JP7752842B2 - 複雑な有機ｍａｌｄｉマトリックスを使用せずにエアロゾル粒子を検出するための方法およびシステム - Google Patents

Description

本開示は、エアロゾル分析対象粒子の高精度の識別を提供するために、質量分析および１つまたは複数の光学的検出方法を使用する方法およびデバイスに関する。より具体的には、本開示は、限定ではないけれども、飛行時間型質量分析（ＴＯＦ－ＭＳ）、光学単一粒子センサー、および１つまたは複数のセンサーから生成されたデータのデータ融合と機械学習法を使用した分析物粒子の識別が可能なデータ分析システムのうちの少なくとも１つを使用して生物学的エアロゾル分析物を識別するための方法および装置に関する。

エアロゾル化された生物学的および化学的脅威因子からの脅威は、そのような事象から生じる可能性のある生命および財産への潜在的に悲惨な結果のために、依然として米国政府の重要な関心事である。特に懸念される２つの主要な脅威シナリオは、次のとおりである。（１）ＨＶＡＣシステムがエージェントを構造全体に効果的に分散できる閉鎖構造（オフィスビル、空港、大量輸送施設など）内でのエージェントの放出、および（２）町や都市などの居住地域全体でのエージェントの広範囲な地域での放出。放出されたエアロゾル化された薬剤への曝露は、大量の死傷者につながる可能性がある。広範囲の領域での放出では、汚染物質の種類、量、および汚染物質の場所に関するタイムリーな情報がなければ、最初の曝露から市民を保護することは非常に困難である。迅速な是正措置を講じるには、脅威エージェントの構成をリアルタイムで特定するための方法とデバイスが必要である。空気中の分析物エアロゾルのサンプルは、吸入性粒子を捕捉するように設計されたフィルター、サンプリングバッグ、および他の同様の格納物などの適切な手段を使用して捕捉することができる。粒子は、また、その後再エアロゾル化された湿式壁サイクロンまたは同様の装置から得られた液体サンプルから取り出して良い。湿式壁サイクロンの例は、ＳｐｉｎＣｏｎ ＩＩ（Ｉｎｎｏｖａｐｒｅｐ、ミズーリ州ドレクセル）である。これらのエアロゾル中の粒子は、炭疽菌、エボラウイルス、リシン、およびボツリヌス毒素を含む可能性があるけれども、これらに限定されない。これらの収集方法は、すべて、分析のために生物学的粒子を抽出するための追加の処理を必要とし、危険なエアロゾルを検出および識別するために数時間または数日の遅延をもたらす。

分析されるエアロゾル粒子は、周囲空気中に見出される粒子に限定される必要はない。分析対象エアロゾルは、人間または動物の呼気中に見られる呼気粒子（ＥＢＰ）を含んで良い。健康な成人の呼吸中に吐き出される空気の量は、通常１～２リットルであり、これには約０．５リットルの通常の一回換気量が含まれる。人間は、通常の呼吸、咳、会話、くしゃみなどのさまざまな呼吸活動中に呼気粒子（ＥＢＰ）を生成する。通常の呼吸中の人工呼吸器を装着した患者からのＥＢＰ濃度は、約０．４～約２０００粒子／呼吸または０．００１～５粒子／ｍＬである可能性がある［１］。さらに、ＥＢＰのサイズは５マイクロメートル未満である可能性があり、それらの８０％は０．３～１．０マイクロメートルの範囲である可能性がある。呼気の粒子サイズ分布も０．３から２．０マイクロメートルの間になると報告されている。ＥＢＰの平均粒子サイズは、通常の呼吸では１マイクロメートル未満、咳では１～１２５マイクロメートルになる可能性がある。さらに、肺結核患者の２５％は、咳をするときに結核菌の３～約６００ＣＦＵ（コロニー形成単位）を吐き出し、この病原体のレベルは主に０．６～３．３マイクロメートルの範囲であった。これらのバクテリアは棒状で、長さは約２～４マイクロメートル、幅は約０．２～０．５マイクロメートルである。

生物学的エージェントなどのエアロゾル分析物を検出および分析するための解決策が利用可能であるけれども、リアルタイム分析は可能ではない。１つの解決策では、マイクロ流体技術を使用してサンプルをクリーンアップし、生物学的分析物を濃縮する。例えば、特定の抗体を使用して、生物学的分析物を濃縮および精製することができる。このターゲット固有のソリューションは、分析物のクリーンアップと濃縮に十分な時間があれば、妥当な結果を提供する。他の解決策はターゲット固有であり、ウイルス、毒素、または粒子状化学物質の分析を犠牲にして細菌分析物に対してのみ機能する。この方法では、例えば患者からのサンプルを細菌培養プレートに適用し、８～２４時間インキュベートする必要がある。細菌コロニーが成長した後、個々の増幅および精製されたコロニーが収集され、全細胞ＭＡＬＤＩ ＴＯＦ質量分析によって測定される。多くの研究がこの技術の精度を調査し、臨床細菌分析物の９９％を超える正確な識別を見出した。迅速な臨床細菌識別のための２つの商用システム、すなわちＢｒｕｋｅｒ Ｂｉｏｔｙｐｅｒ（Ｂｅｃｔｏｎ Ｄｉｃｋｉｎｓｏｎが販売）とＳｈｉｍａｄｚｕ Ｖｉｔｅｋ ＭＳ（ｂｉｏＭeｒｉｅｕｘが販売）が開発された。これらのシステムは、１６ｓＲＮＡの「ゴールドスタンダード」と比較して優れた診断結果を提供する。ただし、これらの信頼性の高い臨床結果を達成するには、サンプルを精製するために、培養または抽出ステップ、あるいはその両方が必要である。したがって、サンプリングから生体分析物の識別までの時間は、通常、１２時間から１日以上である。このような遅延は、臨床検査室では許容できることがよくあるけれども、生物分析物のリアルタイム識別が必要な生物防御などの他のアプリケーションでは受け入れられないことが多い。生物防御、およびポイントオブケアヘルスケアアプリケーションには、細菌だけでなく、真菌、ウイルス、および生物毒素を含む大きな生物有機分子（タンパク質、ペプチド、脂質など）をリアルタイムで同時に識別する機能が必要である。さらに、臨床応用の分析時間を短縮することで、よりタイムリーな治療と最良の治療コースの特定（たとえば、ウイルス感染と細菌感染の区別）、および治療コースの有効性の評価を可能にすることで、ケアの質と結果を改善できる。

リアルタイムエアロゾル粒子検出は、また、多くの商業的用途を有する。たとえば、発酵槽のヘッドスペースを分析して、汚染物質の可能性を調べることができる。食品または医療施設内の空気中の微生物の種分化を知ることがしばしば望まれる。分析物粒子は、ウイルス、細菌、藻類または真菌などの微生物を含む可能性がある。分析物粒子は、また、微生物とタンパク質およびペプチドの混合物を含むかもしれない。

細菌、真菌、ウイルス、および毒素を含むエアロゾル分析物粒子の迅速な（またはリアルタイムの）分析および識別を、複雑な有機ＭＡＬＤＩマトリックスで粒子を前処理することなく、高精度で提供するための方法および装置が望まれる。

米国特許明細書第５，６８１，７５２号明細書

質量分析および１つまたは複数の光学的検出方法を使用して、エアロゾル分析物粒子のリアルタイムまたはほぼリアルタイムの高精度の識別をもたらす方法および装置がここに開示される。 さらに、本開示は、飛行時間質量分析（ＴＯＦ－ＭＳ）、光学単一粒子センサー、および1つまたは複数のセンサーからのデータのデータ融合が可能なデータ分析システム、および、機械学習ツールを使用した分析物粒子のリアルタイム識別のうちの少なくとも１つを使用して生物学的エアロゾル分析物を識別するための方法およびデバイスに関する。

