L'imagerie par spectrométrie de masse (MSI), en tant que technique d'imagerie moléculaire à haute résolution spatiale, a une valeur importante dans la détection in situ des composés endogènes et exogènes dans les tissus biologiques. Cependant, à haute résolution spatiale, en raison des limites de sensibilité, les données MSI présentent de nombreuses pertes de signal, ce qui limite sérieusement la précision des analyses en aval. Les méthodes traditionnelles reposant sur la mise à niveau matérielle sont coûteuses et longues. Par conséquent, cet article propose une méthode d'imputation des valeurs manquantes basée sur l'intelligence artificielle, visant à apprendre les caractéristiques complexes de distribution des données MSI d'une manière guidée par les données, pour réaliser une reconstruction de haute qualité des signaux manquants. Les résultats expérimentaux sur les données MALDI-MSI de reins de souris et 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 multiplateforme. Cet article fournit une solution efficace et peu coûteuse pour améliorer la sensibilité de détection MSI, ce qui est important pour promouvoir les analyses biologiques ultérieures.

Spectrométrie de masse; sensibilité; imputation des valeurs manquantes; intelligence artificielle