Articles / 16 lokakuun, 2021

Parannettu dynaaminen valonsironta käyttäen adaptiivista ja tilastollisesti ohjattua korrelaatiodatan aikaresoluutiota

Tässä työssä kuvaamme ja arvioimme uutta DLS-mittaus- ja datankäsittelyprosessia, joka leikkaa detektorilta saadun fotonien saapumisaikadatan hyvin pieniin blokkeihin, jotka kukin korreloidaan erillisenä alamittauksena. Kustakin korreloidusta osamittauksesta johdettujen useiden suureiden tilastollista jakaumaa, joka muodostuu mittausprosessin aikana, käytetään sitten luokittelemaan transienttitapahtumia, kuten 10 sekunnin osamittauksen lopussa kuvattu tapahtuma, joka sijoittuu 8 ja 10 sekunnin väliin kuvassa 1b, ja analysoimaan niitä erillään jäljelle jäävästä tasaista tilaa koskevasta datasta (0 sekunnista 8 sekuntiin kuvassa 1c). Tulos summataan sitten erikseen transientti- ja vakiotilakorrelogrammipariksi, jotka sitten redusoidaan transientti- ja vakiotilahiukkaskokojakaumien saamiseksi. Ratkaisevaa on, että koska kaikki kerätyt tiedot (transientti- ja pysyvän tilan tiedot) analysoidaan ja raportoidaan: mitään tietoja ei hylätä tai piiloteta käyttäjältä, ja kaikki näytetulokset ovat täydellisiä ja vääristymättömiä, riippumatta siitä, ovatko ne polydispersiivisiä vai eivät, mutta ilman lisääntyneitä epävarmuustekijöitä, jotka liittyvät kiinnostaviin pysyvän tilan jakeisiin voimakkaiden transienttihajottajien läsnä ollessa. Lisäksi tämä prosessi käsittelee luonnostaan rajoitustapausta, jossa aggregaatteja on niin paljon, että näytteen pääfraktion olisi katsottava olevan näitä suurempia komponentteja, eli aggregaatteja on niin paljon, että niiden signaalista tulee vakiotilajake27.

Havaitsimme myös, että transientti- ja steady state -luokkien luokittelu ja erillinen vähentäminen hyvin lyhyiden mittausjaksojen perusteella ja itse datan tilastoihin perustuvalla tavalla johtaa steady state -luokan sisäisen vaihtelun tilastollisesti merkitykselliseen minimoimiseen lyhyiden kokonaismittausaikojen aikana, mikä johtaa suoraan steady state DLS -datan tarkkuuden kasvuun, kun taas samaan aikaan kokonaismittausaika lyhenee hyvin käyttäytyvälle näytteelle suuruusluokkaa suuremmaksi kuin mitä tällä hetkellä kaupallisissa saatavilla olevissa instrumenteissa on.

Tekniikan kehittämistä kuvataan tämän jakson loppuosassa käyttäen mittauksia polystyreenilateksin hiukkasista tunnetun kokoisena mallijärjestelmänä ja lysotsyymin dispersioista hauraana, heikosti siroavana näytteenä. Jaksossa 3 kuvataan useita tapaustutkimuksia, jotka osoittavat tekniikan edut, ja jaksossa 4 tehdään johtopäätökset ja jaksossa 5 kuvataan käytetyt menetelmät.

Analyysimenetelmät

Vaikka tekniikka soveltuu yhtä hyvin ristikorreloituneisiin mittauksiin, useimmat kaupallisesti saatavilla olevat laitteet mittaavat havaitun, sironneiden fotonien aikasarjan I(t) autokorrelaatiofunktiota g2(|q|;τ), joka saadaan,

$$${g}^{2}(|{\boldsymbol{q}}|;\tau )=\frac{\langle I(t)I(t+\tau )\rangle }{\langle I(t){\rangle }^{2}}}$$$

(3)

jossa τ on viiveaika ja I detektorilla mitattu intensiteetti fotonilukuna sekunnissa mitattuna hetkellä t. Ensimmäisen kertaluvun korrelaatiofunktio, g1, saadaan g2:sta Siegertin suhteen1 avulla, ja kumulantti-sovitus20 g1:een on yleisesti toteutettu siten, että,

$$${g}^{1}(|{\boldsymbol{q}}|;\tau )=exp(-\bar{\\Gamma }(\tau -\frac{{\mu }_{2}}{2!}{\tau }^{2}+\frac{{\mu }_{3}}{3!}{\tau }^{3}+\ldots ))$$

