Methodenartikel

Multimodale ruimtelijke metabolomics met mid-infrarood microscoop geleide massaspectrometriebeeldvorming

DOI:

10.3791/68709

⸱

25 juli 2025

 ,  ,  ,  ,  , 
1Institutes of Biomedical Sciences, Fudan University, 2Shanghai Xuhui Central Hospital, Zhongshan-Xuhui Hospital, 3Children's Hospital of Fudan University

* These authors contributed equally

In dit artikel

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

We presenteren een multimodale ruimtelijke metabolomics-workflow die massaspectrometriebeeldvorming (MSI) en mid-infrarood (MIR) beeldvorming op hetzelfde weefselgedeelte integreert voor ruimtelijk opgeloste metabole en biochemische analyse.

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ruimtelijke metabolomics is een snel evoluerend veld om de distributie van metabolieten in weefsels, organen en zelfs afzonderlijke cellen in kaart te brengen. Deze benadering biedt contextuele metabole informatie, die van cruciaal belang is voor het begrijpen van de biochemische heterogeniteit van biologische systemen. Mid-infrarood (MIR) beeldvorming en massaspectrometriebeeldvorming (MSI) zijn naar voren gekomen als krachtige benaderingen voor ruimtelijke metabolomics, die elk unieke en complementaire voordelen bieden. In deze studie presenteren we een workflow voor het uitvoeren van MIR-beeldvorming en matrix-geassisteerde laserdesorptie-ionisatie MSI (MALDI-MSI) op hetzelfde weefselgedeelte, inclusief experimentele procedures, co-registratie van beeldvorming, gegevensintegratie en bio-informatica-analyse. MIR-beeldvorming wordt gebruikt als de stroomopwaartse modaliteit, waardoor niet-destructieve biochemische analyse van weefsels mogelijk is. Vervolgens wordt een matrix in het weefsel gedeponeerd voor MALDI-MSI, geleid door de ruimtelijke informatie verkregen uit MIR-beeldvorming. Beelden worden geïntegreerd na co-registratie, waardoor multimodale ruimtelijke metabolomics-analyse mogelijk is met behulp van geavanceerde bio-informaticatools zoals Seurat. De integratie van MIR-beeldvorming en MSI vertegenwoordigt een transformatieve vooruitgang in ruimtelijke metabolomics en biedt ongekende mogelijkheden om de ruimtelijke en chemische complexiteit van metabole processen in zowel gezondheid als ziekte te onderzoeken. Deze multimodale aanpak heeft een aanzienlijk potentieel voor het stimuleren van innovaties op het gebied van het ontdekken van biomarkers, ziektediagnostiek en therapeutische ontwikkeling.

Inleiding

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ruimtelijke metabolomics omvat het in kaart brengen van metabolieten binnen hun oorspronkelijke weefselcontext door massaspectrometriebeeldvorming (MSI) of andere ruimtelijk opgeloste technieken te integreren met metabole analyse, die inzicht biedt in het metabolisme met subweefsel-, cellulaire of subcellulaire resolutie 1,2,3,4,5,6,7,8 . Onder deze beeldvormingsmodaliteiten krijgt mid-infrarood (MIR) microscopie steeds meer aandacht vanwege zijn vermogen om biomoleculen chemisch in kaart te brengen op basis van moleculair vibratiecontrast 4,7,9,10,11,12. De niet-destructieve, labelvrije, snelle en kosteneffectieve aard 4,7,9,10,11,12 maakt MIR-beeldvorming bijzonder geschikt voor integratie met MSI en vormt een veelbelovende multimodale benadering voor uitgebreide ruimtelijke analyse.

