《Journal of Investigative Dermatology》：Spatial Lipidomics-based Melanoma Diagnostics by Integration of Mass Spectrometry Imaging and Machine Learning
编辑推荐：
本研究采用电喷雾电离飞行质谱成像（DESI-MSI）结合机器学习模型，分析了137例皮肤标本（65例配对正常组织、57例黑色素瘤、15例黑色素痣），发现模型在区分黑色素瘤与非黑色素瘤组织时达到90.24%的准确率，并识别出磷脂水平升高和甘油三酯降低的脂质特征，为黑色素瘤的诊断提供了新工具。
陈宇轩|廖兆瑜|蔡嘉芳|廖意华|徐正志
台湾国立大学化学系，台北，台湾
摘要
黑色素瘤是一种侵袭性皮肤癌，其全球发病率正在上升，但其脂质组学变化仍研究不足。我们应用解吸电喷雾离子化质谱成像（DESI-MSI）技术对137个冷冻皮肤标本（65个正常组织、57个黑色素瘤样本、15个黑色素痣）进行了分析，并开发了一个基于脂质组学的机器学习模型用于诊断评估。在临床相关的病变水平上，该模型在区分黑色素瘤与非黑色素瘤组织（包括正常皮肤和痣）方面的准确率为90.24%（37/41；95%置信区间：77.0%–96.3%）。像素级评估的准确率为94.71%（95%置信区间：94.23%–95.15%），灵敏度为93.76%（95%置信区间：93.09–94.37%），特异性为96.14%（95%置信区间：95.47–96.72%）。在区分黑色素瘤与黑色素痣方面，该模型在病变水平上的准确率为80.95%（17/21；95%置信区间：60.00%–92.33%），在像素级别上的准确率为93.10%（95%置信区间：92.42%–93.73%）。进一步分析显示，黑色素瘤的脂质组学特征与非黑色素瘤组织相比，磷脂水平升高而甘油三酯水平降低。空间分辨的DESI-MSI技术能够生成概率热图，准确勾勒出黑色素瘤区域，包括早期病变。总之，将DESI-MSI与机器学习结合使用显示出作为黑色素瘤脂质组学分析辅助工具的潜力。
引言
黑色素瘤是最具侵袭性和致命性的皮肤癌类型之一，以其快速生长、高度转移性和对现有治疗手段的抵抗性而闻名（Arnold M等人，2020；Heistein JB等人，2024）。分子病理学已在遗传、蛋白质组和代谢水平上对黑色素瘤进行了研究（Deacon DC等人，2021；Bradish JR等人，2014；Teixido C等人，2021）。基因组和蛋白质组学研究发现了关键的基因改变（例如BRAF、NRAS、NF1和KIT）及其相关的蛋白质变化，这些变化将遗传驱动因素与肿瘤行为联系起来（Davies H等人，2002；Akbani R等人，2015；Lazova R等人，2017；Casadonte R等人，2020；Al-Rohil RN等人，2021）。最近，代谢组学——特别是脂质组学——受到了关注，因为脂质直接影响细胞膜结构、能量储存和调节肿瘤增殖与侵袭的信号通路（Van Meer G等人，2008；Sunshine H等人，2017）。先前的研究已经揭示了黑色素瘤组织的特定脂质特征（Ackerman D等人，2014；R?hrig F等人，2016）。例如，神经酰胺和鞘磷脂-1-磷酸（S1P）代谢的紊乱与黑色素瘤进展有关（Bizzozero L等人，2014；Tang Y等人，2016）。此外，在黑色素瘤模型中观察到甘油磷脂（GPL）代谢的变化，如磷脂酰胆碱（PC）和磷脂酰乙醇胺（PE）水平的增加（Henderson F等人，2019）。此外，作为磷脂代谢产物的溶血磷脂酸（LPA）已被证明能促进黑色素瘤的侵袭（Jiang Y等人，2016）。这些发现表明脂质失调在黑色素瘤发展中起着关键作用，使脂质成为有前景的诊断靶点。
为了探索黑色素瘤中的空间脂质组学变化，我们使用了质谱成像（MSI）技术，该技术能够捕获皮肤组织的生化和空间数据。这使得它对于绘制肿瘤环境、根据脂质谱型对皮肤病变进行分类以及追踪肿瘤进展的分子方面非常有用（Sugihara Y等人，2018；Huergo-Ba?os C等人，2024；Neittaanm?ki N等人，2024）。在MSI技术中，解吸电喷雾离子化-MSI（DESI-MSI）在癌症研究中尤其具有前景。由于操作简单且无需复杂的样本准备即可快速分析大量数据，DESI-MSI可以有效区分肿瘤亚型、分级和边缘（Eberlin LS等人，2014；Santoro AL等人，2020；Yang X等人，2021）。这些独特特性使DESI-MSI成为增强黑色素瘤诊断、预后和治疗策略的强大工具（Banerjee S，2018；Takáts Z等人，2005）。
在这项研究中，我们通过将DESI-MSI分析与机器学习（ML）算法相结合，提供了一个平台，用于识别脂质生物标志物并绘制不同阶段黑色素瘤组织的预测概率热图。为了深入了解黑色素瘤的进展，我们收集了从原位到IV期黑色素瘤的各种样本，并使用正常皮肤和黑色素痣标本作为对照。本研究旨在展示基于DESI-MSI的脂质组学分析作为黑色素瘤诊断工具的潜力。
