Методическая статья

Мультимодальная пространственная метаболомика с микроскопом среднего инфракрасного диапазона Масс-спектрометрическая визуализация

DOI:

10.3791/68709

⸱

25 июля 2025 г.

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

* These authors contributed equally

В этой статье

Краткое содержание

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

Мы представляем мультимодальный рабочий процесс пространственной метаболомики, который объединяет масс-спектрометрическую визуализацию (MSI) и визуализацию в среднем инфракрасном диапазоне (MIR) на одном и том же срезе ткани для метаболического и биохимического анализа с пространственным разрешением.

Аннотация

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

Пространственная метаболомика — это быстро развивающаяся область для картирования распределения метаболитов в тканях, органах и даже отдельных клетках. Такой подход обеспечивает контекстуальную метаболическую информацию, которая имеет решающее значение для понимания биохимической гетерогенности биологических систем. Визуализация в среднем инфракрасном диапазоне (MIR) и масс-спектрометрия (MSI) стали мощными подходами к пространственной метаболомике, каждый из которых обладает уникальными и взаимодополняющими преимуществами. В этом исследовании мы представляем рабочий процесс выполнения визуализации MIR и матричной лазерной десорбционной ионизации MSI (MALDI-MSI) на одном и том же участке ткани, охватывающий экспериментальные процедуры, совместную регистрацию изображений, интеграцию данных и биоинформатический анализ. Визуализация MIR используется в качестве предварительного метода, позволяющего проводить неразрушающий биохимический анализ тканей. Затем матрица наносится в ткань для MALDI-MSI, руководствуясь пространственной информацией, полученной в результате визуализации MIR. Изображения интегрируются после совместной регистрации, что позволяет проводить мультимодальный пространственный метаболомический анализ с использованием передовых инструментов биоинформатики, таких как Seurat. Интеграция визуализации MIR и MSI представляет собой революционный прогресс в пространственной метаболомике, предлагая беспрецедентные возможности для изучения пространственной и химической сложности метаболических процессов как в здоровье, так и при заболеваниях. Этот мультимодальный подход обладает значительным потенциалом для внедрения инноваций в области обнаружения биомаркеров, диагностики заболеваний и разработки терапевтических препаратов.

Введение

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

Пространственная метаболомика включает в себя картирование метаболитов в их естественном тканевом контексте путем интеграции масс-спектрометрической визуализации (MSI) или других методов пространственного разрешения с метаболическим анализом, что дает представление о метаболизме в субтканевом, клеточном или субклеточном разрешении 1,2,3,4,5,6,7,8 . Среди этих методов визуализации микроскопия среднего инфракрасного диапазона (MIR) привлекает все большее внимание благодаря своей способности химически картировать биомолекулы на основе молекулярного вибрационного контраста 4,7,9,10,11,12. Неразрушающая, не требующая меток, высокоскоростная и экономичная 4,7,9,10,11,12 делает визуализацию MIR особенно подходящей для интеграции с MSI, формируя многообещающий мультимодальный подход для комплексного пространственного анализа.

Матричная лазерная десорбционная ионизация MSI (MALDI-MSI) является одним из наиболее широко используемых методов в пространственной метаболомике (рис. 1A)13. Он позволяет обнаруживать широкий спектр метаболитов, включая липиды, аминокислоты, сахара, нуклеотиды и вторичные метаболиты, с высокой чувствительностью1. Достижения в области выбора матрицы (например, 2,5-дигидроксибензойной кислоты [DHB], 9-аминоакридина [9AA] или N-(1-нафтил) этилендиамина дигидрохлорида [NEDC]) и методов ионизации (например, методы постионизации) еще больше расширили охват обнаружения, особенно для малораспространенных и плохо ионизируемых видов14. Современные системы MALDI-MSI поддерживают скорость визуализации в диапазоне от 5 до 50 пикселей в секунду, в зависимости от пространственного разрешения и типа используемого масс-анализатора (например, времяпролетный [TOF], Orbitrap или ионный циклотронный резонанс с преобразованием Фурье [FT-IRC]). Примечательно, что высокоскоростные приборы MALDI-TOF достигают скорости более 100 пикселей в секунду, что позволяет получать изображения больших площадей в течение несколькихчасов15. Пространственное разрешение MALDI-MSI обычно находится в пределах от 5 до 50 мкм, что достаточно для разрешения клеточных и даже субклеточных структур16,17. Однако более высокое пространственное разрешение обычно достигается за счет увеличения времени сбора данных, снижения отношения сигнал/шум и более высоких вычислительных требований при обработке данных.

