综述：人工智能驱动的质谱成像计算增强：检测灵敏度、空间分辨率、分子覆盖度和采集通量

《TrAC Trends in Analytical Chemistry》：AI-Driven Computational Enhancement of Mass Spectrometry Imaging: Detection Sensitivity, Spatial Resolution, Molecular Coverage, and Acquisition Throughput

　　

摘要质谱成像（MSI）是一种强大的分析技术，能够对组织进行空间分辨的分子分析，为理解生物学复杂性提供见解。尽管硬件和样品制备方面的进展改善了MSI在灵敏度、空间分辨率、分子覆盖范围和采集通量方面的性能，但这些提升通常受到权衡关系的限制，即优化某一指标会损害另一指标。计算策略已成为缓解这些物理化学权衡关系的经济有效手段。具体而言，计算方法可以通过学习光谱和空间模式来提高检测灵敏度和覆盖范围，实现信号检测、去噪和恢复；通过超分辨率重建和多模态融合实现报告的2至20倍空间增强因子；通过将化学先验信息与学习到的光谱-空间特征相结合来扩展注释覆盖范围；以及通过采用稀疏采样策略后跟计算重建来加速采集，将所需测量次数减少高达80%。本综述对近期计算进展进行了批判性审查，重点关注人工智能方法，同时解决持续存在的挑战并提出解决方案。它可以通过为分析化学家提供使用计算工具优化数据采集和解释的指导，并为数据科学家提供开发定向算法所需的MSI特定背景知识，起到跨学科桥梁的作用。我们预计，先进的计算方法，特别是人工智能，将支持下一代MSI并实现新的生物学见解。引言质谱成像是一种强大的分子成像技术，能够可视化生物组织中各类分子物种（如代谢物、脂质和蛋白质）的空间分布。这使得MSI在环境科学、植物代谢组学、电池材料、药物开发和临床研究等多个领域具有不可估量的价值。在过去几十年中，开发了几种MSI技术，每种都基于独特的设计原则。常用的MSI平台包括基质辅助激光解吸/电离（MALDI）-MSI、解吸电喷雾电离（DESI）-MSI、傅里叶变换离子回旋共振（FT-ICR）-MSI、基质辅助激光解吸电喷雾电离（MALDESI）-MSI和二次离子质谱（SIMS）-MSI。此外，新兴变体如纳米喷雾解吸电喷雾电离（nano-DESI）-MSI和气流动辅助解吸电喷雾电离（AFADESI）-MSI也越来越受到关注。每种技术都有其特殊优势，使研究人员能够根据具体目标选择最合适的一种。尽管如此，提高灵敏度、空间分辨率、分子覆盖范围和采集通量仍然是所有MSI技术的共同追求。传统的提高MSI性能的策略主要集中在硬件和实验方法的创新上。硬件创新通常旨在提高电离效率并优化数据采集系统，以实现卓越的分析能力，而实验方面的努力则侧重于完善样品制备方案并调整采集参数。例如，Bruker的MALDI-2平台采用激光后电离技术来减轻基质引起的离子抑制，与传统MALDI相比，灵敏度提高了三个数量级以上。此外，组织扩增方法通过物理放大生物标本，使现有硬件基础设施无需修改即可实现单细胞空间分辨率。尽管这些方法有效，但它们往往涉及重大成本，更关键的是，引入了固有的权衡关系。例如，空间分辨率的提升通常伴随着采集时间的延长或灵敏度的下降，这是由于每个像素的分子丰度降低所致。为了解决这些局限性，计算方法已成为克服此类权衡关系的经济替代方案。通过将先进的信号处理、统计建模和机器学习技术直接应用于获取的MSI数据，现在无需更改仪器配置或实验工作流程，即可提高灵敏度、空间分辨率、分子覆盖范围和采集通量。常见的计算架构包括用于提取局部光谱和空间特征的卷积神经网络、用于提取局部光谱和空间特征的图神经网络、用于表示学习和信号重建的变分自编码器、用于超分辨率和多模态重建的生成对抗网络。根据是否有真值标签可用，这些计算方法可分为有监督和无监督方法。有监督方法学习配对的低质量输入数据与相应高质量目标数据之间的映射，后者定义了期望的增强结果。相比之下，无监督方法利用MSI数据集固有的光谱和空间结构来推断改进的表示，而无需匹配的目标标签。总之，计算策略正迅速成为下一代MSI性能提升的关键驱动因素。本综述概述了提高MSI灵敏度、空间分辨率、分子覆盖范围和采集通量的计算进展，讨论了伴随的挑战。这里，分子覆盖范围包括检测覆盖范围和注释覆盖范围。检测覆盖范围指的是可重复检测到的MSI特征的数量和化学多样性，而注释覆盖范围指的是这些检测到的特征中能够在定义置信水平上被分配分子式、化学类别或分子身份的比例。