《SCIENCE ADVANCES》：Layer-by-layer decoding of contemporary and historic painting composition using MALDI mass spectrometry imaging and machine learning
编辑推荐：
本文推荐一种创新的文化遗产分析方法，结合高分辨率基质辅助激光解吸电离质谱成像（MALDI-MSI）与机器学习模型（MSIpredictART），成功实现了对现代和历史多层绘画体系中复杂有机物与无机物成分的原位、无标记、高特异性识别与空间分布图谱绘制，为艺术研究、保护与修复提供了前所未有的分子层面洞察。
在博物馆的静谧展厅里，一幅幅跨越了数百年时光的画作静立于此，它们不仅是艺术史的见证，更是由矿物颜料、有机染料、油、蜡、蛋白质或合成聚合物等复杂材料层层构建而成的“时间胶囊”。然而，解读这些画作隐藏的“分子日记”却充满挑战。绘画是复杂多层结构，有机和无机组分混合存在，其原位化学相互作用常常形成交联和化学修饰的分子网络，使得材料的鉴定变得异常困难。传统化学分析多聚焦于无机和有机成分的识别，在无机材料研究方面已取得显著进展，但对有机大分子的分析常受限于技术手段。例如，目前应用最广泛的质谱成像技术（飞行时间二次离子质谱，TOF-SIMS）在识别和映射分子方面有效，但其高能电离过程常常会破坏蛋白质等大型、脆弱的有机分子，限制了信息的获取。为了更细致地“阅读”艺术品的每一层故事，研究者们亟需一种能同时提供高化学特异性和高空间分辨率的方法，以便在不损害珍贵样本的前提下，获取其成分、结构、保存状态乃至创作历史的全方位信息。这正是发表在《SCIENCE ADVANCES》上的研究工作的出发点。
为了回答这些问题，研究人员开发了一套整合了高分辨率基质辅助激光解吸/电离质谱成像（MALDI-MSI）与专用成分预测模型的工作流程。其关键技术方法包括：1. 对画作样本（包括来自纽约大都会艺术博物馆的17世纪历史画作《The Marriage of the Virgin》和当代画作）进行优化的切片制备，利用普通胶带稳定样本；2. 通过大气压扫描微探针MALDI（AP-SMALDI5）结合Orbitrap Q-Exactive质谱仪，在5μm空间分辨率下进行质谱成像数据采集；3. 利用从PubChem、SwissLipids和HMDB 4.0等数据库构建的自定义颜料与染料数据库进行质谱数据注释；4. 应用Kendrick质量亏损（KMD）图分析颜料分子分布；5. 开发并使用基于LASSO（最小绝对收缩和选择算子）算法的监督式机器学习模型“MSIpredictART”，对质谱成像数据进行自动化的粘合剂和颜料分类预测，并引入高斯混合模型（GMM）处理不确定性像素。
RESULTS部分的研究结果如下：
开发用于涂料的MALDI-MSI工作流程并构建用于谱图注释的自定义颜料和染料数据库
研究人员优化了适用于文化遗产材料的MALDI-MSI工作流程，包括利用胶带稳定和粘附画作横截面的切片制备方法。由于缺乏针对艺术材料的专用质谱数据库，他们利用PubChem条目创建了一个自定义颜料和染料数据库，并集成到METASPACE2020网络应用中，成功用于注释已知成分的油漆复制品。
利用Kendrick质量亏损图可视化颜料分子分布
通过Kendrick质量亏损（KMD）图分析，研究人员可以利用其独特的同位素分布模式来研究无机颜料组分。例如，含铁颜料在KMD图中展现出独特的“叉状”二维模式，这使得在复杂的质谱数据中追踪和识别颜料相关信号成为可能。他们在包含黄色赭石（FeOOH·H2O）的样本中观察到了这种模式，并识别出与连续水损失和FeOOH加成相对应的质量位移。
构建用于大分子分析的数据库
识别粘合剂成分是巨大挑战。为了增强分子识别，研究人员在自定义数据库基础上，补充了SwissLipids和人类代谢组数据库（HMDB 4.0），用于识别历史油漆粘合剂中的生物分子。尽管这些数据库为油漆层组成提供了有价值的初步见解，但它们仍无法明确区分不同类型的粘合剂。
构建预测模型：MSIpredictART