研究设计概述
在这项研究中，我们采用了基于MSI的工作流程来分析黑色素瘤中的脂质组学变化。使用DESI-MSI结合组织学评估，对正常皮肤、黑色素痣和黑色素瘤组织的冷冻切片进行了检测（图1）。标记的MSI数据用于训练机器学习模型，该模型通过区分不同的脂质谱型来识别与黑色素瘤相关的脂质候选物。为防止由于黑色素相关代谢物导致的潜在误分类，MSI像素数据经过了处理
讨论
肿瘤具有固有的空间异质性，这对代谢研究和疾病特征分析提出了重大挑战。为了解决这一复杂性，本研究将DESI-MSI与机器学习结合，实现了对脂质组学变化的直接、像素级分析。与批量分析不同，批量分析会平均分子信号并常常掩盖关键生物标志物，而基于像素的方法保留了组织的空间背景。
化学试剂
用于DESI-MS分析的乙腈（ACN）和二甲苯购自J.T. Baker（新泽西州菲利普斯堡），N,N-二甲基甲酰胺（DMF）购自Tedia（美国俄亥俄州）。用于组织病理染色的苏木精Gill II和伊红来自Leica Biosystems（德国里士满），乙醇（EtOH）来自Honeywell（美国北卡罗来纳州）。对于LC-HR-MS/MS，超纯水使用ELGA系统（美国伊利诺伊州）制备，异丙醇（IPA）和甲酸由Sigma-Aldrich提供
参与者
共收集了137个冷冻皮肤组织样本，包括65个正常组织样本、57个黑色素瘤样本和15个黑色素痣样本，来自72名患者。这些患者的信息（包括年龄、性别、疾病分期和肿瘤亚型）总结在表2中。
皮肤标本的收集与制备
所有涉及人类参与者的程序均获得了台湾国立大学医院（NTUH）研究伦理委员会的批准（批准编号：201912097RINA）。所有参与者在纳入研究前均签署了书面知情同意书。样本包括正常组织、黑色素瘤组织和黑色素痣样本。当存在时，正常样本来自肿瘤周围的未受累组织。标本用液氮新鲜冷冻并储存在-80°C。在-20°C下切制了两个12微米厚的连续冷冻切片
组织病理学
按照Fischer等人（2008）的方案，对连续切片组织进行了H&E染色进行组织病理学分析。染色过程如下：组织先用水冲洗，然后用苏木精Gill II染色2分钟，洗涤后用伊红复染1分钟，接着依次在75%、95%、100%的乙醇溶液中各浸泡1分钟，最后用二甲苯冲洗并风干。染色的切片被覆盖在玻璃载玻片上
伦理声明
所有涉及人类参与者和使用人类皮肤组织样本的程序均获得了台湾国立大学医院（NTUH）研究伦理委员会的批准（机构审查委员会编号：201912097RINA）。所有参与者或其法定监护人都在纳入研究前签署了书面知情同意书。
数据可用性声明
支持本研究结果的处理数据集和机器学习代码（Jupyter笔记本）存储在台湾国立大学医院（NTUH）的云服务器上，可通过以下URL访问：
https://aep.ntuh.gov.tw/public.php?service=files&t=yNLCKXZ8I9jA86ThiIxihcG6DgCza5PLC46yAh7lgwddWjzQ1Usl8HxcSSRhvAOD由于患者隐私和机构IRB的限制，原始质谱成像数据可在合理请求下向相应作者获取。
ORCIDs
陈宇轩：
https://orcid.org/0009-0003-9619-7652廖兆瑜：
https://orcid.org/0000-0002-1336-3850廖意华：
https://orcid.org/0000-0002-4434-3780徐正志：
https://orcid.org/0000-0002-2892-5326利益冲突声明
作者声明没有利益冲突。
人工智能和大型语言模型的声明
在准备这项工作时，作者使用了ChatGPT来改进手稿的英语语法流畅性，并优化了用于机器学习数据处理的Python脚本，使用了以下提示：“请润色以下段落以提高学术英语的清晰度：[手稿文本]”和“调试并优化以下Python代码：[代码片段]”。使用该工具/服务后，作者根据需要审查和编辑了内容。
作者贡献声明
概念构思：YHC、YHL、CCH；方法学：YHC、YHL、CCH；调查：YHC、YHL、JFT、JYL；数据管理：YHC；形式分析：YHC；资源：YHL、JFT、JYL；写作：初稿：YHC；写作：审阅与编辑：YHC、JYL、JFT、YHL、CCH；监督：YHC、CCH。
补充表S1. 在选择RFE之前，使用完整特征集对非黑色素瘤与黑色素瘤以及黑色素痣与黑色素瘤进行分类的模型性能总结
未引用的参考文献
Ackerman和Simon，2014；Bradish和Cheng，2014；R?hrig和Schulze，2016；Sunshine和Iruela-Arispe，2017。
致谢
本研究得到了台湾国家科学技术委员会（MOST 109-2314-B-002-050-MY3和NSTC 112-2314-B-002-076-MY3）以及台湾健康基金会的支持（资助对象为廖意华）。作者感谢台湾国立大学关键技术及仪器中心的质谱技术研究服务。廖意华博士被指定为这项工作的负责人，将负责处理任何相关问题。
