因子分析法在质谱成像数据分析中的应用

1、 第 42 卷 2014 年 8 月分析化学 (FENXI HUAXUE) 研究报告 Chinese Journal of Analytical Chemistry第 8 期1099 110310. 11895/j. issn.0253-3820.140062因子分析法在质谱成像数据分析中的应用 陈 一1唐 飞*1李铁刚2 贺玖明2再帕尔阿不力孜2 刘力涛3 王晓浩11( 清华大学精密仪器系, 北京 100086) 2( 中国医学科学院药物研究所, 北京 100050) 3( 中国航天员科研训练中心人因工程重点实验室, 北京 10094) 摘 要 对因子分析法在质谱成像数据分析中的应用进行了研

2、究。 本方法分析的质谱成像数据来源于空气 动力辅助离子源质谱成像技术,所用样品为含有 3 种不同颜料( 红色、蓝色、黑色) 的笔迹样品。 对该样品的成像数据进行因子分析后,将成像数据分为了背景、黑色、蓝色和红色因子。 分析结果显示, m/ z 443. 2, 478. 4, 322. 2(344. 2) 分别在红色、蓝色、黑色因子中的贡献值远大于其它质荷比,因此是 3 种颜料的特征质荷比。 此结果与实际情况相符,证明使用因子分析方法对质谱成像数据进行分析和特征提取是可行的。 对因 子分析与主成分分析的成像数据处理结果进行了比较,结果显示,因子分析可以更简单和定量地对特征质荷 比进行取舍,在生物

3、标志物提取、疾病诊断、药理分析等方面有较大的应用潜力。 关键词 因子分析; 质谱成像; 空气动力辅助离子源; 多元统计 1引言近年来,质谱成像技术( Imaging mass spectrometry, IMS) 作为质谱研究中的热点领域迅速发展,在 了解组织病理特征、疾病诊断、药物疗效及发现生物标志物等临床应用中发挥越来越重要的作用1 5 。 随着质谱成像技术的不断发展6 8 ,其质量分辨率和空间分辨率都不断提高,这导致原始成像的数 据量变得非常庞大,通过人工筛选的方式对其进行处理已经越来越难。 近年来,研究人员开始使用多元统计的方法9 12 ,对质谱成像数据进行降维和特征提取。 多元统计是

4、一类数学方法的统称,如何从中 找出一个适合质谱成像数据分析应用的具体模型,成为质谱成像领域的研究内容之一13,14 。 目前,常用的应用于质谱成像数据处理的多元统计方法包括主成分分析( Principal component analy- sis,PCA)15,16 、聚类分析( Hierarchical cluster analysis, HCA) 17 , 偏最小二乘判别分析( Partial least square discriminate analysis,PLS-DA) 18 等,这些方法成功地对大量质谱数据进行了降维和特征提取,推 进了质谱成像技术在各领域的应用。 但是作为统计学

5、的方法,这些常用方法所得到的结果数学意义偏 多,往往较难对其给出符合实际意义的解释。 另外,相比使用其它技术确立的生物标志物,这些方法提取的标志物( 质荷比) 通常较少,有可能遗漏掉有重要意义的特殊质荷比。 本研究基于空气动力辅助离子源质谱成像技术( Air flow-assisted ionization imaging mass spectrome- try,AFAI-IMS) 19 ,对因子分析( Factor analysis,FA) 在质谱成像数据分析中应用的方法进行了研究。 选 取一组混合笔迹样品进行了质谱成像分析,获得了原始质谱成像数据,使用因子分析法对该数据进行统 计分析,将成

