FireFly快速元素分析与成像系统应用案例

What is FireFly?FireFly 是一款用于快速多元素分析和化学成像的分析仪器FireFly 采用了激光诱导击穿光谱技术（LIBS） —— 当今最有前景的元素分析技术之一 使FireFly适用于所有固体样品，待测物无需前处理，近乎无损伤测量，一次测量可获取样品所有元素信息   应用领域l 土壤分析：分析土壤样本中的元素组成，评估土壤肥力和污染情况。l 地质勘探：用于岩石和矿物的元素分析，辅助地质勘探和矿物成分研究。l 金属材料检测：分析金属及其合金中的元素成分，用于材料科学和质量控制。l 环境监测：监测环境样本（如沉积物、大气颗粒物等）中的元素，评估环境污染。l 生物材料分析：测定生物样本（如毛发、血液、骨骼、肿瘤等）中的元素，用于生物医学研究。l 植物分析：用于植物组织中元素含量的测定，帮助研究植物营养状况和元素吸收分布及植物在重金属胁迫下的反应和耐受性。 技术原理 利用脉冲激光在待测样品表面激发产生等离子体，通过等离子体发射的光谱波长和强度信息，分别获得待测元素的种类和含量信息。FireFly功能特色v 一次测量获取所有元素信息 v Mapping功能获取元素分布2D成像图谱 v 自动获取样品不同深度的元素含量和组成差异  FireFly 规格该表包含了通用的系统参数定制化配置参数会有所差异 FireFly LIBS应用于生物免疫化学检测： 利用LIBS技术对含钇（Y ll 437.49 nm）元素的标记物进行2D成像检测，以替代免疫组织化学（IHC）和免疫细胞化学（ICC）等传统癌细胞标记检测方法，突破原有生物标记检测技术的有用标记范围和低多重检测能力的限制，有望利用不同的 NPs 标签实现生物标记多重检测等应用。LIBS技术应用于宝石鉴定： 天然形成的黄色、橙色、粉橙色的蓝宝石很稀有，市场价格很高。部分人员通过在氧气环境中高温下将铍扩散到红宝石和蓝宝石中，形成虚假的变色宝石。利用 LIBS 技术对宝石进行检测，能够同时检测到每一种感兴趣的元素，从而获得宝石成分的完整信息，可用于真假宝石的鉴定。利用 LIBS 技术对混凝土中氯的定量分析地质与矿石鉴定——FireFly检测锂矿空间分布 锂可存在于多种矿物中，但仅有一部分在经济上可用于采矿，主要的富锂矿物是伟晶岩中的锂云母或锂辉石，另一个重要来源是卤水。测量锂元素对几乎所有分析技术来说都是一项具有挑战性的任务，但对 LIBS 来说并非如此，上图揭示了FireFly对锂矿进行鉴定和空间定量分析的应用效果。FireFly在植物毒理学研究中的应用       过去几十年工业生产的增长导致重金属（以及近期的纳米颗粒等）污染程度增加，土壤中的这些污染物对生长在其中的植物构成巨大威胁。对于工业作物，这种污染会显著影响产量；对于粮食作物，它会对人类健康产生重大影响。如图对植物进行镉毒性测试，FireFly可以清晰获取镉元素在大麻和白芥幼苗中的相对分布图。FireFly在肿瘤医学领域中的应用 皮肤是人体最大的器官，起着保护身体免受外部影响的作用。许多肿瘤可以在皮肤上形成，皮肤恶性肿瘤是最常见的癌症之一，但死亡率非常低，因此频繁的预防至关重要。研究人员发现，癌症感染的组织会改变细胞的形状和化学成分，这些变化可以通过 LIBS 观察到，其中生物元素的成像提供了有关软组织元素分布的信息。FireFly应用于小鼠牙齿和骨骼的元素分析 对硬组织（牙齿和骨骼）的分析是考古学、人类学、法医分析和医学应用等许多领域的重要组成部分。这些分析的结果可以提供有关个体的年龄、性别、健康、饮食、起源地和迁移等信息。可以通过多种分析方法获得这些信息，例如 LIBS技术。上图即为FireFly获取的小鼠牙齿和骨骼Ca、Mg、Pb、Sr元素分布图。   1. POŘÍZKA, Pavel. Laser - induced breakdown spectroscopy as a readout method for immunocytochemistry with upconversion nanoparticles [online], website: https://link.springer.com/article/10.1007%2Fs00604 - 021 - 04816 - y2. BUDAY, Jakub. Imaging laser - induced plasma under different laser irradiances [online], website: https://www.sciencedirect.com/science/article/pii/S05848547203007563. Kateřina. Imaging margins of skin tumors using laser - induced breakdown spectroscopy and machine learning [online]. website: https://pubs.rsc.org/en/content/articlelanding/2021/ja/d0ja00469c