(4)

jossa, $\bar{\Gamma }\,$ on keskimääräinen, ominainen hajoamisnopeus kaikkien otoksen kokoluokkien yli ja ${\mu }_{2}/{\bar{\Gamma }}^{2}\,$on toisen kertaluvun polydispersiteetti-indeksi (PdI), joka kuvaa korrelaatiofunktion poikkeamista yhdestä eksponentiaalisesta hajoamisesta ja antaa arvion otoksen varianssista. Z-keskimääräinen diffuusiokerroin, Dz, saadaan tällöin suhteesta

$$$\bar{\\Gamma }={|{\boldsymbol{q}}|}^{2}{D}_{z}$$$

(5)

ja keskimääräisen hydrodynaamisen läpimitan avulla, ZAve, joka on laskettu Dz:stä käyttäen Stokes-Einsteinin mallia pallomaisille hiukkasille nesteissä, joiden Reynoldsin luku on pieni, Yht. 6, jossa η on dispergointiaineen viskositeetti, kB Boltzmannin vakio ja T dispergointiaineen lämpötila kelvineinä,

$${D}_{z}=\frac{{k}_{B}T}{3\pi \eta {Z}_{Ave}}}$$$

(6)

Hiukkasten kokojakauman estimaatti suuremmalla resoluutiolla kuin kumulantit saadaan sovittamalla korrelaatiofunktio usean eksponentiaalin summaan, Tämä toteutetaan useilla mahdollisilla inversiomenetelmillä, kuten CONTIN28 tai ei-negatiiviset pienimmät neliöt (NNLS), jotka ovat kaksi yleisesti toteutettua esimerkkiä, jotka on suunniteltu selviytymään tällaisen sovituksen yleisesti huonosti asetetusta luonteesta. Polydispersiossa tapauksessa yhtälö Eq. 4 muuttuu tällöin jatkuvaksi jakaumaksi D:n suhteen, josta voidaan laskea hiukkasten säteiden tai halkaisijoiden vaihteluväli,

$$${g}^{1}(|{\boldsymbol{q}}|;\tau )=\int G(\Gamma )\,exp(\,-\,\Gamma {\rm{\tau }})d\Gamma $$$

(7)

Alamittauspituus ja parannettu tarkkuus

Fotonien saapumisaikasarja jaetaan pieniin alamittauksiin, jotka sitten korreloidaan yksitellen toisiinsa nähden ja pelkistetään näyteominaisuuksiksi kappaleessa 2 kuvatulla tavalla.1 ja näiden johdettujen suureiden jakaumia, jotka rakentuvat mittauksen edetessä, käytetään sitten tunnistamaan transientti- ja steady-state-tiedot.

Kokeellinen epävarmuus suureissa, jotka on johdettu DLS-datasta (ZAve, PdI, count-rate jne.) useiden mittausten aikana, on kääntäen verrannollinen mittausten lukumäärän neliöjuureen tavanomaisella tavalla, mutta korrelogrammin korrelaatiokuvion kohinan suhde kussakin osamittauksen sisäisessä osassa suhteessa osamittauksen mittauspituuteen ei ole yhtä selvä. Kun palautetaan mieleen kuva 1a, näytteenottotilavuus, eli alue, joka jää valaisevan laserin ja detektiopolun leikkauspisteen väliin (molempien leveys on rajallinen), on huomattavasti pienempi kuin näytteen kokonaistilavuus kyvetissä, joten integrointiajan kasvaessa todennäköisyys, että aggregaatti diffundoituu detektointitilavuuteen tai sieltä pois, kasvaa, ja tässä jaksossa tutkitaan, miten johdetut suureet ZAve ja PdI käyttäytyvät osamittausten keston funktiona. Tavoitteena on optimoida mittauksen kesto siten, että signaali-kohina-suhde säilyy ennallaan tai paranee, mutta osamittauksen kesto on sellainen, että valinta-algoritmi pysyy riittävän herkkänä luokittelemaan kunkin osamittauksen vakaana tilana tai ohimenevänä.

Kuvassa 2a esitetään ZAve- ja PdI-arvot mittaussarjalle polystyreenilateksista, jonka hydrodynaaminen kokoalue on valmistajan mukaan 58-68 nm (Thermo-Scientific, 3060 A) ja joka on dispergoitu 150 mM NaCl:ään, joka on valmistettu 200 nm:n suodatetulla DI-vedellä (18.2 MΩ).