В отличие от MSI, визуализация MIR представляет собой широкоугольныйоптический подход4, что делает его по своей сути неразрушающим и высокопроизводительным. Последние достижения в области мощных квантовых каскадных лазеров (QCL) позволяют создать новую структуру, известную как дискретная инфракрасная визуализация (DFIR), которая значительно увеличивает скорость визуализации до скорости видео (рис. 1B)12,18. Кроме того, источники QCL сделали неохлаждаемые микроболометрические детекторы пригодными для визуализации MIR, что позволило использовать детекторы с более крупной фокальной плоскостью (FPA)12. В результате всего за несколько секунд можно получить одночастотное изображение MIR на площади 1см2 с разрешением по сотовой связи (~5 мкм). Визуализация MIR может работать как в безметочном, так и в маркированном режимах. В предыдущих исследованиях 4,19,20 были введены небольшие ИК-активные вибрационные зонды для мониторинга кинетики различных метаболических активностей in situ. Эти зонды позволяют отслеживать метаболические пути в режиме реального времени, сообщая о глобальных химических превращениях через уникальные спектральные каналы MIR4. Таким образом, визуализация MIR обеспечивает как статическое биохимическое профилирование, так и динамический метаболический мониторинг с высоким пространственным разрешением и быстрой скоростью сбора.

В этой рукописи мы представляем комплексный рабочий процесс для выполнения пространственной метаболомики MALDI-MSI под контролем MIR, демонстрируя возможность получения обоих модальностей из одного и того же образца (Рисунок 2, Рисунок 3). Интегрируя визуализацию MIR с MSI, мы создаем мультимодальный подход, который использует взаимодополняющие преимущества каждого метода. Визуализация MIR обеспечивает быстрое биохимическое картирование всего предметного стекла без меток с клеточным разрешением, что служит ценным руководством для выбора области интереса (ROI) при последующем получении данных MSI. Эта стратегия обеспечивает более целенаправленный и эффективный рабочий процесс MSI, сокращая время и затраты на получение данных, а также повышая интерпретируемость и биологическую значимость данных пространственной метаболомики. В свою очередь, MSI предоставляет высокодетализированные молекулярные аннотации гиперспектральных изображений MIR, что позволяет глубже понять биохимию тканей. В целом, этот интегрированный подход обладает большим потенциалом для продвижения открытия биомаркеров, диагностики заболеваний и разработки терапевтических систем.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Протокол был проведен в соответствии с протоколом экспериментов на животных (DSF-2024-004), утвержденным Комитетом по институциональному уходу за животными и их использованию (IACUC) Центра ресурсов лабораторных животных при Университете Фудань.

ПРИМЕЧАНИЕ: В этом исследовании представлен рабочий процесс для выполнения визуализации MIR и MALDI-MSI на одном и том же участке ткани. Этот интегрированный подход включает в себя экспериментальные процедуры, совместную регистрацию изображений, слияние данных и последующий биоинформатический анализ (рисунок 1C). Визуализация MIR используется в качестве предварительного метода, что позволяет проводить неразрушающее, безмаркерное биохимическое картирование ткани. Руководствуясь пространственной информацией, полученной с помощью снимка МИР, впоследствии применяется матрица для получения данных MALDI-MSI. После точной совместной регистрации наборы данных интегрируются для многомерного коанализа (рис. 4), что позволяет проводить комплексную пространственную метаболомику с помощью передовых вычислительных инструментов.

