Фазовый анализ данных масс-спектрометрической визуализации с использованием высокоразрешающей MALDI-TOFMS “NewSpiralTOF™” и анализ вершинных компонентов | Примечания по применению

Масс-спектрометрия с матрично-ассистированной лазерной десорбцией/ионизацией (MALDI-MSI) используется для визуализации локализации белков, пептидов, метаболитов и лекарственных препаратов на поверхности образцов. В MALDI-MSI масс-спектр часто подвержен влиянию различных соединений на участке образца в дополнение к пику целевых соединений, что делает разделение масс с использованием масс-спектрометра высокого разрешения крайне важным. С другой стороны, когда в масс-спектре наблюдается множество пиков, включая изобары, создание и анализ извлеченных изображений масс каждого пика чрезвычайно трудоемки. Поэтому для эффективного анализа данных необходимы извлечение характерных паттернов масс-спектра и фазовый анализ на их основе. В этом отчете представлен метод фазового анализа с использованием анализа вершинных компонентов (VCA). Кроме того, в качестве этапа предварительной обработки был применен метод снижения шума на основе машинного обучения (фильтр FINE-AI).

Эксперимент

VCA извлекает конечные компоненты (масс-спектры пикселей, представляющих каждую фазу) из гиперспектрального набора данных MALDI-MSI для заданного числа фаз. Пиксели, содержащие конечные компоненты, называются чистыми пикселями. В VCA масс-спектры пикселей, отличных от чистых пикселей, представляются в виде линейной комбинации извлеченных конечных компонентов. Эта концепция проиллюстрирована на рисунке 1. Синие квадраты на рисунке 1 представляют области данных изображения масс-спектров. Оттуда из чистых пикселей извлекаются наиболее характерные конечные компоненты, равные числу фаз (4 синие точки). Остальные пиксели представляются в виде линейной комбинации этих четырех конечных компонентов. Например, пиксель с красной точкой представлен как сумма четырех конечных компонентов чистых пикселей, умноженная на 0.70, 0.20, 0.04 и 0.06 соответственно. Здесь мы видим, что коэффициенты, применяемые к конечным компонентам каждой фазы для каждого пикселя, могут быть сопоставлены. То есть, он показывает вклад каждого конечного элемента в каждый пиксель и позволяет проводить фазовый анализ. На рисунке 2 показаны карты для каждой фазы и наложенные на них изображения.

Рисунок 1 Извлечение конечных элементов в VCA

Figure 2. Создание фазовой карты в VCA

Результат

Метод VCA, описанный на предыдущей странице, был применен к данным масс-спектрометрии липидов в срезах ткани головного мозга мыши. Сначала из данных масс-спектрометрии был создан усредненный масс-спектр. В нем наблюдались различные пики липидов. м / г Диапазон 700–1000. Список пиков, полученный из этого усредненного масс-спектра, был деизотопизирован, и было создано 200 извлеченных изображений масс в порядке убывания интенсивности ионов. На рисунке 3 (слева) показаны 75 из этих извлеченных изображений масс. Затем было выполнено улучшение качества изображения 200 извлеченных изображений масс с использованием фильтра FINE-AI. Результаты для 75 из этих изображений, соответствующие изображениям на рисунке 3 (слева), показаны на рисунке 3 (справа). На рисунке 4 показаны результаты применения VCA (с 4 фазами) к 200 извлеченным изображениям масс после фильтрации FINE-AI. Благодаря улучшению качества изображения извлеченных изображений масс с помощью фильтра FINE-AI, обнаружение чистых пикселей стало проще с помощью VCA. VCA позволяет разделить на каждую фазу и сравнить масс-спектры чистых пикселей в каждой фазе. Кроме того, для данных MSI также возможно генерировать масс-спектры, взвешенные и суммированные в соответствии с распределением интенсивности фазовых карт VCA для каждого пикселя, что позволяет проводить более детальное сравнение масс-спектров между фазами (рисунок 5).

Заключение

Данные MALDI-MSI высокого разрешения были проанализированы с помощью VCA для извлечения характерных спектральных паттернов и проведения фазового анализа на их основе. Также было установлено, что применение улучшения качества изображения с помощью фильтра FINE-AI в качестве этапа предварительной обработки повышает эффективность VCA.