SpiderMass环境质谱与多模态机器学习实现离体卵巢癌分型及探索性免疫评分

《Journal of Advanced Research》：SpiderMass ambient mass spectrometry and multimodal machine learning enable ex vivo ovarian cancer typing and exploratory immunoscoring

　　

完全细胞减灭术仍然是卵巢癌预后的最强决定因素之一，然而外科医生仍然缺乏可在手术过程中重复使用的快速组织评估工具。本研究中，研究人员评估了SpiderMass环境质谱（ambient mass spectrometry）与机器学习（machine-learning）模型相结合是否能够支持离体（ex vivo）卵巢组织分型和探索性免疫微环境（immune microenvironment）映射。共分析了来自119名患者的128份卵巢标本，用于从新鲜冷冻和福尔马林固定石蜡包埋（formalin-fixed paraffin-embedded, FFPE）材料训练亚型分类模型，并保留24份独立组织（来自16名患者）用于盲法区域水平测试。初始PCA-LDA（主成分分析-线性判别分析）模型通过筛选24种分类器得到改进；Ridge模型在联合队列上达到97%的5折交叉验证准确率。在盲法分析中，混合Ridge模型产生的错误最少，但误分类仍然集中在代表性不足的子宫内膜样区域。结合SpiderMass谱图和数字化组织学的双输入网络将内部性能提升至5折交叉验证99%和小型盲法图像-谱图集上的100%，优于仅分子分支。模型解释随后通过MALDI-MSI（基质辅助激光解吸电离质谱成像）交叉验证，鉴定出26种亚型相关脂质。研究人员随后训练了一个基于免疫细胞和上皮细胞谱图的LightGBM（轻量级梯度提升机）细胞状态模型，并将其应用于SpiderMass成像数据。空间预测与多重MALDI-IHC（基质辅助激光解吸电离免疫组化）大致一致，并突显了免疫细胞分布的亚型特异性差异。在化疗前获得的8份高级别浆液性癌样本的探索性分析中，较长生存期似乎与较高的淋巴细胞评分、较高的M1样巨噬细胞评分和较高的M1/M2比值相关，而较短生存期似乎与较高的癌细胞评分相关。这些数据支持SpiderMass作为一种有前景的离体平台用于卵巢癌分型和假设生成的免疫评分，同时强调了在临床实施前需要进行前瞻性术中研究、正交生物标志物验证、在更大队列中进行探索性免疫评分验证以及多中心患者水平外部验证。

论文解读文章

卵巢癌是致死率最高的妇科恶性肿瘤之一，其预后很大程度上取决于能否实现完全肉眼切除。然而，当前术中组织评估工具（如冰冻切片分析）存在耗时、依赖操作者经验且不便于重复空间采样等局限。此外，肿瘤免疫微环境（tumor immune microenvironment）在疾病进展与治疗反应中发挥关键作用，但术中快速获取微环境信息的工具尚缺乏。为此，研究人员探索了SpiderMass环境质谱（ambient mass spectrometry）结合机器学习（machine learning）模型是否能够实现离体（ex vivo）卵巢组织分型及探索性免疫评分，以弥补现有技术的不足。该研究发表于《Journal of Advanced Research》。

研究人员开展了系统性的离体实验：从119名患者获取128份卵巢组织样本（包括新鲜冷冻与FFPE标本），训练亚型分类模型；另留16名患者的24份独立组织进行盲法验证。关键技术方法包括：SpiderMass水辅助激光解吸电离质谱采集脂质指纹；利用包含24种分类器的筛选流程优化模型（优选Ridge回归）；构建双输入神经网络整合数字化组织学图像与质谱谱图；通过MALDI-MSI（基质辅助激光解吸电离质谱成像）交叉验证26种亚型相关脂质；基于纯化免疫细胞和肿瘤细胞谱图训练LightGBM（轻量级梯度提升机）细胞状态模型，生成组织免疫评分空间概率图；并用多重MALDI-IHC（基质辅助激光解吸电离免疫组化）验证免疫细胞分布；最后在化疗前获得的8份高级别浆液性癌样本中探索免疫评分与生存期的关联。样本队列来源为法国里尔Oscar Lambret中心。