1. Подготовка образцов

  1. Подготовка образца ткани
    1. Сбор мышиной ткани
      1. Домашние мыши C57BL/6J (возрастом 20 недель, 40 г) в условиях отсутствия специфических патогенов (SPF), содержались в 12-часовом цикле свет/темнота и получали свободный доступ к пище и воде для обеспечения оптимального здоровья перед экспериментом.
      2. Обезболивание мышей путем внутрибрюшинного введения пентобарбитала натрия в дозе 50 мг/кг массы тела для обеспечения глубокой анестезии. Понаблюдайте за животным и подтвердите отсутствие рефлексов педали и роговицы, прежде чем приступать к перфузии.
      3. Перфузируют примерно 20–30 мл холодного PBS, содержащего гепарин (5 МЕ/мл), через левый желудочек под контролируемым давлением 150 мм рт.ст. в течение 6 мин для вымывания крови и обескровливания органа перед удалением.
      4. Немедленно закалите все собранные ткани жидким азотом и храните при температуре -80 °C для дальнейшего анализа.
        ПРИМЕЧАНИЕ: Быстрое замораживание необходимо для предотвращения образования кристаллов льда, которые могут исказить морфологию тканей.
    2. Встраивание тканей и криосекреза
      1. Установите микротом на -20 °C и обеззаразите камеру и лезвие этанолом (EtOH), чтобы удалить остатки засадочной среды. Дайте предметным стеклам CaF2 , почтовой тележке, держателю образца и образцу ткани уравновеситься в криостате.
      2. Обрежьте ткань примерно до 5 мм × 5 мм × 3 мм. Поместите его в 10% желатин в стандартный криомолд при температуре -20 °C, обеспечив правильную ориентацию для разрезания. Заморозьте внедренный образец на сухом льду и храните при температуре -80 °C до криосекции.
      3. Извлеките ткань из формы, обрежьте излишки материала для оптимизации секции и прикрепите ее к держателю образца с помощью сверхчистой воды для обеспечения стабильной адгезии.
      4. Вырежьте срезы толщиной 10 мкм, обездвижьте срезы на предварительно покрытых CaF2 подложках и храните их при температуре -80 °C.
      5. Поместите смонтированные срезы тканей в вакуумную сублимационную сушилку перед получением изображений в среднем инфракрасном диапазоне. Установите давление в камере на 0,1 мПа и температуру на -100 °C. Просушите образцы в течение 30 минут.
  2. Подготовка образцов клеток
    1. Семена 1,25 × 105 клеток HeLa на круглые субстраты CaF2 диаметром 13 мм, помещенные в стандартные культуральные планшеты. Используйте модифицированную орлиную среду (DMEM) с высоким содержанием глюкозы, дополненную 10% фетальной бычьей сывороткой (FBS) и 1% пенициллин-стрептомицином. Инкубируйте клетки в стандартных условиях культивирования (37 °C, 5%CO2) в течение 24 ч.
    2. Через 24 ч осторожно извлеките среду и зафиксируйте клетки, инкубировав их в 4% параформальдегиде (PFA), растворенном в буфере PBS, в течение 20 мин при комнатной температуре (RT).
    3. Промойте неподвижные ячейки три раза с помощью буфера HBSS, затем промойте их еще три раза с ddH2O.
    4. Полностью высушите подложки CaF2 на воздухе в режиме RT перед тем, как приступить к визуализации MIR.

2. Мультимодальное получение изображения

  1. Квантовый каскадный лазер (QCL) Получение изображений MIR
    1. Выполняйте визуализирующую микроскопию QCL MIR с помощью микроскопа QCL-MIR, оснащенного микроболометром 520 × 480 с жидкостным охлаждением, а также технологией снижения пространственной когерентности.
    2. Выберите спектральный диапазон от 950 см-1 до 1800 см-1.
    3. Используйте объектив 4× с числовой апертурой (NA) 0,6, в результате чего номинальный размер пикселя составит 4,25 мкм.
    4. Соберите фоновый спектр на чистую подложку CaF2 со спектральным разрешением 4 см-1 .
    5. Выберите область сбора данных на основе морфологии ткани и соберите спектральные данные со спектральным разрешением 4 см-1. При таком спектральном разрешении скорость получения изображения составляет примерно 0,3мм2/с.
      ПРИМЕЧАНИЕ: Все измерения выполнены в режиме передачи с использованием слайдов CaF2 , с ручной регулировкой фокусировки.
  2. Получение изображений с помощью масс-спектрометрии
    1. Матричное приложение
      1. Используйте срезы тканей после MIR для MALDI-MSI, нанесите реперные маркеры вокруг ткани с помощью ручки Tippex и сделайте оптическое изображение, полученное до MSI, с помощью планшетного сканера для регистрации изображения.
      2. Приготовьте матрицу NEDC в концентрации 7 мг/мл в метаноле/ацетонитриле/деионизированной воде (V/V/V = 75:25:5), затем отфильтруйте через мембрану 0,2 мкм для удаления твердых частиц.
      3. Загрузите отмеченные салфетки в автоматизированный матричный распылитель. Нанесите матрицу NEDC на образец с использованием предварительно заданных параметров.
    2. Измерение MALDI-MSI
      1. Нанесите 0,2 мкл суспензии красного фосфора на предметное стекло CaF2 в качестве внешнего эталона для калибровки массы.
      2. Закрепите ползунок с матричным покрытием в адаптере ползуна, обеспечив оптимальный электрический контакт с держателем. Загрузите пластину в систему MALDI-MSI.
      3. Совместите оптическое изображение предметного стекла с координатами XY-мотора предметного столика MALDI с помощью реперных маркеров. Определите ROI для анализа тканей и включите область «только матрица» в качестве отрицательного контроля.
      4. Сконфигурируйте прибор в режиме отрицательных ионов с размером пикселя 20 × 20мкм2, охватывающим диапазон м/з 50-1000. Выполните калибровку массы с использованием пятна красного фосфора перед началом сбора данных. Выполняйте сбор данных с помощью коммерческой платформы анализа данных.

