MANTIS: Analytics toolkit for spatial metabolomics with matching spatial transcriptomics data

MANTIS est un nouveau cadre statistique open-source conçu pour analyser les données co-enregistrées de métabolomique et de transcriptomique spatiales, permettant de découvrir des relations gène-métabolite et des motifs spatiaux tout en corrigeant rigoureusement les structures de confusion et les dépendances spatiales.

L'essentiel

Imaginez que vous essayez de comprendre comment fonctionne une ville très complexe, comme Paris ou New York. Pour cela, vous avez deux types de cartes très précises :

1. La carte des habitants (Transcriptomique spatiale) : Elle vous dit exactement qui habite où (les médecins, les artistes, les écoliers, les policiers) et ce qu'ils disent entre eux.
2. La carte des ressources (Métabolomique spatiale) : Elle vous montre où se trouvent les ressources vitales : les pharmacies, les supermarchés, les usines d'énergie, les déchets.

Le problème, c'est que jusqu'à présent, les outils informatiques pour étudier ces deux cartes ensemble étaient un peu comme des lunettes de vue floues. Ils pouvaient superposer les cartes, mais ils ne savaient pas bien distinguer si une ressource était là parce que c'est là qu'elle doit être (comme une pharmacie dans un quartier résidentiel) ou si elle était là par hasard, ou simplement parce que les habitants de ce quartier en ont besoin.

C'est là qu'intervient MANTIS, le nouvel outil présenté dans cet article.

Qu'est-ce que MANTIS ?

MANTIS (qui signifie Metabolomics And Transcriptomics In Space) est une boîte à outils numérique intelligente conçue pour analyser ces deux cartes ensemble. Son but est de répondre à deux grandes questions avec une précision chirurgicale :

1. Où se cachent les ressources importantes ? (Quels métabolites sont concentrés dans des zones spécifiques ?)
2. Qui consomme quoi ? (Quels gènes des habitants sont liés à la présence de quelles ressources ?)

Comment MANTIS fonctionne-t-il ? (Les analogies)

Voici comment MANTIS résout les problèmes des anciens outils, en utilisant des images simples :

1. Le détective qui ne se fait pas avoir par les apparences

Les anciens outils regardaient simplement : "Il y a beaucoup de sucre ici, et beaucoup de médecins ici. Donc, les médecins mangent du sucre !"
Mais MANTIS dit : "Attendez une minute. Peut-être que les médecins sont juste dans ce quartier parce que c'est un quartier riche, et que le sucre est partout dans les quartiers riches, peu importe qui habite là."

MANTIS utilise une technique appelée "corrélation partielle spatiale". Imaginez que vous enlevez virtuellement les "quartiers" et les "types d'habitants" de votre carte. Si le lien entre le sucre et les médecins disparaît après cet enlèvement, c'est que ce n'était qu'une coïncidence géographique. Si le lien reste fort, alors c'est une vraie relation biologique ! MANTIS sépare ainsi le bruit de fond de la véritable signalisation.

2. Le test de la "danse" (La statistique spatiale)

Pour savoir si une ressource est vraiment importante dans une zone, il ne suffit pas de compter. Il faut voir si elle "danse" avec ses voisins.

• Les anciens outils regardaient juste le nombre total.
• MANTIS regarde la proximité. Il utilise une méthode mathématique (l'indice de corrélation spatiale) pour voir si les ressources et les habitants sont proches les uns des autres de manière organisée, comme une troupe de danseurs synchronisés, plutôt que dispersés au hasard.

De plus, pour être sûr que ce n'est pas un hasard, MANTIS joue à un jeu de "mémoire" avec les données. Il mélange les cartes des ressources des milliers de fois, mais en gardant la forme générale des zones (comme si on mélangeait les cartes d'un jeu de cartes sans changer l'ordre des couleurs). S'il trouve une association dans la vraie carte qui est beaucoup plus forte que dans toutes ces versions mélangées, alors c'est une découverte réelle et non un accident.

3. La loupe à plusieurs niveaux

MANTIS peut zoomer à différents niveaux :

• Niveau Quartier : "Quelles ressources sont spécifiques au centre-ville par rapport à la banlieue ?"
• Niveau Voisinage : "Quelles ressources sont spécifiques aux maisons des artistes par rapport à celles des ingénieurs ?"
• Niveau Mystère : "Y a-t-il des ressources qui forment des motifs bizarres qui ne correspondent ni à un quartier ni à un type d'habitant ?" (C'est comme trouver un secret caché dans la ville).