Matrix-geassisteerde laserdesorptie-ionisatie MSI (MALDI-MSI) is een van de meest gebruikte technieken in ruimtelijke metabolomics (Figuur 1A)13. Het maakt de detectie mogelijk van een breed scala aan metabolieten, waaronder lipiden, aminozuren, suikers, nucleotiden en secundaire metabolieten, met een hoge gevoeligheid1. Vooruitgang in matrixselectie (bijv. 2,5-dihydroxybenzoëzuur [DHB], 9-aminoacridine [9AA] of N- (1-naftyl) ethyleendiaminedihydrochloride [NEDC]) en ionisatietechnieken (bijv. post-ionisatiemethoden) hebben de detectiedekking verder uitgebreid, met name voor soorten met een lage abundantie en slecht ioniseerbare soorten14. Moderne MALDI-MSI-systemen ondersteunen beeldsnelheden die doorgaans variëren van 5 tot 50 pixels per seconde, afhankelijk van de ruimtelijke resolutie en het type massa-analysator dat wordt gebruikt (bijv. time-of-flight [TOF], Orbitrap of Fourier-transformatie-ioncyclotronresonantie [FT-IRC]). Met name high-speed MALDI-TOF-instrumenten hebben snelheden van meer dan 100 pixels per seconde bereikt, waardoor beeldvorming van grote gebieden binnen een paar uur mogelijk is15. De ruimtelijke resolutie van MALDI-MSI valt over het algemeen binnen 5 tot 50 μm, voldoende om cellulaire en zelfs subcellulaire structuren op te lossen16,17. Een hogere ruimtelijke resolutie gaat echter doorgaans ten koste van langere acquisitietijden, een lagere signaal-ruisverhouding en grotere rekeneisen tijdens de gegevensverwerking.

In tegenstelling tot MSI is MIR-beeldvorming een optische benadering met een breed veld4, waardoor het inherent niet-destructief en met hoge doorvoer is. Recente ontwikkelingen op het gebied van krachtige kwantumcascadelasers (QCL's) maken een nieuw raamwerk mogelijk dat bekend staat als discrete frequentie infrarood (DFIR) beeldvorming, die de beeldvormingssnelheid aanzienlijk verhoogt tot aan de videosnelheid (Figuur 1B)12,18. Bovendien hebben QCL-bronnen ongekoelde microbolometerdetectoren levensvatbaar gemaakt voor MIR-beeldvorming, waardoor het gebruik van grotere focal plane array (FPA)-detectoren mogelijk is12. Als gevolg hiervan kan in slechts enkele seconden een enkelvoudig MIR-beeld over een gebied van 1 cm2 worden verkregen met cellulaire resolutie (~5 μm). MIR-beeldvorming kan zowel in labelvrije als gelabelde modi werken. In eerdere studies 4,19,20 zijn kleine IR-actieve trillingssondes geïntroduceerd om de kinetiek van verschillende metabolische activiteiten in situ te volgen. Deze sondes maken het mogelijk om metabole routes in realtime te volgen door wereldwijde chemische transformaties te rapporteren via unieke MIR-spectrale banden4. MIR-beeldvorming biedt dus zowel statische biochemische profilering als dynamische metabole monitoring met een hoge ruimtelijke resolutie en een hoge acquisitiesnelheid.

In dit manuscript introduceren we een uitgebreide workflow om MIR-geleide MALDI-MSI ruimtelijke metabolomics uit te voeren, waarbij we de haalbaarheid aantonen van het verkrijgen van beide modaliteiten uit hetzelfde monster (Figuur 2, Figuur 3). Door MIR-beeldvorming te integreren met MSI, komen we tot een multimodale aanpak die gebruikmaakt van de complementaire sterke punten van elke techniek. MIR-beeldvorming biedt een snelle, labelvrije biochemische kartering van de hele dia met cellulaire resolutie, en dient als een waardevolle gids voor de selectie van interessegebieden (ROI) bij latere MSI-acquisitie. Deze strategie maakt een meer gerichte en efficiënte MSI-workflow mogelijk, waardoor de acquisitietijd en -kosten worden verminderd en tegelijkertijd de interpreteerbaarheid en biologische relevantie van de ruimtelijke metabolomics-gegevens worden verbeterd. MSI biedt op zijn beurt zeer gedetailleerde moleculaire annotaties van de MIR hyperspectrale beelden, waardoor een beter begrip van de weefselbiochemie mogelijk wordt. Over het algemeen heeft deze geïntegreerde aanpak een groot potentieel voor het bevorderen van de ontdekking van biomarkers, ziektediagnostiek en therapeutische ontwikkeling.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Het protocol werd uitgevoerd in overeenstemming met het dierexperimentele protocol (DSF-2024-004) dat is goedgekeurd door het Institutional Animal Care and Use Committee (IACUC) van het Laboratory Animal Resources Center van de Fudan University.