Huomaa, että keskihajonta on pienentynyt mitatusta ZAve:sta 1:stä.1 nm:stä 0,32 nm:iin 1 × 10 s:n ja 10 × 1 s:n tapausten välillä, mikä on korostettu sinisellä ja osoittaa, että DLS-mittauksen tarkkuus paranee yksinkertaisesti käyttämällä lyhyempien osamittausten keskiarvoa mutta samalla kokonaisintegrointiajalla. Samanlaista käyttäytymistä voidaan havaita erikokoisten hiukkasten mittauksissa (ks. lisätiedot).

Mekanismi tämän parannuksen takana voidaan selittää tarkastelemalla korrelaatiofunktion muotoa, kun havaitaan ohimenevä sironta. Korrelaatiofunktio on suunnilleen eksponentiaalinen hajoaminen, jossa on pieniä häiriöitä, jotka johtuvat useista kohinanlähteistä, kuten pulssin jälkeen tapahtuvasta kohinasta, laukauskohinasta, normalisointivirheistä ja tietenkin erikokoisten sirontahiukkasten havaitsemisesta21. Korreloituneen valonsironnan tallentaminen lyhyiden aikavälien aikana voi lisätä näiden häiriöiden amplitudia, mutta keskiarvoistaminen useista osamittauskorrelaatiofunktioista, joista kukin sisältää satunnaista kohinaa, tarkoittaa, että lopputulos sisältää vähemmän kohinaa kuin korrelaatiofunktio, joka on tallennettu saman ajanjakson aikana, mutta jota käsitellään yhtenä jatkuvana jälkenä. Tämä on erittäin tärkeä tulos, sillä se osoittaa, että pelkkä huolellisesti johdettu alamittauksen pituus parantaa tämän ensisijaisen nanomittakaavan mittaustavan tarkkuutta kolminkertaisesti.

Lisäksi, kuten osoitamme seuraavassa jaksossa, lyhyempi alamittauspituus mahdollistaa myös tasaisen tilan ja transienttitiedon luokittelun, mikä osoittaa, että se ratkaisee DLS:n ensisijaisen kritiikin: sironneen intensiteetin suhteellisuuden hiukkasen säteen kuudenteen potenssiin, mikä tarkoittaa, että primaarisen hiukkaskomponentin tiedot voivat olla vinoutuneita tai jopa peittää harvinaisten suurten hiukkasten läsnäolon. Käytännössä tämä edellyttää huolellista näytteen valmistelua, jotta vältetään merkittävät epävarmuustekijät mittaustuloksissa, jotka johtuvat suuremmista, usein ei-toivotuista jakeista, jotka ovat peräisin esimerkiksi suodattimen pilaantumisesta, ohimenevistä aggregaateista tai huonosti puhdistetuista laboratoriotarvikkeista.

Transientti- ja pysyvän tilan tietojen luokittelu

Kuten aiemmin todettiin, monissa kaupallisissa DLS-laitteissa käytetään 10 sekunnin luokkaa olevia osamittausaikoja, ja useat näistä mittauksista yhdistetään jonkinlaisen pölynhylkäysalgoritmin mukaisesti, mikä kuitenkin tarkoittaa sitä, että mittauksesta voi jäädä pois suuria osia luotettavasta datasta, jos osamittaus sisältää lyhyen sirontapurkauksen transienttitapahtumasta. Tämä viittaa siihen, että vakaan tilan ja transienttitietojen luokittelu voitaisiin saavuttaa myös käyttämällä lyhyempiä korrelaatioaikoja, ja tämä voi myös tehdä osamittausten välisestä vertailusta tarkempaa, koska transienttisen sironnan vaikutuksia ei keskiarvoisteta. Näiden osamittausten sarjan tulokset voitaisiin sitten yhdistää analysoimalla autokorrelaatiofunktioiden keskiarvo ennen suuruusanalyysin suorittamista, kuten kohdassa 2.2 käsitellään.

Kaikki tallennetut osamittaukset luokitellaan tämän jälkeen sarjoihin, jotka kuvaavat järjestelmän vakaata tilaa ja transienttia, tai toisin sanoen sarjoihin, jotka edustavat perustana olevaa, vakaan tilan näytettä, ja sarjoihin, joihin liittyy häiriösironnan purkautuminen, kuten kuviossa 2.2.1 esitetään. 1c.

