使用卷积自编码器提高质谱成像可访问性,用于从瘤中提取缺氧相关酸

科学领域:

• 在瘤学瘤学.
• 生物医学研究生物医学研究
• 分析化学 分析化学
• 数据科学数据科学数据科学

背景情况:

• 质谱成像 (MSI) 在生物医学研究中未被充分利用,尽管它有研究癌症内异质性的潜力.
• 在MSI的挑战包括高维度,多线性,和直接输出质量电荷比,而不是特定的生物化学化合物.
• 瘤缺氧是癌症进展的关键因素,并表现出显著的空间异质性,使其成为MSI分析的相关目标.

研究的目的:

• 开发一个框架,以提高MSI数据中低丰度信号的可访问性,以发现生物标志物.
• 在癌症异种移植模型中,将卷积自编码器应用于与瘤缺氧相关的聚合特征.
• 提高MSI数据对癌症研究的生物学相关性.

主要方法:

• 利用卷积自编码器 (一种深度学习模型) 来处理和分析高维的MSI数据.
• 专注于结合与瘤缺氧相关的特征,一个空间异质的参数.
• 采用了废弃实验来评估单个超参数和解的特征贡献的相关性.

主要成果:

• 证明MSI可以捕获与瘤缺氧相关的低丰度信号.
• 展示了卷积自编码器可以有效地保留这些低丰富的信号在其潜在空间内.
• 通过补充MSI与并联质谱 (MS/MS) 数据,确定了多个低氧相关的候选物.

结论:

• 拟议的自动编码器框架显著提高了MSI数据中低丰度信号的可访问性和保存性.
• 这种方法为癌症生物标志物发现提供了更多与生物学相关的见解,而不是仅使用随机森林等传统方法.
• 该研究强调了将深度学习与MSI集成为推进癌症研究和识别新生物标志物的潜力.