Each language version is independently generated for its own context, not a direct translation.
这篇论文介绍了一个名为 MANTIS 的新电脑工具，它的任务是帮助科学家解开人体组织（比如大脑或肿瘤）中两个重要“语言”之间的秘密关系：空间代谢组学（SM）和空间转录组学（ST）。
为了让你更容易理解，我们可以把人体组织想象成一座繁忙的超级城市。
1. 城市里的两本账本
在这座城市里，有两本至关重要的账本：
- 账本 A（基因/ST）： 记录了每个街区（细胞）里有哪些“工厂”（基因）在开工，生产什么产品。这告诉我们要“谁”在这里。
- 账本 B（代谢物/SM）： 记录了每个街区里实际堆积了多少“货物”（代谢物，如能量、信号分子）。这告诉我们要“发生了什么”。
过去，科学家虽然能分别看这两本账本，但很难把它们对得上号。就像你知道某个街区有很多面包厂（基因），但你不知道那里的面包（代谢物）是不是真的变多了，或者是不是因为隔壁街区的面包运过来了。
2. 以前的工具 vs. MANTIS
以前的工具就像是一个只会看地图的导航仪。它们能把两本账本的位置对齐（比如把面包厂和面包堆在地图上重合），然后简单地数数：“哦，这里面包厂多，面包也多，所以它们有关系！”
但这有个大漏洞：
这就好比你在城市里发现“冰淇淋店”和“防晒霜销量”总是同时增加。如果你只数数，你会觉得“冰淇淋店导致防晒霜销量增加”。但实际上，真正的原因是夏天到了（这是第三个因素，比如“细胞类型”或“特定区域”）。夏天让冰淇淋店开了，也让防晒霜卖得好。如果不把“夏天”这个因素排除掉，你的结论就是错的。
MANTIS 就是那个聪明的“侦探”。它不仅能对齐地图，还能：
- 排除干扰（控制变量）： 它会问：“如果不去管是不是夏天（细胞类型），或者是不是在商业区（特定区域），冰淇淋和防晒霜还有关系吗？”
- 考虑距离（空间统计）： 它知道，城市里的东西不是随机分布的。如果两个东西在地图上靠得很近，它们互相影响的可能性更大。MANTIS 专门设计了一套数学方法，确保不会因为“它们只是住得近”而误判它们有直接关系。
3. MANTIS 的三大绝招
绝招一：寻找“区域明星” (Regional Met)
- 比喻： 就像找出哪些特产只属于城市的某个特定区（比如只有“金融区”才有大量金币）。
- 作用： MANTIS 能精准地告诉科学家，哪种代谢物是某个特定脑区或肿瘤区域独有的，而不是随机分布的。
绝招二：寻找“细胞搭档” (Cell Type Met)
- 比喻： 就像发现“只有消防员（特定细胞）家里才常备水枪（特定代谢物）”。
- 作用： 它能找出哪些代谢物是专门由某类细胞（如神经元或免疫细胞）生产或消耗的，哪怕这些细胞分散在城市各处。
绝招三：解开“基因 - 代谢”的谜题 (Gene-Metabolite)
- 比喻： 这是最精彩的部分。以前工具会说：“因为 A 工厂和 B 仓库都在市中心，所以 A 生产了 B。”
- MANTIS 的做法： 它会先剔除“市中心”这个因素。如果剔除后，A 工厂和 B 仓库依然紧紧相连，那它们之间可能真的有直接的“生产线”关系。
- 成果： 在测试中，MANTIS 发现以前工具报告的成千上万对“有关系”的基因和代谢物，其实很多只是因为它们都住在同一个“街区”（区域）或属于同一种“职业”（细胞类型）。MANTIS 帮科学家去伪存真，只留下那些真正有生物学意义的联系。
4. 为什么这很重要？
想象一下，如果你在治疗一种疾病（比如帕金森病或癌症），你需要知道：
- 是哪种细胞出了问题？
- 是哪种代谢物堆积导致了毒性？
- 是基因指令错了，还是代谢过程卡住了？
MANTIS 就像给科学家戴上了一副高清 3D 眼镜，让他们能看清细胞、基因和代谢物在组织里真实的“社交关系网”，而不是被表面的位置关系迷惑。
总结
MANTIS 是一个强大的新工具，它用更严谨的数学方法，帮科学家在复杂的生物组织中：
- 分清哪些代谢物是“区域特产”，哪些是“细胞专属”。
- 剔除因为“住得近”或“职业相同”造成的假象。
- 发现基因和代谢物之间真正隐秘的“合作”关系。
这就好比从“看热闹”（看谁和谁挨着）升级到了“看门道”（看谁和谁真的在合作），为理解疾病机制和开发新药提供了更精准的地图。
Each language version is independently generated for its own context, not a direct translation.
