由于相较于常规代谢组学，除了代谢物定性、定量信息外，空间代谢组学还可以提供代谢物的空间信息，因此基于质谱成像技术的空间代谢组学在癌症研究中的应用越来越广泛。年9月，GeorgiaInstituteofTechnology的FacundoM.Fernández团队在《MassSpectrometryReviews》期刊（IF：9.）上发表题为“Advancesinmassspectrometryimagingforspatialcancermetabolomics”的综述文章，总结了近年来质谱成像技术在癌症研究中的应用，并提出了如可重复性低等需要解决的问题。
质谱（Massspectrometry，MS）已经成为癌症研究中的一项核心技术。这项技术可以在复杂的生物基质中分析各种类型的生物分子，这使它非常适合于了解与疾病进展相关的生化改变。目前已经成功地使用质谱分析包括血清、尿液、唾液和组织在内的不同的生物样本。而利用MS成像（MSimaging，MSI）的空间代谢组学可以直接观察到组织中的代谢物分布，从而能够深入了解特定结构中与癌症相关的生化变化。
近年来，MSI研究已被越来越多地被用于揭示与癌症发展相关的代谢重编程，能够发现具有诊断潜力的关键生物标志物。这篇综述旨在为非专业人士介绍MSI实验的基本原理，包括基础知识、样品制备过程以及数据分析策略等方面。同时，回顾了过去5年中与癌症研究相关的MSI进展如空间脂质组学和糖类组学、采用三维和多模态成像MSI方法、以及在基于MSI的癌症研究中实施人工智能/机器学习的研究。
Part.1
目前癌症研究中的MS方法
作者在第一部分总结了现在癌症研究中应用的质谱技术。基于质谱技术的各种组学为全面深入了解癌症发展、指导药物开发和治疗方法提供了坚实的分子基础。对于非成像质谱技术而言，也就是常规的质谱技术，比如气相色谱-质谱联用技术（gaschromatography‐MS，GC-MS）、液相色谱-质谱联用技术（liquidchromatography‐MS，LC-MS）以及毛细管电泳-质谱联用技术（capillaryelectrophoresis‐MS，CE-MS），都已经在多种癌症的分子标志物研究等方面中发挥重要作用。但是它们都有一个共同的缺点，即不能提供分子的空间分布信息。因此质谱成像技术应运而生。
MSI作为一种广谱的，无标签的成像方法，可以对各种生物分子进行空间可视化，比如蛋白质、多肽、脂类、多糖、氨基酸以及寡核苷酸等。因此，MSI技术被广泛地应用于众多生物和临床研究，并促进了不同类型癌症的空间代谢组学和蛋白质组学研究发展。
Part.2
MS的基本原则
第二部分开始简介空间代谢组学技术的应用，以及样本制备、数据处理等方面的注意事项。
空间代谢组学涉及对组织、器官和细胞中的代谢物（主要是分子量小于Da的分子，如脂类、氨基酸和糖类）的空间分布和改变的研究。这类研究有助于可视化和准确定位这些生物大分子的位置，为了解感兴趣的生物过程（如疾病进展机制）提供了一个额外的维度。一般来说，从空间代谢组学实验中获得的信息与存在于某些组织区域或微区、器官和细胞中的生物分子功能紧密相关。其他空间技术观察到的组织变化或异常子结构的出现（如组织的异质性），可以与这些化合物分子水平的改变联系起来。在癌症研究中，生物大分子丰度的空间信息和改变反映了癌症的发展。空间分辨率的信息也可以与其他研究相关联，如通过GC-，LC-，CE-MS和NMR测量的生物液体中的蛋白质、肽、代谢物和脂质丰度的时间分辨率。因此，MSI在癌症研究中得到了普及（图1）。
图1
自年起，谷歌学术中关于“massspectrometryimaging”和“cancer”的发文量
进行空间代谢组学研究有如下几项注意点：
首先是样品制备。MSI实验工作流程的第一步是获得高质量的组织切片，因为这些切片的状况和均匀性程度在很大程度上决定了MSI数据的质量和可重复性。有许多因素会影响MSI数据的质量，比如样本的生物特征、采集时间等。而样本制备也是MSI研究中差异的主要来源。一般来说，采集组织后直接在液氮中速冻可能会由于冷冻时间不均一导致组织开裂或者破碎。因此，在冷冻前，组织可以被嵌入羧甲基纤维素和明胶水溶液中，然后再被冷冻，这样样本可以在-80°C储存至少一年。在样本切片时，也要使用冷冻切片机进行，且应避免组织的折叠、破裂和移位。
其次是质量轴校准。这是MSI工作流程中进行可靠化合物鉴定的关键步骤。即使像FTICR这样的高分辨率质谱仪可以提供最精确的质量测量（平均可以达到1ppm的质量误差），仍然需要适当的校准技术，以确保在数据收集期间有最小的质量轴变化。
然后是批次效应。在MSI实验中，批次效应可能来自于组织采集、储存、切片及数据收集。实验室环境、仪器条件和操作的变化也是批次效应的来源。批次效应存在于像素与像素之间，切片与切片之间，以及样本与样本之间。通常情况下，批次效应会给一些变量带来偏差，如峰值丰度，这导致不同样品之间真正的生物差异被掩盖。目前仍在努力尝试解决MSI批次效应，包括设计更稳健的工作流程，选择质量控制样本，以及开发更好的归一化方法。
再次是可视化。在MSI实验之后，特征（Features）可以被可视化为热图，逐个像素地显示代谢物在组织中的分布和丰度。通过图像反映整个组织中的实际分子分布是至关重要的。目前已经有很多商业（如SCiLSLab）和开源程序（如BioMap、MSiReader、Cardinal）应用于此。
接下来是特征注释和鉴定方面。为了进行代谢途径分析，必须对MSI质谱特征进行正确注释。在癌症研究中，代谢途径分析会反映了癌症的发病机制，而不正确的注释会产生假阳性结果，这一点至关重要。从MSI实验中产生的完整质谱中，可以获得有限的结构信息。因此，通过将测量的m/z值与数据库进行比较，只可能进行假定的特征注释。因此，在这一层次的分析中，准确的分子量测定是至关重要的。后续在进一步实验中，串联质谱（MS/MS）的使用可以为特征注释和鉴定提供更好的帮助。
最后是数据分析方面。在数据处理步骤之后，通过采用如归一化、数据压缩（例如，使用分层聚类的空间分割）和缩放等处理，对MSI数据进行统计分析。通过数据分析特定代谢物或脂质的丰度变化，然后可以与癌症进展相关联，可以为癌症研究提供帮助。例如，一些脂质的改变可以反映细胞增殖、分化和凋亡。基于改变的代谢物特征的适当统计模型也可以成为癌症诊断的有力工具。常用的统计分析方法包括单变量分析（T-test、方差分析等）、多元统计分析（如主成分分析（principal-