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(xué)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(guò)創(chuàng)新的微流控并行采樣結(jié)合遷移學(xué)習(xí)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(cè)即可從小鼠小腦組織中鑒定約3000種蛋白質(zhì)，實(shí)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(cè)繪，同時(shí)顯著降低了實(shí)驗(yàn)復(fù)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(jìn)的方向：首先，當(dāng)前25 μm的分辨率尚未達(dá)到單細(xì)胞水平，可通過(guò)開(kāi)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(jìn)行算法優(yōu)化；其次，需要更快速可靠的質(zhì)譜檢測(cè)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(lái)可通過(guò)在微流控工作流程中引入親和捕獲等富集步驟加以擴(kuò)展。

總體而言，PLATO技術(shù)通過(guò)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(jī)制提供了強(qiáng)有力的工具，其簡(jiǎn)便的操作流程和優(yōu)異的性能指標(biāo)使其在基礎(chǔ)研究和臨床轉(zhuǎn)化中都具有廣闊的應(yīng)用前景。