Imaging mass spectrometry (IMS) enables the spatially targeted molecular assessment of biological tissues at cellular resolutions. New developments and technologies are essential for uncovering the molecular drivers of native physiological function and disease. Instrumentation must maximize spatial resolution, throughput, sensitivity, and specificity, because tissue imaging experiments consist of thousands to millions of pixels. Here, we report the development and application of a matrix-assisted laser desorption/ionization (MALDI) trapped ion-mobility spectrometry (TIMS) imaging platform. This prototype MALDI timsTOF instrument is capable of 10 μm spatial resolutions and 20 pixels/s throughput molecular imaging. The MALDI source utilizes a Bruker SmartBeam 3-D laser system that can generate a square burn pattern of <10 × 10 μm at the sample surface. General image performance was assessed using murine kidney and brain tissues and demonstrate that high-spatial-resolution imaging data can be generated rapidly with mass measurement errors <5 ppm and ∼40 000 resolving power. Initial TIMS-based imaging experiments were performed on whole-body mouse pup tissue demonstrating the separation of closely isobaric [PC(32:0) + Na]+ and [PC(34:3) + H]+ (3 mDa mass difference) in the gas phase. We have shown that the MALDI timsTOF platform can maintain reasonable data acquisition rates (>2 pixels/s) while providing the specificity necessary to differentiate components in complex mixtures of lipid adducts. The combination of high-spatial-resolution and throughput imaging capabilities with high-performance TIMS separations provides a uniquely tunable platform to address many challenges associated with advanced molecular imaging applications.

Summary The human kidney is composed of over 26 cell types that actively coordinate with each other to form higher-order structures, such as the nephron. It is not yet understood how these structures vary throughout a single organ or amongst the same organs within the human population. We have developed an extensive lipid and cellular atlas of the human kidney consisting of over 3 million cells comprising 75,000 functional tissue units ( i . e ., glomeruli, proximal tubules, distal tubules, and collecting ducts) from 13 human subjects. This atlas was developed using spatially registered and integrated technologies consisting of imaging mass spectrometry, multiplexed immunofluorescence, stained microscopy, and autofluorescence microscopy, to comprehensively probe large ( i . e ., centimeter-sized) areas of tissue. The cellular organization and lipid profiles of glomeruli, proximal tubules, distal tubules, and collecting ducts were discovered through these multimodal imaging data as well as their intra- and inter-subject variance. Relating the lipid profiles obtained from imaging mass spectrometry to distinct cell types obtained from immunofluorescence allowed us to hypothesize the functional role of specific phospholipids that have not previously been described. These hypotheses include subject characteristics, such as BMI and sex. The integrated data from the aforementioned datasets provide a valuable reference for kidney researchers, are publicly available through the NIH Human Biomolecular Atlas Program ( https://portal.hubmapconsortium.org/ ), and discussed below.

Abstract The search for molecular species that are differentially expressed between biological states is an important step towards discovering promising biomarker candidates. In imaging mass spectrometry (IMS), performing this search manually is often impractical due to the large size and high-dimensionality of IMS datasets. Instead, we propose an interpretable machine learning workflow that automatically identifies biomarker candidates by their mass-to-charge ratios, and that quantitatively estimates their relevance to recognizing a given biological class using Shapley additive explanations (SHAP). The task of biomarker candidate discovery is translated into a feature ranking problem: given a classification model that assigns pixels to different biological classes on the basis of their mass spectra, the molecular species that the model uses as features are ranked in descending order of relative predictive importance such that the top-ranking features have a higher likelihood of being useful biomarkers. Besides providing the user with an experiment-wide measure of a molecular species’ biomarker potential, our workflow delivers spatially localized explanations of the classification model’s decision-making process in the form of a novel representation called SHAP maps. SHAP maps deliver insight into the spatial specificity of biomarker candidates by highlighting in which regions of the tissue sample each feature provides discriminative information and in which regions it does not. SHAP maps also enable one to determine whether the relationship between a biomarker candidate and a biological state of interest is correlative or anticorrelative. Our automated approach to estimating a molecular species’ potential for characterizing a user-provided biological class, combined with the untargeted and multiplexed nature of IMS, allows for the rapid screening of thousands of molecular species and the obtention of a broader biomarker candidate shortlist than would be possible through targeted manual assessment. Our biomarker candidate discovery workflow is demonstrated on mouse-pup and rat kidney case studies. Highlights Our workflow automates the discovery of biomarker candidates in imaging mass spectrometry data by using state-of-the-art machine learning methodology to produce a shortlist of molecular species that are differentially expressed with regards to a user-provided biological class. A model interpretability method called Shapley additive explanations (SHAP), with observational Shapley values, enables us to quantify the local and global predictive importance of molecular species with respect to recognizing a user-provided biological class. By providing spatially localized explanations for a classification model’s decision-making process, SHAP maps deliver insight into the spatial specificity of biomarker candidates and enable one to determine whether (and where) the relationship between a biomarker candidate and the class of interest is correlative or anticorrelative.

