利用机器学习预测MALDI和MALDI-2质谱成像技术中药物在组织中的电离行为

《Analytical Chemistry》：Predicting the Ionization Behavior of Drugs in Tissue in MALDI and MALDI-2 Mass Spectrometry Imaging Using Machine Learning

本研究首次将机器学习应用于MALDI(-2)-MSI离子化效率预测，通过分析1200种药物化合物的物化性质和二维结构，测试了六种模型，发现SHAP分析表明多因素共同作用而非单一官能团主导，为药物分布研究提供新方法，并扩展至其他MALDI应用。

　　

基质辅助激光解吸/电离质谱（MALDI-MS）及其最常见的应用——MALDI-MS成像（MSI）是分析完整生物分子的常用技术。在药物研究领域，MALDI-MSI常用于研究药物及其代谢物在组织切片中的分布情况。虽然像MALDI-2这样的定位策略有助于提高信号强度，但MALDI-2分析中的离子产率却难以预测。在许多情况下，这会使得药物研究的计划和执行变得复杂，尤其是在考虑检测限的情况下。为了解决这些挑战，我们提出了一种利用机器学习（ML）来预测离子化效率的方法。为此，我们使用了之前发表的数据集，该数据集包含了约1200种类药化合物在正离子和负离子模式下进行成像实验所获得的数据。为了确定最佳的操作模式，我们测试了六种不同的机器学习模型，并利用了所有化合物都具备的选定物理化学性质和二维结构作为训练数据。随后的SHAP分析证实，预测过程中涉及了大量参数，而不仅仅是少数功能团的存在与否起主导作用。这项概念验证研究强调了机器学习的多因素特性在预测MALDI-2-MSI中离子产率方面的有效性。除了在药理学应用之外，这种方法未来还可以用于预测一般MALDI-/MALDI-2-MSI测量中的离子化能力。