这是一份关于 MANTIS（Metabolomics And Transcriptomics In Space）分析工具包的详细技术总结。该工具包旨在解决空间代谢组学（SM）与空间转录组学（ST）联合分析中的统计挑战。
1. 研究背景与问题 (Problem)
随着空间代谢组学（SM）和空间转录组学（ST）技术的成熟，对同一组织进行多组学联合分析（SM+ST）已成为解析组织功能、细胞类型特异性代谢事件及调控机制的强大手段。然而，现有的计算工具存在以下局限性：
- 缺乏统计严谨性：现有工具（如 SpaMTP, SpatialMETA）主要关注多模态数据的对齐和整合，但在探测生物学关系（如基因 - 代谢物关联）时，多使用非空间统计指标（如皮尔逊相关系数），忽略了普遍存在的空间自相关性（Spatial Autocorrelation），导致假阳性率较高。
- 混淆因素未处理：代谢物的空间分布往往受到组织区域（Spatial Domains）和细胞类型（Cell Types）分布的强烈影响。现有工具难以区分代谢物的空间模式是源于特定的区域偏好、细胞类型关联，还是其他未知的空间因素。
- 缺乏统一框架：目前缺乏一个能够同时整合空间代谢组、空间转录组、细胞类型注释和空间域信息，并进行严格假设检验和混杂因素校正的统一统计框架。
2. 方法论 (Methodology)
MANTIS 是一个统计框架，用于分析共配准的 SM+ST 数据（单细胞或斑点分辨率）。其核心方法论包括：
- 输入数据：包含空间坐标、代谢物丰度、基因表达谱，以及可选的细胞类型注释和空间域（组织区域）划分。
- 核心统计策略：
- 保持自相关的置换检验 (Autocorrelation-preserving Permutation)：
- 为了评估统计显著性，MANTIS 采用了一种模拟退火（Simulated Annealing, SA）采样器生成随机化的空间分布图。
- 该策略在置换过程中保留了原始代谢物分布的边际分布和空间自相关结构，从而构建了更准确的零分布（Null Distribution），有效控制了空间依赖性带来的假阳性。
- 空间交叉相关指数 (Spatial Cross-Correlation Index, SCI)：
- 用于量化基因与代谢物（或细胞类型与代谢物）之间的空间共变关系。
- 基于双变量 Moran's I 统计量，考虑了空间权重矩阵，比传统的相关系数更能捕捉空间邻近效应。
- 空间偏相关 (Spatial Partial Correlation, SPC)：
- 用于解耦混杂因素。通过先对基因和代谢物数据分别进行回归（去除细胞类型或空间域的影响），计算残差，再对残差计算 SCI。
- 这能区分出“由共同细胞类型/区域驱动的相关性”与“独立的基因 - 代谢物空间关联”。
- 空间可变代谢物检测 (SVM)：
- 利用 Moran's I 检测具有显著空间异质性的代谢物，并通过回归校正去除区域或细胞类型的贡献，识别出独特的空间模式（如梯度或热点）。
3. 主要功能模块 (Key Functions)
MANTIS 提供两大类功能：
A. 代谢物空间模式发现
- 区域相关代谢物 (
regional_met)：
- 使用 Kullback-Leibler (KL) 散度量化代谢物在不同空间区域的丰度分布与背景分布的差异。
- 通过置换检验评估显著性，识别富集在特定解剖/功能区域的代谢物。
- 细胞类型相关代谢物 (
celltype_met)：
