本課題組在《Analytica Chimica Acta》上發表了一篇題為“A graphical data processing pipeline for mass spectrometry imaging-based spatially resolved metabolomics on tumor heterogeneity”的研究論文，采用自主研發的空氣動力輔助解吸電噴霧離子化質譜成像（AFADESI-MSI）技術和MassImager質譜成像軟件，開發了一種基于圖形界面的MSI數據處理和空間分辨代謝組學分析方法，并開展了腫瘤的代謝異質性研究，發現低豐度生物標志物。

背景介紹

    腫瘤異質性在個體間或個體內普遍存在，且與治療方案、預后和耐藥等密切相關。腫瘤組織主要由腫瘤細胞、基質細胞以及正常組織細胞等多種細胞類型構成，其結構及生物化學微環境復雜，如何準確表征腫瘤組織的微區代謝異質性具有挑戰。另一方面，生物組織中代謝物的理化性質和結構復雜多樣，含量范圍寬。質譜成像（MSI）技術已經成為腫瘤代謝研究非常有力的可視化工具，對其海量的數據進行快速處理，以期挖掘與腫瘤異質性相關的代謝信息是亟待解決的關鍵問題。本文提出并開發了一種基于MassImager的圖形界面的數據處理方法，包括圖像疊加、數據提取、數據預處理以及基本統計算法，集數據分析與可視化于一體，并通過實驗驗證了該方法的可靠性。

實驗結果

1腫瘤異質性和代謝輪廓

    以甲狀腺腫瘤的AFADESI-MSI分析（正離子模式）為例，內源性代謝物動態范圍超過4個數量級，采用背景扣除可以去除高豐度背景噪音的干擾（圖1）。6種代表性內源性代謝物的離子成像圖如圖2所示，各離子在分布范圍和強度上呈現明顯差異，離子通道疊加并結合H&E染色和空間分割，揭示了腫瘤組織的代謝異質性。

2圖像疊加與數據準確提取

    為準確選擇感興趣的區域（ROI），我們在MassImager中加入了光學圖像疊加的功能。首先選擇一個可以表征整個組織輪廓的離子并成像，例如膽堿（[M+H]+: m/z 104.1076），導入光學圖像如H&E染色圖，通過縮放、旋轉和平移等操作，使其與成像圖完美疊加；然后選擇一個具有特異性分布的離子并成像，調整光學圖像透明度，根據形態結構和離子分布，確定ROI。例如，m/z 249.1525成像圖和H&E染色圖疊加指導腫瘤區代謝輪廓信息的準確提取（圖3A）。

3數據預處理

    MassImager中提供了7種數據預處理方法，通過即時統計分析，可以快速確定方法。首先按照前文方法提取腫瘤區、正常區和背景區的數據，然后比較四種預處理方法（中心化、patero標度化、自動標度化、對數轉換）對PLS-DA模型統計結果的影響，如圖4所示，預處理，尤其是對數轉換后表現出更好的聚類效果并發現更多低豐度生物標志物。

4腫瘤微環境代謝組學分析

    為進一步評價該數據處理方法的可靠性，以12例甲狀腺乳頭狀癌(PTC)為例，準確提取四個微區的質譜數據（圖5A），Pareto標度化后，OPLS-DA模型的得分圖（圖5B）表示腫瘤、基質和正常區之間有明顯差別，而兩個不同位置的正常組織具有非常相似的代謝特征。4種代表性代謝物在不同微區中的表達也有顯著差異(圖5C)。實驗證明該方法可以很好地表征腫瘤組織的微區代謝異質性。

總結

    本研究建立了一種基于MassImager的圖形界面的數據處理方法，依次進行離子圖像與光學圖像的匹配耦合疊加、數據提取和數據預處理，是一種簡便的空間分辨代謝組學數據處理工具，可以準確表征腫瘤組織的微區代謝異質性，發現更深層次的生物信息。

原文文獻：Luojiao Huang, et al. A graphical data processing pipeline for mass spectrometry imaging-based spatially 

轉自公眾號