质谱成像是近年来发展较快的一类空间分子分析技术。它把质谱的分子检测能力与图像分析的空间表达能力结合起来，可以在组织切片、细胞样本或其他生物材料表面直接获得分子的空间分布信息。与传统质谱分析不同，质谱成像不是把样本整体提取后再检测，而是在保留组织空间结构的基础上，对样本表面进行逐点或逐区域扫描。每一个像素位置都对应一张质谱图，每一个质荷比信号又可以重建为一幅离子图像。因此，质谱成像既能回答“有哪些分子”，也能回答“这些分子在哪里”[1]。

从发展历史看，质谱成像的思想可以追溯到表面质谱分析技术。现代生物医学质谱成像的形成，通常与 20 世纪 90 年代 MALDI 质谱在组织切片分子定位中的应用有关。Caprioli 等人在 1997 年报道了利用 MALDI-TOF MS 对生物样本中的肽和蛋白质进行二维空间定位的工作，这一研究奠定了组织分子成像的重要基础[1]。随后，Stoeckli 等人在 Nature Medicine 发表工作，进一步展示了质谱成像用于哺乳动物组织蛋白表达分析的潜力，使该技术开始进入生物医学研究和分子病理研究的视野[2]。此后，MALDI、DESI、SIMS、离子淌度质谱成像和高分辨质谱成像等技术不断发展，质谱成像的检测对象从蛋白质逐步扩展到脂质、代谢物、药物小分子、糖类和多肽等多类分子。DESI 质谱成像的出现，使研究者能够在接近常压和较少样本处理的条件下观察组织中药物及其代谢物的空间分布[3]。

质谱成像的基本流程通常包括组织取材、冷冻切片或样本制备、基质喷涂或原位解吸电离、质谱采集、谱图预处理、离子图像重建、分子注释、空间分割和后续统计建模。对于 MALDI 质谱成像而言，样本表面通常需要均匀覆盖基质，激光在预设空间网格上逐点照射，使局部分子发生解吸和电离，再由质谱仪记录不同质荷比离子的强度。经过数据重建后，研究者可以得到某一分子或一组分子在组织中的空间分布图，并进一步与病理图像、免疫染色、转录组、蛋白组或临床信息进行联合分析。高分辨质谱成像还可以结合数据库检索和统计控制方法，提高代谢物注释的可信度。Palmer 等人提出的 FDR 控制代谢物注释方法，是 MSI 数据从“离子图像展示”走向“可解释空间代谢组学分析”的重要进展之一[4]。

质谱成像的一个重要特点是无标记检测。它不依赖抗体、荧光探针或预设靶标，可以同时观察大量分子信号，适合用于发现未知或未预期的代谢改变。另一个特点是空间原位分析。组织中的代谢物、脂质和药物分布常常具有明显的区域差异，单纯的整体提取分析会掩盖这些差异。质谱成像可以把分子信息放回组织结构中理解，使研究者能够观察病灶区、边界区、坏死区、免疫浸润区和正常组织之间的分子差别。它还具有较强的多分子检测能力，一次实验可以产生上千甚至更多离子图像，为组织异质性分析、分子分型和疾病机制研究提供数据基础。Bouslimani 等人利用质谱数据构建人体皮肤表面的三维分子图谱，说明 MSI 及相关分子制图技术不仅可以用于组织切片，也可以用于复杂生物表面的空间化学分析[5]。

质谱成像的研究意义在于，它为疾病研究提供了一种空间化的分子观察方式。许多疾病并不是均匀发生在整个组织中，而是表现为局部微环境改变、代谢重编程和细胞状态差异。肿瘤组织中的代谢异质性、神经退行性疾病中的区域性代谢异常、药物在组织中的分布和蓄积、炎症微环境中的脂质变化，都需要在空间尺度上进行分析。质谱成像能够在接近病理学观察的空间框架下检测分子变化，因此有助于连接组织形态、分子机制和临床表型。近年来，质谱成像还开始向单细胞空间代谢组学方向发展。Rappez 等人提出的 SpaceM 方法，将 MALDI-MSI 与显微图像和单细胞空间特征结合起来，实现了原位单细胞代谢状态分析，显示出 MSI 在细胞异质性研究中的扩展潜力[6]。