- 使用 SCI 统计量测试细胞类型存在（比例或布尔值）与代谢物丰度之间的空间协方差。
- 空间可变代谢物 (
spatvar_met)：
- 检测不单纯由区域或细胞类型定义的、具有独特空间结构（如梯度、热点）的代谢物。支持用户调节长度尺度参数 (l) 以捕捉不同尺度的模式。
B. 基因 - 代谢物关联发现
- 基础空间关联 (
compute_genemet_sci)：
- 计算所有基因 - 代谢物对的 SCI 分数，识别空间共表达对。
- 校正细胞类型后的关联 (
compute_SPC-CT)：
- 去除细胞类型混杂效应后，识别独立的基因 - 代谢物空间关联。
- 校正空间域后的关联 (
compute_SPC-SD)：
- 去除空间区域混杂效应后，识别独立的关联。
- 通过取交集，可筛选出既不受细胞类型也不受区域驱动的“特异性”基因 - 代谢物对。
4. 实验结果 (Results)
研究团队在三个不同的数据集上验证了 MANTIS：小鼠纹状体（VICARI 数据集）、人类肺癌（Hu et al. 数据集）和人类帕金森病纹状体样本。
- 小鼠纹状体数据：
- 区域/细胞类型关联：发现了 66 个显著的区域相关代谢物和 1,518 个细胞类型相关关联。与现有工具相比，MANTIS 报告的显著关联数量更少但更保守，假阳性率更低（例如，非空间方法检测出近 50% 的假阳性关联，而 MANTIS 通过空间校正大幅减少了这一比例）。
- 空间可变代谢物：在去除区域和细胞类型影响后，识别出 73 个独特的空间可变代谢物（SVM），包括多巴胺扩散梯度和非对齐的热点。
- 基因 - 代谢物关联：
- 原始 SCI 分析发现 12.3% 的基因 - 代谢物对显著。
- 校正细胞类型后，显著比例降至 6.8%，表明大部分初始关联是由细胞类型特异性驱动的。
- 进一步校正空间域后，仅 2.4% 的关联保持显著，揭示了真正独立的空间调控关系（如 Raph1 与特定代谢物的关联）。
- 人类肺癌数据：
- 识别出 T 细胞标记物（CD45RA/RO）与代谢物的空间关联，反映了免疫浸润与代谢重编程（如糖酵解、丝氨酸/甘氨酸代谢）的紧密联系。
- 发现 E-钙粘蛋白（上皮标记）与肿瘤区域的高甘氨酸水平相关，符合肿瘤细胞快速生长的代谢特征。
- 人类帕金森病数据：
- 发现多巴胺与髓鞘蛋白（Mbp, Plp1）呈强负相关，这主要归因于灰质（高多巴胺）与白质（高髓鞘蛋白）的空间分离。
- 在去除空间域影响后，识别出 Cntn2（髓鞘相关）与 GABA 代谢物之间的特异性负相关，反映了不同神经微环境的互斥分布。
5. 关键贡献与意义 (Significance)
- 首个统一框架：MANTIS 是首个将空间代谢组学、空间转录组学、细胞类型信息和空间域整合在一个强调空间统计、假设检验和混杂因素校正框架中的工具包。
- 统计严谨性：通过引入保持自相关的置换检验和空间偏相关，MANTIS 显著降低了传统非空间方法在空间数据中产生的假阳性率，提供了更可信的生物学发现。
- 可解释性：能够明确区分代谢物模式是源于组织区域结构、细胞类型分布，还是分子间的直接空间调控，为理解组织微环境中的代谢 - 基因互作机制提供了新视角。
- 通用性：适用于不同的空间技术（如 MALDI-MSI, 10x Visium, 单细胞质谱）和物种（小鼠、人类），展示了强大的跨平台分析能力。
总结：MANTIS 填补了空间多组学分析中统计推断的空白，为研究人员提供了从复杂的空间数据中提取高置信度、生物学可解释的代谢模式和基因调控网络的关键工具。