Pourquoi est-ce important ?

Dans le monde réel, cela aide les scientifiques à comprendre des maladies comme le cancer ou la maladie de Parkinson.

• Exemple concret : Dans un cerveau atteint de Parkinson, MANTIS a pu montrer que certaines zones riches en neurones manquaient cruellement de dopamine, tandis que d'autres zones (les "autoroutes" du cerveau) en avaient trop. Il a aussi révélé que certaines protéines spécifiques aux cellules immunitaires étaient liées à des changements de graisses dans les cellules, ce qui suggère comment le système immunitaire attaque ou protège le cerveau.

En résumé

MANTIS est comme un super-détective pour les biologistes. Au lieu de simplement dire "Il y a A et B ici", il demande : "Est-ce que A et B sont vraiment ensemble parce qu'ils ont besoin l'un de l'autre, ou est-ce qu'ils sont juste voisins par hasard ?"

En utilisant des mathématiques avancées pour éliminer les fausses pistes (les confusions dues aux quartiers ou aux types d'habitants), MANTIS permet de découvrir des secrets biologiques cachés que les outils précédents ne pouvaient pas voir. C'est un pas de géant pour comprendre comment nos tissus fonctionnent, cellule par cellule, dans l'espace.

Résumé technique

Titre : MANTIS : Une boîte à outils analytique pour la métabolomique spatiale couplée à la transcriptomique spatiale

1. Problématique et Contexte

L'intégration de la métabolomique spatiale (SM) et de la transcriptomique spatiale (ST) offre une vue multi-omique puissante pour cartographier les états métaboliques liés à la fonction tissulaire. Cependant, l'analyse conjointe de ces données ("SM+ST") fait face à plusieurs défis majeurs :

• Manque d'outils statistiques adaptés : Les outils existants se concentrent principalement sur l'alignement et l'intégration des modalités, mais offrent un soutien limité pour explorer les relations biologiques entre les deux couches moléculaires.
• Ignorance de la structure spatiale : La plupart des méthodes actuelles (comme SpaMTP ou SpatialMETA) utilisent des métriques de corrélation non spatiales (ex. : coefficient de corrélation de Pearson). Cela ignore les structures de covariance spatiale complexes qui peuvent fausser les résultats.
• Confondants non contrôlés : Les corrélations entre gènes et métabolites sont souvent confondues par des facteurs tels que la localisation dans des domaines tissulaires spécifiques ou la composition en types cellulaires.
• Absence de tests statistiques rigoureux : Les scores de corrélation ne sont souvent pas accompagnés de tests d'hypothèse robustes pour contrôler les faux positifs, en particulier dans des données dépendantes spatialement.

2. Méthodologie : Le cadre MANTIS

MANTIS (Metabolomics And Transcriptomics In Space) est un cadre statistique conçu pour analyser des profils SM+ST co-enregistrés, à la résolution de la cellule ou du "spot" (tache), en intégrant les annotations de types cellulaires et les domaines spatiaux.

Approches statistiques clés :

• Stratégie de permutation préservant l'autocorrélation : Pour évaluer la signification statistique, MANTIS utilise une méthode de permutation personnalisée (échantillonnage par recuit simulé) qui génère des distributions nulles empiriques tout en préservant l'autocorrélation spatiale des métabolites. Cela permet un contrôle strict des faux positifs.
• Indices de corrélation spatiale :
  • SCI (Spatial Cross-Correlation Index) : Une variante de l'indice de Moran bivarié utilisée pour quantifier les associations entre un métabolite et un type cellulaire, ou entre un gène et un métabolite.
  • SPC (Spatial Partial Correlation) : Une corrélation partielle spatiale qui permet de "nettoyer" les données des effets de confondants (types cellulaires ou domaines spatiaux) avant de calculer la corrélation.
• Décomposition des sources de variation : Le toolkit distingue explicitement les motifs spatiaux provenant de préférences régionales, d'associations avec des types cellulaires, ou d'autres facteurs inconnus.

