Mass spectrometry imaging (MSI) plays a pivotal role in investigating the chemical nature of complex systems that underly our understanding in biology and medicine. Multiple fields of life science such as proteomics, lipidomics and metabolomics benefit from the ability to simultaneously identify molecules and pinpoint their distribution across a sample. However, achieving the necessary submicron spatial resolution to distinguish chemical differences between individual cells and generating intact molecular spectra is still a challenge with any single imaging approach. Here, we developed an approach that combines two MSI techniques, matrix-assisted laser desorption/ionization (MALDI) and time-of-flight secondary ion mass spectrometry (ToF-SIMS), one with low spatial resolution but intact molecular spectra and the other with nanometer spatial resolution but fragmented molecular signatures, to predict molecular MSI spectra with submicron spatial resolution. The known relationships between the two MSI channels of information are enforced via a physically constrained machine-learning approach and directly incorporated in the data processing. We demonstrate the robustness of this method by generating intact molecular MALDI-type spectra and chemical maps at ToF-SIMS resolution when imaging mouse brain thin tissue sections. This approach can be readily adopted for other types of bioimaging where physical relationships between methods have to be considered to boost the confidence in the reconstruction product.

质谱成像（MSI）在研究复杂系统的化学性质中起着举足轻重的作用，这是我们对生物学和医学的理解的基础。蛋白质组学，脂质组学和代谢组学等生命科学的多个领域受益于同时鉴定分子并查明它们在样品中的分布的能力。然而，对于任何单个成像方法而言，实现必要的亚微米空间分辨率以区分单个细胞之间的化学差异并生成完整的分子光谱仍然是一个挑战。在这里，我们开发了一种结合了两种MSI技术的方法，即基质辅助激光解吸/电离（MALDI）和飞行时间二次离子质谱（ToF-SIMS），一种具有较低的空间分辨率但分子光谱完整，而另一种具有纳米的空间分辨率却具有零碎的分子特征，从而可以预测具有亚微米空间分辨率的分子MSI光谱。信息的两个MSI通道之间的已知关系是通过物理受限的机器学习方法来实施的，并直接合并到数据处理中。我们通过生成完整的分子MALDI型光谱和ToF-SIMS分辨率的化学图谱（当对小鼠大脑薄组织切片进行成像时）证明了该方法的鲁棒性。这种方法可以很容易地用于其他类型的生物成像，其中必须考虑方法之间的物理关系以增强对重建产品的信心。预测具有亚微米空间分辨率的分子MSI光谱。信息的两个MSI通道之间的已知关系是通过物理受限的机器学习方法来实施的，并直接合并到数据处理中。我们通过生成完整的分子MALDI型光谱和ToF-SIMS分辨率的化学图谱（当对小鼠大脑薄组织切片进行成像时）证明了该方法的鲁棒性。这种方法可以很容易地用于其他类型的生物成像，其中必须考虑方法之间的物理关系以增强对重建产品的信心。预测具有亚微米空间分辨率的分子MSI光谱。信息的两个MSI通道之间的已知关系是通过物理受限的机器学习方法来实施的，并直接合并到数据处理中。我们通过生成完整的分子MALDI型光谱和ToF-SIMS分辨率的化学图谱（当对小鼠大脑薄组织切片进行成像时）证明了该方法的鲁棒性。这种方法可以很容易地用于其他类型的生物成像，其中必须考虑方法之间的物理关系以增强对重建产品的信心。我们通过生成完整的分子MALDI型光谱和ToF-SIMS分辨率的化学图谱（当对小鼠大脑薄组织切片成像时）证明了该方法的鲁棒性。这种方法可以很容易地用于其他类型的生物成像，其中必须考虑方法之间的物理关系以增强对重建产品的信心。我们通过生成完整的分子MALDI型光谱和ToF-SIMS分辨率的化学图谱（当对小鼠大脑薄组织切片进行成像时）证明了该方法的鲁棒性。这种方法可以很容易地用于其他类型的生物成像，其中必须考虑方法之间的物理关系以增强对重建产品的信心。