文獻精讀
再帕爾·阿不力孜科研團隊 第39期
中國醫(yī)學科學院藥物研究所
天然藥物活性物質(zhì)與功能國家重點實驗室
文獻整理：王相宜 指導教師：賀玖明
2019年1月,，本課題組在Anal.Chem.上發(fā)表了一篇題為“Virtual Calibration Quantitative Mass Spectrometry Imaging for Accurately Mapping Analytes across Heterogenous Biotissue”的研究論文,，采用空氣動力輔助解吸電噴霧離子化和人工神經(jīng)網(wǎng)絡算法,，以內(nèi)源性代謝物為天然內(nèi)標，建立了虛擬校正定量質(zhì)譜成像分析新方法,，解決了生物組織中難以均勻添加內(nèi)標化合物的技術難題,，實現(xiàn)了整體動物體內(nèi)或異質(zhì)性生物組織中藥物（或內(nèi)源性代謝生物標志物）的準確定量成像分析。 生物體各器官以及亞器官區(qū)域因其生化微環(huán)境不同使得藥物離子響應有差異,，尤其是異質(zhì)性生物組織（腎,、腦、腫瘤等）的基質(zhì)效應在組織微區(qū)中差別較大,。質(zhì)譜成像（MSI）技術作為新型分子成像技術,，可同時獲得藥物和代謝物的類型、含量和空間分布信息,，而基質(zhì)效應限制了定量質(zhì)譜成像（QMSI）的發(fā)展,。添加穩(wěn)定同位素標記內(nèi)標是校正基質(zhì)效應的常用方法，但該方法成本高,、樣品前處理繁瑣,、內(nèi)標化合物均勻添加困難。本研究以內(nèi)源性代謝物為天然內(nèi)標,，建立了虛擬校正定量質(zhì)譜成像（VC-QMSI）分析新方法,，校正每個像素點的相對基質(zhì)效應，實現(xiàn)準確定量成像分析,。1.采用AFADESI-MSI技術實現(xiàn)生物組織中藥物和大量內(nèi)源性代謝物同時成像檢測,。2.加入相同含量藥物至不同模擬組織中，選取與藥物離子強度變化相關性較高的前10個內(nèi)源性代謝物離子,，作為天然內(nèi)標,；以每個像素點中天然內(nèi)標相對強度為輸入變量Xi，對應像素中藥物相對離子強度為輸出變量Y,，用人工神經(jīng)網(wǎng)絡算法建立回歸模型fr=F(Xi),。
3.加入系列稀釋濃度藥物至模擬組織建立標準曲線樣品，輸入相應的Xi到回歸模型fr=F(Xi)中,，計算虛擬校正因子fr,，并對藥物離子相對強度Ii進行校正Ii′=Ii/fr，建立Ii′與藥物濃度的標準曲線,。
4.檢測并計算得到的待測組織或整體動物切片中各像素點的校正藥物離子相對強度Ii′，將Ii′代入標曲中得到對應的含量,，實現(xiàn)藥物準確定量成像,。5.t-SNE-Kmeans聚類分析整體動物所有像素點，實現(xiàn)自動空間識別,。6.完成藥物體內(nèi)分布準確定量分析,，進行藥代動力學性質(zhì)評價。2.對高度異質(zhì)性組織微區(qū)進行虛擬校正,。3.用抗腫瘤藥物甲氨蝶呤MTX和其氘代物MTX-D3以及紫杉醇衍生物PTXCH驗證VC-QMSI。4.用三種不同特征離子集合進行Kmeans聚類分析,，比較聚類和空間識別結果,。5.VC-QMSI在抗腫瘤候選藥物LXY6006（LXY）和PTXCH藥代動力學評價上的應用。1.人工神經(jīng)網(wǎng)絡算法準確性更好
比較四種不同算法（主成分回歸PCR,、索套回歸LR,、支持向量回歸SVM、人工神經(jīng)網(wǎng)絡ANN,，圖2A）建立的回歸模型,，各模擬器官相對基質(zhì)效應的計算結果顯示，LR和ANN的擬合效果更好（圖2B）,，平均相對誤差約小于10%,，相關系數(shù)大于0.99；用fr逐像素校正藥物離子強度后,，各器官間平均藥物相對離子強度的RSD小于15%,，且整體動物切片fr成像圖的區(qū)域差異明顯（圖2C）。ANN模型具有更高的準確性,，后續(xù)實驗中都采用ANN回歸模型,。2. 亞器官水平的虛擬校正
