L'imagerie par spectrométrie de masse (MSI) est une technologie puissante en métabolomique spatiale qui permet la détection in situ et l'analyse de la distribution des métabolites dans des sections de tissu. Cependant, le coût élevé associé à l'acquisition MSI à haute résolution et multislice reste une limitation majeure. Ici, nous introduisons DeepPathMetabol (DPM), un cadre amélioré par apprentissage profond basé sur la théorie du transport optimal, qui prédit avec précision les distributions spatiales des métabolites dans une section MSI en utilisant des données d'une section adjacente grâce à une stratégie de mappage optimisée. DPM atteint un alignement supérieur et une précision de prédiction, surpassant les méthodes conventionnelles basées sur la similarité des caractéristiques, telles que celles utilisant des métriques euclidiennes ou basées sur des noyaux, avec et sans pondération de la distance spatiale. Nous avons également démontré que le cadre DPM peut améliorer efficacement la résolution MSI, fournissant un outil puissant pour la recherche en métabolomique spatiale rentable et de haute précision. Cette approche montre également un potentiel prometteur pour une extension à la transcriptomique spatiale. Collectivement, notre travail établit la prédiction MSI à MSI facilitée par l'histologie comme une stratégie polyvalente pour la recherche en biologie spatiale. DPM est open-source et disponible sur https://github.com/LinShuhaiLAB/DeepPathMetabol.
Yao et al. (Thu,) ont étudié cette question.