一个由加州大学洛杉矶分校（UCLA）、范德比尔特大学和代尔夫特理工大学组成的国际研究团队，开发出一种人工智能算法，能够对成像质谱技术（IMS）生成的图像进行虚拟染色。这项研究已发表在《科学进展》期刊上。通过创新性的扩散模型生成技术，该团队成功将低分辨率的质谱数据转化为高分辨率的明场显微图像，其效果可媲美传统的组织化学染色方法，同时完整保留了珍贵的生物样本。
成像质谱技术是一种强大的分子成像工具，能够在生物组织中绘制数百至数千种分子的空间分布图。然而，传统IMS技术的局限性在于空间分辨率较低，且缺乏细胞形态学细节，这两点对组织结构背景下的分子特征解读至关重要。
该研究团队开发的新型扩散模型算法，成功突破了这些技术瓶颈。该算法可将像素尺寸比传统光学显微镜大10倍的质谱数据，数字转化为类似于过碘酸雪夫（PAS）染色的组织图像。这种染色方法能特异性标记组织中的多糖、糖蛋白和黏蛋白等分子结构。
"这种扩散模型显著提升了质谱图像的可解释性，"该研究通讯作者、UCLA教授Aydogan Ozcan表示，"它在无需化学染色的前提下，实现了微观级别的组织学细节呈现，完美弥合了分子特异性与细胞形态学之间的技术鸿沟。"
在针对人类肾脏组织的双盲测试中，虚拟染色图像与化学染色样本的匹配度达到病理学诊断标准。病理学家能够准确识别关键肾结构和病变特征。研究团队还优化了AI推断过程中的噪声采样，确保染色结果的高一致性。
这项技术为基于质谱的生物医学研究和诊断带来了革命性变革：不仅省去了耗时的化学染色和图像配准步骤，还能保持组织完整性用于后续分子分析。该技术预计将显著提升分子组织学工作流程的效率，为空间生物学研究和临床诊断开辟新可能。
"我们相信这种方法将改变病理学实践的面貌，"Ozcan教授补充道，"通过直接从质谱数据生成高质量组织图像，我们正在为生物医学发现打开新的技术窗口。"
相关技术已应用于虚拟染色自动化、移植病理诊断、淀粉样变性检测等多个医学领域，显示出巨大的临床转化潜力。
【全文结束】