6、像数据分为了背景、黑色、蓝色和红色因子。 分析结果显示, m / z 443. 2, 478. 4, 322. 2 (344. 2) 分别在红色、蓝色、黑色因子中的贡献值远大于其它质荷比,因此是 3 种颜料的特征质荷比。此结果与实际情况相符,证明使用因子分析方法对质谱成像数据进行分析和特征提取是可行的。 本研究还对因子分析与主成分分析的成像数据处理结果进行了对比,结果表明,因子分析可以更简 单和定量地对质荷比进行正确和全面的取舍,判断和提取出多个质荷比作为目标样品成分的综合标志 物。 相比目前常用的多元统计方法,因子分析法可以有效地对特殊因子进行提取和反应,在生物标志物 2014-01-21

7、收稿;2014-04-21 接受 本文系国家重大科学仪器设备开发专项( Nos. 2011YQ17006702, 2011YQ14015010 )、国家自然科学基金( No. 81102413 )、深圳市科技 研发资金基础研究计划( No. JC201005280634A) 项目资助 * E-mail: tangf mail. tsinghua. edu. cn 分 析 化 学第 42 卷1100提取、疾病诊断、药理分析等方面有较大的应用潜力。 2实验部分 2. 1仪器与样品 质谱成像数据来源于空气动力辅助离子源质谱成像技术。 实验使用 QTRAP 5500 质谱仪( 美国 AB 公司),其离

8、子源使用空气动力辅助离子源( air flow-assisted ion source,AFAI) 代替20 。 使用的样品如图 1A 所示,3 种颜色( 红色、蓝色和黑色) 的颜料在载玻片写了一些字符与线 条。 样品中,苏丹明 B( m / z 443. 2) 是红色颜料的主要成分,碱性蓝 7( m / z 478. 4) 是蓝色颜料的主要成 分5 。另外,通过对谱图进行分析,确定 m / z 322. 2( MH ) 和 m / z 344. 2( MNa ) 的物质为黑色 颜料的主要成分。 样品图案的面积为 130 mm40 mm。 2. 2实验方法AFAI 离子源中 ESI 喷针的喷雾

9、气体为 N2 ,流速为 2 L / min。 喷雾溶液为含 0. 1% 甲酸-甲醇和水混 合液(4： 1, V / V),流速为 10 L / min。 ESI 喷针上加载有5000 V 的直流电压。 AFAI 源辅助空气的流 速为 40 L / min18 。 样品被逐点扫描,AFAI-IMS 的空间分辨率设置为 0. 5 mm,质谱仪数据采集的质量数 范围为 100 999 Da。在质谱成像的应用中,因子分析的目的是用少数几个假想的因子反映原始质谱成像数据中的数据 ( 成分) 构成。 因子分析需要预先设置期望将原样本分类为多少个因子,因子越多,分类越细,数据降维( 数据量减小) 后所包含的

10、信息越完整。 3结果与讨论 3. 1对样品进行因子分析 对样品进行 AFAI-IMS 质谱成像数据采集,并对采集到数据进行因子分析。 根据上文所述,由于需 要预先设定将原始数据分类为多少个因子,因此,对不同数量因子的分析结果进行了初步计算。 结果显示,将原始数据分类为 4 个因子将保留 99. 6% 的信息,而设置更多的因子,保留信息增加的幅度较小, 因此,将成像数据分类为 4 个因子。应用因子分析方法,原始质谱成像数据经过处理后可以获得 4 个因子,为了探索不同因子所代表的含义,以达到使用这 4 个因子解释原始质谱数据基本结构的目的,计算了不同因子在样品所有采样点上的得分值。 根据因子分析的

11、数学特性,该得分值越大,说明该因子对该样品点的影响越大。 类似于质谱成像以某个质荷比在样品点上获得的离子信号强度作为质谱成像图的颜色值,本研究 以对应样品点的因子得分值作为颜色值,完成不同因子在不同样品点上的因子得分图,如图 1 ( E H) 所示。对比图 1A 和图 1E 可以发现,因子 1 得分值大的样品点的分布同有笔迹的样品点的分布恰好相反,即同背景的分布一致。 根据因子得分的数学意义,因子 1 对背景样品点的影响大,对有笔迹的样品点影响小,这说明因子 1 主要影响了背景成分,因此,可以命名因子 1 为“ 背景因子”。 同理将图 1A 分别与图 1F、图 1G、图 1H 对比,可以发现,

