《Nature Communications》：Spatial mapping of the brain metabolome lipidome and glycome
編輯推薦：
為解決代謝組學、脂質組學和糖組學缺乏統一綜合分析的問題，研究人員開展 “大腦代謝組、脂質組和糖組空間分析” 的研究。他們利用質譜成像技術和 Sami 框架，揭示大腦區域特異性代謝需求及 Ps19 模型代謝失調，為神經退行性疾病研究提供新視角。
在生命科學的廣闊領域中，代謝組、脂質組和糖組就像隱藏在生物體內的神秘密碼，它們是構成代謝網絡的基礎，其相互關聯的動態變化掌控著細胞的生理和病理進程。長久以來，盡管代謝組學（Metabolomics）、脂質組學（Lipidomics）和糖組學（Glycomics）各自在探索代謝網絡的道路上取得了一定進展，但始終缺乏一種統一、綜合的分析方法，無法全面呈現這個復雜的代謝景觀。這就好比在黑暗中摸索，雖然每個領域都有自己的小亮光，但卻無法照亮整個代謝世界，導致我們對組織代謝異質性的理解十分有限，難以深入探究代謝性疾病的病因。
為了突破這一困境，來自美國佛羅里達大學（University of Florida）的研究人員踏上了探索之旅。他們開展了一項極具創新性的研究，旨在實現從單個組織切片同時進行代謝組、脂質組和糖組的空間分析。最終，研究成果發表在《Nature Communications》上。
研究人員用到的主要關鍵技術方法有：首先是質譜成像技術，通過該技術對小鼠大腦組織切片進行掃描，獲取代謝物、脂質和聚糖的空間信息；其次是開發了 Sami（Spatial Augmented Multiomics Interface）框架，用于多組學數據的整合、高維聚類、空間解剖映射以及代謝途徑富集分析 。
一、空間三重組學工作流程
研究人員以小鼠大腦為模型，成功從單個組織切片獲取多組學數據。他們先在 10μm 厚的大腦切片上涂覆 N-(1 - 萘基) 乙二胺二鹽酸鹽（NEDC）基質，利用基質輔助激光解吸 / 電離（MALDI）質譜成像技術，先后進行空間代謝組和脂質組掃描。由于低 m/z 代謝物（<500 m/z）和高 m/z 脂質（500 - 1500 m/z）的離子光學調諧要求不同，代謝組學和脂質組學需分兩次運行。之后去除 NEDC 基質，對組織進行固定，并通過肽 - N - 糖苷酶 F（PnGase F）和異淀粉酶消化，釋放復雜碳水化合物，用于空間糖組和糖原分析，空間糖組學采用 α - 氰基 - 4 - 羥基肉桂酸（CHCA）作為電離基質，在正離子模式下進行。經此流程，研究人員成功獲得小鼠大腦冠狀面和矢狀面切片中三類組學分子特征的空間圖像，展現出這些分子在不同腦區獨特的空間分布。同時，研究人員對該工作流程的可重復性進行評估，發現雖然順序工作流程會使相對離子豐度降低，但各檢測中分子特征的比例和空間分布相對一致，對空間生物學解釋的影響極小。
二、Sami 框架
- 空間多組學數據集的配準和整合：面對 MALDI 多組學數據集帶來的巨大計算挑戰，研究人員開發了 Sami 框架。該框架的第一步是多組學整合，它將代謝組學、脂質組學和糖組學數據的不同生物學特征整合為一個統一的輸入，便于進行高維和通路分析。MALDI 儀器中的 smartbeam3 激光技術記錄激光照射點的 x/y 坐標，使 Sami 能夠通過交叉參考這些坐標，確定每個像素在所有數據集中的精確空間位置，實現多組學信息的有效疊加。通過增強相關系數（ECC）分析驗證，直接像素對像素匹配的 ECC 得分接近完美（0.95），表明不同模態之間的對齊效果極佳。成功整合后，研究人員進行了相關性和網絡分析，發現不同模態中的許多特征存在高水平的共表達，網絡分析也揭示了不同模態代謝物之間的連接性，證明了多組學整合的有效性。