研究结果分多个部分呈现。**Study design, cohorts and analytical workflow**：研究人员设计了包含训练队列（119名患者/128份样本）、盲法验证队列（16名患者/24份组织）及生存分析子集（8份高级别浆液性癌样本）的整体工作流程，通过SpiderMass采集谱图并配对组织学注释。**SpiderMass distinguishes ovarian tissue classes and benefits from model selection**：初始PCA-LDA模型准确率仅约83%，经过24种分类器筛选后，Ridge模型在联合队列上达到97%的5折交叉验证准确率；盲法区域水平测试正确分类率为74%（组织水平为80%），误分类集中在子宫内膜样亚型，提示类别不平衡问题。**Adding histology improves classification robustness but is not yet an intraoperative workflow**：双输入神经网络（结合数字化组织学与质谱谱图）在5折交叉验证中达到99%准确率，并在40对盲法图像-谱图测试中实现100%准确率，优于仅分子分支（88%），但该模型依赖术后组织学图像，尚不能直接用于术中。**Subtype-associated lipid markers support biological interpretation**：通过LIME（局部可解释模型无关解释）解释与MALDI-MSI交叉验证，鉴定出26种亚型相关脂质，如高级别浆液性癌富集PA（磷脂酸）和PE（磷脂酰乙醇胺）物种，而黏液性癌显示更强PC（磷脂酰胆碱）信号，与既往文献一致。**SpiderMass captures immune-cell lipid signatures at mesoscale resolution**：基于纯化免疫细胞和上皮/肿瘤细胞谱图训练的PCA-LDA模型总体分类准确率达97%，巨噬细胞极化状态（M1/M2）及淋巴细胞亚群均能被区分，相关脂质标志物如巨噬细胞相关葡萄糖神经酰胺（glucosylceramides）被鉴定。**Exploratory immunoscoring maps tissue composition and shows broad concordance with MALDI-IHC**：将LightGBM细胞状态模型应用于SpiderMass成像数据，生成每个像素的细胞状态相对存在分数（Relative Score of Presence, RSP）空间图，显示不同亚型间免疫细胞分布差异；与多重MALDI-IHC（CD68、CD8α、Ki67）相比，空间分布总体一致，但受空间分辨率差异影响（SpiderMass约500μm光斑 vs. MALDI-IHC 20μm）。**Exploratory high-grade serous survival analysis is driven primarily by lymphocyte and M1/M2 signals**：在8份化疗前高级别浆液性癌样本中，较长生存组（OS>50个月）相比较短生存组（OS<42个月）显示更高的淋巴细胞评分（+56%）、M1样巨噬细胞评分（+74%）及更高的M1/M2比值（6.04 vs. 4.18），较短生存组则显示更高的癌细胞评分（+25%）；该分析为探索性，样本量小且未进行多变量调整。

讨论部分总结指出：本研究将SpiderMass从诊断指纹工具扩展为整合组织分型、生物标志物发现和微环境映射的离体平台。创新点在于环境脂质谱与透明模型选择、多模态组织学整合、免疫细胞概率空间反投影及正交验证（MALDI-MSI/多重MALDI-IHC）的层次组合。但仍有多项转化障碍：当前为离体/术后组织而非真正术中采集；双输入模型依赖HPS组织学（非实时可用）；空间分辨率粗导致部分容积效应；免疫评分模型仅涵盖有限免疫细胞谱（未包括成纤维细胞、中性粒细胞等）且存在域转移风险；新鲜冷冻与FFPE样本的化学/处理偏倚限制直接互换性。结论部分翻译如下：SpiderMass展示了捕获与卵巢癌组织学亚型相关的可重复脂质特征的能力，支持其作为离体平台用于组织分型和微环境表征的潜力。环境质谱与组织学信息及计算模型的整合凸显了其用于可扩展、多模态组织分析的适宜性。随着方法应用于更大更多样化的组织队列（涵盖更广泛的亚型及生物学变异），性能预计将进一步增强。在此背景下，SpiderMass为卵巢癌的系统性组织探查和生物标志物发现提供了有前景的框架。目前，该技术仍定位于研究和转化开发阶段，而非术中部署，未来研究将聚焦于扩大数据集和临床结构化评估环境。