該研究提出了一種名為PLATO（Parallel-flow Projection and Transfer Learning Across Omics data）的空間蛋白質(zhì)組學技術(shù)框架，相較于現(xiàn)有的LCM-MS聯(lián)用技術(shù)（如nanoPOTS、DVP和MASP等方法），PLATO通過創(chuàng)新的微流控并行采樣結(jié)合遷移學習算法（Flow2Spatial），成功克服了傳統(tǒng)方法在組織覆蓋范圍、通量和分辨率等方面的關(guān)鍵限制。該技術(shù)僅需約60次LC-MS/MS檢測即可從小鼠小腦組織中鑒定約3000種蛋白質(zhì)，實現(xiàn)了25 μm的高空間分辨率和全組織層面的蛋白質(zhì)組測繪，同時顯著降低了實驗復雜度與成本。

盡管PLATO在空間蛋白質(zhì)組成像領(lǐng)域取得了重要突破，但仍存在若干需要改進的方向：首先，當前25 μm的分辨率尚未達到單細胞水平，可通過開發(fā)更精密的微流控通道（如10 μm）或整合空間轉(zhuǎn)錄組數(shù)據(jù)進行算法優(yōu)化；其次，需要更快速可靠的質(zhì)譜檢測系統(tǒng)以提升臨床適用性；最后，現(xiàn)有技術(shù)尚未涵蓋蛋白質(zhì)翻譯后修飾（PTMs）的分析，未來可通過在微流控工作流程中引入親和捕獲等富集步驟加以擴展。

總體而言，PLATO技術(shù)通過將微流控高通量采樣與人工智能算法相結(jié)合，為理解生物組織中蛋白質(zhì)的空間調(diào)控機制提供了強有力的工具，其簡便的操作流程和優(yōu)異的性能指標使其在基礎研究和臨床轉(zhuǎn)化中都具有廣闊的應用前景。