複雑な有機ＭＡＬＤＩマトリックスを使用せずにバイオエアロゾル粒子を識別するための例示的な方法が開示され、この方法は、エアロゾルビーム発生器を使用してエアロゾル粒子ビームを生成するステップと、第１のレーザーを使用して、上記ビーム内の各粒子にインデックスを付けるステップと、連続タイミングレーザーを使用して、各インデックス付き粒子の位置を検出するステップと、イオン化パルスレーザーをトリガーして、各インデックス付き粒子がイオン化レーザーのイオン化領域に到達したときに、ＩＲレーザーパルスおよびＵＶレーザーパルスを同時に生成するステップと、各インデックス付き粒子のイオン化フラグメントおよび各インデックス付き粒子に関連する光子を生成する光子生成ステップであって、各イオン化フラグメントの分子量は約１ｋＤａから約１５０ｋＤａの間である、上記光子生成ステップと、少なくとも１つの検出器を使用して、各インデックス付き粒子のイオン化フラグメントおよび各インデックス付き粒子に関連する光子の少なくとも１つを分析するステップと、各検出器から各インデックス付き粒子に関連付けられた一意のスペクトルデータを生成するステップと、データ融合を使用して一意のスペクトルデータをコンパイルし、コンパイルされたスペクトルデータを生成するステップと、各粒子の組成を決定するステップとを有して良い。上記第１のレーザーおよび上記タイミングレーザーの少なくも１つを使用して、粒子サイズ、粒子形状、および蛍光のうちの少なくとも１つを含む、上記インデックス付き粒子の少なくとも１つの特性を測定して良い。上記イオン化レーザーは、上記インデックス付けされた粒子の少なくとも１つの特性がその特性の所定の閾値を満たすときに、第１のレーザーおよび上記タイミングレーザーの少なくも１つを使用してトリガーされて良い。各粒子の組成は、コンパイルされたスペクトルデータをトレーニングスペクトルデータセットの知識ベースと比較して、組成を予測するステップ、上記トレーニングデータセットの知識ベースを更新するステップ、および、機械学習手法を使用して、時間の経過に伴って組成の上記予測を改善するステップによって決定されて良い。機械学習方法が教師あり機械学習方法を有して良い。上記組成は、教師なし機械学習方法を使用して、ラベル付けされていないエアロゾル粒子を分類し、異常なエアロゾル粒子を識別して良い。上記機械学習方法は、加重主成分分析（ＰＣＡ）を有して良い。ラベルのないエアロゾル粒子を識別し、異常な粒子の存在（たとえば、空気中の生物学的脅威物質の存在）にフラグを立てて、是正措置を講じて良い。上記ＩＲレーザーパルスは、約１．０マイクロメートルから約１．２マイクロメートルの間の波長によって特徴付けられて良い。上記ＵＶレーザーパルスは、約２５０ｎｍから約４００ｎｍの間の波長によって特徴付けられて良い。上記ＩＲパルスの波長が約１．０６マイクロメートルであって良い。上記ＵＶパルスの波長が約３５５ｎｍであって良い。上記ＩＲレーザーの出力密度は、約１ＭＷ／ｃｍ２から約２０ＭＷ／ｃｍ２の間であって良い。上記ＩＲレーザーのパルス幅が約１ｎｓから約１０ｎｓの間であって良い。上記ＩＲレーザーのパルス繰り返し周波数が約１ｋＨｚであって良い。上記検出器は、ＴＯＦ－ＭＳ検出器、蛍光検出器、ＬＩＢＳ検出器、およびラマン分光計のうちの少なくとも１つを有して良い。上記イオン化されたフラグメントが、ジピコリン酸、トリプトファン、チロシン、およびフェニルアラニンのうちの少なくとも１つを含むＵＶ発色団を有して良い。上記ＩＲレーザーパルスおよびＵＶレーザーパルスは、Ｎｄ：ＹＡＧレーザーを使用して生成されて良い。

複雑な有機ＭＡＬＤＩマトリックスを使用せずに、ＩＲ発色団を含むバイオエアロゾル粒子を識別するための例示的な方法が開示され、この方法は、エアロゾルビーム発生器を使用してエアロゾル粒子ビームを生成するステップと、第１のレーザーを使用して、上記ビーム内の各粒子にインデックスを付けるステップと、連続タイミングレーザーを使用して、各インデックス付き粒子の位置を検出するステップと、イオン化パルスレーザーをトリガーして、各インデックス付き粒子がイオン化レーザーのイオン化領域に到達したときに、ＩＲレーザーパルスを生成するステップと、各インデックス付き粒子のイオン化フラグメントおよび各インデックス付き粒子に関連する光子を生成する光子生成ステップであって、各イオン化フラグメントの分子量は約１ｋＤａから約１５０ｋＤａの間である、上記光子生成ステップと、少なくとも１つの検出器を使用して、各インデックス付き粒子のイオン化フラグメントおよび各インデックス付き粒子に関連する光子の少なくとも１つを分析するステップと、各検出器から各インデックス付き粒子に関連付けられた一意のスペクトルデータを生成するステップと、データ融合を使用して一意のスペクトルデータをコンパイルし、コンパイルされたスペクトルデータを生成するステップと、各粒子の組成を決定するステップとを有する。粒子サイズ、粒子形状、および蛍光の少なくとも１つを含む、インデックス付けされた粒子の少なくとも１つの特性は、第１のレーザーおよびタイミングレーザーの少なくとも１つを使用して測定されて良い。イオン化レーザーは、上記第１のレーザーおよび上記タイミングレーザーの少なくとも１つを使用して、インデックス付き粒子の少なくとも１つのプロパティがそのプロパティの所定のしきい値に達したときにトリガーされて良い。ＩＲ発色団は、水、寒天、および炭水化物のうちの少なくとも１つを有して良い。各粒子の組成は、コンパイルされたスペクトルデータをトレーニングスペクトルデータセットの知識ベースと比較して、組成を予測するステップ、上記トレーニングデータセットの知識ベースを更新するステップ、および、機械学習手法を使用して、時間の経過に伴って組成の上記予測を改善するステップによって決定されて良い。機械学習方法は教師あり機械学習方法を有して良い。各粒子の組成は、また、教師なし機械学習方法を使用して、ラベル付けされていないエアロゾル粒子を分類し、異常なエアロゾル粒子を識別するステップによって決定されて良い。上記機械学習方法は、加重主成分分析（ＰＣＡ）を有して良い。ラベルのないエアロゾル粒子を識別し、異常な粒子の存在（たとえば、空気中の生物学的脅威物質の存在）にフラグを立てて、是正措置を講じて良い。エアロゾルビーム発生器からイオン化パルスレーザーのイオン化領域までの各粒子の移動時間は約１秒未満であって良い。上記ＩＲレーザーパルスは、約２．７マイクロメートルおよび約３．３マイクロメートルの間の波長によって特徴付けられて良い。上記ＩＲレーザーパルス波長は約２．９４マイクロメートルであって良い。上記ＩＲレーザー出力密度は、約１ＭＷ／ｃｍ２から約２０ＭＷ／ｃｍ２の間であって良い。上記ＩＲレーザーパルス幅は、約４０マイクロ秒から約１００マイクロ秒の間であって良い。上記ＩＲレーザーのパルス繰り返し周波数は約１ｋＨｚであって良い。 上記検出器は、ＴＯＦ－ＭＳ検出器、蛍光検出器、ＬＩＢＳ検出器、およびラマン分光計のうちの少なくとも１つを有して良い。 ＩＲレーザーパルスおよびＵＶレーザーパルスは、Ｅｒ：ＹＡＧレーザーおよびＯＰＯレーザーのうちの少なくとも１つを使用して生成して良い。

複雑な有機ＭＡＬＤＩマトリックスを使用せずにバイオエアロゾル粒子を識別するための例示的なシステムが開示され、このシステムは、単一粒子のビームを生成するためのエアロゾルビーム発生器と、上記ビーム内の各粒子にインデックスを付けるためのタイミングレーザーを生成するための連続タイミングレーザー発生器と、予め定められた条件が満たされたときに上記タイミングレーザーによってトリガーされ、ＩＲレーザーパルスおよびＵＶレーザーパルスの少なくとも１つを生成して、各インデックス付き粒子のイオン化フラグメントと各インデックス付き粒子に関連する光子の少なくとも１つを生成するように構成されたパルスイオン化レーザー発生器と、各粒子に関連付けられたイオン化フラグメントと光子の少なくとも１つを分析し、各検出器から各インデックス付き粒子に関連付けられた一意のスペクトルデータを生成するための少なくとも１つの検出器とを有する。上記システムは、さらに、上記データ融合を使用して各粒子に関連する固有のスペクトルデータをコンパイルして、コンパイルされたスペクトルデータを生成するためのデータ分析システムを有して良い。上記システムは、さらに、上記データ分析システムとのデータ通信に配置された機械学習エンジンを有して良い。上記パルスイオン化レーザー出力密度は約１ＭＷ／ｃｍ２から約２０ＭＷ／ｃｍ２の間であって良い。粒子サイズ、粒子形状、および蛍光の少なくとも１つを含む、上記インデックス付けされた粒子の少なくとも１つの特性は、タイミングレーザーを使用して測定されて良い。上記 イオン化レーザーは、インデックス付き粒子の少なくとも１つのプロパティが当該プロパティの予め定められた閾値に達したときに、タイミングレーザーを使用してトリガーして良い。 複数の連続タイミングレーザー発生器を使用して、エアロゾルビーム内の各粒子にインデックスを付ける機能、パルスイオン化レーザージェネレーターをトリガーする機能、各インデックス付き粒子の少なくとも１つの特性を測定する機能の少なくとも1つを実行して良い。 少なくとも１つの検出器は、ＴＯＦ－ＭＳ検出器、蛍光検出器、ＬＩＢＳ検出器、およびラマン分光計のうちの少なくとも１つを有して良い。

本開示の他の特徴および効果は、部分的には、以下の説明および添付の図面に記載され、本開示の異なる態様が説明され、示され、部分的には、当業者であれば、添付の図面と併せて以下の詳細な説明を検討することにより、または本開示の実施によって理解することができる。本開示の効果は、添付の特許請求の範囲において特に指摘された手段および組み合わせによって実現され達成される。

本開示の上述の側面および多くの付随する利点は、添付の図面と併せて、以下の詳細な説明を参照することによってより良く理解されるようになるので、より容易に把握されるであろう。
図１は、単一粒子エアロゾル分析のための例示的なシステムの模式図である。 図２は、情報量が大きな生物学的イオンを生成するために同時２波長（ＩＲおよびＵＶ）粒子吸収を使用する単一粒子エアロゾル分析の例示的な方法の模式図である。 図３は、固有の赤外線ＭＡＬＤＩマトリックスとしてヒドロキシル基ＩＲ吸収を使用して、情報量の大きなイオンを生成する単一粒子エアロゾル分析の例示的な方法の模式図である。 図４は、機械学習手法を使用した結核バイオマーカーの識別の模式的なワークフローを示す。 図５は、ＴＢおよび非ＴＢサンプルの陽および陰イオンモードから取得した信号の重み付き主成分分析（ＰＣＡ）を示す。 図６は、結核および非結核サンプルの陰イオンから抽出された信号を使用したマイクロアレイ（ＳＡＭ）ベースの特徴選択の有意性分析を示す。 図７は、ＴＢおよび非ＴＢサンプルの陽および陰イオンモードで最適な特徴選択を行うためのサポートベクターマシン（ＳＶＭ）分析を示す。

