飞行时间二次离子质谱研究正从一种有效的文献计量方法发展成为更先进的技术

《Analytical Biochemistry》：Time-of-flight secondary ion mass spectrometry research advances from a effective bibliometric method

TOF-SIMS技术近十年在化学与生物分析领域取得显著进展，从主要检测小分子（<300 m/z）发展为可解析大分子（>300 m/z），同时单细胞分析、原位界面检测及微流控技术成为新兴趋势。研究提出基于R语言的文献计量方法，相比传统工具VOSviewer能更深入分析研究动态，并探索大数据与机器学习辅助解析复杂质谱谱图的可能性。

　　

陈珊|王俊莎|黄欣宇|陈凯琳|傅丽梅|丁远昭

新加坡南洋理工大学国家教育学院教育科学中心，新加坡市637616

摘要

由于飞行时间二次离子质谱（TOF-SIMS）具备高分辨率的分子成像和化学分析能力，因此它成为一种极其强大的表面分析技术，常用于化学和生物分析领域。本文采用基于R语言的文献计量分析方法，评估了TOF-SIMS研究的进展。所提出的方法能够实现灵活的数据处理，并对研究趋势进行广泛的定量分析，使其优于常用的可视化工具（如VOSviewer）。分析结果表明，在过去十年中，无论是小分子（m/z < 300）还是大分子（m/z > 300），该技术都取得了显著进步。单细胞分析、原位界面分析以及微流控技术已成为TOF-SIMS分析的新趋势。此外，本文还提出了一种利用大数据和机器学习技术对复杂数据集进行峰值分析的方法。

引言

飞行时间二次离子质谱（TOF-SIMS）是质谱分析领域中广泛应用的技术[1,2]。它能够提供表面层面的空间分辨分子信息，从而实现对化学和生物样本的直接化学分析[3,4]。TOF-SIMS使研究人员能够确定样本特定位置的化学组成，并根据化学信号判断分子种类（或至少是最可能的分子种类）[5,6]。

为了更好地理解TOF-SIMS研究领域的发展现状和趋势，进行文献计量分析是必要的。传统的文献计量工具（如VOSviewer）在网络可视化和主题映射方面表现出色[6,7]。然而，在本研究中，我们采用了基于R语言的文献计量分析框架[8,9]，该框架与VOSviewer有显著不同，能够提供更深入、更详细的出版趋势、关键贡献者以及研究重点的演变信息（见表1）。

我们的文献计量分析揭示并总结了近年来TOF-SIMS研究中的最重要进展[10,11]。对于小分子离子（m/z < 300），信号检测和分析技术已经日趋成熟；同时，在扩展TOF-SIMS对大分子（m/z > 300）的检测和解释能力方面也取得了进展，而这一领域在过去曾面临更多技术挑战。

除了回顾该领域的过去和现状外，本研究还提出了一个前瞻性观点：将大数据和机器学习技术与TOF-SIMS相结合。鉴于高质量峰值的复杂性和不确定性，我们认为机器学习可以通过利用全面的数据集和预测算法帮助科学家更准确地识别未知分子种类。

这一方向具有巨大潜力。借助大规模数据处理和机器学习模型，研究人员可能能够发现难以察觉的模式和相关性，从而改进复杂TOF-SIMS光谱的解释，并加速多个科学领域的发现进程。

方法部分

材料与方法

本研究通过2025年4月在Web of Science核心数据库中进行针对性搜索，聚焦“飞行时间二次离子质谱”这一主题[16,17]。基于标题查询共检索到792条结果，所有搜索结果的完整记录均以全记录格式导出，以确保包含所有相关的文献和元数据信息，以便后续分析。

本研究遵循了既定的文献计量和文本分析方法[[18]

结果

图2(a)展示了飞行时间二次离子质谱（TOF-SIMS）研究领域中产出最多的机构。主要贡献者包括宾夕法尼亚联邦高等教育系统（PCSHE）、华盛顿大学和美国国家标准与技术研究院（NIST）。这些机构持续产生了大量有影响力的研究成果。其他知名机构还包括明斯特大学等。

通过文献计量研究了解TOF-SIMS的最新进展

我们利用文献计量分析方法整理了TOF-SIMS领域的主要发展情况（见表2）。目前，将TOF-SIMS应用于化学和生物样本是研究的主要焦点。十多年前，由于信号灵敏度较低，研究主要集中在m/z < 300的小分子上。得益于技术的不断进步，尤其是信号增强和样品制备方面的改进，现在研究人员已经能够捕获并分析m/z > 300的分子信息。

结论

本研究通过对TOF-SIMS研究进行了全面的基于R语言的文献计量分析，突出了该领域的主要进展和新兴方向。过去十年间，TOF-SIMS的研究重点从主要分析小分子（m/z < 300）逐渐扩展到能够检测更大的分子信号（m/z > 300），这得益于仪器灵敏度和样品制备方法的改进。其应用范围已扩展到生物膜成像、电化学界面分析等领域。

CRediT作者贡献声明

陈珊：可视化、软件、方法论设计。王俊莎：概念构思。黄欣宇：概念构思。陈凯琳：概念构思。傅丽梅：概念构思。丁远昭：撰写——审稿与编辑、初稿撰写、验证、监督、软件开发、资源管理、项目统筹、方法论设计、数据整理、概念构思。

伦理审批

无。

资金声明

本研究未获得任何资助机构（无论是商业机构还是非营利组织）的专项资助。

利益冲突声明

作者声明不存在可能影响本文研究的已知财务利益或个人关系。

致谢

第一作者感谢新加坡南洋理工大学国家教育学院提供的计算支持。第一作者负责了研究的全部环节，包括文献检索、数据下载、基于RStudio的分析以及可视化处理。在提交前，还使用ChatGPT对稿件进行了语法校对。