High-resolution magic angle spinning (HRMAS) Nuclear magnetic resonance (NMR) 1H spectroscopy is playing an increasingly important role for diagnosis. This technique enables setting up metabolite profiles of ex vivo pathological and healthy tissue. Automatic quantitation of HRMAS signals provides reliable reference profiles useful to monitor diseases and pharmaceutical follow-up. However for several metabolites, the values of chemical shifts of proton groups may slightly differ according to the microenvironment in the tissue or cells, in particular to its pH. This hampers accurate estimation of the metabolite concentrations mainly when using quantitation algorithms based on a metabolite basis-set: the metabolite fingerprints are not correct anymore. In this work, we propose an accurate method based on quantum mechanical (QM) simulations. The proposed algorithm automatically corrects mismatches between the signal under analysis and the signals of the simulated basis-set by modifying the basis-set signals. In the optimization procedure, the basis-set signals are simulated again by varying the chemical shifts of metabolites in the QM procedure. Cross-correlation was used as cost function to measure how well the signals match each other. The proposed method, QM-QUEST, provides more robust fitting while limiting user involvement and respects the correct fingerprints of metabolites. Its efficiency is demonstrated by accurately quantitating signals from tissue samples of human brains with oligodendroglioma.

La Spectroscopie de résonance magnétique nucléaire (RMN) Haute résolution à l’angle magique (HRMAS) joue un rôle de plus en plus prépondérant pour le diagnostic médical. Cette technique permet d’établir les signatures ex vivo de tissus sains et pathologiques. Cependant, pour certains métabolites, les valeurs des déplacements chimiques des groupes de protons peuvent légèrement varier en fonction de l’environnement des tissus particulièrement son pH. Cet effet gêne l’estimation correcte des concentrations des métabolites lorsqu’on utilise des algorithmes de quantification fondés sur une base de données de métabolites: les signatures des métabolites ne sont plus respectées. Dans ce travail, nous proposons une méthode fondée sur les simulations des signaux par mécanique quantique (MQ) pour pallier ce problème. L’algorithme corrige automatiquement les différences entre le signal expérimental et les signaux simulés de la base de métabolites en modifiant ces derniers en variant les déplacements chimiques des noyaux des métabolites. La corrélation croisée permet dans la procédure d’optimisation de maximiser l’adéquation entre le signal à quantifier et ceux de la base de métabolites. Cette méthode, QM-QUEST, est plus robuste tout en limitant l’implication de l’utilisateur et respecte les signatures des métabolites. Son efficacité est démontrée en quantifiant de façon précise des signaux d’échantillons du cerveau humain présentant des oligodendrogliomes.