12、因子 2, 3, 4 在样品上影响较大点的分布分别与黑色、蓝色、红色笔迹的分布相同,因此,可以将因子 2, 3, 4 分别命名为“ 黑色因子”、“ 蓝色因子” 以及“ 红色因子”。使用因子分析得到的每个因子在数学上是一个 1 n 的矩阵,n 与质谱扫描范围内的质荷比的个数相同。 此因子矩阵中的每个值与不同的质荷比一一对应,代表了该质荷比在该因子中的影响大小。 具 体而言,该贡献值越大,说明对应的质荷比在该因子中越重要,对该因子影响越大。 质谱范围内的质荷比在 4 个因子中的贡献值如表 1 所示( 仅显示得分较大的前几项)。 从表 1 可知,m/ z 279. 2, 322. 2, 478. 4

13、 和 443. 2 分别在“ 背景因子”、“ 黑色因子”、“蓝色因子”、“红 色因子”中贡献值最大,是 4 个因子最主要的特征质荷比。 因此,上述质荷比分别是背景样品、黑色颜料、蓝色颜料、红色颜料的主要特征质荷比,这与已知情况吻合,将上述特征质荷比作为目标质荷比进行质 第 8 期陈 一等: 因子分析法在质谱成像数据分析中的应用 1101谱成像后的结果如图 1B 图 1D 所示。 上述结果表明,使用本方法对特征质荷比进行提取是可行的。 图 1 样品照片、特殊质荷比的质谱成像结果以及不同因子在样品上的得分值图像 Fig. 1 Optical image of sample, IMS result

14、of special m/ z and the score image of different factors 表 1 质谱范围内的质荷比在不同因子中的贡献值( 影响力) 大小 Table 1 Scores ( influence) of different m/ z on different factor 因 子 1( 背 景 因 子 ) Factor 1 ( background factor)因子 2( 黑色因子) Factor 2 ( black factor)因子 ( 蓝色因子) Factor 3 ( blue factor)因子 4( 红色因子) Factor 4 ( red f

15、actor)质荷比m/ z得分值Scores质荷比m/ z得分值Scores质荷比m/ z得分值Scores质荷比m/ z得分值Scores279. 2301. 1205. 1149. 0280. 276. 767. 331. 117. 010. 6322. 2344. 2279. 2323. 2301. 181. 436. 418. 216. 97. 9478. 4479. 4240. 2279. 2301. 1107. 625. 119. 58. 47. 1443. 2444. 2301. 1279. 2205. 1125. 317. 17. 25. 23. 5通过对比发现,图 1C 与

16、1G、图 1D 与 1H 都高度一致,但图 1B 与 1F 则不太相同。 通过对表 1 数据分析发现, 图 1C 与 1G 所代表的蓝色因子中, m / z 478. 4 得分值最大为 107. 6, 是得分值第二的 m / z 479. 4 的 4. 3 倍; 同理,图 1D 与 1H 所代表的的红色因子中,m / z 443. 2 得分值最大为 125. 3,是得分值第二的 m / z 444. 2 的 7. 3 倍。 由于 m / z 479. 4 与 m / z 443. 2 的得分值在各自的因子中占较大比重, 因此这两种质荷比能够代表对应的因子单独作为蓝色颜料和红色颜料的标志物。 而

17、黑色因子中 m / z 322. 2 的得分值最高为 81. 4, 是得分第二的 m / z 344. 2 得分值的 2 倍,这说明这两种质荷比对黑色因子的影响相差不大。 因此,不能仅使用 m / z 322. 2 作为黑色颜料的标志物,而应该使用这两种质荷比作为黑色颜料的综合标志物。 此结果与谱图分析一致,m / z 344. 2 为 MNa 。 3. 2 因子分析与主成分分析的对比 主成分分析是目前最常用的对质谱成像数据进行多元数据统计方法。 本研究对样品的原始质谱成像数据进行了主成分分析,并与因子分析结果对比,所得结果如图 2 所示。 在主成分分析中,选择在主成分上得分值大的点作为特征点