首先，我们研究了信号检测和精炼工作流程，这些工作流程通过促进分子鉴定和定量同时减轻化学噪声来提高MSI灵敏度和覆盖范围。其次，我们回顾了空间分辨率增强方法，这些方法推动MSI突破其物理限制，并将其分为基于固有信息的方法、参考引导预测和多模态融合。第三，我们调查了旨在扩展注释覆盖范围的计算框架，对以库为中心与以特征为中心的策略进行了比较分析。第四，我们总结了为提高采集通量而开发的稀疏采样和计算重建方法，包括静态和动态采样架构。最后，我们讨论了现存的方法学挑战并为未来发展提供展望。在本综述中，特别强调新兴的人工智能方法，这些方法在推进这些领域的MSI性能方面显示出巨大潜力。尽管几篇综述已经调查了MSI数据处理和分析全流程中的新兴计算方法，但仍存在关键缺口。大多数现有综述专注于从数据采集到数据分析和解释的工作流程，而忽视了以性能为中心的视角。相反，本综述将范式转向性能优化，将灵敏度、空间分辨率、分子覆盖范围和通量视为通过计算干预直接调节的变量。因此，本综述旨在（i）为分析化学家提供对计算方法如何在硬件和实验限制之外提高MSI性能的清晰理解，以及如何利用这些策略优化其数据采集和解释的指导，以及（ii）为数据科学家提供开发MSI定制算法所需的分析背景，使其具有生物学相关性且技术稳健。有关MSI硬件和实验方面的详细探讨，包括硬件和实验创新的综合总结和图示，读者可参阅一系列综述文章。章节摘要提高灵敏度和覆盖率的计算策略高灵敏度和覆盖率是MSI的基础，能够检测到对生物医学研究至关重要的各类分子物种。这里，检测灵敏度指的是从背景噪声中区分分子特征的能力，特别是低丰度分析物，而检测覆盖范围则表示为下游分析发现的分子特征的广度和数量。这些性能指标在概念上是不同的，但在实践中通常有关联。提高空间分辨率的计算策略最近的努力将MSI空间分辨率从组织尺度推向细胞甚至亚细胞水平。在常用的MSI技术中，MALDI-MSI可实现的最大空间分辨率为600纳米，而DESI-MSI实现的最大空间分辨率低于10微米。SIMS-MSI表现出优越的空间分辨率，通过其先进的离子束技术达到50纳米的空间分辨率。高空间分辨率使MSI能够捕获提高注释覆盖率的计算策略在MSI中实现全面的分子覆盖对于解码生物系统的空间复杂性至关重要。现代MSI平台能够捕获多样化的分析物，包括代谢物、脂质、肽、糖和蛋白质，为各种生物组织背后的分子异质性提供了前所未有的视角。最近的硬件创新，特别是提高采集通量的计算技术MSI中灵敏度、空间分辨率和覆盖范围的增强通常会导致采集通量的妥协。随着研究人员将MSI推向亚细胞尺度，产生的MSI数据和采集时间变得令人望而生畏。通常，在5微米空间分辨率下对标准10×10毫米组织切片进行成像会产生约4×10^6像素的数据集；即使在相对温和的100毫秒/像素采集频率下，累积分析时间也会超过观点与结论在生物医学研究中实现高灵敏度、空间分辨率、分子覆盖范围和采集通量至关重要。越来越多的，目前的进展是由计算策略驱动的，这使得MSI性能可以显著改善，而无需昂贵的硬件升级或劳动密集的实验优化。例如，先进的信号检测和精炼算法现在增强了CRediT作者贡献声明Zaifa Shi：写作–审阅与编辑、可视化、调查。Thomas Ka-Yam Lam：写作–审阅与编辑、可视化。Jianing Wang：写作–审阅与编辑、资金获取。Jiyang Dong：写作–审阅与编辑、监督、调查、资金获取。Zongwei Cai：写作–审阅与编辑、监督、项目管理。Lei Guo：写作–原稿撰写、可视化、调查、资金获取、概念化。Xiangyu Zhu：写作–审阅与编辑利益冲突声明作者声明没有利益冲突。缩写列表全称缩写气流动辅助解吸电喷雾电离AFADESI人工智能AIAFM自发荧光显微镜BM明场显微镜CCS碰撞截面CNN卷积神经网络DLADS动态采样深度学习方法DESI解吸电喷雾电离EM电子显微镜FDR假发现率FM荧光显微镜FT-ICR傅里叶变换离子回旋共振利益冲突声明作者声明没有可能被认为影响了本文所述工作的相互竞争的经济利益或个人关系。致谢本工作得到中国国家自然科学基金（22404024, 82372087和32450190）、香港特别行政区研究资助局一般研究基金（12301625, 12302122）和海南大学启动基金（XJ2600000306）的支持。Lei Guo | Xiangyu Zhu | Zaifa Shi | Thomas Ka-Yam Lam | Jianing Wang | Jiyang Dong | Zongwei Cai福州大学医学工程跨学科研究院，福建福州 350108，中国