Die Massenspektrometrie-Bildgebung (MSI) als molekulare Bildgebungstechnik mit hoher räumlicher Auflösung hat einen wichtigen Wert bei der In-situ-Detektion endogener und exogener Verbindungen in biologischen Geweben. Bei hoher räumlicher Auflösung gibt es aufgrund von Empfindlichkeitsbeschränkungen viele fehlende Signale in MSI-Daten, was die Genauigkeit der nachgelagerten Analysen stark einschränkt. Traditionelle Methoden, die auf Hardware-Upgrades basieren, sind kostenintensiv und zeitaufwändig. Daher schlägt dieser Artikel eine auf künstlicher Intelligenz basierende Methode zur Imputation fehlender Werte vor, die darauf abzielt, die komplexen Verteilungseigenschaften von MSI-Daten datenbasiert zu erlernen und eine qualitativ hochwertige Rekonstruktion fehlender Signale zu ermöglichen. Die experimentellen Ergebnisse auf MALDI-MSI-Daten von Mausnieren und DESI-MSI-Daten von menschlichem Kolonkarzinom zeigen, dass die Methode traditionelle Ansätze in der visuellen Erkennung und quantitativen Bewertung übertrifft und eine gute plattformübergreifende Anpassungsfähigkeit aufweist. Dieser Artikel bietet eine effiziente und kostengünstige Lösung zur Verbesserung der MSI-Detektionssensitivität und ist bedeutend für die Förderung der nachfolgenden bioanalytischen Forschung.

Massenspektrometrie-Bildgebung; Empfindlichkeit; Imputation fehlender Werte; Künstliche Intelligenz