図中のすべての参照番号、識別子、およびコールアウトは、ここに完全に記載されているかのように、この参照によってここに組み込まれる。図の要素に番号を付けないことは、いかなる権利も放棄することを意図したものではない。番号のない参照は、図や付録の英字で識別されることもある。

以下の詳細な説明は、詳細な説明の一部を形成する添付の図面への参照を含む。図面は、例示として、開示されたシステムおよび方法が実施され得る具体的な実施例を示している。「例」または「オプション」として理解されるべきこれらの実施例は、当業者がこの発明を実施することを可能にするのに十分詳細に説明される。この発明の範囲から逸脱することなく、実施例を組み合わせることができ、他の実施例を利用することができ、または構造的または論理的変更を行うことができる。したがって、以下の詳細な説明は、限定的な意味で解釈されるべきではなく、この発明の範囲は、添付の特許請求の範囲およびそれらの法的均等物によって定義される。

本開示において、エアロゾルは、一般に、空気またはガスに分散された粒子の懸濁相を意味する。エアロゾルの「リアルタイム」分析とは、一般に、分析対象のエアロゾルサンプルが分析装置またはシステムに導入されてから数分以内にエアロゾル分析物を特定する分析方法および装置を意味する。単数表記（英語の「ａ」または「ａｎ」という用語に相当するもの）は、１つまたは複数を含むために使用され、「または」（「ｏｒ」）という用語は、特に明記されていない限り、非排他的な「または」を指すために使用されている。さらに、ここで使用され、他に定義されていない表現または用語は、説明のみを目的としており、限定を目的としていないことを理解されたい。本開示で別段の定めがない限り、「約」という用語の範囲を解釈するために、開示される値（寸法、動作条件など）に関連する誤差範囲は、本開示で示される値の±１０％である。パーセンテージとして開示された値に関連する誤差範囲は、示されたパーセンテージの±１％である。特定の単語の前に使用される「実質的に」（「ｓｕｂｓｔａｎｔｉａｌｌｙ」）という単語には、「指定された範囲のかなりの部分」、および「指定されたものの大部分ではあるが全部ではない」という意味が含まれる。

この発明の具体的な側面は、開示された方法およびシステムの組成、原理、および動作を説明する目的で、以下にかなり詳細に説明されている。しかしながら、様々な修正を行うことができ、この発明の範囲は、記載された例示的な側面に限定されない。

例示的なシステム１００（図１）において、エアロゾル粒子、例えば、空気中の生物学的物質を含む粒子は、毎秒数千の粒子の速度で、粒子から破片および材料を除去する適切な入口要素１０１に送られ、粒子を単一粒子の狭いビームにコリメートするエアロゾルビーム発生器１０２に流れ込む。ビーム発生器は、差動ポンピングを利用して、チャンバー１０４内の高真空と互換性のあるレベルに圧力を下げる。粒子は、レーザー発生器１０３からの連続レーザー（例えば、これに限定されないがＩＢＡＣおよびＰｏｌａｒａｎシステム含む市販のレーザー散乱装置）を使用して索引付けされて良い。さらに、連続レーザーを使用して、粒子サイズ、蛍光（自家蛍光）、および偏光（粒子形状）を決定し、特に関心のある粒子を識別することができる。次に、粒子は、一連の集束レンズを通って真空チャンバー１０４内に移動する。このチャンバーは、高度な飛行時間型質量分析計（ＴＯＦ－ＭＳ）１０６、および、オプションとして、集光光学部品１０７を収容することができる。各インデックス付き粒子がチャンバー１０４の中心に入ると、レーザー発生器１０８からの高出力レーザーパルスで打たれる。エアロゾル質量分析は、エアロゾル粒子がレーザーによって照射される領域（通常、直径１５０ミクロン未満）に入るときに発火するためにイオン化レーザー１０８を必要とする。イオン化レーザー１０８は持続時間が５ｎｓ（ナノ秒）未満のパルスを発射するので、粒子がいつイオン化領域に入り、レーザー１０８をトリガーするかを予測するために高度な知識が必要である。複数のレーザーを使用して粒子を測定および追跡して粒子がレーザーの視野に入る時間を予測可能にする。例示的なシステムにおいて、発生器１０３からのレーザーおよびレーザー発生器１１２からのレーザーの少なくとも１つを使用して、粒子がビーム発生器１０２を離れるときに粒子にインデックスを付けて検出することができる。レーザービーム１０８および１１２の双方は、近接しては整列されるので、トリガーレーザー１１２は、単一のエアロゾル粒子の経路を予測し、イオン化レーザー１０８をトリガーするのに十分であり、粒子タイミングハードウェアの複雑さを大幅に軽減する。レーザー１０８は、また、発生器１０３からのレーザーを使用してトリガーされて良い。レーザー１０８は、粒子サイズ、形状、および蛍光の少なくとも１つがその特性の所定の閾値を満たすか超える場合にのみトリガーされて良い。周期的な間隔で周囲空気中のエアロゾル粒子の組成を監視する場合、この方法でのレーザー１０８の選択的トリガー、およびその後の各粒子のイオン化フラグメントの検査および収集されたデータの分析は、余分なデータの収集とデータ管理を回避するために、制御（または調整）されて良い。タイミング（またはトリガー）レーザー１１２は、また、粒子の光学的特性（サイズ、形状、および蛍光）を測定するために使用されて良い。これらの測定値を使用して、イオン化する粒子を選択することができ、データを、データ融合法を使用するデータ分析システム１１０での分析のために、イオン化中に得られる質量スペクトル測定値および他の光学情報と組み合わせることができる。発生器１０８からのレーザーパルスの強度は、粒子が分解されて構成生化学成分からイオンを生成するように調整することができる。つまり、レーザーは分析対象物分子の少なくとも一部を気化およびイオン化し、特定の質量電荷比（ｍ／ｚ）のイオンを生成する。これらの情報量が大きなイオンは、ＴＯＦ－ＭＳ１０６に加速され、そこで分析される。さらに、分析物粒子がレーザービームから十分な光エネルギーを吸収すると、それらは高エネルギー状態から低エネルギー状態に遷移するときに特徴的な光子を放出する。発光は、振動状態間の遷移にも関連している可能性がある。発生器１０８によって生成された高出力レーザーパルスと粒子との相互作用は、また、高次蛍光、レーザー誘起破壊分光法（ＬＩＢＳ）、ラマンスペクトルおよび赤外線スペクトルなどの過渡的な光学的特徴を誘発し得る。チャンバー１０４は、また、集光光学部品１０７を含んで良い。各粒子に関連し、ＴＯＦ－ＭＳおよび光学センサー１０９を使用して生成された固有のスペクトルデータ、ならびにレーザー装置１０３および１１２からの粒子固有のデータ（例えば、粒子サイズ、形状、蛍光）は、データ分析システム１１０におけるデータ融合を含むデータ処理を受け、各粒子に関連するコンパイルされたスペクトルデータを生成して良い。コンパイルされたスペクトルデータは、組成を予測するために、既知の生物学的物質スペクトルの知識ベースを含むトレーニングデータセットと比較されて良い。システム１１０は、機械学習エンジン１１１とデータ通信して、トレーニングデータセットの知識ベースを更新し、時々刻々と組成物の予測を改善することを可能にする。チャンバー１０４内の圧力は、真空ポンプ１０５を使用して少なくとも１０～５トルに低減される。例示的なシステム１００において、ビーム発生器１０２からレーザー１０８で衝突されるまでの粒子の移動時間（または滞留時間）は、約１秒未満である。

例示的な方法２００（図２）において、エアロゾルビームまたはストリーム中の個々のエアロゾル粒子２０１は、ステップ２０２において、約１．０マイクロメートルから約１．２マイクロメートルの間の波長の赤外線（ＩＲ）レーザーパルスおよび約２５０ｎｍから約４００ｎｍの波長のＵＶレーザーパルスに同時に曝露されて良い。バイオエアロゾル粒子を一度に１粒子ずつ分析することの利点は、各粒子が粒子内の構成タンパク質やその他の高分子量分子の「純粋なサンプル」を代表することである。単一の空中浮遊細菌の場合、それはその１つの生物の「純粋な培養」を表す。ＩＲレーザーパルスおよびＵＶレーザーパルスの波長は、それぞれ、約１．０６マイクロメートルおよび約３５５ｎｍであって良い。たとえば、周波数が３倍（または４倍）のＮｄ：ＹＡＧレーザーを変更して、波長が約１．０マイクロメートルから約１．２マイクロメートルのＩＲレーザーパルスと、波長が約２５０ｎｍから約４００ｎｍのＵＶレーザーパルスを生成することができる。ＩＲパルスに曝されたときのエアロゾル粒子の急速な加熱は、各粒子を効率的に「ポップオープン」または瞬時に破裂させ、各粒子に特徴的な多数の分子２０３（イオン化された小さな断片および大きな断片）を生成し得る。約２０ＭＷ／ｃｍ２から約１５０ＭＷ／ｃｍ２の高ＩＲレーザー出力密度では、熱分解により分子量が約１ｋＤａ未満、通常は５００Ｄａ未満の小さなイオンが生成され（ハードイオン化）、結果のスペクトルの情報量が減少する。ＩＲレーザー出力密度を約１ＭＷ／ｃｍ２から約２０ＭＷ／ｃｍ２（ソフトイオン化）に下げると、熱分解効果が低下し、エアロゾル粒子から大きな生体分子フラグメントが生成される可能性がある。ＩＲレーザーの繰り返しレート（パルス周波数または１秒あたりのパルス数）は通常１ｋＨｚの範囲であり、パルス幅（ＩＲパルスの持続時間）は約１ナノ秒（ｎｓ）から約１０ｎｓの間である。ただし、ＩＲレーザーパルスのみを使用してこれらの露出した生体分子をイオン化することは効果的ではなかった。ＵＶパルスは、粒子（ＵＶ光を吸収する分子の一部）の固有のＵＶ発色団と相互作用して、質量分析計分析用の特定の質量電荷比（ｍ／ｚ）の大きな生体イオンを生成する。複雑な有機マトリックス支援レーザー脱離／イオン化（ＭＡＬＤＩ）マトリックスを追加する必要はない。ＭＡＬＤＩプロセスでは、ＴＯＦ ＭＳで分析する前に、別の化学物質（溶媒中）がサンプルをコーティングするサンプル処理ステップが必要である。方法２００は、この複雑なサンプル処理ステップの必要性を排除する一方で、特に生物学的エアロゾル粒子の場合には、依然として大きな有益なイオンを生成する。これらのイオンは、約１ｋＤａから約１５０ｋＤａの間の分子量を有するイオンを分析することができるステップ２０４において、高質量範囲のＴＯＦ－ＭＳを使用して分析することができる。結果として得られるスペクトルは、データ融合と機械学習の方法で分析すると、分析物粒子の識別に関連する精度、感度、および特異性が向上する。方法２００は、分析対象物のエアロゾルがＵＶ発色団や、紫外線を吸収する傾向がある増殖培地中の多くの外因性化合物で構成されている場合に特に適している。ＵＶ発色団は、ジピコリン酸（例えば、細菌の胞子被覆に見られるような）、フェニル基を含むアミノ酸（例えば、トリプトファン、チロシン、およびフェニルアラニン）などの分子が含まれるが、これらに限定されない。例示的なシステム１００を使用して、方法２００を実施することができる。

