近期，电子科学与技术学院/福建省等离子体与磁共振重点实验室董继扬教授团队在质谱成像的空间分割领域取得一系列进展，相继在分析化学top期刊《Analytical Chemistry》上发表3篇学术论文。

质谱成像(MSI)是由质谱技术发展而来的一种新型分子成像技术，它通过直接扫描生物组织切片，同时获得生物分子的定性、定量和定位的信息，具有免标记、高通量和高分辨等优点，在药物分析、癌症研究和环境毒理等各种研究领域具有广泛的应用前景。空间分割(spatial segmentation)是MSI应用研究的一个关键分析步骤。通过MSI的空间分割，对生物组织的高分辨代谢轮廓进行有效聚类，识别具有特定分子表型的组织微区，为感兴趣表型的分子机制研究提供依据。然而，由于MSI数据具有高维度、低信噪比和缺乏基准数据集等特点，为MSI数据的空间分割提出巨大挑战。

首先，根据MSI的数据特点，将知识蒸馏策略引入模型设计和训练过程，有效地解决了MSI空间分割过程中出现的鲁棒性差和稳定性差等问题，提出一种基于分而治之思想的MSI分割策略，称为dc-DeepMSI （图1）。该模型提供了两种分割模式，即：通用模式(SPAT-spec) 和特定模式(spat-SPEC)，分别适应空间聚集(SPAT-spec)和空间弥散(spat-SPEC)的空间分布状态，提高MSI分割的精度。将dc-DeepMSI 应用于小鼠胚胎MSI数据分析，结果表明该方法在抗噪性、稳定性和时间成本方面均优于现有的空间分割方法。进一步利用dc-DeepMSI分析人体乳腺癌组织的肿瘤异质性，获取了不同肿瘤亚区的多个生物标志物，从而阐明脂质小分子在不同肿瘤亚区中的调控作用。该项工作于2023年1月在线发表在Analytical Chemistry上。

图1. dc-DeepMSI模型框架 

其次，为解决标注数据少的问题，提出一种基于弱监督学习的交互式分割模型，称为iSegMSI，如图2所示。该方法将不精确不完整的先验知识以涂鸦正则项的形式引入模型训练过程中，利用已有的先验知识对无监督方法所产生的不恰当的分割区域进行修正。从而解决MSI研究中，由于缺乏精确完整的MSI标注数据，而难于实现高精度的组织MSI空间分割问题。在小鼠胚胎和人体甲状腺肿瘤组织的MSI数据上的分割结果表明，iSegMSI不仅能够修正不恰当的异质区合并以及同质区分离，还能通过多次连续交互的在线学习方式稳步提升分割效果。该工作于2022年10月12日正式发表在Analytical Chemistry上。

图2. iSegMSI实现质谱成像数据的交互式分割

此外，课题组通过大量的实验分析，详细分析了数据滤波算法对MSI空间分割的影响，提出一种新型质谱成像空间分割流程，有效地提高了空间分割结果的可靠性。在目视检测、空间均匀性、时间成本和鲁棒性方面均优于其他传统方法。这项工作为评估和筛选药物/化学诱导的靶向器官，探索疾病进展和分子机制提供了有力的工具。该项工作于2021年3月8日发表在Analytical Chemistry上。 

图3. 优化的MSI空间分割流程及其结果

这一系列工作在董继扬教授指导下完成，博士生郭磊为第一作者。香港浸会大学蔡宗苇教授、中科院深圳先进院赵超副研究员、团队成员许晶晶高工、博士生刘星星合作完成；并且得到了国家自然科学基金、国家重点研究计划、福建省自然科学基金等资助。

论文链接:

https://pubs.acs.org/doi/full/10.1021/acs.analchem.2c04045

https://pubs.acs.org/doi/full/10.1021/acs.analchem.2c01456

https://pubs.acs.org/doi/full/10.1021/acs.analchem.0c05242

生物医学网络分析实验室：https://bionet.xmu.edu.cn/

福建省等离子体与磁共振研究重点实验室: http://pmr.xmu.edu.cn/

（电子科学与技术学院投稿）