生物通报道：有多达20%的人可能在其脑垂体中有良性囊肿或肿瘤。绝大多数的垂体肿瘤是良性的，但可引起头痛和深度疲劳，也可能扰乱激素功能。目前，外科医生依赖于放射影像和核磁共振成像，来收集关于肿瘤大小和形状的信息，但这些成像技术的分辨率是有限的，如果患者的症状持续，就需要额外的手术去除更多的肿瘤。七月二十七日在《PNAS》发表的一项新研究中，来自美国布莱根妇女医院（BWH）的研究人员提出了一种新的技术，可以帮助外科医生更精确、几乎实时地确定肿瘤的位置。延伸阅读：Nature子刊：新探针让转移肿瘤现原形。

这一新的策略，利用一种可视化技术（基质辅助激光解吸/电离质谱成像MALDI MSI），可以分析组织中的特定激素，包括生长激素和催乳素。在最新发表的这项研究中，研究人员发现，使用MALDI MSI，他们能够在不到30分钟的时间内，确定脑垂体样本中的这种激素成分。这能够给外科医生提供重要的信息，帮助他们区分正常腺和肿瘤。

了解赛默飞世尔适用于代谢组学的质谱分析平台

本文通讯作者、BWH神经外科系外科分子影像实验室主任Nathalie Agar博士指出：“我们的工作是由临床需要所驱动的：我们开发出一种检测方法，专门满足我们神经外科医生的需求。为了成功去除肿瘤，一个外科医生可能会牺牲掉一半的垂体。如果没有一种工具来区分肿瘤组织和健康组织，我们很难实时了解手术是否成功。有了这项技术，一个外科医生在不到30分钟内，就能知道一个样本是否包含正常垂体组织或垂体瘤。”

本文共同作者、BWH脑垂体和神经内分泌中心主任Edward Laws说：“患者显示出垂体瘤的临床症状，但可能在MRI中看不到肿瘤本身。这种技术，能检测出多余的激素浓度水平，有可能让我们确定，是否已经去除了异常组织。”

本文共同作者、BWH病理学系的Sandro Santagata博士说：“评估一块垂体组织是否异常，冰冻切片可能是具有挑战性的。这种方法具有出色的潜力，可提高我们的诊断能力。这显然是朝着‘提供垂体组织的术中分子特征’迈出的重要一步。”

为了测试这一技术，研究小组分析了45份垂体腺瘤和6份正常垂体组织中的激素水平，发现正常或肿瘤样本有明显不同的蛋白特征。

质谱分析法，是测量样品中存在的化学物质的一种技术，目前在手术室中使用，帮助告知临床决策，但直到现在，焦点都集中在小分子——代谢物、脂肪酸和脂质，使用不同类型的方法。通过分析蛋白质，MALDI MSI提供了一种方法，使激素水平可视化。

目前用来检测激素水平的方法，需要的时间太长，因此不能适应手术干预的时间限制。外科医生必须去除更大数量可能健康的垂体，或者如果肿瘤没有被完全去除再进行后续手术。

Agar说：“我们希望，这样的技术将帮助医生更精确地进行手术：不仅移除所有的肿瘤，也能尽可能多地保留健康组织。”

在他们的下一阶段工作中，Agar和她的同事们计划在BWH's AMIGO suite充分检测这种技术，并分析该技术对临床决策的影响。

（生物通：王英）

生物通推荐原文摘要：
MALDI mass spectrometry imaging analysis of pituitary adenomas for near-real-time tumor delineation
Abstract: We present a proof of concept study designed to support the clinical development of mass spectrometry imaging (MSI) for the detection of pituitary tumors during surgery. We analyzed by matrix-assisted laser desorption/ionization (MALDI) MSI six nonpathological (NP) human pituitary glands and 45 hormone secreting and nonsecreting (NS) human pituitary adenomas. We show that the distribution of pituitary hormones such as prolactin (PRL), growth hormone (GH), adrenocorticotropic hormone (ACTH), and thyroid stimulating hormone (TSH) in both normal and tumor tissues can be assessed by using this approach. The presence of most of the pituitary hormones was confirmed by using MS/MS and pseudo-MS/MS methods, and subtyping of pituitary adenomas was performed by using principal component analysis (PCA) and support vector machine (SVM). Our proof of concept study demonstrates that MALDI MSI could be used to directly detect excessive hormonal production from functional pituitary adenomas and generally classify pituitary adenomas by using statistical and machine learning analyses. The tissue characterization can be completed in fewer than 30 min and could therefore be applied for the near-real-time detection and delineation of pituitary tumors for intraoperative surgical decision-making.