Anal. Chem.：通过神经网络加速3D质谱成像

质谱成像是一种强大的方法，可以直观地展示生物组织切片中生物大分子（如脂质、肽类和蛋白质等）的空间分布。尽管二维质谱成像已被广泛报道，但对于复杂的生物结构（如器官），传统的二维质谱成像无法展示其完整的三维空间分布。为了解决这个问题，三维质谱成像技术被提出并快速发展。通过对一系列组织切片的二维质谱成像及堆叠重构，可以构建出组织的完整三维质谱图像，从而获得生物分子在复杂生物结构中的分布情况。

然而，传统的三维质谱成像技术的问题是耗时过长。由于需要对多个组织切片进行逐一分析，整个过程较为繁琐，时间成本较高。近期，清华大学马潇潇教授（点击查看介绍）课题组开发了一种基于神经网络的加速三维质谱成像的方法，在保证成像质量的前提下，可大幅减少三维质谱成像所需的时间，并在小鼠大脑和肾脏数据集中得到验证，相关成果发表在国际化学权威杂志Analytical Chemistry 上。

作者提出了一个名为DeepS的加速三维质谱成像的工作流程，可在不降低图像质量的情况下显著加快三维质谱成像。DeepS采用了带有多尺度采样单元的稀疏采样策略以及三维稀疏采样神经网络（3D-SSNet），实现了稳健、快速组织切片质谱成像和组织切片的三维重建。3D-SSNet可重建出通过稀疏采样分析的生物组织的三维信息。为了进行模型训练，作者从数据集中等间距选择组织切片，并利用深度信息来提高可靠性和准确性。

DeepS工作流程示意图。图片来源：Anal. Chem.

在3D小鼠脑部数据集上对DeepS的性能做了验证，包括不同的采样比率、采样单元和组织切片。结果显示，在采样率为20%~30%时，由稀疏采样的离子图像重建得到的成像结果与全采样得到的离子图像几乎相同，从而使成像时间大幅降低。

DeepS在不同采样率下的性能。图片来源：Anal. Chem.

作者在3D数据集中的不同切片上验证了DeepS的性能，结果表明DeepS能够稳定地使用周围像素的信息来推断未采样像素的离子强度。此外，DeepS对不同大小的采样单元表现出良好的鲁棒性，使得该方法在处理不同大小的样本时更加兼容。

DeepS在不同采样单元以及不同组织切片上的性能。图片来源：Anal. Chem.

只需要对一片组织切片进行全采样，在经过十轮次的迁移学习后，DeepS成功利用稀疏采样数据对新的组织实现了图像的重建。

Deeps经过迁移学习在3D小鼠肾脏质谱成像数据集上的性能。图片来源：Anal. Chem.

小结

总的来说，本研究提出了一种基于深度学习的DeepS方法，用于加速三维质谱成像。DeepS通过减少采样像素的数量以及平台移动时间，显著缩短了三维质谱成像时间。即使在5%的采样率下，DeepS也能有效地重建组织的质谱成像图，成像时间降低60%以上。此外，DeepS在具有组织异质性的器官数据集上表现稳定，通过迁移学习可实现其他组织的成像，如患有胶质母细胞瘤的小鼠大脑和健康小鼠肾脏等。该方法采用了多尺度采样单元策略，进一步提高了成像性能，为加速质谱成像提供了新的视角。基于深度学习质谱成像方法，如DeepS，未来有望在三维质谱成像加速、药物代谢研究和基础生物学研究等领域得到广泛应用。本研究的第一作者是清华大学精仪系博士生李丹，共同作者包括华中科技大学机械科学与工程学院余文勇副教授、清华大学精仪系博士生钱耀等，通讯作者是清华大学精仪系马潇潇副教授。该工作得到科技部重点研发计划青年科学家专项（2022YFC3401900）的支持。

原文（扫描或长按二维码，识别后直达原文页面，或点此查看原文）：

DeepS: Accelerating 3D Mass Spectrometry Imaging via a Deep Neural Network

Dan Li, Yao Qian, Haiming Yao, Wenyong Yu, and Xiaoxiao Ma*

Anal. Chem., 2023, DOI: 10.1021/acs.analchem.2c05785

导师介绍

马潇潇

https://www.x-mol.com/university/faculty/60806