目前，质谱成像已被广泛用于肿瘤研究、神经科学、药物研发、毒理学、病理诊断、植物与食品科学、环境暴露研究和空间代谢组学。在肿瘤研究中，它可用于分析肿瘤内部和肿瘤边缘的代谢差异，寻找与侵袭、转移、耐药或预后相关的分子信号。在神经科学中，它可用于观察脑区内脂质和代谢物的分布变化，为阿尔茨海默病、帕金森病和其他脑疾病研究提供空间分子证据。在药物研发中，它可用于研究药物及其代谢物在组织中的分布，评估靶向递送、组织蓄积和潜在毒性。在临床转化研究中，它为分子病理、手术边界评估和疾病分型提供了新的技术路径。

质谱成像也面临一些关键挑战。首先，MSI 数据维度高、噪声复杂、缺失值较多，不同批次、不同仪器和不同样本制备条件之间容易产生系统差异。其次，离子图像的空间分辨率和分子注释可信度之间常常需要权衡。再次，质谱成像数据与病理图像、免疫组化、空间转录组和临床数据之间存在分辨率、坐标系统和信息类型上的差异，直接融合并不容易。因此，质谱成像的发展不仅依赖仪器和实验技术，也越来越依赖计算方法、图像处理、机器学习、统计建模和多模态数据融合。

我们团队的质谱成像研究兴趣主要集中在计算方法与生物医学应用的交叉处。围绕质谱成像数据噪声高、维度高、标注少和空间异质性强等问题，我们团队关注如何利用机器学习和深度学习方法提升 MSI 数据的质量、表达能力和可解释性。相关研究包括 MSI 数据预处理、缺失值插补、去噪、离子图像表示学习、空间分割、多模态图像融合和空间异质性分析。iSegMSI 通过交互式先验信息改善 MSI 空间分割结果，体现了人类知识与无监督模型结合在复杂 MSI 数据分析中的价值[7]。DeepION 则面向离子图像表征问题，利用深度学习提取低维空间特征，用于共定位离子和同位素离子的识别[8]。

在空间代谢组学方向，我们团队关注如何把质谱成像从“分子分布图”进一步发展为“空间代谢机制分析”。这需要把单个离子图像、代谢物集合、组织区域、细胞类型和疾病表型联系起来，建立可以解释疾病进展和组织微环境改变的分析框架。我们团队的研究特别重视多尺度代谢互作网络和分子网络建模，希望从空间分布、代谢协同和网络重构的角度理解疾病中的代谢异常。GraphMSI 将代谢谱信息与空间邻接关系结合，用图深度学习方法分析 MSI 数据中的空间异质性，反映了这一方向从像素级分析走向空间结构建模的趋势[9]。相关工作可用于阿尔茨海默病、肝细胞肝癌、鼻咽癌、胃癌、糖尿病肾病等疾病研究，为疾病分型、机制解析和潜在标志物发现提供计算工具。

在多模态空间分析方向，我们团队关注质谱成像与组织病理、免疫成像、PET、MRI、空间转录组等数据的联合分析。单一技术通常只能观察生物系统的一个侧面，而疾病组织中的代谢改变、细胞组成、组织结构和临床表型之间存在复杂联系。通过多模态配准、图像融合、空间分割和统计建模，可以在统一空间坐标下整合不同层次的信息，进一步提高空间分子解释的可靠性。质谱成像在这一过程中提供了直接的分子检测能力，机器学习和图像分析则为跨模态信息融合提供了方法基础。

