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

MANTIS is een nieuw statistisch framework dat ruimtelijke metabolomics en transcriptomics data integreert om met behulp van geavanceerde ruimtelijke statistieken specifieke gen-metaboliet relaties en ruimtelijke patronen te ontdekken, terwijl het rekening houdt met verstorende factoren.

De kern

Stel je voor dat je een enorme, levende stad bekijkt: het menselijk lichaam. In deze stad wonen verschillende soorten mensen (cellen) in verschillende wijken (weefselgebieden). Om te begrijpen hoe deze stad werkt, hebben wetenschappers twee soorten kaarten nodig:

1. De Transcriptomics-kaart: Dit laat zien wie er woont (bijvoorbeeld: "Hier wonen veel artsen, daar veel bouwvakkers").
2. De Metabolomics-kaart: Dit laat zien wat er gebeurt (bijvoorbeeld: "Hier wordt veel koffie gedronken, daar wordt veel beton gestort").

Tot nu toe hadden wetenschappers deze twee kaarten apart. Ze konden zien waar de artsen woonden, en apart zien waar de koffie werd gedronken, maar het was heel lastig om te zeggen: "Ah, de artsen drinken hier specifiek koffie omdat ze aan het werk zijn."

MANTIS is een nieuwe, slimme computerprogramma-tool die deze twee kaarten perfect op elkaar legt en er een heel verhaal van maakt. Hier is hoe het werkt, vertaald in alledaags taal:

1. Het Grote Puzzelstukje (De Integratie)

Vroeger waren de bestaande hulpmiddelen als een slechte fotomonteur. Ze konden de twee kaarten wel naast elkaar leggen, maar ze wisten niet goed hoe ze de details moesten vergelijken. Ze zagen misschien wel dat twee dingen dicht bij elkaar lagen, maar ze wisten niet of dat echt een verband was of gewoon toeval.

MANTIS is als een super-scherpe detective. Hij kijkt niet alleen naar wie waar zit, maar vraagt zich af: "Is deze koffie-drankplek echt populair bij de artsen, of zit hij daar gewoon toevallig?"

2. Het "Niet-Verkeerde-Weg"-Principe (Statistiek)

Stel je voor dat je in een drukke stad loopt en ziet dat mensen met rode hoeden vaak bij de bakker staan. Is dat omdat ze van brood houden? Of is het gewoon een toevallige menigte?

Bestaande tools zeggen vaak: "Ja, ze staan bij elkaar, dus ze horen bij elkaar!" (Dit is als zeggen: "Alle mensen met rode hoeden zijn bakkers").

MANTIS doet iets slims: hij gebruikt een trucje genaamd "autocorrelatie-bewaring".

• De Analogie: Stel je voor dat je de mensen in de stad even laat dansen, maar je zorgt ervoor dat de mensen die al dicht bij elkaar stonden, ook na het dansen nog dicht bij elkaar blijven. Je verplaatst ze, maar je houdt de "drukte" en de "patronen" van de stad intact.
• Vervolgens kijkt MANTIS: "Als ik dit patroon van de stad even 'verdraai' maar de structuur behoud, komt die koffie dan nog steeds bij de artsen?"
• Als het antwoord "nee" is, dan is het verband echt! Als het antwoord "ja" is, was het waarschijnlijk gewoon toeval of een algemene drukte in die wijk. Dit voorkomt dat de tool foutieve conclusies trekt.

3. Drie Soorten Geheimen Oplossen

MANTIS kan drie soorten geheimen ontrafelen:

• De Wijk-Geheimen (Regionale Patronen):
  Soms zit een bepaalde stof (bijvoorbeeld een energie-drankje) alleen in de "sportwijk" van de stad. MANTIS kan zeggen: "Kijk, deze stof hoort echt bij deze specifieke wijk, niet overal."
• De Bewoner-Geheimen (Cel-type Associaties):
  Soms drinken alleen de "bouwvakkers" (een bepaald celtype) een specifieke thee, ongeacht in welke wijk ze wonen. MANTIS kan dit onderscheiden van de wijk zelf. Hij zegt: "Het is niet de wijk, het is echt de bouwvakker die deze thee drinkt."
• De Verborgen Relaties (Genen en Stoffen):
  Dit is het coolste deel. MANTIS kan zeggen: "Deze specifieke genen (de instructieboekjes van de cellen) en deze specifieke stof (de drank) lijken een geheime relatie te hebben."
  Maar hij is voorzichtig. Hij kijkt eerst: "Is dit alleen maar omdat ze allebei in dezelfde wijk wonen?" Als dat zo is, schrijft hij dat apart op. Maar als ze een relatie hebben die niet door de wijk wordt veroorzaakt, dan is dat een echte, biologische ontdekking.

