代谢物的浓度对生物活性和病理条件高度敏感，且在生命活动和疾病发展中起着重要作用，因此代谢组学也成为许多科研工作者的心头好，但往往做完代谢组学研究后觉得意犹未尽，如何进一步加深研究成为许多科研工作者考虑的问题。今天我们就来了解一种新思路：代谢组学筛选目标物质，靶向空间代谢组进一步解析物质积累规律，从而深入解析生物学问题。
在对思路剖析前，首先我们来看一篇典型文献。该文为北京大学尹玉新教授团队和王俊院士团队2022年在Science Translational Medicine（IF：19.313）杂志在线发表的文章“Lung cancer scRNA-seq and lipidomics reveal aberrant lipid metabolism for early-stage diagnosis”。在文章中，首先利用单细胞转录组发现肺癌组织各类细胞脂质发生异常改变，接着通过肺癌患者及健康对照血浆样本脂质组检测筛选出9个脂质标志物，并进行了验证，最后采用MALDI-MSI技术对9种脂质进行原位分析，明确了脂质在癌症与癌旁组织积累差异，并与脂质组结果相呼应，最终开发了高效的早期肺癌及高危人群筛查方法。
肺癌目前具有较高死亡率，但I期肺腺癌（LUAD）5年生存率超过60%，因此迫切需要早期发现，以改善该病患者的预后。
1. scRNA-seq显示早期肺癌中的脂质代谢异常
对5例早期肺癌患者原发肿瘤进行了单细胞测序，并对公共数据库8个健康肺scRNA-seq数据进行了平行分析，最终作者根据成熟的标记物分配了9个主要细胞系。对肿瘤细胞和正常上皮细胞比较显示，上调的差异表达基因（DEGs）参与了典型的肿瘤特征，有许多下调的DEGs被富集在脂质代谢过程，证实了肿瘤细胞中脂质代谢异常是广泛的。
■ ■ ■ ■ ■
脂质代谢途径在早期肺癌中广泛地失调
2. 早期肺癌筛查模型构建
为表征早期癌症中异常脂质代谢，对171例早期癌症患者及140名健康成人血浆样本进行了非靶向脂质组学分析。作者采用SVM算法根据检测到的所有脂质对患者和HCs进行分类。结果表明，利用SVM来分析脂质组学数据可能是检测肺癌的一种潜在有用的方法，并命名为肺癌人工智能检测器（LCAID v1.0）。利用机器学习算筛选出9种代谢物作为模型，并进行了训练和评估，探索性队列检测数据集的分类准确率为98.90%，平均AUC为0.9994。
■ ■ ■ ■ ■
LCAID v1.0模型
为提高血浆目标脂质定量稳定性和检测准确性，作者利用MRM开发了一种基于LC-MS的候选脂质靶向分析方法，该方法可以19分钟内量化这9种脂质标记物，并命名为LCAID v2.0。为了进一步测试LCAID v2.0的分类性能，作者对1003名参与者的血浆进行了LCAID v2.0测试。结果表明LCAID v2.0在训练队列中分类准确率达到96.98%、特异性为97.08%、敏感性为96.92%。在独立验证队列中，没有一例非癌症患者被LCAID v2.0进行了错误分类。训练队列的AUC达到0.9956，独立验证队列的AUC达到0.9982，这些结果说明了LCAID v2.0的准确性。
表 LCAID v1.0和LCAID v2.0的分类性能
3. LCAID V2.0特征脂质在LUAD组织中的原位表达
采用MALDI-MSI分析，检测了12例患者肺癌组织及邻近肺组织中特征脂质，最终原位检测到8个特征脂质。与相邻肺组织相比，肺肿瘤中有5个PC（PC16：0_18：1、PC18：18_18：1、PC18：0_18：2、PC16：0_22：6、PC16：18_18：2）高表达，3个LPC（LPC16：0、LPC18：0和LPC20：4）表达降低。MALDI-MSI结果证实了LCAID v2.0的8种特征脂质在LUAD组织中发生了改变。
■ ■ ■ ■ ■
早期肺癌组织原位检测中LCAID v2.0特征脂质的MALDI-MSI分析