总体来看，我们团队在质谱成像方向的研究目标，是发展面向复杂生物医学问题的计算质谱与空间多组学分析方法。一方面，针对 MSI 数据本身的噪声、缺失、低信噪比和高维特征问题，建立更稳健的数据处理和智能分析方法；另一方面，结合分子网络建模、机器学习和多模态空间数据融合，揭示疾病组织中的代谢异质性和空间分子机制。通过这些研究，希望推动质谱成像从分子可视化技术进一步走向可解释的空间组学分析工具，为疾病机制研究、分子分型和精准医学提供新的数据基础和方法支撑。

参考文献

[1] Caprioli, R. M.; Farmer, T. B.; Gile, J. Molecular Imaging of Biological Samples: Localization of Peptides and Proteins Using MALDI-TOF MS. Analytical Chemistry, 1997, 69(23): 4751–4760.

[2] Stoeckli, M.; Chaurand, P.; Hallahan, D. E.; Caprioli, R. M. Imaging Mass Spectrometry: A New Technology for the Analysis of Protein Expression in Mammalian Tissues. Nature Medicine, 2001, 7(4): 493–496.

[3] Wiseman, J. M.; Ifa, D. R.; Zhu, Y.; Kissinger, C. B.; Manicke, N. E.; Kissinger, P. T.; Cooks, R. G. Desorption Electrospray Ionization Mass Spectrometry: Imaging Drugs and Metabolites in Tissues. Proceedings of the National Academy of Sciences of the United States of America, 2008, 105(47): 18120–18125.

[4] Palmer, A.; Phapale, P.; Chernyavsky, I.; Lavigne, R.; Fay, D.; Tarasov, A.; Kovalev, V.; Fuchser, J.; Nikolenko, S.; Pineau, C.; Becker, M.; Alexandrov, T. FDR-Controlled Metabolite Annotation for High-Resolution Imaging Mass Spectrometry. Nature Methods, 2017, 14(1): 57–60.

[5] Bouslimani, A.; Porto, C.; Rath, C. M.; Wang, M.; Guo, Y.; Gonzalez, A.; Berg-Lyon, D.; Ackermann, G.; Moeller Christensen, G. J.; Nakatsuji, T.; Zhang, L.; Borkowski, A. W.; Meehan, M. J.; Dorrestein, K.; Gallo, R. L.; Bandeira, N.; Knight, R.; Alexandrov, T.; Dorrestein, P. C. Molecular Cartography of the Human Skin Surface in 3D. Proceedings of the National Academy of Sciences of the United States of America, 2015, 112(17): E2120–E2129.

[6] Rappez, L.; Stadler, M.; Triana, S.; Gathungu, R. M.; Ovchinnikova, K.; Phapale, P.; Heikenwalder, M.; Alexandrov, T. SpaceM Reveals Metabolic States of Single Cells. Nature Methods, 2021, 18(7): 799–805.

[7] Guo, L.; Liu, X.; Zhao, C.; Hu, Z.; Xu, X.; Cheng, K. K.; Zhou, P.; Xiao, Y.; Shah, M.; Xu, J.; Dong, J.; Cai, Z. iSegMSI: An Interactive Strategy to Improve Spatial Segmentation of Mass Spectrometry Imaging Data. Analytical Chemistry, 2022, 94(42): 14522–14529.

[8] Guo, L.; Xie, C.; Miao, R.; Xu, J.; Xu, X.; Fang, J.; Wang, X.; Liu, W.; Liao, X.; Wang, J.; Dong, J.; Cai, Z. DeepION: A Deep Learning-Based Low-Dimensional Representation Model of Ion Images for Mass Spectrometry Imaging. Analytical Chemistry, 2024, 96(9): 3829–3836.

[9] Guo, L.; Xie, P.; Shen, X.; Lam, T. K. Y.; Deng, L.; Xie, C.; Xu, X.; Wong, C. K. C.; Xu, J.; Fang, J.; Wang, X.; Xiong, Z.; Luo, S.; Wang, J.; Dong, J.; Cai, Z. Unraveling Spatial Heterogeneity in Mass Spectrometry Imaging Data with GraphMSI. Advanced Science, 2025, 12(8): 2410840.