4. Waarom is dit belangrijk?

In het verleden zagen wetenschappers duizenden "relaties" tussen genen en stoffen, maar de meeste waren nep (zoals het zien van een verband tussen regen en paraplu's, terwijl het eigenlijk gewoon een storm was).

Met MANTIS krijgen we een veel scherpere, betrouwbaardere kaart. Het helpt ons begrijpen:

• Waarom bepaalde ziekten (zoals kanker of Parkinson) zich op specifieke plekken in het lichaam manifesteren.
• Hoe cellen met elkaar communiceren via chemische stoffen.
• Welke genen precies verantwoordelijk zijn voor het produceren van die stoffen.

Kortom: MANTIS is de nieuwe, super-slimme vertaler die de taal van de "bewoners" (genen) en de "activiteiten" (stoffen) in onze lichaamstad met elkaar verbindt, zonder verward te raken door de drukte van de stad zelf. Het zorgt ervoor dat we eindelijk de echte verhalen kunnen lezen, in plaats van alleen maar geruchten te horen.

Technische samenvatting

Probleemstelling

De integratie van ruimtelijke metabolomics (SM) en ruimtelijke transcriptomics (ST) biedt een krachtige kans om metabole toestanden en hun relatie tot weefselfunctie in detail in kaart te brengen. Bestaande computertools voor de analyse van "SM+ST"-data richten zich voornamelijk op de uitlijning en integratie van deze twee modaliteiten, maar missen robuuste statistische methoden om biologische relaties tussen de moleculaire lagen te onderzoeken.

De huidige uitdagingen zijn:

1. Gebrek aan ruimtelijke bewustzijn: Bestaande tools gebruiken vaak niet-ruimtelijke correlatiemetingen (zoals Pearson-correlatie), wat leidt tot valse ontdekkingen omdat het de complexe ruimtelijke covariantiestructuren negeert.
2. Confounding factoren: Correlaties tussen genen en metabolieten kunnen worden veroorzaakt door gedeelde ruimtelijke patronen (bijv. beide zijn rijk in een specifiek weefselgebied) of celtype-associaties, in plaats van een directe biologische interactie. Bestaande tools kunnen deze factoren niet adequaat ontrafelen.
3. Statistische onzekerheid: Er is een gebrek aan rigoureuze statistische toetsing die rekening houdt met ruimtelijke afhankelijkheid (autocorrelatie), wat essentieel is om de False Discovery Rate (FDR) te beheersen.

Methodologie: MANTIS Toolkit

MANTIS (Metabolomics And Transcriptomics In Space) is een statistisch framework ontworpen voor geco-registered SM+ST-data op cel- of "spot"-resolutie. Het framework neemt celtype-annotaties en ruimtelijke domeindefinities (indien beschikbaar) mee in de analyse.

De kernmethodologie omvat de volgende componenten:

1. Invoer en Voorverwerking:

   • De input bestaat uit een matrix met objecten (cellen of spots), hun ruimtelijke coördinaten, metabolietabundanties, genexpressie en optionele annotaties (celtype, regio).
   • Het framework gaat ervan uit dat de data al is uitgelijnd en dat celtype-informatie is gegenereerd door derden (bijv. via deconvolutie).

2. Statistische Significatiebepaling (Autocorrelatiebehoud):

   • In plaats van standaard randomisatie, gebruikt MANTIS een geoptimaliseerde permutatiestrategie (gebaseerd op gesimuleerde afkoeling/simulated annealing).
   • Deze methode creëert "null-ruimtelijke kaarten" waarbij de marginale verdeling van de metaboliet behouden blijft, maar ook het niveau van ruimtelijke autocorrelatie wordt gehandhaafd. Dit zorgt voor een nauwkeurige null-verdeling die rekening houdt met de inherente ruimtelijke structuur van de data.