周囲空気から収集されたエアロゾル分析物粒子は、通常、かなりの量の水を含む。水と背景の大気粒子、特にタンパク質やＤＮＡなどの生体高分子を含む粒子との強い関連性がある。細菌細胞では、リポ多糖、ペプチドグリカン、およびグリカンが、栄養細胞の乾燥重量の約１０％しか占めていない可能性がある。さらに、生物学的粒子に関連する他の多くの化合物は、水と同じ強力なレーザー相互作用を持つヒドロキシル基を大量に含んでいる。大気からサンプリングされたすべての粒子に関連する水（周囲湿度／水分）は、単一粒子ＴＯＦ－ＭＳのレーザー吸収マトリックスとして使用される可能性がある。大気中のエアロゾル粒子に遍在する水の存在は、広範囲の質量にわたるイオン生成のメカニズムを提供する。先に説明したように、例示的なシステム１００において、ビーム発生器１０２からレーザー１０８が衝突するまでの粒子の移動時間（または滞留時間）は、約１秒未満である。この短い滞留時間は、例示的な方法３００におけるＩＲ発色団の分析を可能にする。この短い通過時間の結果として、薄膜（例えば、単層膜）として粒子３１０の表面にすでに強く結合されているか、または、その中に含まれる水またはヒドロキシル基としての粒子は蒸発しないけれども、ステップ３０２においてＩＲレーザーパルスとの強い相互作用に利用できる。生物学的物質には、通常、赤外線活性ヒドロキシル基を含む高濃度の分子が含まれている。実際、体内のすべての細胞相互作用には、表面を装飾し、細胞材料全体に存在する炭水化物分子間の特定の相互作用が含まれる。さらに、生物学的材料の通常の調製物は、寒天などの増殖培地で汚染されていることが多い。これらの材料（ＩＲ発色団）は、ヒドロキシル基の含有量が高いため、ＩＲ放射線を強力に吸収する。ＩＲレーザーパルスは、約２．７マイクロメートルから約３．３マイクロメートルの間の波長を有して良い。ＩＲパルスの波長は、約２．９４マイクロメートルであって良い。ＩＲレーザーの繰り返しレートは通常１ｋＨｚの範囲であり、パルス幅は約４０マイクロ秒から約１００マイクロ秒の間であって良い。ＩＲレーザー出力密度は、約１ＭＷ／ｃｍ２から約２０ＭＷ／ｃｍ２の間であって良い。水、炭水化物、寒天などのヒドロキシル含有分子の赤外線吸収とＩＲレーザーラインとの間のオーバーラップも図３に示されている。ＩＲレーザーパルスは、Ｐａｎｔｅｃ Ｂｉｏｓｏｌｕｔｉｏｎｓ ＡＧ（Ｒｕｇｅｌｌ、リヒテンシュタイン）が販売するＥｒ：ＹＡＧレーザーモジュールを使用して生成できる。Ｏｐｔｉｃａｌ Ｐａｒａｍｅｔｒｉｃ Ｏｓｃｉｌｌａｔｏｒ（ＯＰＯ）も使用できる。レーザーパルスと粒子の間の強い相互作用は、広範囲の質量にわたってイオン３０３を生成する。これらのイオンは、約１ｋＤａから約１５０ｋＤａの間の分子量を有するイオンを分析することができるステップ３０４で高質量範囲のＴＯＦ－ＭＳを使用して測定することができる。粒子内に含まれる少量の強く結合した表面水と水分子の自然な結合は、真空中での短い滞留時間と相まって、大きな分子フラグメント（１ｋＤＡ～１５０ｋＤａ分子量）と非常に有益な質量スペクトルを生成する機会を、他のＭＡＬＤＩ化学試薬を必要とせずに、提供する。したがって、メソッド３００は、高い（＞８０％）精度、感度、および特異性でエアロゾル粒子の迅速な検出を可能にする。方法３００は、液体窒素または他の手段を使用して粒子を凍結して表面水を凍結し、凍結水の薄膜をＭＡＬＤＩＴＯＦ－ＭＳのマトリックスとして使用する必要をなくす。また、水滴発生器（直径約５０ミクロン）を使用して水滴を生成し、ＴＯＦ－ＭＳの真空チャンバーに導入したり、直径が約２ｍｍで、ソフトな蒸発／イオン化をもたらす水や溶媒（たとえば、水溶液中の５０ｖｏｌ．－％メタノール）の液滴を生成するための音響浮揚装置を使用したりする、より複雑な方法も不要である［３］。大きな分子フラグメントの生成は、ＩＲレーザーパルスを使用したイオン化の前に、水または溶媒－水混合物のスプレーを使用してエアロゾル粒子を処理することによっても改善される可能性がある。メタノール、エタノール、およびイソプロパノールのうちの少なくとも１つを含む有機溶媒を使用して良い。

エアロゾル粒子が非生物学的粒子を含み、粒子の化学組成を特定することが望まれる場合、これらの粒子の分析は、小さなイオンを生成するためのハードイオン化によって行われて良い。この目的のために、約２０ＭＷ／ｃｍ２から約１５０ＭＷ／ｃｍ２の間のレーザー出力密度を有するＩＲレーザーパルスを使用して良い。方法２００および３００は、分子量が１ｋＤａ未満、通常は５００Ｄａ未満のフラグメントを生成するハードイオン化と、分子量が通常１ｋＤａを超えるフラグメントを生成するソフトイオン化との間の切り替えを可能にするように修正して良い。

先に説明した例示的な方法において、個々のエアロゾル分析物粒子は、イオン化の前に索引付けされ、少なくとも１つの連続レーザーを使用して追跡される。さらに、連続レーザーを使用して、サイズや形状などの粒子特性を測定することができる。個々の粒子にはインデックスが付けられ、追跡されて、各粒子に関連する質量スペクトルデータと各粒子の光学特性のデータ融合が可能になる。これらの光学特性には、粒子のサイズ、形状、および偏光が含まれて良い。検索付けにより、各粒子のイオン化後に収集された質量スペクトルデータを各粒子に関連付けることができる。次に、エアロゾルビーム内の各粒子に関連する大量のデータをフィルタリングし、データ分析システム１１０のデータ融合プロトコルを使用して分析して、粒子の組成およびタイプをリアルタイムで、高精度、感度、および特異性で識別することができる。データ融合は、複数のソースからのデータの組み合わせとして定義され、より安価、高品質、またはより関連性の高い情報の観点から改善された情報を取得する。データ融合技術のレビューは、Ｃａｓｔａｎｅｄｏ［２］によって提供されており、参照によりその全体がここに組み込まれる。

例示的な方法２００および３００において、ＴＯＦ－ＭＳ質量スペクトル分析に加えて、１つまたは複数の光学的検出方法も使用されて良い。なぜなら、分析物エアロゾル粒子は、レーザーパルスから十分な光エネルギーを吸収するとき、高エネルギー状態から低エネルギー状態に遷移し、高次蛍光、レーザー誘起破壊分光法（ＬＩＢＳ）、ラマンスペクトル、赤外線スペクトルなどの一時的な光学的フォトンを放出するからである。したがって、質量分析に加えて、光学センサー／検出器１０９を使用して、エアロゾル粒子の組成を識別して良い。ＴＯＦ－ＭＳと光学センサーの両方を使用して収集された測定データは、エアロゾル分析物の組成に関する情報を提供するために、データ融合技術を使用して処理されて良い。１つまたは複数の光学的手法と質量分析を含むさまざまな検出器から情報を収集することにより、データ融合プロトコルを使用して各粒子に関連するデータをフィルタリングおよび分析し、高い精度、感度、特異性をもって、粒子の組成とタイプを迅速に（リアルタイムに近い）特定することができる。インデックス付けされた個々のエアロゾル粒子ごとに、ＴＯＦ－ＭＳ、ＬＩＢＳ、ラマン分光法、および赤外分光法の少なくとも１つを含む各測定からのデータをセンサーデータ融合エンジン（データ分析システム１１０）に転送し、ここで、機械学習や深層学習などの人工知能ツール（機械学習エンジン１１１）を使用して、粒子を完全に特徴づけて良い。