Transienttisten alamittausten tunnistaminen olisi johdettava tutkittavan näytteen ominaisuuksista, jotta vältetään tarve mielivaltaisesti määriteltyihin kynnysarvoihin, jotka voivat olla näytekohtaisia. Pelkistämällä kukin koottu alamittaus yksitellen on käytettävissä useita mahdollisia parametreja, joita voidaan käyttää alamittaussarjojen vertailun perustana, ja vaikuttaa loogiselta perustaa tämä vertailu mitattujen autokorrelaatiofunktioiden kokoanalyysiin.

Kumulanttianalyysissä oletetaan, että näyte on monodispersiivinen, mikä tarkoittaa sitä, että sekä ZAve että PdI antavat jatkuvia ja herkkiä hiukkaskokomittareita, joita voidaan käyttää alamittausten vertailuun. PdI kuvaa korrelaatiofunktion poikkeamaa täydellisestä eksponentiaalisesta hajoamisesta. Se on suora korrelaatiofunktion häiriön mittaus, ja se on erityisen herkkä korrelaatiofunktion perustason kohinalle, joka on tyypillinen seuraus ohimenevästä sironnasta, ja, kuten näytämme, se on siksi ihanteellinen parametri, jota voidaan käyttää useista alamittauksista saatujen korrelaatiofunktioiden vertailemiseen.

Esimerkki tällaisesta suhteesta on esitetty kuvassa 2b, jossa näytteet sisältävät joko aggregoitunutta materiaalia tai ne on dopingoitu lateksin pallojen seoksella (ks. lisätiedot). Tässä näytteissä, jotka sisältävät pieniä määriä aggregaattia, näkyy positiivinen korrelaatio mitatun koon ja PdI:n välillä, ja jotkin datapisteet klusteroituvat yhdenmukaisen koon ja PdI:n kohdalle, kun taas seostamattomissa näytteissä näkyy hyvin määriteltyjä dataklustereita. Transienttiset alamittaukset voidaan näin ollen tunnistaa sellaisiksi, jotka esiintyvät odottamattomalla PdI-arvolla. Tässä tapauksessa odottamaton tarkoittaa, että tietyn osamittauksen PdI-arvo ei ole edustava vakaan tilan osamittausten kannalta ja on siten tilastollinen poikkeama. Tilastollisten poikkeamien tunnistamiseen on olemassa monia menetelmiä, joilla kullakin on vahvuuksia ja heikkouksia riippuen kiinnostuksen kohteena olevan jakauman luonteesta ja näytteen koosta.

Kuvassa 3a on esitetty PdI:n jakaumat dispersioille, jotka sisältävät mielivaltaisen pieniä määriä harhaanjohtavaa materiaalia, ja PdI:n jakaumien keskipisteen ja leveyden suhteen vaihtelevat eri näytteissä. Koska PdI rajoittuu määritelmän mukaan väliin ja on yleensä vinoutunut kohti suurempia arvoja, jakauman aritmeettiset kuvaajat, kuten keskiarvo ja keskihajonta, eivät ole sopivia.

Jos diskreettien osamittausten määrä on riittävän suuri, datan histogrammia voidaan käyttää jakauman leveyden määrittämiseen (ks. Gaussin sovitukset kuvassa 1). 3a), mutta kun otoskoko on pienempi, numeeriset hypoteesitestimenetelmät, kuten Dixonin29 ja Rosnerin30 kuvaamat menetelmät, voivat olla tarkoituksenmukaisempia, kuva 3b.

Optimoida otoskoko

Minkä tahansa poikkeavien pisteiden tunnistamismenetelmän tehokkuus on kytköksissä sekä datapisteiden kokonaismäärään että jakauman sisällä olevien poikkeavien pisteiden määrään. Esimerkiksi kuvassa 2a esitetty hyvin valmistettu, monodispersiivinen ja stabiili näyte osoittaa, että luotettava koko voidaan ilmoittaa jo 10:llä 1 s:n pituisella keskiarvoistetulla osamittauksella, kun taas näyte, joka tuottaa kohinaisempia korrelaatiofunktioita joko vähäisen hajonnan, merkittävän polydispersiteetin tai vääränlaisten hajottajien vuoksi, vaatii suuremman määrän osamittauksia, jotta poikkeavien arvojen tunnistamiseen voidaan luottaa paremmin. Tämäkin motivoi otokseen perustuvaa lähestymistapaa, jossa osamittausten määrä riippuu otoksesta kerättyjen tietojen laadusta.