18、,该点对应的质荷比为特征质荷比。 如图 2,可以较容易地以得分较大作为提取依据,选出特征质荷比 m / z 279. 2 和 443. 2,但样品另外两个特征质荷比 m / z 478. 4 和 322. 2 的提取较难,而 m / z 344. 2 更是很难被提取出来。 这需要进行更深入的分析。 因子分析不仅可以如上文所述对分析结果( 各个因子) 给出清晰的定义,更为重要的,还可以对不 分 析 化 学第 42 卷1102同质荷比在因子数组中的比重进行定量分析,并据 此对特征质荷比进行正确和全面的取舍。 例如,由表 1 可知,m / z 344. 2 在黑色因子中的贡献值大小排在第二,与排在第

19、一的 m / z 322. 2 的贡献值相差不 大,因此,m / z 344. 2 不能被忽略掉。4结论对因子分析方法在质谱成像数据分析中的应用 进行了研究,证明因子分析可以对质谱成像数据进行降维和特征提取。 所用原始质谱成像数据由AFAI-IMS 技术获得,使用因子分析对该数据进行分 析后,质谱成像数据可以使用 4 个因子进行分类。 每个样品成分,即每种颜料样品依赖一种因子的影 图 2 样品成像数据的主成分分析实验结果 Fig. 2 PCA result of sample imaging mass spectrometric data响,能清晰地观察各个因子在整个样品上的作用。 确定不同因

20、子的意义后,通过观察不同质荷比在因子中的贡献值大小,成功提取出了样品成分的特征质荷比。 与目前常用的主成分分析等多元统计方法相比,因子分析能得到符合实际背景和意义的结果。 因 子分析法可以对不同质荷比在因子数组中的比重进行定量分析,并据此对特征质荷比进行正确和全面 的取舍,有利于提取影响较低, 但不可忽略的特征质荷比。 使用因子分析的方法,可以提取多种质荷比 作为样品成分的综合标志物,在标志物提取等样品成分复杂的领域中有较大的应用潜力。 References1 Eberlin L S, Dill A L, Golby A J, Ligon K L, Wiseman J M, Cooks R G

21、, Agar N Y R. Angew. Chem. Int. Ed. Engl. , 2010, 49(34): 5953-59562Pevsner P H, Melamed J, Remsen T, Kogos A, Francois F, Kessler P, Stern A, Anand S. Biomakers Med. , 2009, 3(1): 55-69Seeley E H, Caprioli R M. Trends Biotechnol. , 2011, 29(3): 136-143 YANG Shui-Ping, CHEN Huan-Wen, YANG Yu-Ling, H

22、U Bin, ZHANG Xie, ZHOU Yu-Fang, ZHANG Li-Li, GU Hai- Wei. Chinese J. Anal. Chem. , 2009, 37(3): 315-318 杨水平, 陈焕文, 杨宇玲, 胡 斌, 张 燮, 周瑜芬, 张丽丽, 顾海威. 分析化学, 2009, 37(3): 315-318 WEI Kai-Hua, ZHANG Xue-Min,YANG Song-Cheng. Journal of Instrumental Analysis, 2007, 26( S1): 12-14 345魏开华, 张学敏, 成. 分析测试学报, 2007,

23、26( S1): 12-14 678Ifa D R, Wiseman J M, Song Q, Cooks R G. Int. J. Mass. Spectrom. , 2007, 259(1) : 8-15 Harris G A, Nyadong L, Fernandez F M. Analyst, 2008, 133(10) : 1297-1301 YANG Shui-Ping, HU Bin, LI Jian-Qiang, HAN Jing, ZHANG Xie, CHEN Huan-Wen. Chinese J. Anal. Chem. , 2009, 37(5): 691-694杨水

