在内脏疼痛模型中,通过非负矩阵因数分解,对质谱成像数据进行可解释的维度减小和分类

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算生物学 计算生物学
• 分析化学 分析化学

背景情况:

• 质谱成像 (MSI) 提供空间生化信息,但面临着大量数据和复杂的光谱解释的挑战.
• 现有的缩小维度的技术往往不能产生可解释的特征,阻碍了下游分析.

研究的目的:

• 为MSI数据增强,特征排名和图像注册引入新的数据处理方法.
• 将这些方法与非负矩阵分解 (NMF) 应用,以解决MSI数据分析中的计算和解释性挑战.
• 为了证明NMF衍生组件在组织分析和分类中的实用性.

主要方法:

• 开发三个新的MSI数据处理管道:数据增强,特征排名和图像注册.
• 应用非负矩阵分解 (NMF) 来减少高分辨率MSI数据的维度.
• 使用MSI数据的验证,来自伴随性内脏疼痛过敏症 (CPH) 的老鼠模型.

主要成果:

• NMF将MSI数据集减少了3个数量级,将维度从每像素约100,000离子减少到20个组件,精度损失<20%.
• 结果的空间NMF组件显示出可重现性和与H&E染色组织图像的强相关性.
• 使用NMF处理的小块数据对CPH与对照对象的分类,使用NMF处理的小块数据实现了~87%的准确性.

结论:

• NMF是MSI数据维度减少的有效工具,产生可解释的空间和光谱组件.
• 新的处理方法促进了增强的组织特异成像和疾病状态的准确分类.
• 这些进步为更高效,更深入地分析复杂的MSI数据集提供了途径.