CX
Chengyi Xie
Author with expertise in Mass Spectrometry Techniques
Achievements
Open Access Advocate
Key Stats
Upvotes received:
0
Publications:
4
(100% Open Access)
Cited by:
2
h-index:
11
/
i10-index:
11
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
2

Chiral Derivatization-enabled Discrimination and Visualization of Proteinogenic Amino Acids by Ion Mobility Mass Spectrometry

Chengyi Xie et al.Jul 5, 2022
Abstract The importance of chiral amino acids (AAs) in living organisms has been widely recognized since the discovery of endogenous D-AAs as potential biomarkers in several metabolic disorders. Chiral analysis by ion mobility spectrometry-mass spectrometry (IMS-MS) has the advantages of high speed and sensitivity but is still in its infancy. Here, a N α -(2,4-dinitro-5-fluorophenyl)-L-alaninamide (FDAA) derivatization is combined with trapped ion mobility spectrometry-mass spectrometry (TIMS-MS) for chiral AA analysis. For the first time, we demonstrate the simultaneous separation of 19 pairs of chiral proteinogenic AAs in a single fixed condition TIMS-MS run. The utility of this approach presents for mouse brain extracts by direct-infusion TIMS-MS. The robust separation ability in complex biological sample was proven in MALDI TIMS mass spectrometry imaging (MSI) as well by directly depositing 19 pairs of AAs on a tissue slide following on-tissue derivatization. In addition, endogenous chiral amino acids were also detected and distinguished. The developed methods show compelling application prospects in biomarker discovery and biological research. Entry for the Table of Contents The combination of chiral derivatization and trapped ion mobility-mass spectrometry provides the first insights into the separation of 19 pairs of chiral proteinogenic D/L-amino acids in a single run and further visualization of chiral amino acids under complex biological matrix.
0

Unraveling Spatial Heterogeneity in Mass Spectrometry Imaging Data with GraphMSI

Lei Guo et al.Jan 7, 2025
Abstract Mass spectrometry imaging (MSI) provides valuable insights into metabolic heterogeneity by capturing in situ molecular profiles within organisms. One challenge of MSI heterogeneity analysis is performing an objective segmentation to differentiate the biological tissue into distinct regions with unique characteristics. However, current methods struggle due to the insufficient incorporation of biological context and high computational demand. To address these challenges, a novel deep learning‐based approach is proposed, GraphMSI, which integrates metabolic profiles with spatial information to enhance MSI data analysis. Our comparative results demonstrate GraphMSI outperforms commonly used segmentation methods in both visual inspection and quantitative evaluation. Moreover, GraphMSI can incorporate partial or coarse biological contexts to improve segmentation results and enable more effective three‐dimensional MSI segmentation with reduced computational requirements. These are facilitated by two optional enhanced modes: scribble‐interactive and knowledge‐transfer. Numerous results demonstrate the robustness of these two modes, ensuring that GraphMSI consistently retains its capability to identify biologically relevant sub‐regions in complex practical applications. It is anticipated that GraphMSI will become a powerful tool for spatial heterogeneity analysis in MSI data.