scRNA-seq分析结果显示，肺癌细胞中不饱和脂肪酸生物合成下调。因此，作者通过MALDI-MSI原位检测到肺癌组织中5个PC含量上调，3个LPC下调，这与在血浆中观察到的变化一致，最终建立了早期肺癌筛选模型LCAID v2.0。从本文中看出MALDI-MSI可进一步对代谢组结果进行解释，原位展示代谢物在组织区域性代谢变化，对肿瘤研究具有重要意义，有效解释肿瘤异质性等问题。但本文并未将空间代谢组意义充分发挥，另外也可根据物质空间分布解释疾病发展机理，如在乳腺癌研究文章中，通过空间代谢组表明肉碱在乳腺癌中发生了显著的改变，且肉碱的改变可能会影响脂肪酸代谢（Chenglong Sun et al,2020）。
■ ■ ■ ■ ■
乳腺癌研究中的空间代谢组
高通量代谢组
代谢组学可根据检测目标选择对应的检测方案，如TM广靶代谢组主要针对亲水性小分子代谢物（氨基酸、核苷酸等），脂质组主要针对脂质进行检测。得到代谢组数据后，可根据PCA、OPLS-DA、聚类分析查看所有样本整体代谢趋势，并通过FC、P值、VIP等筛选差异代谢物，最终可通过KEGG富集分析、相关性分析、ROC分析等进一步筛选候选代谢物，对研究目的进行解释。针对标志物筛选也可通过机器学习算法建立模型，并通过ROC曲线、生存曲线等鉴定模型准确性，最终确定目标代谢物。
儿童新冠肺炎研究中代谢物筛选（Chong Wang et al,2021）
■ ■ ■ ■ ■
机器学习分析新冠儿童代谢特征（Chong Wang et al,2021）
■ ■ ■ ■ ■
代谢组学及其它组学共同阐述儿童新冠机制（Chong Wang et al,2021）
空间代谢组学
空间代谢组学可开展生物组织中代谢物成像与原位分析，有利于掌握机体生理或病理相关的代谢物变化规律和时空分布特征，能深层次地理解其在生命活动及病变过程中的作用和机制。空间代谢组学首先可得到物质的分布信息，然后根据物质分布信息对组织区域代谢特征进行划分，并寻找不同区域特征代谢物，以解释生命活动机理。接下来我们看下空间代谢组的核心结果。
1. 代谢物空间分布图
代谢物空间分布图为空间代谢组的基础分析内容，文章中出现概率为100%。主要展示代谢物在组织不同部位分布情况，可直接与H&E染色结果比对，以此了解代谢物积累部位，对疾病机理研究具有一定意义。
■ ■ ■ ■ ■
MALDI-MSI解析神经递质网络研究中5-HT在脑组织中的分布（Mohammadreza Shariatgorji et al,2019）
2. 空间分割分析
空间分割分析为聚类分析的一种，根据所有代谢物信息对区域进行聚类并分割，从而了解在生命活动过程中区域代谢特征及差异。如在乳腺癌研究中，通过空间分割分析表明，乳腺癌组织与健康组织代谢存在显著差异，且从乳腺癌核心区域到边缘区域也存在区域性代谢性变化，可根据空间代谢组结果将乳腺癌组织划分为5个区域（Chenglong Sun et al，2020）。
■ ■ ■ ■ ■
MALDI-MSI在乳腺癌研究中的应用（Chenglong Sun et al，2020）
3. 区域特征代谢物筛选
区域特征代谢筛选使用的方法为t-statistics and representative single ion images分析，可以准确地告知每段m/z与全局平均谱之间的关系。可根据此分析筛选区域内贡献度较高代谢物，并进行空间分布展示。筛选的代谢物可作为区域biomarker，并应用疾病或者癌症的诊断。
■ ■ ■ ■ ■
区域特征代谢物筛选示例
4. 代谢物共定位分析
往往一个代谢物无法充分解析生物学问题，那如何找到代谢物之间的联系呢？即可使用代谢物共定位分析。代谢物共定位分析（Colocalization）是一种发现与目标代谢物在空间上表达分布趋势一致的代谢物的分析方法。通过代谢物共定位分析挖掘代谢物之间的联系，以便解释致病机理，或寻找标志物panel。
■ ■ ■ ■ ■
代谢物共定位分析展示
★
空间代谢组产品服务
1. 行业首个MALDI数据库：物质定性更准确
2. 业界最全数据库：鉴定物质更多
迈维代谢除拥有空间质谱成像数据库外，还拥有业界最全医学、植物本地高分辨数据库。医学（动物）本地数据库升级后，达到10000 种代谢物。
3. 单个项目检出高达1800 物质，项目平均检出达1300
★
高通量代谢组产品服务
联系客服