为了区分不同的有机粘合剂类别（特别是蛋白质基粘合剂），研究人员开发了名为MSIpredictART的监督式机器学习算法。该模型基于LASSO构建，能够自动高效地注释粘合剂和颜料层的组成。LASSO模型为离子特征分配数学权重，突出那些对区分类别最具信息性的峰。为了处理训练集中未包含的未知材料，模型引入了基于高斯混合模型（GMM）的“不确定”类，将置信度低于95%的像素归类于此，显著减少了错误分配的可能性。该模型在粘合剂和颜料分类上均表现出高特异性（粘合剂>95%，颜料>90%）和良好的灵敏度（60-90%）。
利用MALDI-MSI工作流程和MSIpredictART机器学习工具正确分配各层组成
评估模型性能时，研究人员使用了包含视觉上无法区分的涂层的样本。在一个案例中，MSIpredictART成功区分了两个同为白色、肉眼无法分辨的涂层，上层被识别为含有酪蛋白粘合剂和铅白颜料，下层则被正确识别为含有动物胶和石膏（gesso）。这证明了该模型即使仅凭视觉检查/显微镜无法区分时，也能准确揭示和识别涂层组成。
MALDI-MSI工作流程映射清漆在涂层中的渗透
在部分涂有达玛树脂清漆的油漆模型样本中，研究人员利用MALDI-MSI在涂层最外缘识别出与达玛树脂相关的萜类化合物及其衍生物。更重要的是，他们观察到这些标记化合物已渗透到最上层的油漆层内部。这一发现对文物保护处理（如清漆去除）的可行性提出了重要问题。
在历史艺术品中有机和无机高、低分子量化合物的逐层识别与绘图
研究人员将该工作流程和训练好的预测模型应用于一件历史艺术品——José Sanchez创作于约1690年的《The Marriage of the Virgin》的样本。这是首次对历史画作应用MALDI-MSI分析。通过MALDI-MSI、KMD分析和MSIpredictART预测，结合扫描电镜-能谱（SEM-EDS）、拉曼光谱、衰减全反射-傅里叶变换红外光谱（ATR-FTIR）、热裂解-气相色谱-质谱（Py-GC-MS）和液相色谱-串联质谱（LC-MS/MS）等多种互补技术验证，研究团队逐层解析了该画作的复杂结构。分析揭示了包括两层打底层（石膏/动物胶和赭石/铅白）、多层颜料层、厚度小于1微米的镀金层，以及后期修复处理（衬布线用的纸条）在内的详细成分。MALDI-MSI还成功识别出渗透到纸张层中的乳香或达玛树脂清漆。这些结果提供了关于艺术家如何构建画作层次的全面图像，其技术与17世纪末墨西哥其他艺术家的绘画技术一致。
在当代艺术品中有机和无机高、低分子量化合物的逐层识别与绘图
研究人员还将该方法应用于一位波尔多当地艺术家的当代画作样本。分析揭示了高度复杂的颜料组成，共鉴定出17种不同的颜料物种，包括同重素（isobar）。研究特别展示了三个红色涂层的细微颜料混合差异，并发现一个看似绿色的涂层实际上是由黄色颜料PY74/64与蓝色颜料PB15混合而成，而非使用绿色颜料。这凸显了MALDI-MSI因其高化学特异性，在解析多层油漆系统内颜料混合细节方面的强大能力。研究还展示了如何利用同位素分析和串联质谱（MS/MS）来确认颜料成分并区分同重素物种。
在DISCUSSION部分，研究团队强调了这项工作的综合意义。通过将MALDI-MSI与机器学习相结合，他们首次实现了在单次分析中对历史及当代绘画、彩绘和纺织品中广泛有机和无机艺术家材料的逐层识别与绘图。该工作流程所得结果与一系列光谱和质谱技术获得的数据具有可比性，且保留了宝贵的空间信息。研究不仅证明了MALDI-MSI在区分不同有机粘合剂（如油、蛋白质、树脂）方面的原位能力，为理解艺术技术、材料选择和工作室实践提供了关键见解，其预测模型MSIpredictART尤其擅长区分蛋白源性粘合剂（酪蛋白、蛋彩、动物胶），这是研究中的常见难点。这项技术代表了对历史和当代绘画分析的重大进步。对历史画作《The Marriage of the Virgin》的分析，首次展示了该技术以高空间分辨率识别有机粘合剂、颜料、清漆乃至亚微米级镀金的能力，为艺术家的创作技法、材料传统以及后期保护处理提供了分子层面的证据。对当代画作的分析则显示了该方法在解析现代艺术家使用的复杂、混合颜料及分层技术方面的广泛适用性，对记录其原始材料状态、指导预防性保护具有重要意义。该预测模型的演进性允许通过纳入更多数据集来持续改进，增强其稳健性和预测能力。未来，MALDI-MSI应被整合到多模态分析框架中，与SEM-EDS、拉曼光谱、ATR-FTIR等其他成像方法结合，以创建高度互补的分子图谱，从而在不增加取样的情况下，极大地丰富对油漆系统及其组成的理解，提升对艺术品的理解和情境化研究。