24、平, 胡 斌, 李建强, 韩 京, 张 燮, 陈焕文. 分析化学, 2009, 37(5): 691-694 Jones E A, Remoortere A, Zeijl R J M, Hogendoorn P C W, Bove J V M G, Deelder A M, McDonnell L A. PloS one, 2011, 6(1): 1-14910 Bonnel D, Longuespee R, Franck J, Roudbaraki M, Gosset P, Day R, Salzet M, Fournier I. Anal. Bioanal. Chem. , 2011, 4

25、01(1): 149-16511 Reindl W, Bowen B P, Balamotis M A, Greenc J E, Northen T R. Integr. Biol. , 2011, 3(4): 460-467 12 Dill A L, Eberlin L S, Zheng C, Costa A B, Ifa D R, Cheng L, Masterson T A, Koch M O, Vitek O, Cooks R G. Anal.Bioanal. Chem. , 2010, 398(7): 2969-297813 Fonville J M, Carter C, Cloar

26、ec O, Nicholson J K, Lindon J C, Bunch J, Holmes E. Anal. Chem. , 2012, 84 ( 3 ): 1310-131914 Trede D, Kobarg J H, Oetjen J, Thiele H, Maass P, Alexandrov T. J. Integrative Bioinformatics, 2012, 9(1): 189 第 8 期陈 一等: 因子分析法在质谱成像数据分析中的应用 1103Pan Z Z, Gu H W, Talaty N, Chen H W, Shanaiah N, Hainline B E

27、, Cooks R G, Raftery D. Anal. Bioanal. Chem. , 2007, 387(2): 539-549Gu H W, Pan Z Z, Xi B W, Asiago V, Musselman B, Raftery D. Anal. Chim. Acta, 2011, 686(1) : 57-63 Bonnel D, Longuespee R, Franck J, Roudbaraki M, Gosset P, Day R, Salzet M, Fournier I. Anal. Bioanal. Chem. , 2011, 401(1): 149-165Pir

28、ro V, Eberlin L S, Oliveri P, Cooks R G. Analyst, 2012, 137(10) : 2374-2380 1516171819Luo Z, He J, Chen Y, He J, Gong T, Tanang X, Zhang R, Huang L, Zhang L, Lv H, Ma S, Fu Z, Chen X, Yu S, Abliz Z. Anal. Chem. , 2013, 85(5): 2977-2982 He J, Tang F, Luo Z, Chen Y, Xu J, Zhang R, Wang X, Abliz Z. Rap

29、id Commun. Mass Spectrom. , 2011, 25 ( 7 ): 843-85020Application of Factor Analysis in Imaging MassSpectrometric Data AnalysisCHEN Yi1 , TANG Fei*1 , LI Tie-Gang2 , HE Jiu-Ming2 , ABLIZ Zeper2 , LIU Li-Tao3 , WANG Xiao-Hao1 1( Department of Precision Instrument, Tsinghua University, Beijing 100084,

30、China)2( Institute of Materia Medica, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100050, China)3( National Key Laboratory of Human Factors Engineering,China Astronaut Research and Training Center, Beijing 100094, China) Abstract The factor analysis method applied i

31、n imaging mass spectrometry data analysis was studied. The imaging mass spectrometric data were obtained by air flow-assisted ionization imaging mass spectrometry method. The sample contained some symbols which were drawn on slides using three different inks ( red, blue, black) . The imaging data an

32、alyzed by factor analysis method were divided into the background, black, blue and red factor. The results showed that the scores of m/ z= 443. 2, 478. 4, 322. 2(344. 2) in red, blue, black factor respectively were much larger than others. Therefore, they were markers of three inks. The results acco

33、rded with actual condition well and proved that the application of factor analysis in imaging mass spectrometric data analysis was feasible. The data analysis results of factor analysis and principal component analysis were compared. The results showed that the target sample markers could be extracted