3. Предварительная обработка и анализ данных изображения

ПРИМЕЧАНИЕ: Пользовательские коды MATLAB загружаются в виде дополнительного файла 1.

  1. Предварительная обработка и анализ данных QCL-МИР
    1. Предварительная обработка данных
      1. Экспортируйте гиперспектральные данные в подходящий формат для дальнейшего анализа.
      2. Выполнить предварительную обработку данных с помощью CytoSpec и MATLAB, выполнив следующие шаги 3.1.1.3-3.1.1.8
      3. Импортируйте спектральные данные MIR в CytoSpec v2.00.07 для предварительной обработки.
      4. Оценивайте спектральное качество с помощью встроенного модуля тестов качества в CytoSpec. Выберите критерий 2 (толщина образца) для оценки консистенции образца. Установите диапазон спектрального интегрирования в 950-1800 см-1. Определите пороги поглощения в диапазоне от 50 до 1000 единиц, чтобы исключить спектры из чрезмерно тонких или толстых областей.
      5. Уменьшите шум с помощью фильтрации на основе PCA в CytoSpec. Сохранение первых 10 основных компонентов (ПК) для устранения высокочастотного шума при сохранении ключевых биохимических вариаций.
      6. Экспортируйте предварительно обработанные спектральные данные из CytoSpec в формат .mat для дальнейшего анализа в MATLAB.
      7. Выполняйте коррекцию базовой линии в MATLAB с помощью алгоритма коррекции с резиновой лентой в спектральном диапазоне 950–1800 см-1 для устранения дрейфа базовой линии и повышения спектральной точности.
      8. Применяйте спектральную нормализацию с использованием минимального и максимального масштабирования в том же спектральном диапазоне, чтобы стандартизировать интенсивности по всем спектрам и обеспечить сопоставимость по всему набору данных.
    2. Анализ данных
      1. Определите белок-ассоциированные особенности на 1550 см-1 и 1650 см-1, соответствующие полосам амида II и амида I соответственно. Определите липид-ассоциированные особенности на расстоянии 1 740 см-1, представляющие собой эфирную вибрацию растяжения C=O.
      2. Рассчитайте отношение интенсивности полосы Amide I (1650 см-1) к растяжению эфира C=O (1740 см-1) и сгенерируйте карты отношений для визуализации пространственного распределения липидов и белков.
      3. Кластерный анализ без учителя: выполнение иерархического кластерного анализа (HCA) на гиперспектральных данных с использованием евклидова расстояния и связи Уорда для классификации регионов на основе спектрального сходства. Создание кластерных карт для идентификации биохимически различных областей и выявления структурных или патологических различий.
  2. Предварительная обработка и анализ данных MSI
    1. Импортируйте необработанные данные MSI в коммерческую платформу анализа данных.
    2. Выполняйте пиковый сбор с относительной интенсивностью > 0,01%.
    3. Исключите пики, полученные из матрицы, из экспериментального списка пиков, сравнив его со спектром, полученным из контрольной области, состоящей только из матрицы. Удалите все пики, которые появляются в управляющем спектре и имеют отношение сигнал/шум (SNR) меньше 3.
    4. Нормализуйте набор данных до среднеквадратичного значения (RMS), чтобы учесть изменчивость интенсивности ионного сигнала по пикселям и образцам.
    5. Уточнение идентификации метаболитов путем фильтрации признаков на основе их распределения в тканях, сопоставления с записями в базе данных метаболомов человека (HMDB) и согласования с теоретическими значениями m/z.
    6. Выбирайте соответствующие метаболиты на основе целей эксперимента и тканевого контекста.
    7. Экспортируйте интенсивность выбранных объектов для всех пикселей в виде файла CSV.
    8. Применяйте методы уменьшения размерности (например, PCA, t-SNE или UMAP) для снижения сложности данных и выявления кластеров пикселей с аналогичными метаболическими сигнатурами с помощью инструментов биоинформатики, таких как Сёра и Бэнкси, облегчая визуализацию пространственной метаболической гетерогенности.