OPMERKING: Deze studie biedt een workflow voor het uitvoeren van MIR-beeldvorming en MALDI-MSI op hetzelfde weefselgedeelte. Deze geïntegreerde aanpak omvat experimentele procedures, co-registratie van afbeeldingen, datafusie en downstream bio-informatica-analyse (Figuur 1C). MIR-beeldvorming wordt gebruikt als de stroomopwaartse modaliteit, waardoor niet-destructieve, labelvrije biochemische kartering van het weefsel mogelijk is. Aan de hand van de ruimtelijke informatie uit MIR-beeldvorming wordt vervolgens een matrix toegepast voor MALDI-MSI-acquisitie. Na nauwkeurige co-registratie worden de datasets geïntegreerd voor multivariate co-analyse (Figuur 4), waardoor uitgebreide ruimtelijke metabolomics mogelijk zijn door middel van geavanceerde computationele tools.

1. Voorbereiding van het monster

  1. Voorbereiding van weefselmonsters
    1. Verzameling van muizenweefsel
      1. Hok C57BL/6J muizen (20 weken oud, 40 g) onder specifieke pathogeenvrije (SPF) omstandigheden, gehouden op een 12-uurs licht/donker-cyclus en voorzien van ad libitum toegang tot voedsel en water om een optimale gezondheid te garanderen vóór het experiment.
      2. Verdoving de muis door intraperitoneale injectie van pentobarbital-natrium in een dosis van 50 mg/kg lichaamsgewicht om diepe anesthesie te garanderen. Houd het dier in de gaten en controleer de afwezigheid van pedaal- en hoornvliesreflexen voordat u overgaat tot perfusie.
      3. Prik ongeveer 20-30 ml koude PBS met heparine (5 IE/ml) door de linkerventrikel bij een gecontroleerde druk van 150 mmHg gedurende 6 minuten om het bloed weg te spoelen en het orgaan te verbloeden voordat het wordt verwijderd.
      4. Blus alle verzamelde weefsels onmiddellijk af met vloeibare stikstof en bewaar ze bij -80 °C voor verdere analyse.
        OPMERKING: Snel invriezen is essentieel om de vorming van ijskristallen te voorkomen, die de weefselmorfologie kunnen verstoren.
    2. Weefselinbedding en cryo-sectie
      1. Stel de microtoom in op -20 °C en ontsmet de kamer en het mes met ethanol (EtOH) om achtergebleven inbeddingsmedium te verwijderen. Laat de CaF 2-objectglaasjes, de objectglaasjes, de monsterhouder en het weefselmonster in evenwicht komen in de cryostaat.
      2. Knip het doekje af tot ongeveer 5 mm × 5 mm × 3 mm. Integreer het in 10% gelatine in een standaard cryomold bij -20 °C, zodat u zich goed kunt oriënteren op de secties. Vries het ingebedde monster in op droogijs en bewaar het bij -80 °C tot cryosectie.
      3. Haal het weefsel uit de mal, snijd overtollig materiaal bij om de sectie te optimaliseren en bevestig het met ultrapuur water op de preparaathouder om een stabiele hechting te garanderen.
      4. Snijd 10 μm dikke secties en immobiliseer de secties op voorgecoate CaF 2-substraten en bewaar ze bij -80 °C.
      5. Plaats de gemonteerde weefselsecties in een vacuüm vriesdroger voorafgaand aan mid-infraroodbeeldvorming. Stel de kamerdruk in op 0,1 mPa en de temperatuur op -100 °C. Droog de monsters gedurende 30 minuten.
  2. Voorbereiding van celmonsters
    1. Zaai 1,25 × 105 HeLa-cellen op cirkelvormige CaF 2-substraten met een diameter van 13 mm die in standaard kweekplaten worden geplaatst. Gebruik Dulbecco's Modified Eagle Medium (DMEM) met een hoog glucosegehalte aangevuld met 10% foetaal runderserum (FBS) en 1% penicilline-streptomycine. Incubeer de cellen onder standaard kweekomstandigheden (37 °C, 5% CO2) gedurende 24 uur.
    2. Verwijder na 24 uur voorzichtig de media en fixeer de cellen door ze gedurende 20 minuten bij kamertemperatuur (RT) te incuberen in 4% paraformaldehyde (PFA) opgelost in PBS-buffer.
    3. Spoel de vaste cellen driemaal met HBSS-buffer en was ze vervolgens nog driemaal met ddH2O.
    4. Laat de CaF2-substraten volledig aan de lucht drogen bij RT voordat u overgaat tot MIR-beeldvorming.