Fonctionnalités principales :

1. Découverte de métabolites associés à des régions (regional_met) : Utilise la divergence de Kullback-Leibler (KL) pour identifier les métabolites enrichis dans des domaines spatiaux spécifiques, avec un test de signification basé sur la nullité de la distribution spatiale globale.
2. Découverte de métabolites associés à des types cellulaires (celltype_met) : Teste la covariance spatiale entre la présence d'un type cellulaire et l'abondance d'un métabolite via le SCI.
3. Détection de métabolites spatialement variables (spatvar_met) : Identifie des métabolites présentant des motifs spatiaux non expliqués par les domaines ou les types cellulaires (en utilisant le Moran's I sur les résidus après régression).
4. Association Gène-Métabolite :
   • compute_genemet_sci : Calcule le SCI brut pour chaque paire gène-métabolite.
   • compute_SPC-CT et compute_SPC-SD : Calculent les associations résiduelles après avoir retiré les effets des types cellulaires ou des domaines spatiaux, respectivement.

3. Résultats Principaux

Les auteurs ont validé MANTIS sur trois jeux de données hétérogènes (souris, humain, cancer du poumon) :

• Données du striatum de souris (Vicari et al.) :

  • Motifs régionaux : Identification de 66 métabolites significativement associés à des régions (FDR < 0,1), une approche plus conservative que les tests de différence de groupe classiques qui produisent un grand nombre de faux positifs.
  • Associations cellulaires : Découverte de 1 518 associations cellule-métabolite significatives. La méthode MANTIS a réduit drastiquement le nombre de faux positifs par rapport aux méthodes non spatiales (qui trouvaient ~49% de paires significatives contre une fraction bien plus faible avec MANTIS).
  • Variabilité spatiale : Identification de 73 métabolites spatialement variables (SVM) après correction des confondants, révélant des gradients et des foyers discrets non alignés avec les domaines majeurs.
  • Associations Gène-Métabolite : L'approche SCI a identifié 12,3% de paires significatives, contre 77% avec la corrélation de Pearson (PCC). Après correction pour les types cellulaires et les domaines, le nombre de paires significatives a chuté à 2,4%, isolant ainsi les associations biologiquement spécifiques et non dues à la simple co-localisation.

• Données de cancer du poumon humain (Hu et al.) :

  • Application sur des données protéomiques et métabolomiques à résolution cellulaire. MANTIS a révélé des liens entre les marqueurs immunitaires (T-cells) et le remodelage des sphingolipides, ainsi qu'une accumulation de glycine dans les zones tumorales, cohérent avec la littérature sur le métabolisme tumoral.

• Striatum humain (Parkinson) :

  • Analyse des associations gène-métabolite dans un tissu post-mortem. La majorité des corrélations initiales (25%) s'expliquaient par les domaines spatiaux (substance grise vs blanche). Après correction, seules 0,3% des paires restaient significatives, mettant en évidence des relations spécifiques comme l'association négative entre la dopamine et les protéines de myéline (Mbp, Plp1), ou des modules gène-métabolite spécifiques (ex: Cntn2 et GABA).

4. Contributions Clés

• Premier toolkit unifié : MANTIS est le premier outil à intégrer la métabolomique spatiale, la transcriptomique spatiale, les types cellulaires et les domaines dans un cadre statistique unique.
• Rigueur statistique spatiale : Introduction de tests d'hypothèse basés sur des permutations préservant l'autocorrélation, offrant un contrôle supérieur des faux positifs par rapport aux méthodes de corrélation standard.
• Désambiguïsation des confondants : Capacité unique à séparer les associations directes gène-métabolite de celles induites par la structure tissulaire (domaines) ou la composition cellulaire.
• Interprétabilité biologique : En éliminant les corrélations "artificielles" dues à la co-localisation, MANTIS permet de découvrir des mécanismes régulateurs plus fins et spécifiques.

5. Signification et Impact

MANTIS comble un vide critique dans l'analyse des données multi-omiques spatiales. En passant d'une approche purement descriptive ou basée sur des corrélations non spatiales à une approche statistique rigoureuse tenant compte de la dépendance spatiale et des confondants, MANTIS permet des découvertes plus spécifiques et interprétables. Cela ouvre la voie à une meilleure compréhension des mécanismes métaboliques dans des contextes physiologiques et pathologiques complexes (comme le cancer ou les maladies neurodégénératives), en reliant directement les profils d'expression génique aux paysages métaboliques locaux.

L'outil est disponible en open-source sur GitHub, facilitant son adoption par la communauté de recherche en biologie spatiale.