4. Мультимодальная корегистрация и коанализ изображений

  1. Выберите изображение MIR, полученное на расстоянии 1650 см-1 , в качестве пространственной привязки для совместной регистрации. Это конкретное волновое число выделяет полосу белка амида I, обеспечивая сильный контраст тканей.
  2. Нормализуйте значения интенсивности изображений MIR и MSI для улучшения визуальной сопоставимости. Применяйте методы повышения контрастности, такие как выравнивание гистограммы с помощью функции histeq в MATLAB, для перераспределения интенсивности изображения и улучшения видимости структурных особенностей, критически важных для выбора ориентиров.
  3. Загрузите изображения MIR и MSI в MATLAB с помощью функции cpselect на панели инструментов обработки изображений. Эта функция открывает интерактивный интерфейс для выбора достопримечательностей.
  4. Вручную аннотируйте от пяти до десяти анатомически значимых и хорошо распределенных контрольных точек на изображениях MIR и MSI с помощью функции cpselect . Эти ориентиры должны соответствовать определенным морфологическим признакам, таким как границы тканей.
    ПРИМЕЧАНИЕ: Равномерно распределите контрольные точки по полю изображения, чтобы свести к минимуму локализованные искажения.
  5. Экспорт и запись координат аннотированных опорных точек из обоих изображений. Сохраните их в виде двух совпадающих массивов для вычисления преобразования (например, movingPoints и fixedPoints).
  6. Вычислите матрицу аффинного преобразования с помощью функции MATLAB fitgeotrans в аффинном режиме. Это преобразование учитывает масштабирование, вращение, перемещение и сдвиг.
  7. Примените вычисленное преобразование к изображению MSI с помощью функции imwarp в MATLAB. На этом этапе создается пространственно зарегистрированное изображение MSI, геометрически выровненное по системе отсчета MIR.
  8. Визуально осмотрите выравнивание с помощью функции imshowpair в режиме наложения , чтобы наложить изображения MSI и MIR и убедиться в правильности регистрации структурных элементов.
  9. Преобразуйте как зарегистрированное изображение MSI, так и эталонное изображение MIR в двоичные маски с помощью функции бинаризации в MATLAB.
  10. Вычислите коэффициент сходства кубиков (DSC) для количественной оценки пространственного перекрытия между двумя двоичными масками. DSC определяется как: DSC = 2 × (Площадь перекрытия)/(Общая площадь обеих масок). Значение ДСК, приближающееся к 1,0, указывает на высокое пространственное перекрытие и точность регистрации.
    ПРИМЕЧАНИЕ: При необходимости уточните регистрацию, скорректировав количество или расположение контрольных точек и повторив процесс преобразования. Рассмотрите нежесткие методы регистрации, если локальные смещения сохраняются.
  11. Сохраните зарегистрированное изображение, параметры преобразования и координаты ориентиров для последующего мультимодального анализа изображений, например, пространственной корреляции биохимических и структурных особенностей.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Чтобы проверить описанную выше стратегию мультимодальной пространственной метаболомики, мы реализовали ее на мышиной модели рака. Опухолевые клетки были генетически модифицированы для экспрессии зеленого флуоресцентного белка (GFP), что позволило точно локализовать опухолевую область с помощью флуоресцентной визуализации. На рисунке 2A показаны результаты визуализации QCL-MIR без меток со спектральным охватом 950–1800 см-1, известными как «область отпечатков пальцев».