2. Multimodale beeldacquisitie

  1. Quantum cascade laser (QCL) MIR beeldacquisitie
    1. Voer QCL MIR-beeldvormingsmicroscopie uit met behulp van een QCL-MIR-microscoop die is uitgerust met een niet-N 2-vloeistofgekoelde microbolometer 520 × 480 focal plane array (FPA)-detector en technologie voor het verminderen van ruimtelijke coherentie.
    2. Selecteer het spectrale bereik van 950 cm-1 tot 1800 cm-1.
    3. Gebruik een 4× objectief met een numerieke apertuur (NA) van 0,6, wat resulteert in een nominale pixelgrootte van 4,25 μm.
    4. Verzamel een achtergrondspectrum op een schoon CaF2-substraat met een spectrale resolutie van 4 cm-1 .
    5. Selecteer het acquisitiegebied op basis van weefselmorfologie en verzamel spectrale gegevens met een spectrale resolutie van 4 cm-1. Bij deze spectrale resolutie is de beeldacquisitiesnelheid ongeveer 0,3 mm2/s.
      OPMERKING: Alle metingen worden uitgevoerd in de transmissiemodus met behulp van CaF 2-dia's, met handmatige scherpstelling.
  2. Massaspectrometrie beeldacquisitie
    1. Matrix toepassing
      1. Gebruik de post-MIR-weefselsecties voor MALDI-MSI, breng fiduciale markers aan rond het weefsel met behulp van een Tippex-pen en leg een pre-MSI optisch beeld vast met een flatbedscanner voor beeldregistratie.
      2. Bereid de NEDC-matrix voor op 7 mg/ml in methanol/acetonitril/gedeïoniseerd water (V/V/V=75:25:5) en filtreer vervolgens door een membraan van 0,2 μm om deeltjes te verwijderen.
      3. Laad de gemarkeerde weefselglaasjes in een geautomatiseerde matrixspuit. Doseer de NEDC-matrix op het monster met behulp van de vooraf gedefinieerde parameters.
    2. MALDI-MSI meting
      1. Breng 0,2 μL rode fosforsuspensie aan op de CaF2-dia om te dienen als een externe massakalibratiestandaard.
      2. Zet de met matrix beklede slede in de slede-adapter vast en zorgt voor een optimaal elektrisch contact met de houder. Laad de plaat in een MALDI-MSI-systeem.
      3. Lijn het optische beeld van de dia uit met de XY-motorcoördinaten van de MALDI-trap met behulp van fiduciale markeringen. Definieer ROI's voor weefselanalyse en neem een gebied met alleen matrix op als negatieve controle.
      4. Configureer het instrument in de negatieve-ionmodus met een pixelgrootte van 20 × 20 μm2, met een m/z-bereik van 50-1000. Voer massakalibratie uit met behulp van de rode fosforvlek voordat u de gegevensverzameling start. Voer data-acquisitie uit met behulp van een commercieel data-analyseplatform.

3. Voorverwerking en analyse van beeldgegevens

OPMERKING: De aangepaste MATLAB-codes worden geüpload als aanvullend bestand 1.

