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(fā)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(fā)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(huán)境復雜，如何準確表征腫瘤組織的微區(qū)代謝異質性具有挑戰(zhàn)。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(fā)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(tài)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(qū)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(tài)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(qū)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(qū)、正常區(qū)和背景區(qū)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(fā)現更多低豐度生物標志物。

4腫瘤微環(huán)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(qū)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(qū)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(qū)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(qū)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(qū)代謝異質性，發(fā)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