.

A két egyetemmel való szoros együttműködés eredményeképpen mára a szöveti adatbázis több mint száz műtétről tartalmaz adatokat, az adatbázisba pedig, azonosított szöveti spektrumként, ennek sokszorosa került be. A posztoperatív mérések alkalmával gyűjtött spektrumok száma már az ezret is meghaladja.

Pre- és posztoperatív diagnosztikai lehetőségek

A gyors tömegspektrometriás szövetazonosítás lehetősége az intraoperatív alkalmazások mellett számos egyéb, érdekes lehetőséget vet fel. A nagy szöveti specificitással rendelkező membránlipid spektrumok elemzése a pre- és posztoperatív vizsgálatok terén is előrelépést jelenthet. Mind a preoperatív biopsziás vizsgálat, mind a posztoperatív szövettani vizsgálat előtt szükséges a minták fixálása és beágyazása, melyek időigényes folyamatok. A bonyolult mintaelőkészítést kiválthatja egy egyszerű, közvetlen tömegspektrometriás mérés. A minták REIMS-módszerrel történő vizsgálata irányadó lehet a későbbi diagnosztikus vizsgálatokban. REIMS-módszerrel a biopsziás minta percek alatt elemezhető. Egyéb tömegspektrometriás képalkotó technikákkal kombinálva (DESI, MALDI) pedig nagy térbeli felbontású, kémiai összetételen alapuló információ nyerhető a vágási szélek teljes felületéről. A tömegspektrometriás vizsgálatok, természetüknél fogva, objektív biokémiai információk alapján definiálják az egyes szöveteket, így elkerülhető a szubjektivitásból adódó esetleges hibázás (Takáts et al., 2012).
 

Kulcsszavak: onkológia, sebészet, hisztológia, analitikai kémia
 

IRODALOM

Balog J. – Szaniszló T. – Schäfer, K. C. et al. (2010): Identification of Biological Tissues by Rapid Evaporative Ionization Mass Spectrometry. Analytical Chemistry. 82, 17, 7343–7350.

Belsare, D. – Roy Chowdhuri, D. (1968): Phospholipid Distribution in Blood and tissues of some submammalian species. Lipids. 3, 1, 21–23.

Huang, M. Z. – Cheng, S. C. – Cho, Y. T. et al. (2011): Ambient Ionization Mass Spectrometry: A Tutorial. Analytica Chimica Acta. 702, 1, 1–15.

Römpp, A. – Guenther, S. – Takáts Z. et al. (2011): Mass Spectrometry Imaging with High Resolution in Mass and Space (HR(2) MSI) for Reliable Investigation of Drug Compound Distributions on the Cellular Level. Analytical and Bioanal. Chem. 401, 1, 65–73.

Schäfer , K. C. – Balog J. – Szaniszló T. et al. (2011a): Real Time Analysis of Brain Tissue by Direct Combination of Ultrasonic Surgical Aspiration and Sonic Spray Mass Spectrometry. Analytical Chemistry. 83, 20, 7729–7735.

Schäfer , K. C. – Dénes J. – Albrecht, K. et al. (2009): In Vivo, in Situ Tissue Analysis Using Rapid Evaporative Ionization Mass Spectrometry. Angewandte Chemie–International Edition. 48, 44, 8240–8242.

Schäfer , K. C. – Szaniszlo, T. – Gunther, S. et al. (2011b): In Situ, Real-Time Identification of Biological Tissues by Ultraviolet and Infrared Laser Desorption Ionization Mass Spectrometry. Analytical Chemistry. 83, 5, 1632–1640.

Sherman, J. H. – Hoes, K. – Marcus, J. et al. (2011): Neurosurgery for Brain Tumors: Update on Recent Technical Advances. Current Neurology and Neuroscience Reports. 11, 3, 313–319.

Takáts Z. – Dénes J. – Kinross, J. (2012): Identifying the Margin: A New Method to Distinguish between Cancerous and Noncancerous Tissue During Surgery. Future Oncology. 8, 2, 113–116.

Takáts Z. – Wiseman, J. M. – Gologan, B. et al. (2004): Mass Spectrometry Sampling under Ambient Conditions with Desorption Electrospray Ionization. Science. 306, 5695, 471–473.

van Hove, E. R. A. – Smith, D. F. – Heeren, R. M. A. (2010): A Concise Review of Mass Spectrometry Imaging. Journal of Chromatography A. 1217, 25, 3946–3954.

Winther, C. – Graem, N. (2011): Accuracy of Frozen Section Diagnosis: A Retrospective Analysis of 4785 Cases. Apmis. 119, 4-5, 259–262.