ＬＩＢＳにおいて、レーザーパルス（例えば、約１０６４ｎｍの波長を有する高エネルギーＮｄ：ＹＡＧレーザーからの）が粒子に集束されて、少量の粒子をアブレートしてプラズマを生成する。分析対象物の粒子は、イオン種と原子種に分解（解離）される。プラズマが冷えると、ＣＣＤ検出器などの光学検出器を使用して、元素の特徴的な原子輝線を観察できる。別の例示的な光学的検出ツールは、ラマン分光法である。ラマン分光法は、サンプルの識別と定量に使用できる分子振動に関する情報を提供する。この技術は、レーザービーム（例えば、波長が約３３０～約３６０ｎｍのＵＶレーザー源）をサンプルに集束させ、非弾性散乱光を検出することを含む。散乱光の大部分は励起源と同じ周波数であり、レイリーまたは弾性散乱として知られている。入射電磁波とサンプル中の分子の振動エネルギーレベルとの相互作用により、ごく少量の散乱光のエネルギーがレーザー周波数からシフトする。この「シフトされた」光の強度と周波数をプロットすると、サンプルのラマンスペクトルが得られる。蛍光分光法において、分析物分子は特定の波長での照射によって励起され、異なる波長の放射線を放出する。発光スペクトルは、定性分析と定量分析の両方の情報を提供する。適切な波長の光が分子に吸収されると、分子の電子状態は基底状態から、励起された電子状態の１つにおいて多くの振動レベルの１つに変化する。分子がこの励起状態になると、いくつかのプロセスを介して緩和が発生する可能性がある。蛍光はこれらのプロセスの１つであり、光を放出する。蛍光分光法で放出される光の種々の周波数とそれらの相対強度を分析することにより、種々の振動レベルに関連する化学構造を決定できる。トリプトファンなどの生物学的サンプル中の特定のアミノ酸は、高い蛍光量子効率を持っており、これは、これらのアミノ酸を識別するための蛍光分光法の使用に有利である。

機械学習エンジン１１１を使用して得られて収集されたスペクトルデータを分析するための機械学習（ＭＬ）技術は、遅くて労働集約的である分析物同定のための手動データ処理に有意な改善を提供する。機械学習は一般に人工知能のサブセットであり、時間の経過とともにデータ分析によってパフォーマンスが向上するアルゴリズムで構成されている。教師あり機械学習手法を使用して良い。教師あり学習は、入力と出力のペアの例に基づいて入力を出力にマッピングする関数を学習するタスクで構成される。一連のトレーニング例で構成されるラベル付きトレーニングデータから関数を推測する。機械学習には、特定の機能を事前に特定する必要なしに、複雑なデータセット内の署名を特定できる教師なし学習方法である深層学習方法も含まれる。教師なし機械学習法と半教師あり（教師あり学習と教師なし学習のハイブリッド法）も使用できる。教師なし学習方法は、既存のラベルなしでデータセット内の以前は未知のパターンを見つけるのに役立つタイプ学習を含んで良い。教師なし学習で使用される２つの例示的な方法は、主成分分析とクラスター分析である。クラスター分析は、アルゴリズムの関係を推定するために、共有属性を持つデータセットをグループ化またはセグメント化するための教師なし学習で使用される。クラスター分析は、ラベル付け、分類、または分類されていないデータをグループ化する機械学習のブランチである。クラスター分析は、データの共通性を識別し、新しいデータの各々のそのような共通性の有無に基づいて反応する。このアプローチは、異常なデータポイントを検出するのに役立つ。教師なし学習法を異常検出に使用できる。これは、これまで知られていなかった危険を特定するのに役立つ。たとえば、空気サンプルを定期的に分析して、空気中の粒子の組成を測定し、粒子の特性（サイズ、形状、蛍光など）と、粒子に関連するスペクトルを特定して、「通常の」周囲空気中の粒子のベースラインデータ情報を取得することができる。生物学的脅威物質の大気への放出などのイベント後の大気中の粒子は、ベースラインデータから逸脱し、異常を強調する粒子特性データとスペクトルデータを提供し（異常スペクトルによって証明されるように）、脅威を軽減するために必要な是正措置を取る機会を提供する。先に説明した、コンパイルされたスペクトルデータは、粒子組成を予測するために、既知の生物物質スペクトルの知識ベースを含むトレーニングデータセットと比較することができる。システム１１０は、機械学習エンジン１１１とデータ通信して、トレーニングデータセットの知識ベースを更新し、経時的な構成の予測を改善することを可能にすることができる。生物物質の質量スペクトルは、化学物質の質量スペクトルよりも約３桁大きい範囲をカバーしているため、自動化された手法の適用が大幅に複雑になる。

さらに、環境汚染物質は、イオン化プロセス（競合イオン化）中にターゲットと競合することによって信号強度を低下させる可能性がある。これは、ターゲットシグネチャとデコンボリューションする必要のあるシグネチャコンポーネント（クラッタ）を導入する。現在の自動化された方法は、ほとんどの場合、環境が乱雑にならないサンプルで非常に純粋なターゲットを検索することに限定されている。開示された例示的な方法は、標的分析物をクラッタから物理的に分離することによって競合イオン化を排除し、シグネチャの曖昧さを排除する（各イベントは、標的またはクラッタのいずれかであると想定される）。高分解能質量分析を使用して結核（ＴＢ）バイオマーカーを同定するための例示的なＭＬ概略図４００が図４に示されている。ステップ４０１で高分解能Ｏｒｂｉｔｒａｐ質量分析計（ＴｈｅｒｍｏＦｉｓｈｅｒ Ｓｃｉｅｎｔｉｆｉｃ）を使用して、数千の特徴を含む陽および陰イオン信号を取得（または抽出）した。５：１の信号対雑音比を超える質量比率（ＳＮＲ）が選択された。教師なし次元削減アルゴリズムである加重主成分分析（ＰＣＡ）をステップ４０２で使用して、信号の大規模なセットを２つのコンポーネントに減らした。ＰＣＡは２Ｄ視覚化を提供しました。これは、抽出された信号が２つのクラスのサンプル（ＴＢと非ＴＢ）間の本質的な違いを明らかにするかどうかを調査するために使用された。図５は、１９人の喀痰陽性結核患者および１７人の非結核患者からの陽および陰イオンモードで抽出された信号のＰＣＡの出力を示している。陽および陰イオン信号は、２つのグループのサンプル、つまり非結核患者と結核患者から収集された。ＰＣＡの結果は、各グループのサンプルが一緒にクラスター化する傾向があることを明らかにした。これは、高分解能質量分析から収集された抽出信号を使用して、２つのクラスのサンプルを区別できることを示唆している。ステップ４０２は、また、ＴＯＦ－ＭＳを使用して方法２００および３００から収集されたデータを分析するために使用されて良い。

方法４００において、マイクロアレイの有意性分析（Ｓｉｇｎｉｆｉｃａｎｃｅ Ａｎａｌｙｓｉｓ ｏｆ Ｍｉｃｒｏａｒｒａｙｓ：ＳＡＭ）ＳＡＭ技術も、また、ステップ４０３で、ステップ４０１で抽出された信号に適用されて、強く識別可能な特徴を識別し、そして、２つのクラスのサンプルを区別するための最も強力な特徴を選択した。ＳＡＭは、ビッグデータセットを処理し、２つのクラスのサンプル間で最も強力な特徴を識別するように設計された特徴選択アルゴリズムである。ＳＡＭ分析は、量の変化、統計的有意性、および偽陽性率に基づいて特徴ランキングリストを返した。ＳＡＭによって識別された機能は、ステップ４０４でサポートベクターマシン（ＳＶＭ）を使用して最適化された。ＳＶＭは、教師あり機械学習ベースの分類器であり、これは、トレーニングデータセットを使用して、未知のサンプルを分離超平面の側面に応じて分類できるように、分離超平面を定義する、教師あり機械学習ベースの分類器である。ＳＶＭの利点は、高次元データを処理して分析物の組成を予測し、トレーニングデータセットに含まれる知識ベースを継続的に改善する能力に依存する。

一例として、陰イオンから抽出された信号を用いたＳＡＭベースの特徴選択が図６に示されている。データは、（Ａ）アップレギュレーション、（Ｂ）ダウンレギュレーション、（Ｃ）重要ではない３つのクラスに分類される特徴を有する。非結核（非ＴＢ）患者よりも結核（ＴＢ）患者で高い信号（アップレギュレーション）は領域Ａで表され、領域Ｂは結核患者で低い信号（ダウンレギュレーション）で表される。全体として、陽イオンモードから抽出された１５００を超える特徴（イオン信号）と陰イオンモードから抽出された５００を超える特徴は、結核患者でより高いことがわかった。次に、機能の数を最適化するためにＳＶＭ分析が実行された。この分析では、比較的少数の被験者（トレーニングデータセット）と比較して数千の信号が、結核関連の信号を特定する可能性を示した。分類アルゴリズムとして、ＳＶＭを使用して、精度、感度、および特異度のパーセンテージを計算する混同行列を返すことにより、ＳＡＭによって選択された機能を最適化できる。図７に示すように、陽イオンモードでは、約３００の選択された機能が適用されたときに、ＳＶＭベースの分類の最高のパフォーマンスが存在した。陰イオンモードでは、約１００の選択された機能が適用されたときに、ＳＶＭベースの分類の最高のパフォーマンスが見つかった。これらの方法は、結核患者と非結核患者を、８９％の精度、１００％の感度、８１％の特異度で区別することができた。先の例示的な分析方法を使用して、南アフリカのマシフメレレ（Ｍａｓｉｐｈｕｍｅｌｅｌｅ）で収集された患者サンプルの脂質抽出および高分解能質量分析を使用して、複数の結核バイオマーカーを特定した。