  1. QCL-MIR voorverwerking en analyse van gegevens
    1. Voorverwerking van gegevens
      1. Exporteer hyperspectrale gegevens in een geschikt formaat voor verdere analyse.
      2. Voer gegevensvoorverwerking uit met behulp van CytoSpec en MATLAB, volgens deze stappen 3.1.1.3-3.1.1.8
      3. Importeer de MIR spectrale gegevens in CytoSpec v2.00.07 voor voorverwerking.
      4. Evalueer de spectrale kwaliteit met behulp van de ingebouwde kwaliteitstestmodule in CytoSpec. Selecteer criterium 2 (monsterdikte) om de consistentie van het monster te beoordelen. Stel het spectrale integratiebereik in op 950-1800 cm-1. Definieer de extinctiedrempels tussen 50 en 1000 eenheden om spectra uit te sluiten van gebieden die te dun of dik zijn.
      5. Verminder ruis met behulp van PCA-gebaseerde filtering in CytoSpec. Behoud de eerste 10 hoofdcomponenten (pc's) om hoogfrequente ruis te elimineren met behoud van de belangrijkste biochemische variantie.
      6. Exporteer de voorbewerkte spectrale gegevens van CytoSpec in .mat-formaat voor verdere analyse in MATLAB.
      7. Voer basislijncorrectie uit in MATLAB met behulp van een algoritme voor het corrigeren van elastiekjes over het spectrale bereik van 950-1800 cm-1 om basislijnafwijking te elimineren en de spectrale nauwkeurigheid te verbeteren.
      8. Pas spectrale normalisatie toe met behulp van min-max-schaling over hetzelfde spectrale bereik om de intensiteit van alle spectra te standaardiseren en vergelijkbaarheid in de hele dataset te garanderen.
    2. Gegevensanalyse
      1. Identificeer eiwit-geassocieerde kenmerken op 1.550 cm-1 en 1.650 cm-1, overeenkomend met respectievelijk amide II- en amide I-banden. Identificeer lipide-geassocieerde kenmerken op 1.740 cm-1, wat staat voor ester C=O rekkende trilling.
      2. Bereken de intensiteitsverhouding van de Amide I-band (1650 cm-1) tot de ester C=O-stretch (1740 cm-1) en genereer verhoudingskaarten om de ruimtelijke lipide-eiwitverdeling te visualiseren.
      3. Clusteranalyse zonder toezicht: Voer hiërarchische clusteranalyse (HCA) uit op hyperspectrale gegevens met behulp van Euclidische afstand en Ward's koppeling om regio's te classificeren op basis van spectrale gelijkenis. Genereer clusterkaarten om biochemisch verschillende regio's te identificeren en structurele of pathologische verschillen aan het licht te brengen.
  2. Voorverwerking en analyse van MSI-gegevens
    1. Importeer de onbewerkte MSI-gegevens in een commercieel data-analyseplatform.
    2. Voer piekpicking uit met een relatieve intensiteit > 0,01%.
    3. Sluit matrix-afgeleide pieken uit van de experimentele pieklijst door deze te vergelijken met het spectrum dat is verkregen uit een controlegebied met alleen matrix. Verwijder alle pieken die in het besturingsspectrum verschijnen en een signaal-ruisverhouding (SNR) van minder dan 3 hebben.
    4. Normaliseer de gegevensset naar Root Mean Square (RMS) om rekening te houden met variabiliteit in ionensignaalintensiteit tussen pixels en monsters.
    5. Verfijn de identificatie van metabolieten door kenmerken te filteren op basis van hun weefseldistributie, match met vermeldingen in de Human Metabolome Database (HMDB) en overeenstemming met theoretische m/z-waarden.
    6. Selecteer relevante metabolieten op basis van experimentele doelen en weefselcontext.
    7. Exporteer de intensiteit van de geselecteerde elementen voor alle pixels als een CSV-bestand.
    8. Pas dimensionaliteitsreductietechnieken toe (bijv. PCA, t-SNE of UMAP) om de complexiteit van gegevens te verminderen en clusters van pixels met vergelijkbare metabole handtekeningen te identificeren met behulp van bio-informaticatools zoals Seurat en Banksy, waardoor de visualisatie van ruimtelijke metabole heterogeniteit wordt vergemakkelijkt.

