基于图卷积网络的质谱成像空间精准分割框架SagMSI及其在组织代谢异质性解析中的应用

质谱成像(MSI)面临高维度、非线性光谱数据带来的空间分割挑战。厦门大学团队开发了基于图卷积网络(GCN)的无监督分割框架SagMSI，通过空间感知图构建整合像素间生物分子特征与空间邻接关系，在模拟数据和多种组织数据集（小鼠脑/肾、人类肝癌等）中实现优于t-SNE+k-means和CNN方法的微区边界识别，为空间代谢组学提供新工具。

　　

质谱成像(MSI)技术能在不依赖标记的情况下，同时获取生物样本中数千种代谢物的空间分布信息，已成为探索组织微环境异质性的利器。然而，海量的高维光谱数据（单个像素含数千m/z特征）、复杂的噪声干扰以及代谢物分布的非线性特征，使得传统基于统计假设的聚类方法（如k-means、高斯混合模型）难以准确划分组织亚区。尽管卷积神经网络(CNN)在医学图像分割中表现优异，但其网格化卷积核会丢失不规则空间关联，且深层网络易导致边界模糊。这些瓶颈严重制约了MSI在肿瘤克隆演化分析、器官精细结构解析等领域的应用价值。

厦门大学研究人员在《Analytica Chimica Acta》发表的研究提出创新解决方案——SagMSI框架。该工作通过三阶段技术路线：首先利用自编码器(AE)压缩光谱维度，继而构建融合空间坐标与光谱相似性的异构图，最后采用图卷积网络(GCN)聚合多阶邻域信息。关键技术包括DESI/MALDI质谱成像数据预处理、空间拓扑图构建（结合k近邻与径向基函数权重）、以及基于谱聚类优化的无监督节点分类。

【SagMSI deciphers more elaborate sub-organs in the mouse brain】
在小鼠脑数据集测试中，相比t-SNE+k-means将皮层过度分割为6个亚区，SagMSI准确识别出嗅球、海马等11个解剖结构，其调整兰德指数(ARI)达0.82，显著高于Cardinal软件(0.65)和CNN方法(0.71)。通过分析差异m/z特征，发现磷脂PE(38:4)在纹状体特异性富集，与已知生物学功能吻合。

【Materials】
研究验证了四类差异显著的MSI数据集：DESI采集的小鼠肾脏（正离子模式，m/z 79-1200）、MALDI获取的小鼠脑切片（空间分辨率50μm）、以及人类肝细胞癌移植瘤模型。所有数据均公开于ProteomeXchange和METASPACE平台。

【Conclusion】
该研究证实，通过图结构建模像素间复杂相互作用，GCN能突破CNN的局部感受野限制，在保留空间连续性的同时捕捉长程依赖。对小鼠肾脏的分析显示，SagMSI可识别传统方法遗漏的肾髓质过渡带；在肝癌模型中，其分割边界与病理染色一致性达89%。该方法为肿瘤微环境代谢分型、器官发育研究提供了自动化、可解释的分析工具。

讨论部分强调，SagMSI的创新性体现在：1) 首次将空间约束引入MSI图构建，通过调节邻域半径k平衡局部/全局信息；2) 采用无监督范式避免标记数据依赖，适应临床样本分析需求；3) 开源实现支持DESI/MALDI/SIMS等多种MSI技术。未来可扩展至多模态数据整合，如结合H&E染色图像优化边缘检测。