大気中の生物学的脅威因子の存在を特定するために、空気サンプルを所定の時間間隔で収集し、先に開示した例示的な方法を使用して分析して、データ分析システム１１０における背景／ベースライン情報の履歴データセット（トレーニングデータセット）を生成することができる。分析は、エンジン１１１で実行される機械学習アルゴリズムを使用して時間をかけて改善されて良い。背景情報の変動は、保護された領域における大気の通常の挙動をマッピングするためにモデル化されて良い。生物学的、生化学的、または化学的エアロゾル粒子の放出が疑われる場合、先の例示的な方法を使用して空気をサンプリングすると、過去の背景情報から逸脱した情報が得られる。このような脅威の存在の最初の兆候は、通常の背景からの急激な逸脱である。この段階で、個々の粒子の組成に関してアルゴリズムによる決定を行うことができる。したがって、人命を守り、人命の損失を防ぐために、迅速に是正措置を講じることができる。

先に開示された例示的な方法および装置は、また、液体サンプルの分析のために使用されて良い。この場合、サンプルのアリコートは、適切な手段を使用してエアロゾル化することができる。例えば、ネブライザーを使用して、空気中の液体サンプルをエアロゾル化することができる。分析物粒子は、また、綿棒から抽出されて良く、または、適切な溶媒を使用して溶解され得る固体サンプルの形態であって良い。次に、サンプルのアリコートを適切な手段を使用してエアロゾル化することができる。例えば、ネブライザーを使用して、空気中の液体サンプルをエアロゾル化することができる。開示された例示的な方法およびデバイスを使用して、細菌に加えて、ウイルスおよび毒素をリアルタイムで識別することができる。１つまたは複数の光学検出器および質量分析から収集されたデータを分析することにより、分析物粒子の生物学的指紋をリアルタイムで取得することができる。

開示された例示的な方法は、特に生物学的エアロゾル粒子の場合に依然として大きな有益なイオンを生成しながら、ＭＡＬＤＩ ＴＯＦーＭＳに関連する複雑なサンプル処理ステップを使用する必要性を取り除く。さらに、大きな分子フラグメントの生成は、ＩＲレーザーパルスを使用してイオン化する前に、水または溶媒－水混合物のスプレーを使用してエアロゾル粒子を処理することによっても改善され得る（例えば、方法３００において）。メタノール、エタノール、およびイソプロパノールのうちの少なくとも１つを有する有機溶媒を使用することができる。ＭＡＬＤＩプロセスでは、ＴＯＦ－ＭＳで分析する前に、別の化学物質（通常は溶媒中の複雑な有機分子）がサンプルをコーティングするサンプル処理ステップが必要である。方法２００および３００は、ＭＡＬＤＩマトリックス（有機溶媒などの単純なマトリックス）コーティングステップを可能にするように修正することができる。ＭＡＬＤＩ技術と高質量範囲飛行時間型（ＴＯＦ）質量分析を組み合わせることで、大きなペプチド成分の直接分析や、「全細胞」の生物学的識別を可能にする完全なタンパク質も可能になる。「音響コーターを使用したエアロゾル粒子のコーティング」と題された、本出願人の国際出願ＰＣＴ／ＵＳ２０１６／４８３９５は、従来のＭＡＬＤＩ ＴＯＦ質量分析を説明し、複雑な有機ＭＡＬＤＩマトリックスの例を提供し、エアロゾル飛行時間型質量分析計で分析する前に、バイオエアロゾル粒子にＭＡＬＤＩマトリックス溶液のコーティングを適用するための方法およびデバイスを開示し、これは、参照によりその全体が本明細書に組み込まれる。

要約は、３７Ｃ．Ｆ．Ｒ．§１．７２（ｂ）に準拠して、読者が大まかな把握から技術的開示の性質と要点を迅速に判断できるようにするために提供されている。特許請求の範囲または意味を解釈または制限するために使用されるべきではない。

本開示は、それを実施する好ましい形態に関連して説明されてきたけれども、当業者は、本開示の精神から逸脱することなく、それに多くの修正を加えることができることを理解するであろう。したがって、本開示の範囲が先の説明によって制限されることを意図するものではない。

本開示の本質から逸脱することなく、様々な変更を行うことができることも理解されたい。このような変更も暗黙的に説明に含まれている。それらは依然としてこの開示の範囲内にある。この開示は、独立して、そしてシステム全体として、そして方法および装置モードの両方において、開示の多くの側面をカバーする特許をもたらすことを意図していることを理解されたい。

さらに、本開示および特許請求の範囲の様々な要素のそれぞれは、また、様々な方法で達成されて良い。この開示は、任意の装置実装のバリエーション、方法またはプロセスの実装、あるいはこれらの任意の要素の単なるバリエーションであろうと、そのような各バリエーションを包含すると理解されるべきである。

特に、各要素の単語は、機能または結果のみが同じであっても、同等の装置用語または方法用語によって表現され得ることを理解されたい。このような同等の、より広い、またはさらに一般的な用語は、各要素または動作の説明に含まれると見なす必要がある。このような用語は、この開示が権利を与えられている暗黙的に広い範囲を明示するために必要な場合に置き換えることができる。すべての動作は、その動作をとるための手段として、またはその動作を引き起こす要素として表現される可能性があることを理解する必要がある。同様に、開示される各物理的要素は、その物理的要素が促進する動作の開示を包含すると理解されるべきである。

さらに、使用される各用語に関して、本出願におけるその利用がそのような解釈と矛盾しない限り、例えば、技術者によって認識されている標準的な技術辞書とランダムハウスウェブスターのＵｎａｂｒｉｄｇｅｄＤｉｃｔｉｏｎａｒｙの最新版の少なくとも１つに含まれている、共通の辞書定義は、各用語およびすべての定義、代替用語、および同義語について、ここに組み込まれるものとして理解されるべきである。