4. Multimodale co-registratie en co-analyse van beelden

  1. Selecteer het MIR-beeld verkregen op 1650 cm-1 als ruimtelijke referentie voor co-registratie. Dit specifieke golfgetal benadrukt de amide I-eiwitband en biedt een sterk weefselcontrast.
  2. Normaliseer de intensiteitswaarden van zowel de MIR- als de MSI-afbeeldingen om de visuele vergelijkbaarheid te verbeteren. Pas contrastverbeteringstechnieken toe, zoals histogram-egalisatie met behulp van de histeq-functie in MATLAB, om beeldintensiteiten te herverdelen en de zichtbaarheid van structurele kenmerken die cruciaal zijn voor de selectie van oriëntatiepunten te verbeteren.
  3. Laad zowel de MIR- als de MSI-afbeeldingen in MATLAB met behulp van de cpselect-functie uit de Image Processing Toolbox. Deze functie opent een interactieve interface voor het selecteren van oriëntatiepunten.
  4. Annoteer handmatig vijf tot tien anatomisch relevante en goed verdeelde controlepunten op zowel de MIR- als de MSI-afbeeldingen met behulp van de cpselect-functie . Deze oriëntatiepunten moeten overeenkomen met verschillende morfologische kenmerken zoals weefselgrenzen.
    OPMERKING: Verdeel de controlepunten gelijkmatig over het beeldveld om plaatselijke vervorming te minimaliseren.
  5. Exporteer en noteer de coördinaten van de geannoteerde controlepunten van beide afbeeldingen. Sla ze op als twee overeenkomende arrays voor transformatieberekeningen (bijv. movingPoints en fixedPoints).
  6. Bereken een affiene transformatiematrix met behulp van de MATLAB-functie fitgeotrans in Affiene modus. Deze transformatie houdt rekening met schalen, roteren, translatie en afschuiving.
  7. Pas de berekende transformatie toe op de MSI-afbeelding met behulp van de imwarp-functie in MATLAB. Deze stap genereert een ruimtelijk geregistreerd MSI-beeld dat geometrisch is uitgelijnd met het MIR-referentieframe.
  8. Inspecteer de uitlijning visueel met behulp van de imshowpair-functie in de overvloeimodus om de MSI- en MIR-afbeeldingen over elkaar heen te leggen en de juiste registratie van structurele kenmerken te bevestigen.
  9. Converteer zowel de geregistreerde MSI-afbeelding als de referentie MIR-afbeelding naar binaire maskers met behulp van de imbinarize-functie in MATLAB.
  10. Bereken de Dice Similarity Coëfficiënt (DSC) om de ruimtelijke overlap tussen de twee binaire maskers te kwantificeren. De DSC wordt gedefinieerd als: DSC = 2 × (overlappingsgebied)/(totale oppervlakte van beide maskers). Een DSC-waarde van bijna 1,0 duidt op een hoge ruimtelijke overlap en registratienauwkeurigheid.
    OPMERKING: Verfijn indien nodig de registratie door het aantal of de plaatsing van controlepunten aan te passen en het transformatieproces te herhalen. Overweeg niet-rigide registratiemethoden als lokale afwijkingen blijven bestaan.
  11. Sla het geregistreerde beeld, transformatieparameters en oriëntatiepuntcoördinaten op voor downstream multimodale beeldanalyse, zoals ruimtelijke correlatie van biochemische en structurele kenmerken.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Om de hierboven beschreven multimodale ruimtelijke metabolomics-strategie te valideren, hebben we deze geïmplementeerd in een muismodel van kanker. Tumorcellen werden genetisch gemodificeerd om groen fluorescerend eiwit (GFP) tot expressie te brengen, waardoor een nauwkeurige lokalisatie van het tumorgebied mogelijk was door middel van fluorescentiebeeldvorming. Figuur 2A toont labelvrije QCL-MIR-beeldvormingsresultaten met een spectrale dekking van 950-1800...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Hier presenteren we een multimodale ruimtelijke metabolomics-strategie die MSI- en MIR-beeldvorming integreert om moleculair specifieke metabole profilering met hoge doorvoer op dezelfde monsters mogelijk te maken. MIR-beeldvorming maakt labelvrije, niet-destructieve chemische mapping mogelijk op basis van moleculaire trillingen, waardoor gedetailleerde structurele en functionele groepsinformatie wordt verkregen. MSI daarentegen levert een hoge gevoeligheid en specificiteit voor de ident...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De auteurs hebben niets te onthullen.

Dankbetuigingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

We danken Dr. Yilong Zou van de Westlake University voor ondersteuning bij MALDI2-MSI-beeldvorming, en het kantoor van Bruker Scientific Technology Co., Ltd. in Shanghai voor hulp bij op QCL gebaseerde MIR-beeldvorming. We danken ook Dr. Shuguo Sun, Huazhong University of Science and Technology voor het vriendelijk verstrekken van KrasLSL-G12D/+ Tp53fl/fl Rb1fl/fl ZsgreenLSL-muizen . Deze studie wordt ondersteund door subsidies van Noncommunicable Chronic Diseases-National Science and Technology Major Program (2023ZD0500400 tot L.S., G.W. en D.Y.), de National Natural Science Foundation of China (nr. 22377016 tot L.S.), en het Fonds van Fudan University en Cao'ejiang Basic Research (nr. 24FCA08 tot L.S.). We danken ook de Core Facility van Shanghai Medical College, Fudan University.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
4% Paraformaldehyde, weefsel fixatie oplossingSangon Biotech E672002
Bovine serum albumineSigma Aldrich126615
C57BL/6JNifdc muizenCharles River219
CaF2 slidesCrystranCAFP25-1
Cryostat microtoomDakewe BiotechCT520
CytospecPeter LaschVersion 2.10.01Software voor MIR gegevensanalyse, inclusief basislijncorrectie, normalisatie, beeldgeneratie en hyperspectrale analyse.
DPBS bufferFisher Scientific 14-190-250
Fetaal bovien serumGibco10270106
VriesdrogenapparatenLABCONCOFreeZone
Gelatine Sigma-AldrichG1890Type A, uit varkenshuid
HBSS bufferSangon Biotech A003210
Hoge-glucose DMEMThermoFisher Scientific 10564011
MatlabMathWorksMatlab R2024aSoftware voor MIR gegevensanalyse, inclusief basislijncorrectie, normalisatie, beeldgeneratie en hyperspectrale analyse.
Matrix-ondersteunde laser desorptie ionisatie massaspectrometrie beeldvorming (MALDI-MSI) systeemBruker Daltonics GmbH timsTOF fleX MALDI-2
MethanolSinopharm Chemical Reagent10014108
mMassInstitute of Entomology, Biology Centre of the Czech Academy of Sciences, TsjechiëVersion 5.5.0Software voor MSI gegevensanalyse. Importeer de ruwe MSI gegevens in SCiLS Lab voor voorverwerking.  Voer piekpicking uit in mMass met relatieve intensiteit > 0,01%.
N-(1-nafthyl) ethyleendiamine dihydrochloride (NEDC) matrix Sigma Aldrich222488
Penicilline-streptomycineThermoFisher Scientific 15140122
Quantum Cascade Laser  mid-Infrarood (QCL-MIR) microscopie Bruker Optics GmbHLUMOS II ILIM
Rode fosforSigma-Aldrich8.0727
SCiLS LabBruker DaltonicsSCiLS Lab 2024bSoftware voor MSI gegevensanalyse. Importeer de ruwe MSI gegevens in SCiLS Lab voor voorverwerking.  Voer piekpicking uit in mMass met relatieve intensiteit > 0,01%.
SprayerHTX TechnologiesTM
Trypsine, 0,25% EDTAThermoFisher Scientific C25200072