Vaihtoehtoisia lähestymistapoja voisivat olla yksittäisten osamittaustulosten hajonnan seuraaminen tai normaalisuustestien suorittaminen näille arvoille, mutta tämä johtaisi tyypillisesti siihen, että mittauksessa hankittaisiin suurempi määrä datapisteitä. Vaihtoehtoinen lähestymistapa on seurata jatkuvasti mahdollista lopputulosta mittauksen edetessä, jolloin mittauksen tilastot ovat sopivan hyvin määriteltyjä ja korrelaatiofunktion häiriöt ovat sopivan hyvin keskiarvoistettuja lopputuloksesta, jolloin raportoidun koon pitäisi muuttua vakioksi jonkin verran luonnollisen vaihtelun rajoissa. Hypoteesitestejä voidaan jälleen käyttää mittaustuloksen vertailuun sen jälkeen, kun on kerätty lisää alamittauksia, ja jos nämä arvot vastaavat toisiaan, näyte on riittävästi karakterisoitu, ja mittaus voidaan lopettaa vastaavasti. Menetelmään voidaan lisätä lisävarmuutta tarkastamalla, onko tuloksissa erityisiä syitä koko mittauksen ajan, kuten suuntaus ja heilahtelu.

Esimerkki tästä lähestymistavasta on esitetty kuvassa 4a lysotsyyminäytteen osalta, jossa ilmoitetaan aluksi virheellinen hiukkaskoon aliarviointi, mutta joka vakiintuu myöhempien osamittausten keräämisen myötä. Huomattakoon myös, että poikkeamien tunnistaminen toistetaan mittauksen aikana sitä mukaa, kun tietoja kerätään lisää, mikä tarkoittaa, että ohimenevä tapahtuma tunnistetaan sellaiseksi riippumatta siitä, missä vaiheessa mittausprosessia se on tallennettu. Tämä on parannus muihin menetelmiin verrattuna, joissa saatetaan verrata tietoja, jotka perustuvat ensimmäiseen mittaukseen, joka saattoi tai ei saattanut edustaa todellista näytettä.

Tämän tuloksena tiedonkeruun tehokkuus paranee ilman käyttäjän väliintuloa, ja sellaisten vakaiden näytteiden mittaukset, jotka vaativat vähemmän tiedonkeruuta, voidaan näin ollen suorittaa loppuun lyhyemmässä ajassa, kun taas monimutkaisista näytteistä, joihin liittyy epävarmuustekijöitä, kerätään automaattisesti enemmän tietoa, jotta saadaan tulos, jonka luotettavuus on vastaava.

Näytteenoton optimointi

Kuten kohdassa 2.2 kuvattiin, korrelaatiofunktiossa on useita kohinan lähteitä, ja tämän kohinan amplitudi voi olla ajallisesti riippuvainen. Vaikka kohdassa 2.2 esitettiin perusteet lyhyiden korrelaatioaikojen käytölle, on tapauksia, joissa tämä voi olla haitallista.

Näytteellä, jolla on alhaiset sirontaominaisuudet joko pienen sirontapoikkileikkauksen, alhaisen näytekonsentraation, pienen taitekerroineron ympäröivään dispergointiaineeseen nähden tai näiden yhdistelmänä, voi olla vähemmän havaittuja fotoneja, jotka voivat täyttää korrelaattorin aikakentät, ja tämä ilmenee tyypillisesti kohinana korrelaatiofunktion perusviivalla pidemmillä korrelaattorin viiveajoilla τ .

