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.
|
|