Referenties

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Alexandrov, T. Spatial metabolomics: From a niche field towards a driver of innovation. Nat Metab. 5 (9), 1443-1445 (2023).
  2. Gilmore, I. S., Heiles, S., Pieterse, C. L. Metabolic imaging at the single-cell scale: Recent advances in mass spectrometry imaging. Annu Rev Anal Chem. 12 (1), 201-224 (2019).
  3. Chadha, R. S., Guerrero, J. A., Wei, L., Sanchez, L. M. Seeing is believing: Developing multi-modal metabolic insights at the molecular level. ACS Central Science. 10 (4), 758-774 (2024).
  4. Shi, L., et al. Mid-infrared metabolic imaging with vibrational probes. Nat Methods. 17 (8), 844-851 (2020).
  5. Steinhauser, M. L., et al. Multi-isotope imaging mass spectrometry quantifies stem cell division and metabolism. Nature. 481 (7382), 516-519 (2012).
  6. Hu, F., Shi, L., Min, W. Biological imaging of chemical bonds by stimulated Raman scattering microscopy. Nat Methods. 16 (9), 830-842 (2019).
  7. Qian, N., et al. Illuminating life processes by vibrational probes. Nat Methods. 22 (5), 928-944 (2025).
  8. Kim, M. M., Parolia, A., Dunphy, M. P., Venneti, S. Non-invasive metabolic imaging of brain tumours in the era of precision medicine. Nat Rev Clin Oncol. 13 (12), 725-739 (2016).
  9. Baker, M. J., et al. Using Fourier transform IR spectroscopy to analyze biological materials. Nat Protoc. 9 (8), 1771-1791 (2014).
  10. Fernandez, D. C., Bhargava, R., Hewitt, S. M., Levin, I. W. Infrared spectroscopic imaging for histopathologic recognition. Nat Biotechnol. 23 (4), 469-474 (2005).
  11. Schnell, M., et al. All-digital histopathology by infrared-optical hybrid microscopy. Proc Natl Acad Sci U S A. 117 (7), 3388-3396 (2020).
  12. Yeh, K., Kenkel, S., Liu, J. N., Bhargava, R. Fast infrared chemical imaging with a quantum cascade laser. Anal Chem. 87 (1), 485-493 (2015).
  13. Ma, S., et al. High spatial resolution mass spectrometry imaging for spatial metabolomics: Advances, challenges, and future perspectives. TrAC Trends Anal Chem. 159, 116902(2023).
  14. Mckinnon, J. C., et al. Enhancing metabolite coverage in MALDI-MSI using laser post-ionisation (MALDI-2). Anal Methods. 15 (34), 4311-4320 (2023).
  15. Bednařík, A., et al. MALDI MS imaging at acquisition rates exceeding 100 pixels per second. Journal of the American Society for Mass Spectrometry. 30 (2), 289-298 (2019).
  16. He, M. J., et al. Comparing DESI-MSI and MALDI-MSI mediated spatial metabolomics and their applications in cancer studies. Front Oncol. 12, 2022(2022).
  17. Wang, G., et al. Analyzing cell-type-specific dynamics of metabolism in kidney repair. Nature Metab. 4 (9), 1109-1118 (2022).
  18. Haase, K., Kröger-Lui, N., Pucci, A., Schönhals, A., Petrich, W. Real-time mid-infrared imaging of living microorganisms. J Biophotonics. 9 (1-2), 61-66 (2016).
  19. Liu, X., et al. Towards mapping mouse metabolic tissue atlas by mid-infrared imaging with heavy water labeling. Adv Sci. 9 (15), e2105437(2022).
  20. Liu, X., Shi, L., Zhao, Z., Shu, J., Min, W. Vibrant: Spectral profiling for single-cell drug responses. Nat Methods. 21 (3), 501-511 (2024).
  21. Gruber, L., et al. Deep MALDI-MS spatial omics guided by quantum cascade laser mid-infrared imaging microscopy. Nat Commun. 16 (1), 4759(2025).
  22. Heijs, B., et al. Histology-guided high-resolution matrix-assisted laser desorption ionization mass spectrometry imaging. Anal Chem. 87 (24), 11978-11983 (2015).
  23. Rabe, J. H., et al. Fourier transform infrared microscopy enables guidance of automated mass spectrometry imaging to predefined tissue morphologies. Sci Rep. 8 (1), 313(2018).
  24. Wang, G., et al. Spatial quantitative metabolomics enables identification of remote and sustained ipsilateral cortical metabolic reprogramming after stroke. bioRxiv. , (2024).
  25. Jang, C., Chen, L., Rabinowitz, J. D. Metabolomics and isotope tracing. Cell. 173 (4), 822-837 (2018).
  26. Kim, J., Seo, S., Kim, T. -Y. Metabolic deuterium oxide (d2o) labeling in quantitative omics studies: A tutorial review. Analytica Chimica Acta. 1242, 340722(2023).
  27. Shi, L., et al. Optical imaging of metabolic dynamics in animals. Nature Commun. 9 (1), 2995(2018).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Spatial MetabolomicsMass Spectrometry ImagingMid Infrared ImagingMALDI MSIImaging Co RegistrationBioinformatics AnalysisTissue Metabolite MappingMulti Modal ImagingMetabolic HeterogeneityBiomarker Discovery
Video binnenkort beschikbaar

Gerelateerde artikelen