- 高維降維、空間聚類和注釋：Sami 框架中的高維降維是將高維 MALDI MSI 數據集轉化為可操作和易于管理信息的有力策略。研究人員使用 UMAP（Uniform Manifold Approximation and Projection）對整合的三重組學數據集進行聚類分析，發現其涵蓋了單個模態 UMAP 分析中存在的獨特聚類，且結合三種模態的聚類效率并不低于單模態（通過輪廓系數 Silhouette score 驗證）。對冠狀腦進行空間聚類后，發現空間聚類與解剖學上不同的腦區高度對應，研究人員利用艾倫研究所的小鼠腦圖譜對每個空間聚類進行手動注釋，進一步證實了 UMAP 聚類與大腦生物化學的生物學相關性。在矢狀腦切片中進行類似分析，也得到了相似的結果。此外，研究人員還建立了參考多組學特征集用于腦區注釋，并通過在不同腦切片上的測試，證明了該注釋方法的穩健性和高重復性。
- Sami 的空間分辨通路富集分析：Sami 在空間聚類和注釋之后進行通路分析，這是提煉大型組學數據集、為假設生成研究提供可行下一步的關鍵步驟。研究人員首先對野生型（WT）小鼠大腦進行分析，通過比較不同聚類之間的差異表達，選擇每個聚類中表現出顯著變化的前 50 個注釋多組學特征，利用 MetaboAnalyst 3.2 管道中的小分子通路數據庫（SMPDB）進行代謝通路富集分析。例如，海馬體 CA3 區域的聚類分析顯示，檸檬酸循環和谷氨酸代謝是富集程度最高的兩條通路；而胼胝體的前兩條富集通路則是糖異生、Warburg 效應和糖酵解。這表明多組學整合結合空間聚類能夠揭示大腦內區域特異性的代謝特征。
為了進一步展示 Sami 空間通路富集分析的實用性，研究人員對 WT 和 tauopathy（Ps19）小鼠模型進行了空間代謝組學、脂質組學和糖組學分析。Ps19 阿爾茨海默病小鼠模型表達人類 MAPT（P301S）突變 tau 基因，會導致進行性 tau 病理、神經退行性變和類似額顳葉癡呆的認知缺陷。研究人員對 9 個月大的雌性 WT 和 Ps19 小鼠進行三重組學分析，包括共同的 UMAP 聚類和通路映射。結果發現，在 tauopathy 小鼠模型的大腦皮層中，檸檬酸循環、Warburg 效應、肉堿合成以及乙�；蚓�粒體的轉移等通路發生了顯著變化；而在小腦中，淀粉和蔗糖代謝、甘油酯代謝、糖酵解和三酰甘油生物合成等通路出現改變。通過對代謝物水平的分析，發現不同腦區和不同組之間代謝物的變化存在差異，如在 CA3 區域和 Ps19 大腦皮層中，檸檬酸、烏頭酸和蘋果酸等代謝物的變化趨勢相反。此外，研究人員還通過多重免疫熒光分析對關鍵酶和糖原進行檢測，驗證了空間多組學的發現，進一步凸顯了整合空間分辨多組學數據與靶向驗證方法在繪制健康和疾病大腦區域特異性代謝變化中的重要性。
研究結論表明，該研究建立的從單個組織切片同時評估代謝組、脂質組和糖組的方法，相比傳統的混合組學分析有了重大進展，能夠更全面地評估代謝景觀或網絡。Sami 框架的強大功能，使得多組學數據能夠有效整合、分析，揭示了大腦區域特異性代謝差異以及疾病狀態下的代謝失調。然而，研究也存在一定的局限性，如在順序 MALDI 掃描中低豐度離子會優先丟失，且目前該工作流程無法提供細胞水平的見解。但隨著技術的不斷發展，未來有望通過與其他技術的整合，如成像質譜細胞術（IMC）、CODEX、Xenium、VISIUM（空間轉錄組學）等，彌補這些不足，實現將代謝組學、脂質組學和糖組學數據與特定細胞注釋相關聯，深入了解組織功能和病理。同時，進一步擴展組學特征覆蓋范圍，提高激光分辨率至接近單細胞水平，將為代謝研究開辟更廣闊的前景。該研究為大腦代謝的研究邁出了重要一步，為深入探究大腦功能與代謝活動之間的復雜相互作用奠定了基礎，也為神經退行性疾病等相關疾病的研究提供了新的方向和思路 。
