【分析】质谱成像技术结合机器学习分析抗癌药物影响下多细胞肿瘤球的代谢产物学术资讯

来源：X一MOL资讯

药物影响下的代谢产物可直接反映出细胞所处微环境的变化，是药物研发，耐药性研究，等多种生物研究的重要手段。传统的代谢组学分析方法例如液相色谱或气象色谱与质谱联用，需要将样品均一化，从而失去了样品的重要的空间分布信息。质谱成像技术，由于其高灵敏性，高通量性，已应用在多种生物样品的代谢组学分析, 其中包括动植物组织和肿瘤样品。多细胞肿瘤球（简称肿瘤球）是一种3D 培养的肿瘤模型，与传统2D 细胞培养相比，它们可以更加真实地模拟肿瘤的3D结构及其内部微环境。通过结合机器学习来分析3D多细胞肿瘤球的质谱成像数据，一些重要的细胞代谢产物被发现分布在细胞球的不同位置，为药物筛选，抗药性研究提供了重要的信息。

近日，俄克拉荷马大学（University of Oklahoma）杨志柏团队提出了质谱成像（mass spectrometry imaging）结合机器学习（machine learning）的快速分析手段。首先通过对不同条件下抗癌药物处理过3D肿瘤球分别进行质谱成像数据采集，而后以一种重要的多变量数据分析方法（多元曲线分辨，multivariate curve resolution）为模型，区分出肿瘤球外层与内层部分。之后利用机器学习的方式寻找外层和内层部分代谢产物的分布规律，最后在此基础上建立和优化一系列的数学模型，用来预测整体肿瘤球的代谢产物空间分布规律（图1）。

图1. 质谱成像与机器学习结合展示了其在代谢组学分析中的能力（X. Tian, G. Zhang, Z. Zhou, Z. Yang, Analytical Chemistry, 2019, 91, 5802-5809, Analytical Chemistry授权转载）。

实验结果表明，有监督机器学习（随机森林，random forest）模型经过训练后在极短的时间内就可以提供可靠的预测结果（图2）。为证明此模型的正确性，作者还将无监督学习机器学习（CLARA 和DBSCAN）算法来分析整体质谱成像数据，通过对比监督下与非监督下的机器学习，作者发现很高的图像重合度，由此证明机器学习的准确性。

图二：监督下的机器学习与非监督下的机器学习得出非常相似的图像结果。（X. Tian, G. Zhang, Z. Zhou, Z. Yang, Analytical Chemistry, 2019, 91, 5802-5809, Analytical Chemistry授权转载）

来源：X-molNews X一MOL资讯

原文链接：http://mp.weixin.qq.com/s?__biz=MzAwOTExNzg4Nw==&mid=2657614098&idx=3&sn=b2323bb1fa4355c222fe646f29fb78dd&chksm=80f7d0c2b78059d4df6f7c7c6c5785b13f4a43d4bb2fa8c412033545da915e01bb03bdd3bb91&scene=27#wechat_redirect

电话：（010）86409582

邮箱：kejie@scimall.org.cn