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

В данной работе мы представляем стратегию мультимодальной пространственной метаболомики, которая объединяет визуализацию MSI и MIR для обеспечения высокопроизводительного молекулярно-специфического метаболического профилирования на одних и тех же образцах. Визуализация MIR позволяет безметочное, неразрушающее химическое картирование на основе молекулярных колебаний, предоставляя подробную информацию о структурных и функциональных группах. В отличие от этого, MSI обеспечивает высокую чувс...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторам нечего раскрывать.

Благодарности

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

Мы благодарим доктора Илун Цзоу из Университета Уэстлейк за поддержку в области визуализации MALDI2-MSI, а также офис Bruker Scientific Technology Co., Ltd. в Шанхае за помощь в создании визуализации MIR на основе QCL. Мы также благодарим доктора Шуго Суня из Хуачжунского университета науки и технологии за любезное предоставление мышей KrasLSL-G12D/+ Tp53fl/fl Rb1fl/fl ZsgreenLSL . Это исследование поддержано грантами Национальной программы по науке и технике «Неинфекционные хронические заболевания» (2023ZD0500400 для L. S., G. W. и D. Y.), Национального фонда естественных наук Китая (No 22377016 для L. S.), а также Фонда Фуданьского университета и Цаоэцзянского фундаментального исследования (No 24FCA08 для L. S.). Мы также благодарим Центральное учреждение Шанхайского медицинского колледжа Фуданьского университета.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
4% Параформальдегид, раствор для фиксации тканейSangon Biotech 
Бычий сывороточный альбуминSigma Aldrich126615
C57BL/6JNifdc мышиCharles River219
CaF2 слайдыCrystranCAFP25-1
Cryostat microtomeDakewe BiotechCT520
CytospecPeter LaschВерсия 2.10.01Программное обеспечение для анализа данных MIR, включая коррекцию исходных линий, нормализацию, генерацию изображений и гиперспектральный анализ.
DPBS буферFisher Scientific 14-190-250
Фетальная бычья сывороткаGibco10270106
Сублимационные сушилкиLABCONCOFreeZone
Gelatin Sigma-AldrichG1890Type A, из свиной кожи
HBSS bufferSangon Biotech 
DMEM с высоким содержаниемглюкозы ThermoFisher Scientific 
Программное обеспечение MatlabMathWorksMatlab R2024aдля анализа данных MIR, включая коррекцию базового уровня, нормализацию, генерацию изображений и гиперспектральный анализ.
Система матричной лазерной десорбции ионизационной масс-спектрометрии (MALDI-MSI)Bruker Daltonics GmbH timsTOF fleX MALDI-2
МетанолSinopharm Химический реактив10014108
mMassИнститут энтомологии, Биологический центр Чешской академии наук, Чешская РеспубликаВерсия 5.5.0Программное обеспечение для анализа данных MSI. Импортируйте необработанные данные MSI в SCILS Lab для предварительной обработки. Выполнение пиковой комплектации в mMass с относительной интенсивностью > 0,01%.
N-(1-нафтил)этилендиамина дигидрохлорид (NEDC) матрикс Сигма Олдрич222488
пенициллин-стрептомицинThermoFisher Scientific 
Квантовый каскадный лазер  микроскопия среднего инфракрасного диапазона (QCL-MIR)  Bruker Optics GmbHLUMOS II ILIM
Красный фосфорSigma-Aldrich8.0727
SCiLS LabBruker DaltonicsSCiLS Lab 2024bПрограммное обеспечение для анализа данных MSI. Импортируйте необработанные данные MSI в SCILS Lab для предварительной обработки. Выполнение пиковой комплектации в mMass с относительной интенсивностью > 0,01%.
ОпрыскивательHTX TechnologiesТМ
Трипсин, 0,25% ЭДТАThermoFisher Scientific 
E672002A0032101056401115140122C25200072

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Spatial MetabolomicsMass Spectrometry ImagingMid Infrared ImagingMALDI MSIImaging Co RegistrationBioinformatics AnalysisTissue Metabolite MappingMulti Modal ImagingMetabolic HeterogeneityBiomarker Discovery
Видео скоро будет доступно

Похожие статьи