Multimodal imaging by matrix-assisted laser desorption ionisation mass spectrometry imaging (MALDI MSI) and immunofluorescence microscopy holds great potential for understanding pathological mechanisms by mapping molecular signatures from the tissue microenvironment to specific cell populations. However, existing open-source software solutions for analysis of MALDI MSI data are incomplete, require programming skills and contain laborious manual steps, hindering broadly applicable, reproducible, and high-throughput analysis to generate impactful biological discoveries across interdisciplinary research fields. Here we present msiFlow, an accessible open-source, platform-independent and vendor-neutral software for end-to-end, high-throughput, transparent and reproducible analysis of multimodal imaging data. msiFlow integrates all necessary steps from import and pre-processing of raw MALDI MSI data to visual analysis output, as well as registration, along with state-of-the-art and newly developed algorithms, into automated workflows. Using msiFlow, we unravel the molecular heterogeneity of leukocytes in infected tissues by spatial regulation of ether-linked phospholipids containing arachidonic acid. We anticipate that msiFlow will facilitate the broad applicability of MSI in the emerging field of multimodal imaging to uncover context-dependent cellular regulations in disease states.

Abstract Glomeruli filter blood through the coordination of podocytes, mesangial cells, fenestrated endothelial cells, and the glomerular basement membrane. Cellular changes, such as podocyte loss, are associated with pathologies like diabetic kidney disease (DKD). However, little is known regarding the in situ molecular profiles of specific cell types and how these profiles change with disease. Matrix-assisted laser desorption/ionization imaging mass spectrometry (MALDI IMS) is well-suited for untargeted tissue mapping of a wide range of molecular classes. Additional imaging modalities can be integrated with MALDI IMS to associate these biomolecular distributions to specific cell types. Herein, we demonstrate an integrated workflow combining MALDI IMS and multiplexed immunofluorescence (MxIF) microscopy. High spatial resolution MALDI IMS (5 µm pixel size) was used to determine lipid distributions within human glomeruli, revealing intra-glomerular lipid heterogeneity. Mass spectrometric data were linked to specific glomerular cell types through new methods that enable MxIF microscopy to be performed on the same tissue section following MALDI IMS without sacrificing signal quality from either modality. A combination of machine-learning approaches was assembled, enabling cell-type segmentation and identification based on MxIF data followed by the mining of cell type or cluster-associated MALDI IMS signatures using classification models and interpretable machine learning. This allowed the automated discovery of spatially specific biomarker candidates for glomerular substructures and cell types. Overall, the work presented here establishes a toolbox for probing molecular signatures of glomerular cell types and substructures within tissue microenvironments and provides a framework that applies to other kidney tissue features and organ systems.

Molecular modelling is routinely employed to assign 3D structures to collision cross sections (CCSs) derived from ion mobility mass spectrometry experiments (IM-MS). The assignment of model structures to the experimental CCSs remains an ambiguous task, where one of several methods may be used to obtain a CCS from a given set of coordinates. The most reliable of the commonly used techniques, the Trajectory Method, starts with atomic coordinates which can be accompanied by partial atomic charges, obtained using ab initio methods. Here, we use lithiated α- and β-glucose ions as exemplar molecules to detect the effect conformational modification and changes to the partial charge distribution have on computed collision cross sections. Six popular charge schemes (Mulliken, APT, CHelpG, MK, HLY and NPA) were examined in combination with three functionals (Hartree-Fock, B3LYP and M05) and five basis sets (STO-3G, 3-21G, 6-31G, 6-31+G and 6-31G*) on twenty unique structures. Our findings indicate that molecular conformation makes a significant contribution to fluctuations of partial charges in Electrostatic Potential (ESP) and Mulliken charge scheme; Partial charges derived using Natural Population Analysis (NPA) and ESP methods are largely independent of functional and basis set selection; and both selection of the charge scheme and functional/basis set combination play a large role in the resultant CCS, often causing few percent fluctuations in the computed values.

We present here a software suite (ORIGAMI) that facilitates the rapid acquisition and analysis of ion mobility data following collisional activation. ORIGAMI was developed for use on Waters Synapt instruments where data acquisition is achieved by interfacing WREnS (Waters Research Enabled Software) and MassLynx. Two components are presented, the first is ORIGAMIMS which enables activation of ions by sequential increase of collision voltages prior to ion mobility analysis. We demonstrate the use of ORIGAMI on the tetrameric assemblies formed by the proteins concanavalin A (103 kDa) and alcohol dehydrogenase (143 kDa). Activation is performed in the trap collision cell of the Synapt TriWave assembly, where the collision voltage can be ramped from 0-200 V. All of the acquired data is recorded in a single file which simplifies data acquisition. This substantially decreases the time needed to perform a typical activated IM-MS experiment on a single protein charge state from approx. 2 hours to ~25 minutes. Following data acquisition the data is analysed in the second component, ORIGAMIANALYSE, which allows the user to visualise the effect of activation on the mobility of the parent ion, as well as on any produced fragment ion. The user can export the data in the form of heat maps, waterfall or wire plots. In addition, tools implemented in ORIGAMI enable easy data extraction from single or multiple MassLynx .raw files, in-depth interrogation of large datasets, statistical analysis and figure creation capabilities. We demonstrate the use of ORIGAMI on concanavalin A and alcohol dehydrogenase acquired using the traditional protocols and the ORIGAMIMS method.