Blütenstaub ist eine der Hauptursachen für allergische Erkrankungen des Menschen. Insbesondere die Matrix-unterstützte Laser-Desorption/Ionisation-Flugzeit Massenspektrometrie stellt eine geeignete Technik dar, um solch komplexe, biologische Proben zu charakterisieren. Bei MALDI-TOF MS-Analysen werden die Bestandteile detektiert, die zuvor durch die Matrixauftragung und/oder während der Laser-Desorption von der Oberfläche des Pollenkorns abgelöst werden. Hier zeigte sich, dass die Verwendung eines leitfähigen Klebebandes zur Probenpräparation sowohl die Fixierung der Pollenkörner als auch die Extraktion der Analyten aus diesen verbessert. Die gezeigten Ergebnisse belegen, dass sich Pollen verschiedener Pflanzenarten über den Vergleich von massenspektrometrischen Peakmustern differenzieren lassen. Zur Beurteilung der spektralen Muster wurden in dieser Arbeit multivariate, statistische Verfahren, speziell die Hauptkomponentenanalyse verwendet. Diese hebt Unterschiede in den Datensätzen hervor und ermöglicht eine varianzgewichtete Darstellung und verbesserte Klassifizierung. Zur effizienten multivarianten Analyse wurde dieses Verfahren in eine graphische Benutzeroberfläche eingebunden. Neben der individuellen Charakterisierung einzelner Pollenproben liegt eine weitere Herausforderung in der massenspektrometrischen Analyse von Pollenkornmischungen, da es durch Vermischungs- und Suppressionseffekte zur Diskriminierung einzelner, möglicherweise charakteristischer MS-Peaks kommen kann. Deshalb wurde in dieser Arbeit die bildgebende MALDI Massenspektrometrie angewendet. So konnten in einem Modellsystem einzelne Pollenkörner unterschiedlicher Arten nachgewiesen und ihren ursprünglichen Positionen in der Probe zugeordnet werden. Der im Rahmen der Arbeit vorgestellte Ansatz stellt eine neue, zuverlässige Methode zur Pollenbestimmung dar, die nicht auf der individuellen, visuellen Beurteilung, sondern auf einer spektrometrisch-analytischen Basis beruht. / Pollen represent one of the major causes for allergies in humans. Matrix-assisted laser desorption/ ionization time-of-flight is a suitable technique to characterize such complex biological samples. In pollen analyses, MALDI-TOF MS detects components that are extracted from the grain surface by the matrix solution and during laser desorption. Like any biological structure, pollen grains contain specific proteins, peptides, lipids and carbohydrates that produce characteristic signal patterns in the mass spectrum. The sample preparation applied in this work showed that the use of a conductive adhesive tape improves both the fixation of the pollen grains and the extraction of the analytes from them. The shown results prove that pollen of different plant species can be differentiated by comparing their respective mass spectral patterns. For the evaluation of such spectral patterns multivariate statistical methods, and in this work especially principal component analysis, are needed. PCA highlights differences in data sets and enables variance-weighting and improved classification. For efficient multivariate analysis, this method was integrated into a graphical user interface. In addition to the individual characterization of pollen samples, the mass spectrometric analysis of pollen grain mixtures posed a further challenge, since mixing and suppression effects can lead to discrimination of individual, possibly characteristic MS-peaks. For this purpose, the MALDI MS Imaging technique was applied. For the evaluation of such imaging data sets, further multivariate methods were applied, investigated, and evaluated. Thereby, in a model system individual pollen grains of different species could be identified and assigned their original position in the sample. The presented approach represents a new, reliable method for pollen determination, based on spectrometric-analytical basis rather than an individual visual assessment.

Die Vorverarbeitung und Analyse von spektrometrischen und spektroskopischen Daten von Pflanzengewebe sind in den unterschiedlichsten Forschungsbereichen wie der Pflanzenbiologie, Agrarwissenschaften und Klimaforschung von großer Bedeutung. Der Schwerpunkt dieser Arbeit liegt auf der optimierten Nutzung von Daten von Pflanzengeweben, insbesondere der Daten gewonnen durch Matrix–Assistierte Laser–Desorption–Ionisierung Massenspektrometrie, Raman-Spektroskopie und Fourier-Transform-Infrarotspektroskopie. Die Klassifizierungsfähigkeit mit diesen Methoden wird insbesondere nach Kombination der Daten untereinander und mit zusätzlichen chemischen und biologischen Informationen verglichen. Die diskutierten Beispiele befassen sich mit der Untersuchung und Einordnung innerhalb einer bestimmten Pflanzenart, beispielsweise der Unterscheidung von Proben aus unterschiedlichen Populationen, Wachstumsbedingungen oder Gewebeunterstrukturen. Die Daten wurden mit sowohl mit explorativen Werkzeugen wie der Hauptkomponentenanalyse und der hierarchischen Clusteranalyse, als auch mit Methoden des maschinellen Lernens wie die Diskriminanzanalyse oder künstliche neuronale Netzwerke umfassten. Konkret zeigen die Ergebnisse, dass die Kombination der Methoden mit zusätzlichen pflanzenbezogenen Informationen in einer Konsensus-Hauptkomponentenanalyse zu einer umfassenden Charakterisierung der Proben führt. Es werden verschiedene Strategien zur Datenvorbehandlung diskutiert, um nicht relevante spektrale Information zu reduzieren, z.B. aus Karten von Pflanzengeweben oder eingebetteten Pollenkörnern. Die Ergebnisse dieser Arbeit weisen auf die Relevanz der gezielten Nutzung spektrometrischer und spektroskopischer Daten hin und lassen sich nicht nur auf pflanzenbezogene Themen, sondern auch auf andere analytische Klassifizierungsprobleme übertragen. / The pre-processing and analysis of spectrometric and spectroscopic data of plant tissue are important in a wide variety of research areas, such as plant biology, agricultural science, and climate research. The focus of the thesis is the optimized utilization of data from plant tissues, which includes data from Matrix-Assisted-Laser Desorption/Ionization time of flight mass spectrometry, Raman spectroscopy, and Fourier transform infrared spectroscopy. The ability to attain a classification using these methods is compared, in particular after combination of the data with each other and with additional chemical and biological information. The discussed examples are concerned with the investigation and classification within a particular plant species, such as the distinction of samples from different populations, growth conditions, or tissue substructures. The data were analyzed by exploratory tools such as principal component analysis and hierarchical cluster analysis, as well as by predictive tools that included partial least square-discriminant analysis and machine learning approaches. Specifically, the results show that combination of the methods with additional plant-related information in a consensus principal component analysis leads to a comprehensive characterization of the samples. Different data pre-treatment strategies are discussed to reduce non-relevant spectral information, e.g., from maps of plant tissues or embedded pollen grains. The results in this work indicate the relevance of the targeted utilization of spectrometric and spectroscopic data and could be applied not only to plant-related topics but also to other analytical classification problems.