3. Kernfuncties:

   • Ontdekking van regio-geassocieerde metabolieten (regional_met): Gebruikt Kullback-Leibler (KL) divergentie om afwijkingen van een metaboliet ten opzichte van een achtergrondprofiel over ruimtelijke domeinen te meten.
   • Ontdekking van celtype-geassocieerde metabolieten (celltype_met): Gebruikt de Spatial Cross-Correlation Index (SCI), vergelijkbaar met bivariate Moran's I, om ruimtelijke covariantie tussen celtype-aanwezigheid en metabolietabundantie te testen.
   • Ontdekking van ruimtelijk variabele metabolieten (spatvar_met): Identificeert metabolieten met een ongewone ruimtelijke verdeling die niet alleen door domeinen of celtypen wordt verklaard. Dit wordt gedaan door Moran's I toe te passen op de residuen na regressie van domein- en celtype-effecten.
   • Gen-Metaboliet Associaties:
     • compute_genemet_sci: Berekent SCI-scores voor gen-metaboliet paren.
     • compute_SPC-CT en compute_SPC-SD: Gebruiken Ruimtelijke Partiële Correlatie (SPC). Hierbij worden eerst de effecten van celtypen (CT) of ruimtelijke domeinen (SD) geresidueerd (weggefilterd) uit zowel de gen- als metabolietdata. Vervolgens wordt de SCI berekend op deze residuen om directe associaties te vinden die niet door confounding factoren worden gedreven.

Belangrijkste Bijdragen

1. Eerste Unificatie: MANTIS is, voor zover bekend, het eerste toolkit dat ruimtelijke metabolomics, transcriptomics, celtype-informatie en ruimtelijke domeinen verenigt in één framework met nadruk op ruimtelijke statistiek en hypothetoetsing.
2. Geavanceerde Statistiek: Het introduceert het gebruik van ruimtelijke kruiscorrelatie (SCI) en partiële correlatie (SPC) in plaats van simpele Pearson-correlatie, gecombineerd met autocorrelatiebehoudende permutatietesten.
3. Ontrafeling van Confounding: Het framework kan expliciet onderscheid maken tussen correlaties die ontstaan door gedeelde ruimtelijke patronen (regio/celtype) en die welke wijzen op directe biologische relaties.
4. Flexibiliteit: Het werkt over verschillende technologieën (bijv. MALDI-MSI, 10x Visium) en resoluties (enkele cellen vs. spots).

Resultaten

De auteurs hebben MANTIS getest op drie datasets: een muizenstriaat-dataset (VICARI), een menselijk longkanker-dataset, en een menselijk Parkinson's striaat-dataset.

• Muizenstriaat (VICARI):
  • Regio-associaties: Identificeerde 66 significante regio-geassocieerde metabolieten (FDR < 0.1), wat aanzienlijk conservatiever is dan bestaande tools die duizenden valse positieven rapporteren.
  • Celtype-associaties: Vond 1.518 significante celtype-metaboliet associaties. Een niet-ruimtelijke baseline (Pearson) zou bijna 12.000 associaties vinden, wat suggereert dat de meeste daarvan valse positieven zijn door ruimtelijke autocorrelatie.
  • Gen-Metaboliet: Na correctie voor celtype en domein, bleef slechts 2,4% van de geteste paren significant. Dit toont aan dat de meeste oorspronkelijke correlaties puur door gedeelde lokalisatie werden veroorzaakt.
• Menselijk Longkanker:
  • Toonde aan dat T-cel markers (CD45RA/RO) sterk geassocieerd zijn met specifieke metabolieten, wat wijst op een link tussen immuuninfiltratie en lokale metabole herschikking.
  • Glycine bleek verrijkt in tumorregio's, consistent met verhoogde glycolyse in kankercellen.
• Menselijk Parkinson's Striaat:
  • Toonde een sterke negatieve ruimtelijke correlatie tussen dopamine en myeline-eiwitten (Mbp, Plp1), wat wordt verklaard door de segregatie tussen grijze en witte stof.
  • Na correctie voor ruimtelijke domeinen bleven slechts zeer specifieke associaties over, zoals een negatieve correlatie tussen Cntn2 (myelinerende axonen) en GABA-H2O (neurale activiteit), wat biologisch zinvol is gezien de gescheiden lokalisatie van deze structuren.

Betekenis en Conclusie

MANTIS vertegenwoordigt een belangrijke stap voorwaarts in de analyse van multi-omics ruimtelijke data. Door strikte statistische toetsing en het expliciet modelleren van confounding structuren (ruimtelijke domeinen en celtypen), levert het specifieker en interpreteerbaarder inzicht op dan bestaande methoden.

De toolkit stelt onderzoekers in staat om:

1. Valse ontdekkingen te verminderen door rekening te houden met ruimtelijke autocorrelatie.
2. Subtielere biologische mechanismen te onthullen die niet simpelweg het gevolg zijn van weefselarchitectuur.
3. Directe gen-metaboliet relaties te identificeren die potentieel nieuwe therapeutische doelen of mechanistische inzichten kunnen bieden.

MANTIS is open-source beschikbaar en vult de huidige ecosysteem van tools aan door de nadruk te leggen op de statistische rigour die nodig is voor betrouwbare ontdekkingen in de ruimtelijke biologie.