L'imagerie par spectrométrie de masse (MSI), en tant que technique d'imagerie moléculaire à haute résolution spatiale, joue un rôle clé dans la détection in situ des composés endogènes et exogènes au sein des tissus biologiques. Cependant, à haute résolution spatiale, en raison des limites de sensibilité, les données MSI présentent une quantité importante de signaux manquants, ce qui limite sévèrement la précision des analyses en aval. Les méthodes traditionnelles reposant sur la mise à niveau du matériel sont coûteuses et longues. Par conséquent, cet article propose une méthode d’imputation des valeurs manquantes basée sur l’intelligence artificielle, visant à apprendre de manière pilotée par les données les caractéristiques complexes de distribution des données MSI afin de réaliser une reconstruction de haute qualité des signaux manquants. Les résultats expérimentaux sur des données MALDI-MSI de reins de souris et sur des données DESI-MSI de cancer du côlon humain montrent que cette méthode surpasse les méthodes traditionnelles en détection visuelle et en évaluation quantitative, et démontre une bonne adaptabilité inter-plateformes. Cet article offre une solution efficace et peu coûteuse pour améliorer la sensibilité de la détection MSI, contribuant significativement à la promotion des analyses biologiques ultérieures.

imagerie par spectrométrie de masse;sensibilité;imputation des valeurs manquantes;intelligence artificielle