Kaupallisissa valonsirontalaitteissa tyypillisesti vaihdellaan useita instrumenttiasetuksia osana mittauksen asetusmenettelyä, kuten mittausasennon optimointi kyvetissä, jotta voidaan minimoida sisäänmenevän laserin optisen reitin pituus ja ulosmenevän sironnan havaintoreitin pituus, jotta vältetään moninkertainen sironta konsentroituneista näytteistä lähellä kyvetin keskipistettä, tai päinvastoin, jotta vältetään staattista sirontaa solun seinämästä matalilla näytekonsentraatiopitoisuuksilla, ja havaittujen fotonien laskentanopeuden optimointi niin, että se pysyy detektorin lineaarisen kantaman rajoissa. Nämä instrumenttien optimoinnit on yleensä suunniteltu siten, että käyttäjät, jotka eivät ole perehtyneet valonsirontatietojen tulkintaan, voivat saada mahdollisimman luotettavia tuloksia laajalla näytepitoisuus- ja näytekokoalueella, mutta tällaista optimointia ei ole aiemmin sovellettu korrelaatioaikaan. Esimerkki tästä on esitetty kuvassa 4b, jossa on esitetty hiukkaskokojakaumat 1,0 mg/ml lysotsyyminäytteelle, joka on mitattu 90°:n havaintokulmassa. Lyhyellä korrelaatioajalla ilmoitetussa PSD:ssä näkyy päähiukkaspiikin lisäksi ilmeinen suuren koon komponentti). Jos kyseessä olisi todellinen näytteen vaikutus, pienemmällä havaintokulmalla tehdyt mittaukset olisivat osoittaneet saman suuren komponentin. Samasta näytteestä tehdyt eteenpäin suuntautuvan sironnan mittaukset olivat monomodaalisia (ks. SI), ja piikin puuttuminen mitatuista tiedoista muissa havaintokulmissa (lisätiedot) viittaa siihen, että se on saattanut johtua matalasti sironneen näytteen ja staattisen sironnan yhdistelmästä, mahdollisesti kertakäyttöisestä näytekyvetistä. Vaikka osuvan valon intensiteetti voidaan optimoida, jotkin näytteet, kuten matalien pitoisuuksien proteiinit, saattavat sirota alle optimaalisen määrän fotoneja, vaikka valaiseva laser ei heikentäisikään, mikä tarkoittaa, että kaupallisen dynaamisen valonsirontajärjestelmän vakiotoimintaprosessit eivät välttämättä ole optimaalisia ja että voidaan käyttää pidempiä korrelaatioaikoja24 , jolloin näiden asetusten määrittäminen edellyttää laajaa menetelmän kehittämistä. Tämän vuoksi voidaan ottaa käyttöön toinen näytteeseen perustuva mittauksen mukautus, jossa laite käyttää lyhintä mahdollista alimittauspituutta, jolla saadaan optimaalinen määrä mitattavia fotoneja (ks. SI), ja tämä kuvataan optimoidussa mittausjärjestelmässä seuraavassa kohdassa.

Optimaalinen mittausjärjestelmä

Optimaalinen mittausjärjestelmä koostuu seuraavasta prosessista:

(1)
Mittausasennon ja osuvan valon intensiteetin optimointi.
(2)
Jos havaittu sirontataso on matala pienimmälläkin laserheikennyksellä, alimittauspituus optimoidaan perusviivakohinan vähentämiseksi.
(3)
Alimittaukset kerätään ja analysoidaan kumulanttianalyysin avulla.
(4)
Näistä analyyseistä saatuja PdI-arvoja verrataan toisiinsa ja tunnistetaan poikkeamat.
(5)
Vakiintuneen tilan alamittausten korrelaatiofunktiot keskiarvoistetaan ja tulos analysoidaan ZAve:n ilmoittamiseksi.
(6)
Lisämittauksia kirjataan ja analysoidaan kuten edellä, ja uusi lopullinen vastaus ZAve kirjataan.
(7)
Tämä prosessi toistetaan, kunnes kahden edellisen, vaiheista (5) ja (6) saadun ZAve-tuloksen havaitaan olevan yhtäpitäviä käyttäen hypoteesitestiä.
(8)
Kaikki transienttiset osamittaukset keskiarvoistetaan ja analysoidaan myös transienttikomponenttia koskevien tietojen saamiseksi.

Koska edellä mainittu algoritmi reagoi näytteen ominaisuuksiin, kun alamittauksen pituus, kerätyn datan määrä ja se, mitkä alamittaukset jätetään pois vakaan tilan tuloksesta, ovat kaikki riippuvaisia näytteestä ja datan laadusta, menetelmästä käytetään nimitystä adaptiivinen korrelaatio (Adaptive Correlation), joka on saanut inspiraationsa adaptiivisen optiikan (Adaptive Optics) käytöstä astronomiassa31 , jossa datan takaisinkytkentää käytetään havaittujen aberraatioiden korjaamiseen.

Universe