對高度異質(zhì)性組織（腎、腦,、腫瘤）中的藥物進行VC-QMSI,，組織切片相對校正因子RCF的可視化結果（圖3A-C）和統(tǒng)計分析（圖3D-F）顯示，RCF預測值在組織亞器官區(qū)域有差異,，校正后的腎髓質(zhì)和腎皮質(zhì)的標曲線性更好且斜率更接近（圖3I）,，證明VC-QMSI可以校正亞器官區(qū)域的待測物離子強度，消除組織特異性基質(zhì)效應的影響,。圖3 高度異質(zhì)性組織亞器官水平RCF預測
3. VC-QMSI驗證
加入相同含量MTX和MTX-D3至不同模擬組織中,，虛擬校正后各組織間和像素間的MTX離子強度差異RSD均下降；加入系列稀釋濃度MTX和MTX-D3至不同模型樣本（S1-S6）中,，結果表明虛擬校正（VC）和同位素校正（IC）的標曲線性一致,，r=0.9994（圖4B-C）。使用VC-QMSI方法,，終得到MTX（圖5B）和其代謝產(chǎn)物（圖5C）在整體動物切片中的定量成像圖,。以上結果說明VC具有與IC相同的效果。以PTXCH為待測物,，加入系列濃度標準溶液至不同模擬組織中,，虛擬校正后的標曲線性更好,，并且成功用于肌肉和腫瘤組織的校正和定量（圖6）。圖5 MTX和其代謝產(chǎn)物7-羥基-MTX整體動物定量質(zhì)譜成像結果（A:RCF成像）
4.t-SNE-Kmeans聚類分析空間識別準確
本研究建立了無監(jiān)督的,、基于代謝組學特征的區(qū)域聚類模型,，實現(xiàn)更準確的自動空間識別。分別使用110個內(nèi)源性代謝物離子,、3個PCA成分和3個t-SNE成分作為輸入變量,，三者Kmeans聚類分析結果顯示，t-SNE-Kmeans聚類分析方法將整體動物切片所有像素分為14個集群,，且集群重疊少（圖7A）,。將像素按照位置索引重構整體動物圖像（圖7D），發(fā)現(xiàn)絕大部分同一組織學區(qū)域的像素點屬于同一集群,。該方法可以提高定量藥物分布的準確性,，避免基于光學圖像指導的人工組織區(qū)域選擇造成的誤差。5.藥代動力學性質(zhì)評價
LXY在整體動物上的定量分布如圖8所示,，模擬心和肺中藥物響應較低,，而在校正后離子化效率和其他器官達到同一水平。將VC-QMSI和TEC（組織消光系數(shù)）-QMSI的定量結果進行比較,，相對誤差≤±35%,，兩者呈線性相關r=0.9855，說明VC-QMSI可以提供藥物準確定量分布情況,，并且可用于未知組織的定量分析,。
VC-QMSI也可應用于臨床前藥物研究，例如定量計算LXY不同劑型和給藥方式的生物利用度,。此外,，我們通過可視化藥物在整體動物切片中的分布情況，直觀比較抗腫瘤候選藥物LXY和PTXCH以及陽性藥PTX的腫瘤靶向效率（圖9）,，推測PTXCH有更好的靶向治療效果和更低的不良反應,。
VC-QMSI采用AFADESI-MSI技術和人工神經(jīng)網(wǎng)絡算法，以內(nèi)源性代謝物為天然內(nèi)標,，建立待測物濃度與內(nèi)源性代謝物之間的相對基質(zhì)效應預測回歸模型,，實現(xiàn)每個像素點的基質(zhì)效應校正，從而達到準確定量質(zhì)譜成像分析,。該方法解決了生物組織中難以均勻添加內(nèi)標化合物的難題,，無需高成本的同位素內(nèi)標制備和繁瑣的樣品前處理，且實現(xiàn)了整體動物或異質(zhì)性組織微區(qū)中藥物或生物標志物的準確定量成像分析,，為新藥研發(fā)或疾病診斷提供了更加準確可靠的可視化研究工具,。參考文獻：Song X，He J,，Pang X,，et al.Virtual Calibration Quantitative Mass Spectrometry Imaging for Accurately Mapping Analytes Across Heterogenous Bio-tissue[J]. Analytical chemistry, 2019，91(4)：2838-2846
