第22卷第2期2023年2月Vol.22No.2Feb.2023软件导刊SoftwareGuide基于msiPL模型的MSI数据分析张敏1，黄钢2（1.上海理工大学健康科学与工程学院，上海200093；2.上海健康医学院附属嘉定中心医院上海市分子影像学重点实验室，上海201318）摘要：使用基于变分自编码器神经网络的深度学习模型，学习并可视化质谱图像的低维嵌入表示能够揭示隐藏的组织结构。通过利用深度学习网络框架，对小鼠肾脏组织MSI原始数据进行无监督分析和峰值学习。这种msiPL方法在底层非线性谱流形的可视化下，成功揭示了小鼠肾脏组织解剖学的生物学相关簇和小鼠胃癌模型中的肿瘤异质性，识别了潜在的特定m/z峰。该方法可快速、高效分析MSI原始数据集，且无需进行峰值拾取。关键词：质谱成像；无监督分析；峰值学习DOI：10.11907/rjdk.221279开放科学（资源服务）标识码（OSID）：中图分类号：TP183文献标识码：A文章编号：1672-7800（2023）002-0053-07MassSpectrometryImagingDataAnalysisBasedonmsiPLModelZHANGMin1，HUANGGang2（1.SchoolofHealthScienceandEngineering，UniversityofShanghaiforScienceandTechnology，Shanghai200093，China；2.ShanghaiKeyLaboratoryofMolecularImaging，JiadingDistrictCentralHospitalAffiliatedShanghaiUniversityofMedicineandHealthSciences，Shanghai201318，China）Abstract：Adeeplearningmodelbasedonavariationalautoencoderneuralnetworklearnsandvisualizeslow-dimensionalembeddedrepre⁃sentationsofmassspectrometryimagestorevealhiddenorganizationalstructures.Unsupervisedanalysisandpeaklearningwereperformedonmassspectrometryimagingdataofmousekidneytissueusingadeeplearningnetworkframework.ThemsiPLapproachlearnsandvisualizestheunderlyingnonlinearspectralmanifold，revealsbiologicallyrelevantclustersofmousekidneytissueanatomyandtumorheterogeneityinamousegastriccancermodel，andidentifiespotentiallyspecificm/zpeaks.Thismethodcanquicklyandefficientlyanalyzemassspectrometryimagingdatasetswithoutpeakpicking.KeyWords：massspectrometryimaging；unsupervisedanalysis；peaklearning0引言质谱成像（MassSpectrometryImaging，MSI）是一项快速发展的免标记分子成像技术，能够实现蛋白质、肽、脂质、代谢物和药物分子等多种分子的空间分布可视化和相对定量分析，具有高灵敏度和分子特异...
