本課題組在《Analytica Chimica Acta》上發(fā)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(fā)的空氣動(dòng)力輔助解吸電噴霧離子化質(zhì)譜成像（AFADESI-MSI）技術(shù)和MassImager質(zhì)譜成像軟件,，開(kāi)發(fā)了一種基于圖形界面的MSI數(shù)據(jù)處理和空間分辨代謝組學(xué)分析方法,，并開(kāi)展了腫瘤的代謝異質(zhì)性研究，發(fā)現(xiàn)低豐度生物標(biāo)志物,。

背景介紹

    腫瘤異質(zhì)性在個(gè)體間或個(gè)體內(nèi)普遍存在,，且與治療方案、預(yù)后和耐藥等密切相關(guān),。腫瘤組織主要由腫瘤細(xì)胞,、基質(zhì)細(xì)胞以及正常組織細(xì)胞等多種細(xì)胞類(lèi)型構(gòu)成，其結(jié)構(gòu)及生物化學(xué)微環(huán)境復(fù)雜,，如何準(zhǔn)確表征腫瘤組織的微區(qū)代謝異質(zhì)性具有挑戰(zhàn),。另一方面，生物組織中代謝物的理化性質(zhì)和結(jié)構(gòu)復(fù)雜多樣,，含量范圍寬。質(zhì)譜成像（MSI）技術(shù)已經(jīng)成為腫瘤代謝研究非常有力的可視化工具,，對(duì)其海量的數(shù)據(jù)進(jìn)行快速處理,，以期挖掘與腫瘤異質(zhì)性相關(guān)的代謝信息是亟待解決的關(guān)鍵問(wèn)題。本文提出并開(kāi)發(fā)了一種基于MassImager的圖形界面的數(shù)據(jù)處理方法,，包括圖像疊加,、數(shù)據(jù)提取,、數(shù)據(jù)預(yù)處理以及基本統(tǒng)計(jì)算法，集數(shù)據(jù)分析與可視化于一體,，并通過(guò)實(shí)驗(yàn)驗(yàn)證了該方法的可靠性,。

實(shí)驗(yàn)結(jié)果

1腫瘤異質(zhì)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(nèi)源性代謝物動(dòng)態(tài)范圍超過(guò)4個(gè)數(shù)量級(jí),，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?xún)?nèi)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(qiáng)度上呈現(xiàn)明顯差異,，離子通道疊加并結(jié)合H&E染色和空間分割,，揭示了腫瘤組織的代謝異質(zhì)性。

2圖像疊加與數(shù)據(jù)準(zhǔn)確提取

    為準(zhǔn)確選擇感興趣的區(qū)域（ROI）,，我們?cè)?/font>MassImager中加入了光學(xué)圖像疊加的功能,。首先選擇一個(gè)可以表征整個(gè)組織輪廓的離子并成像，例如膽堿（[M+H]+: m/z 104.1076）,，導(dǎo)入光學(xué)圖像如H&E染色圖，通過(guò)縮放,、旋轉(zhuǎn)和平移等操作,，使其與成像圖完美疊加；然后選擇一個(gè)具有特異性分布的離子并成像,，調(diào)整光學(xué)圖像透明度，根據(jù)形態(tài)結(jié)構(gòu)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(dǎo)腫瘤區(qū)代謝輪廓信息的準(zhǔn)確提?。▓D3A）,。

3數(shù)據(jù)預(yù)處理

    MassImager中提供了7種數(shù)據(jù)預(yù)處理方法，通過(guò)即時(shí)統(tǒng)計(jì)分析,，可以快速確定方法,。首先按照前文方法提取腫瘤區(qū),、正常區(qū)和背景區(qū)的數(shù)據(jù),，然后比較四種預(yù)處理方法（中心化,、patero標(biāo)度化,、自動(dòng)標(biāo)度化,、對(duì)數(shù)轉(zhuǎn)換）對(duì)PLS-DA模型統(tǒng)計(jì)結(jié)果的影響，如圖4所示,，預(yù)處理,，尤其是對(duì)數(shù)轉(zhuǎn)換后表現(xiàn)出更好的聚類(lèi)效果并發(fā)現(xiàn)更多低豐度生物標(biāo)志物。

4腫瘤微環(huán)境代謝組學(xué)分析

    為進(jìn)一步評(píng)價(jià)該數(shù)據(jù)處理方法的可靠性,，以12例甲狀腺乳頭狀癌(PTC)為例,，準(zhǔn)確提取四個(gè)微區(qū)的質(zhì)譜數(shù)據(jù)（圖5A）,，Pareto標(biāo)度化后,，OPLS-DA模型的得分圖（圖5B）表示腫瘤、基質(zhì)和正常區(qū)之間有明顯差別,，而兩個(gè)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(qū)中的表達(dá)也有顯著差異(圖5C)。實(shí)驗(yàn)證明該方法可以很好地表征腫瘤組織的微區(qū)代謝異質(zhì)性,。

總結(jié)

    本研究建立了一種基于MassImager的圖形界面的數(shù)據(jù)處理方法,，依次進(jìn)行離子圖像與光學(xué)圖像的匹配耦合疊加、數(shù)據(jù)提取和數(shù)據(jù)預(yù)處理,，是一種簡(jiǎn)便的空間分辨代謝組學(xué)數(shù)據(jù)處理工具,，可以準(zhǔn)確表征腫瘤組織的微區(qū)代謝異質(zhì)性，發(fā)現(xiàn)更深層次的生物信息,。

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

轉(zhuǎn)自公眾號(hào)