《Journal of Biomedical Science》：Mass spectrometry-based human spatial omics: fundamentals, innovations, and applications
编辑推荐：
本文系统评述了基于质谱的空间组学技术，该技术将质谱的分子深度与空间成像相结合，能够在原位可视化蛋白质、代谢物、脂质等生物分子的空间组织。文章追踪了该领域从质谱成像（MSI）到标记及邻近标记等技术的快速演变，并重点介绍了其在提升空间分辨率、扩大分子覆盖度、实现深度分子表征方面的进展。综述还探讨了多模态数据整合分析流程，以及该技术在肿瘤微环境、神经退行性疾病、发育生物学和精准医学中的变革性应用。最后，文章展望了标准化、临床验证和可解释人工智能等未来挑战与机遇。
生命的奥秘不仅在于构成其的分子种类，更在于这些分子在空间中的精妙排布与相互作用。基于质谱的空间组学技术，如同一把分子显微镜，正在以前所未有的深度和精度绘制这幅生命的空间地图。这项技术融合了质谱强大的分子鉴定能力和空间成像技术，让我们得以在原位直接“看到”蛋白质、代谢物、脂质等生物分子在组织、甚至单个细胞中的分布。
质谱在空间分析中的基础
质谱仪是这项技术的核心，它通过测量离子的质荷比（m/z）来鉴定分子。其工作离不开三个关键部分：离子源、质量分析器和检测器。对于空间组学而言，离子源的选择尤为重要，它决定了我们如何从样品表面“提取”分子并保持其空间信息。常用的技术包括：
- •
二次离子质谱（SIMS）：使用聚焦的离子束轰击样品表面，能实现亚微米级的超高空间分辨率，但通常只能检测小分子如元素、脂质和小代谢物。
- •
基质辅助激光解吸/电离（MALDI）：通过在样品表面涂布能量吸收基质，并用激光照射，实现对大生物分子（如蛋白质）的“温和”电离和脱附，是空间蛋白质组学的核心平台。
- •
解吸电喷雾电离（DESI）及其变体纳喷雾DESI（nano-DESI）：在常压环境下，通过带电液滴撞击样品表面直接分析，无需复杂样品前处理，特别适合代谢物和脂质成像，nano-DESI还能用于蛋白质及其天然复合物的成像。
质量分析器则负责分离不同m/z的离子，其类型决定了分析的质量范围、分辨率和速度。飞行时间（TOF）分析器兼容性好、速度快，广泛应用于组织成像；而傅里叶变换离子回旋共振（FTICR）和轨道阱（Orbitrap）分析器则能提供超高分辨率和质量精度，用于区分复杂的翻译后修饰和蛋白异构体。
空间质谱组学的主要技术路径
根据分析是否在原位进行以及是否使用标记，基于质谱的空间方法大致可分为四类，构成了一个完整的技术矩阵：
- 1.
原位、无标记方法：以质谱成像（MSI）为代表，直接扫描样品切片，无需预先知道目标分子，能同时检测多种分子类型并发现新的空间模式，但空间分辨率通常在微米级，对低丰度分子灵敏度有限。
- 2.
原位、标记方法：包括成像质谱流式（IMC）和多重离子束成像（MIBI），使用金属标记的抗体标记特定蛋白，然后通过质谱检测金属标签。它们具有纳米级亚细胞分辨率和强大的多重检测能力（>30个靶标），但需要预先设计抗体。新兴的MALDI免疫组化（MALDI-IHC）则使用光可裂解的质量标签，在常规MALDI仪器上实现高度多重蛋白成像。
- 3.
离位、无标记方法：以激光捕获显微切割（LCM）结合液相色谱-质谱（LC-MS）为代表。从组织切片上精确切割感兴趣区域（ROI），再进行深度蛋白质组学分析。该方法能实现高覆盖度的蛋白质鉴定，但技术复杂，且失去了连续的空间背景信息。
- 4.