さらに、「有する」（ｃｏｍｐｒｉｓｉｎｇ、ｃｏｍｐｒｉｓｅ）という移行句の使用は、従来のクレーム解釈に従って、本明細書の「オープンエンド」クレームを維持するために使用される。したがって、文脈上別段の必要がない限り、「有する」は、記載された要素またはステップあるいは要素またはステップのグループを含むことを意味することを意図しているけれども、他の要素またはステップあるいは要素またはステップのグループを除外することを意味するものではない。そのような用語は出願人に法的に許容される最も広い範囲を提供するための最も広範な態様で解釈されるべきである。
以下のここで記載した技術的特徴を列挙する。
［技術的特徴１］
バイオエアロゾル粒子の組成を特定する方法において、
エアロゾルビーム発生器を使用してエアロゾル粒子ビームを生成するステップと、
第１のレーザーを使用して、上記ビーム内の各粒子にインデックスを付けるステップと、
連続タイミングレーザーを使用して、各インデックス付き粒子の位置を検出するステップと、
イオン化パルスレーザーをトリガーして、各インデックス付き粒子がイオン化レーザーのイオン化領域に到達したときに、ＩＲレーザーパルスおよびＵＶレーザーパルスを同時に生成するステップと、
各インデックス付き粒子のイオン化フラグメントおよび各インデックス付き粒子に関連する光子を生成する光子生成ステップであって、各イオン化フラグメントの分子量は約１ｋＤａから約１５０ｋＤａの間である、上記光子生成ステップと、
少なくとも１つの検出器を使用して、各インデックス付き粒子のイオン化フラグメントおよび各インデックス付き粒子に関連する光子の少なくとも１つを分析するステップと、
各検出器から各インデックス付き粒子に関連付けられた一意のスペクトルデータを生成するステップと、
データ融合を使用して一意のスペクトルデータをコンパイルし、コンパイルされたスペクトルデータを生成するステップと、
各粒子の組成を決定するステップとを有することを特徴とする方法。
［技術的特徴２］
上記第１のレーザーを使用して、粒子サイズ、粒子形状、および蛍光のうちの少なくとも１つを含む、上記インデックス付き粒子の少なくとも１つの特性を測定するステップをさらに有する技術的特徴１に記載の方法。
［技術的特徴３］
タイミングレーザーを使用して、粒子サイズ、粒子形状、および蛍光のうちの少なくとも１つを含む、インデックス付けされた粒子の少なくとも１つの特性を測定するステップをさらに有する技術的特徴１に記載の方法。
［技術的特徴４］
上記イオン化レーザーをトリガーするステップは、上記インデックス付けされた粒子の少なくとも１つの特性がその特性の所定の閾値を満たすときに、第１のレーザーを使用して開始される技術的特徴１に記載の方法。
［技術的特徴５］
上記イオン化レーザーをトリガーするステップは、インデックス付き粒子の少なくとも１つの特性がその特性の所定の閾値を満たすときに、タイミングレーザーを使用して開始される技術的特徴１に記載の方法。
［技術的特徴６］
上記組成を決定するステップは、
コンパイルされたスペクトルデータをトレーニングスペクトルデータセットの知識ベースと比較して、組成を予測するステップ、
上記トレーニングデータセットの知識ベースを更新するステップ、および、
機械学習手法を使用して、時間の経過に伴って組成の上記予測を改善するステップ
の少なくとも１つを有する技術的特徴１に記載の方法。
［技術的特徴７］
上記機械学習方法が教師あり機械学習方法を有する技術的特徴６に記載の方法。
［技術的特徴８］
上記組成を決定するステップは、教師なし機械学習方法を使用して、ラベル付けされていないエアロゾル粒子を分類し、異常なエアロゾル粒子を識別するステップを有する技術的特徴１に記載の方法。
［技術的特徴９］
上記機械学習方法が、加重主成分分析（ＰＣＡ）を有する技術的特徴８に記載の方法。
［技術的特徴１０］
上記ＩＲレーザーパルスは、約１．０マイクロメートルから約１．２マイクロメートルの間の波長によって特徴付けられる技術的特徴１に記載の方法。
［技術的特徴１１］
上記ＵＶレーザーパルスは、約２５０ｎｍから約４００ｎｍの間の波長によって特徴付けられる技術的特徴１に記載の方法。
［技術的特徴１２］
上記ＩＲパルスの波長が約１．０６マイクロメートルである技術的特徴１に記載の方法。
［技術的特徴１３］
上記ＵＶパルスの波長が約３５５ｎｍである技術的特徴１に記載の方法。
［技術的特徴１４］
上記ＩＲレーザーの出力密度は、約１ＭＷ／ｃｍ^２から約２０ＭＷ／ｃｍ^２の間である技術的特徴１に記載の方法。
［技術的特徴１５］
上記ＩＲレーザーのパルス幅が約１ｎｓから約１０ｎｓの間である技術的特徴１に記載の方法。
［技術的特徴１６］
上記ＩＲレーザーのパルス繰り返し周波数が約１ｋＨｚである技術的特徴１に記載の方法。
［技術的特徴１７］
上記少なくとも１つの検出器がＴＯＦーＭＳ検出器を有する技術的特徴１に記載の方法。
［技術的特徴１８］
上記少なくとも１つの検出器が、ＴＯＦ－ＭＳ検出器、蛍光検出器、ＬＩＢＳ検出器、およびラマン分光計のうちの少なくとも１つを有する技術的特徴１に記載の方法。
［技術的特徴１９］
上記イオン化されたフラグメントが、ジピコリン酸、トリプトファン、チロシン、およびフェニルアラニンのうちの少なくとも１つを含むＵＶ発色団を有する技術的特徴１に記載の方法。
［技術的特徴２０］
上記ＩＲレーザーパルスおよびＵＶレーザーパルスは、Ｎｄ：ＹＡＧレーザーを使用して生成される技術的特徴１に記載の方法。
［技術的特徴２１］
ＩＲ発色団を有するバイオエアロゾル粒子の組成を特定する方法において、
エアロゾルビーム発生器を使用してエアロゾル粒子ビームを生成するステップと、
第１のレーザーを使用して、上記ビーム内の各粒子にインデックスを付けるステップと、
連続タイミングレーザーを使用して、各インデックス付き粒子の位置を検出するステップと、
イオン化パルスレーザーをトリガーして、各インデックス付き粒子がイオン化レーザーのイオン化領域に到達したときに、ＩＲレーザーパルスを生成するステップと、
各インデックス付き粒子のイオン化フラグメントおよび各インデックス付き粒子に関連する光子を生成する光子生成ステップであって、各イオン化フラグメントの分子量は約１ｋＤａから約１５０ｋＤａの間である、上記光子生成ステップと、
少なくとも１つの検出器を使用して、各インデックス付き粒子のイオン化フラグメントおよび各インデックス付き粒子に関連する光子の少なくとも１つを分析するステップと、
各検出器から各インデックス付き粒子に関連付けられた一意のスペクトルデータを生成するステップと、
データ融合を使用して一意のスペクトルデータをコンパイルし、コンパイルされたスペクトルデータを生成するステップと、
各粒子の組成を決定するステップとを有することを特徴とする方法。
［技術的特徴２２］
ＩＲ発色団が、水、寒天、および炭水化物のうちの少なくとも１つを有する技術的特徴２１に記載の方法。
［技術的特徴２３］
上記第１のレーザーを使用して、粒子サイズ、粒子形状、および蛍光のうちの少なくとも１つを含む、上記インデックス付き粒子の少なくとも１つの特性を測定するステップをさらに有する技術的特徴２１に記載の方法。
［技術的特徴２４］
タイミングレーザーを使用して、粒子サイズ、粒子形状、および蛍光のうちの少なくとも１つを含む、インデックス付けされた粒子の少なくとも１つの特性を測定するステップをさらに有する技術的特徴２１に記載の方法。
［技術的特徴２５］
上記イオン化レーザーをトリガーするステップは、上記インデックス付けされた粒子の少なくとも１つの特性がその特性の所定の閾値を満たすときに、第１のレーザーを使用して開始される技術的特徴２３に記載の方法。
［技術的特徴２６］
上記イオン化レーザーをトリガーするステップは、インデックス付き粒子の少なくとも１つの特性がその特性の所定の閾値を満たすときに、タイミングレーザーを使用して開始される技術的特徴２４に記載の方法。
［技術的特徴２７］
組成を決定するステップは、
コンパイルされたスペクトルデータをトレーニングスペクトルデータセットの知識ベースと比較して、組成を予測するステップ、
上記トレーニングデータセットの知識ベースを更新するステップ、および、
機械学習手法を使用して、時間の経過に伴って組成の上記予測を改善するステップ
の少なくとも１つを有する技術的特徴２１に記載の方法。
［技術的特徴２８］
機械学習方法が教師あり機械学習方法を有する技術的特徴２７に記載の方法。
［技術的特徴２９］
上記組成を決定するステップは、教師なし機械学習方法を使用して、ラベル付けされていないエアロゾル粒子を分類し、異常なエアロゾル粒子を識別するステップを有する技術的特徴２１に記載の方法。
［技術的特徴３０］
上記機械学習方法が、加重主成分分析（ＰＣＡ）を有する技術的特徴２９に記載の方法。
［技術的特徴３１］
エアロゾルビーム発生器からイオン化パルスレーザーのイオン化領域までの各粒子の移動時間が約１秒未満である技術的特徴２１に記載の方法。
［技術的特徴３２］
上記ＩＲレーザーパルスは、約２．７マイクロメートルおよび約３．３マイクロメートルの間の波長によって特徴付けられる技術的特徴２１に記載の方法。
［技術的特徴３３］
上記ＩＲレーザーパルス波長が約２．９４マイクロメートルである技術的特徴２１に記載の方法。
［技術的特徴３４］
上記ＩＲレーザー出力密度は、約１ＭＷ／ｃｍ^２から約２０ＭＷ／ｃｍ^２の間である技術的特徴２１に記載の方法。
［技術的特徴３５］
上記ＩＲレーザーパルス幅は、約４０マイクロ秒から約１００マイクロ秒の間である技術的特徴２１に記載の方法。
［技術的特徴３６］
上記ＩＲレーザーパルスは、上記Ｅｒ：ＹＡＧレーザーおよびＯＰＯレーザーのうちの少なくとも１つを使用して生成される技術的特徴２１に記載の方法。
［技術的特徴３７］
上記少なくとも１つの検出器が、ＴＯＦ－ＭＳ検出器、蛍光検出器、ＬＩＢＳ検出器、およびラマン分光計のうちの少なくとも１つを有する技術的特徴２１に記載の方法。
［技術的特徴３８］
バイオエアロゾル粒子の組成を識別するためのシステムにおいて、
単一粒子のビームを生成するためのエアロゾルビーム発生器と、
上記ビーム内の各粒子にインデックスを付けるためのタイミングレーザーを生成するための連続タイミングレーザー発生器と、
上記タイミングレーザーによってトリガーされ、ＩＲレーザーパルスおよびＵＶレーザーパルスの少なくとも１つを生成して、各インデックス付き粒子のイオン化フラグメントと各インデックス付き粒子に関連する光子の少なくとも１つを生成するように構成されたパルスイオン化レーザー発生器と、
各粒子に関連付けられたイオン化フラグメントと光子の少なくとも１つを分析し、各検出器から各インデックス付き粒子に関連付けられた一意のスペクトルデータを生成するための少なくとも１つの検出器とを有することを特徴とするシステム。
［技術的特徴３９］
上記データ融合を使用して各粒子に関連する固有のスペクトルデータをコンパイルして、コンパイルされたスペクトルデータを生成するためのデータ分析システムをさらに有する技術的特徴３８に記載のシステム。
［技術的特徴４０］
上記データ分析システムとのデータ通信に配置された機械学習エンジンをさらに有する技術的特徴３９に記載のシステム。
［技術的特徴４１］
上記パルスイオン化レーザー出力密度が約１ＭＷ／ｃｍ^２から約２０ＭＷ／ｃｍ^２の間である技術的特徴３８に記載のシステム。
［技術的特徴４２］
上記少なくとも１つの検出器が、ＴＯＦ－ＭＳ検出器、蛍光検出器、ＬＩＢＳ検出器、およびラマン分光計のうちの少なくとも１つを有する技術的特徴３８に記載のシステム。
［技術的特徴４３］
バイオエアロゾル粒子の組成を識別するための方法において、
エアロゾルビーム発生器を使用してエアロゾル粒子ビームを生成するステップと、
上記ビーム内の各粒子にインデックスを付けるステップと、
各インデックス付き粒子の粒子サイズ、粒子形状、および蛍光の少なくとも１つを測定し、分析するインデックス付き粒子を選択するステップと、
選択された各インデックス付き粒子がイオン化レーザーのイオン化領域に到達したときに、上記イオン化パルスレーザーをトリガーするステップと、
各イオン化フラグメントの分子量が約１ｋＤａから約１５０ｋＤａの間である、各インデックス付き粒子のイオン化フラグメントを生成するステップと、
ＴＯＦ－ＭＳ検出器を使用して、各インデックス付き粒子の少なくとも１つのイオン化フラグメントを分析し、各粒子に関連付けられた固有のスペクトルデータを生成するステップと、
上記固有のスペクトルデータを使用して各粒子の組成を決定するステップとを有することを特徴とする方法。
［技術的特徴４４］
どのインデックス付き粒子を分析するかを選択するステップは、上記インデックス付き粒子の粒子サイズ、粒子形状、および蛍光のうちの少なくとも１つが所定の閾値を満たすかどうかを決定するステップを有する技術的特徴４３に記載の方法。
［技術的特徴４５］
上記インデックス付けステップ、上記測定ステップ、および上記トリガーステップの各々が、１つまたは複数のレーザービームを使用して実行される技術的特徴４３に記載の方法。
［技術的特徴４６］
上記組成を決定するステップは、
データ融合を使用して各粒子の固有のスペクトルデータをコンパイルし、コンパイルされたスペクトルデータを生成するステップと、
上記コンパイルされたスペクトルデータをトレーニングスペクトルデータセット知識ベースと比較して、組成を予測するステップとのうちの少なくとも１つを有する技術的特徴４３に記載の方法。
［技術的特徴４７］
上記トレーニングデータセット知識ベースを更新するステップと、
機械学習手法を使用して、時間の経過に伴って組成の予測を改善するステップとをさらに有する技術的特徴４６に記載の方法。
［技術的特徴４８］
上記ＩＲレーザーパルスは、約１．０マイクロメートルおよび約１．２マイクロメートルの間の波長によって特徴付けられる技術的特徴４３に記載の方法。
［技術的特徴４９］
上記ＩＲレーザーパルスは、約２．７マイクロメートルおよび約３．３マイクロメートルの間の波長によって特徴付けられる技術的特徴４３に記載の方法。

