本课题组在《Analytica Chimica Acta》上发表了一篇题为“A graphical data processing pipeline for mass spectrometry imaging-based spatially resolved metabolomics on tumor heterogeneity”的研究论文,采用自主研发的空气动力辅助解吸电喷雾离子化质谱成像(AFADESI-MSI)技术和MassImager质谱成像软件,开发了一种基于图形界面的MSI数据处理和空间分辨代谢组学分析方法,并开展了肿瘤的代谢异质性研究,发现低丰度生物标志物。
背景介绍
肿瘤异质性在个体间或个体内普遍存在,且与治疗方案、预后和耐药等密切相关。肿瘤组织主要由肿瘤细胞、基质细胞以及正常组织细胞等多种细胞类型构成,其结构及生物化学微环境复杂,如何准确表征肿瘤组织的微区代谢异质性具有挑战。另一方面,生物组织中代谢物的理化性质和结构复杂多样,含量范围宽。质谱成像(MSI)技术已经成为肿瘤代谢研究非常有力的可视化工具,对其海量的数据进行快速处理,以期挖掘与肿瘤异质性相关的代谢信息是亟待解决的关键问题。本文提出并开发了一种基于MassImager的图形界面的数据处理方法,包括图像叠加、数据提取、数据预处理以及基本统计算法,集数据分析与可视化于一体,并通过实验验证了该方法的可靠性。
实验结果
1肿瘤异质性和代谢轮廓
以甲状腺肿瘤的AFADESI-MSI分析(正离子模式)为例,内源性代谢物动态范围超过4个数量级,采用背景扣除可以去除高丰度背景噪音的干扰(图1)。6种代表性内源性代谢物的离子成像图如图2所示,各离子在分布范围和强度上呈现明显差异,离子通道叠加并结合H&E染色和空间分割,揭示了肿瘤组织的代谢异质性。
2
为准确选择感兴趣的区域(ROI),我们在MassImager中加入了光学图像叠加的功能。首先选择一个可以表征整个组织轮廓的离子并成像,例如胆碱([M+H]+: m/z 104.1076),导入光学图像如H&E染色图,通过缩放、旋转和平移等操作,使其与成像图完美叠加;然后选择一个具有特异性分布的离子并成像,调整光学图像透明度,根据形态结构和离子分布,确定ROI。例如,m/z 249.1525成像图和H&E染色图叠加指导肿瘤区代谢轮廓信息的准确提取(图3A)。
3
MassImager中提供了7种数据预处理方法,通过即时统计分析,可以快速确定方法。首先按照前文方法提取肿瘤区、正常区和背景区的数据,然后比较四种预处理方法(中心化、patero标度化、自动标度化、对数转换)对PLS-DA模型统计结果的影响,如图4所示,预处理,尤其是对数转换后表现出更好的聚类效果并发现更多低丰度生物标志物。
4
为进一步评价该数据处理方法的可靠性,以12例甲状腺乳头状癌(PTC)为例,准确提取四个微区的质谱数据(图5A),Pareto标度化后,OPLS-DA模型的得分图(图5B)表示肿瘤、基质和正常区之间有明显差别,而两个不同位置的正常组织具有非常相似的代谢特征。4种代表性代谢物在不同微区中的表达也有显著差异(图5C)。实验证明该方法可以很好地表征肿瘤组织的微区代谢异质性。
总结
本研究建立了一种基于MassImager的图形界面的数据处理方法,依次进行离子图像与光学图像的匹配耦合叠加、数据提取和数据预处理,是一种简便的空间分辨代谢组学数据处理工具,可以准确表征肿瘤组织的微区代谢异质性,发现更深层次的生物信息。
原文文献:Luojiao Huang, et al. A graphical data processing pipeline for mass spectrometry imaging-based spatially
转自公众号