离位、标记方法：以邻近标记技术（如APEX、BioID、TurboID）为代表。在活细胞中，将“诱饵”蛋白与生物素连接酶融合，酶在纳米范围内标记邻近蛋白，从而绘制特定细胞器或蛋白复合物的相互作用图谱。新兴的“光蛋白质组学”甚至可以在固定或FFPE组织中，通过图像引导的光化学反应在用户定义的亚细胞结构中进行无偏标记。
在所有这些技术中，MSI因其无需标记、应用范围广、仪器相对普及，已成为空间组学研究中最主流和增长最迅速的技术方向。
质谱成像（MSI）的技术进展
近年来，MSI技术围绕四个核心方向取得了显著突破：
- •
空间分辨率：从常规的~5 μm向亚微米乃至纳米尺度迈进。手段包括：仪器改进（如集成微流控探针、透射模式MALDI-2）；组织膨胀技术（如凝胶辅助MSI，能将样本物理膨胀3-10倍，使标准仪器也能实现亚微米成像）；以及对骨骼等硬组织的特殊前处理。
- •
分子覆盖度：旨在检测更广、更深的分子种类。通用策略如使用1,5-二氨基萘（DAN）等双极性基质进行序贯双模式MALDI，可将在单次实验中检测到的代谢物数量翻倍。靶向策略则通过组织上化学衍生化（OTCD）来提高难电离或挥发性代谢物（如短链脂肪酸）的检测灵敏度；或通过酸化基质溶液来增强蛋白质和肽段的成像信号。
- •
分子表征：旨在获得超越分子量的精细结构信息。例如，通过单线态氧标记或在MALDI源内进行臭氧解（OzMALDI），可以在单次成像中确定脂质双键的位置。利用银离子（Ag+）依赖的碎裂，可以区分类固醇和前列腺素的区域异构体。更重要的是，天然质谱成像通过nano-DESI等温和的采样方式，能够在组织中原位保持蛋白质的非共价相互作用，直接成像高达~145 kDa的天然蛋白质复合物、蛋白质-配体及蛋白质-金属相互作用。
- •
区域特异性采集：为了提升分析效率，减少冗余数据。例如，先通过傅里叶变换红外显微镜（FTIR）等技术对组织进行无标记快速成像，根据分子特征划分ROI，再引导MSI仅对这些关键区域进行深度采集，可将数据量减少95%以上。另一种策略是代谢组信息引导的蛋白质组成像（MIPI），先通过MALDI-MSI进行代谢物全景扫描，定位代谢活跃的亚区域，再从相邻切片上对相应区域进行超灵敏的蛋白质组学分析。
MSI数据分析的计算创新
随着数据量激增至GB甚至TB级，计算分析面临存储、处理和整合的挑战。
- •
面向云优化的文件格式：传统的imzML格式正向更适应大数据和云计算的格式演进。OME-Zarr作为一种基于分块数组存储的云优化格式，正被广泛采纳。在此基础上发展的SpatialData框架，为图像、标签、形状、表格等多种空间数据提供了统一存储和通用坐标系，极大地简化了跨平台数据的整合分析。
- •
融合机器学习的数据分析方法：深度学习被用于MSI流程的多个环节。在数据采集阶段，MOSR等模型可以通过迁移学习提升图像空间分辨率；DLADS算法能动态选择信息量高的像素进行采样，大幅缩短成像时间。在数据处理阶段，MassShiftNet等神经网络方法能更精准地进行质量数校正；PCA-n2v等方法能有效降噪，揭示被噪声掩盖的弱信号。
- •
跨模态图像配准：为了整合MSI与光学显微镜、空间转录组等其他模态的数据，需要精确的图像配准算法。基于特征点（如SIFT）或基于深度学习（如VGG）的方法被用于对齐不同来源的图像，从而实现多组学数据在相同空间背景下的联合分析，获取更全面的生物学见解。
多模态整合与转化应用
MSI的真正力量在于其与其他空间组学技术的整合。通过跨模态配准，可以将MSI提供的蛋白质、代谢物、脂质分布图，与空间转录组提供的基因表达图谱、显微图像提供的形态学信息进行叠加，从而在分子机制和细胞功能之间建立直接联系。
这种多模态的力量正在转化医学中释放巨大潜力：
- •
肿瘤微环境（TME）分析：MSI能够解析肿瘤内不同区域（如核心区、侵袭前沿、免疫细胞浸润区）特有的代谢重编程、脂质组成和蛋白质表达，揭示肿瘤异质性、免疫逃逸机制和潜在的耐药性。
- •
神经退行性疾病研究：MSI可用于绘制阿尔茨海默病、帕金森病等疾病模型中，蛋白质聚集物（如β-淀粉样蛋白、α-突触核蛋白）、相关脂质和代谢物的空间分布，探索其传播路径和神经毒性机制。
- •
发育生物学：在胚胎或器官发育过程中，MSI能够可视化指导细胞分化和组织形态发生的关键信号分子、代谢物和脂质的动态空间梯度。
- •
生物标志物发现与精准医学：通过比较健康和病变组织的空间分子图谱，可以发现具有诊断或预后价值的空间生物标志物。在精准医疗中，MSI甚至有望指导手术边界确定和个性化用药。
展望未来
尽管前景广阔，基于质谱的空间组学仍面临标准化、临床验证、数据分析复杂性等挑战。未来的发展需要建立统一的实验和数据标准，推动大规模临床队列研究以验证其临床应用价值，并开发更强大、更可解释的人工智能工具来解读日益复杂的多维空间数据。随着这些挑战被逐步攻克，基于质谱的空间组学必将成为多维空间生物学和个性化医疗的基石性支柱。