［参考文献］
1. Wan G-H, Wu C-L, Chen Y-F, Huang S-H, Wang Y-L, et al. (2014), "Particle Size Concentration Distribution and Influences on Exhaled Breath Particles in Mechanically Ventilated Patients," PLoS ONE 9(1): e87088.
2. Castanedo, F., "A Review of Data Fusion Techniques," The Scientific World Journal, 2013.
3. Warschat, C. et al., "Mass Spectrometry of Levitated Droplets by Thermally Unconfined Infrared-Laser Desorption," Anal. Chem. 2015, 87, 8323ー8327.

１００ エアロゾル識別システム
１０１ 入口要素
１０２ エアロゾルビーム発生器
１０３ 関心粒子識別用レーザー発生器
１０４ 真空チャンバー
１０５ 真空ポンプ
１０７ 集光光学部品
１０８ イオン化レーザー発生器
１０９ 光学センサー
１１０ データ分析システム
１１１ 機械学習エンジン
１１２ トリガーレーザー発生器

Claims (21)

1. エアロゾル粒子の組成を識別するためのシステム（１００）において、
   単一粒子のビームを生成するためのエアロゾルビーム発生器（１０２）と、
   連続タイミングレーザー発生器（１０３）であって、
   タイミングレーザを発生して上記ビーム内の各粒子にインデックスを付け、
   インデックス付けされた各粒子の粒子サイズ、偏光に基づく粒子形状、および蛍光を光学的に特徴づけ、光学データを生成し、
   インデックス付けされた粒子のうちイオン化すべき粒子を選択するように構成された、上記連続タイミングレーザー発生器（１０３）と、
   上記タイミングレーザーによってトリガーされ、選択されたインデックス付けされた粒子の各々がＩＲレーザーパルス（３０２）のイオン化領域に到達するときに、上記ＩＲレーザーパルスを生成して、選択されたインデックス付けされた粒子の各々に関連するフラグメントをイオン化してイオン化フラグメントを生成するように構成される、イオン化パルスレーザー発生器と、
   上記イオン化フラグメントを分析して、選択されたインデックス付き粒子の各々に関連付けられた固有の質量スペクトルデータを生成するＴＯＦＭ検出器（１０６）と、
   データ分析システム（１１０）であって、
   上記光学データを、選択されたインデックス付けされた粒子に関連する上記固有の質量スペクトルデータに組み合わせたコンパイルデータセットを、データ融合による処理を使用して生成し、
   既知の生物物質の知識ベースで構成されるトレーニングデータセットと比較して、上記エアロゾル粒子の組成を予測するように構成された、上記データ分析システムとを有することを特徴とするシステム。
2. 上記エアロゾル粒子は、１または複数の、非生物学的エアロゾル粒子、または粒子の表面に水を結合させた生物学的エアロゾル粒子を有する請求項１記載のシステム。
3. 上記ＩＲレーザーのパルス幅が約４０μ秒から約１００μ秒の間である請求項１に記載のシステム。
4. 上記ＩＲレーザーパルスのパルス繰り返し周波数が約１ｋＨｚである請求項１に記載のシステム。
5. 上記イオン化領域の直径は約１５０μｍより小さい請求項１記載のシステム。
6. エアロゾルビーム発生器からイオン化パルスレーザーのイオン化領域までの各粒子の移動時間が約１秒未満である請求項１に記載のシステム。
7. 上記ＩＲレーザーパルスは、約２．７マイクロメートルおよび約３．３マイクロメートルの間の波長によって特徴付けられる請求項１に記載のシステム。
8. 上記ＩＲレーザーパルスの波長が約２．９４マイクロメートルである請求項１に記載のシステム。
9. 上記ＩＲレーザーパルスは、Ｅｒ：ＹＡＧレーザーおよびＯＰＯレーザーのうちの少なくとも１つを使用して生成される請求項１に記載のシステム。
10. 上記データ分析システムとデータ通信するように配置された機械学習エンジンを有し、上記データ分析システムは、学習データセット知識ベースを更新し、機械学習方法を使用して組成の予測を随時改善するように構成される請求項１に記載のシステム。
11. 上記ＩＲレーザーパルスのイオン化レーザー出力密度が約１ＭＷ／ｃｍ^２から約２０ＭＷ／ｃｍ^２の間である請求項１に記載のシステム。
12. 選択されたインデックス付けされた粒子の各々が上記イオン化領域に到達するときに選択されたインデックス付けされた粒子の各々に関連する光子を分析するために蛍光検出器、ＬＩＢＳ検出器、およびラマン分光計のうちの少なくとも１つをさらに有する請求項１に記載のシステム。
13. エアロゾル粒子の組成を識別するための方法において、
    エアロゾルビーム発生器を使用してエアロゾル粒子のビームを生成するステップと、
    単一の連続タイミングレーザ―を使用して、
    上記ビーム内の各粒子にインデックスを付け、
    インデックス付けされた各粒子の粒子サイズ、偏光に基づく粒子形状、および蛍光を光学的に特徴づけて光学データを生成し、
    インデックス付けされた粒子のうちイオン化すべき粒子を選択するステップと、
    上記連続タイミングレーザ―を使用してイオン化パルスレーザー発生器をトリガーして、選択された各インデックス付き粒子が上記イオン化パルスレーザー発生器のイオン化領域に到達したときに、ＩＲレーザーパルスを生成して、選択されたインデックス付けされた粒子の各々に関連するフラグメントをイオン化してイオン化フラグメントを生成するステップと、
    ＴＯＦ－ＭＳ検出器を使用して、イオン化フラグメントを分析し、各インデックス付けされた粒子に関連付けられた固有の質量スペクトルデータを生成するステップと、
    データ分析システムを使用して、
    上記光学データを、選択されたインデックス付けされた粒子に関連する上記固有の質量スペクトルデータに組み合わせることにより、コンパイルデータセットを生成し、
    既知の生物物質の知識ベースで構成されるトレーニングデータセットと比較して、エアロゾル粒子の組成を予測するステップとを有することを特徴とする方法。
14. どのインデックス付き粒子を分析するかを選択するステップは、上記インデックス付き粒子の粒子サイズ、粒子形状、および蛍光が所定の閾値を満たすかどうかを決定するステップを有する請求項１３に記載の方法。
15. 上記データ分析システムとのデータ通信において配置される機械学習エンジンを用いて実装される
    機械学習手法を使用して、時間の経過に伴って組成の予測を改善するステップを有する請求項１３に記載の方法。
16. イオン化パルスレーザーステップのトリガは、上記インデックス付き粒子の少なくとも１つの測定特性がその特性の予め定められた閾値を満たすときに連続レーザーを使用して開始される請求項１３に記載の方法。
17. 連続タイミングレーザーを使用して各インデックス付き粒子の位置を検出するステップをさらに有する請求項１３に記載の方法。
18. 選択されインデックス付けされた粒子が上記イオン化領域に到達するときに、蛍光検出器、ＬＩＢＳ検出器、およびラマン分光計のうちの少なくとも１つを使用して、選択されたインデックス付けされた粒子の各々に関連する光子を分析するステップをさらに有する請求項１３に記載の方法。
19. 上記エアロゾル粒子は、非生物学的粒子、生物学的粒子、水を粒子の表面に含む生物学的エアロゾル粒子のうちの１または複数を有する請求項１３記載の方法。
20. さらに、イオン化に先行して、水、有機溶媒および水を含む混合物のうちの１つまたは複数のスプレイを利用して上記エアロゾル粒子を処理するステップを有する請求項１３記載の方法。
21. 上記有機溶媒はメタノール、エタノール、またはイソプロパノールのうちの１または複数を含む請求項２０記載の方法。