两张组织地图叠在一起，缺失的部分会不会变成事实

同一块组织，为什么要画两张地图

研究者面前是一张组织切片。空间转录组告诉他，哪些位置正在表达哪些基因；质谱成像给出另一层信息：不同质荷比信号在组织中怎样分布。前一张图更像细胞在说什么，后一张图更接近组织此刻正在积累和消耗什么。

基因表达和代谢活动并不在同一个时间尺度上。转录本是潜在活动的记录，代谢物更接近反应发生后的状态。只看其中一层，研究者可能知道某条通路的基因被打开，却不知道相关化学物质是否真的出现；也可能看到一团代谢信号，却不知道哪些细胞和调控过程与它相连。

空间多组学的诱惑，是把两张地图叠起来。若一个肿瘤边缘同时出现特定转录程序与代谢改变，线索会比单层更具体。问题是，两张图从来没有天然对齐：分辨率不同、坐标不同、测量对象不同，甚至来自相邻而非同一张切片。

7 月 31 日发表于《自然·方法》的 SpaMTP，试图把这种对齐、注释、聚类、通路分析和可视化纳入一个端到端开源框架。它建立在单细胞研究者熟悉的 Seurat 数据结构上，支持空间代谢组单独分析，也支持与空间转录组联合分析。作者在人体肺、小鼠膀胱、小鼠脑和人类 IDH 突变胶质瘤数据上演示工具。

软件让叠图更容易。它真正考验科学判断的地方，却是避免把对齐后的空白误认成完整事实。

质谱首先测到的是峰，不是名字

空间代谢组常以质谱成像得到质荷比，也就是 m/z。仪器记录某个位置出现了什么质量—电荷组合及其信号强度。一个峰可以成为代谢物线索，却不天然附带唯一姓名。

不同分子可能拥有相同或极接近的质量。脂质结构尤其复杂，一个 m/z 值可能对应大量异构体、加合物或候选代谢物。论文指出，单个峰可能匹配数百种候选。数据库又不完整，命名和同义词不一致，某些生物样本里的分子根本没有被收录。

SpaMTP 汇集 HMDB、ChEBI、GNPS 和 LIPIDMAPS 等公共数据库，以质量匹配生成推定注释，并提供多种筛选和优先排序方法。论文在一个人体肺数据集上报告，在设定的质量误差窗口内得到大量候选注释，与 METASPACE 重叠的部分约九成匹配；在加入已知标准物的基准数据里也表现更好。

“大量候选”有两种相反含义。它扩大搜索范围，也扩大歧义空间。若一个方法把原先没有名字的峰都赋予名字，数字会非常漂亮，但名字越多不等于身份越确定。SpaMTP 遵循代谢组学标准中的推定级别，作者也明确承认代谢物结构本身的不确定性和参考数据库不完整仍是限制。

正交验证可以提高置信度，例如使用额外化学信息与保留时间；可论文的方法演示不能替每个下游项目完成确认。文章因此不把任何具体分子写成已证实病因，也不把软件输出当作可用于治疗的靶点。分析框架负责排列候选，化学身份仍需要独立证据。

对齐不是把透明片拉到重合

若空间代谢与转录数据来自同一张组织，坐标配准相对直接；若来自相邻切片，形变、切割和组织损失会让边界错开。一个代谢像素可能覆盖多个转录组采样点，一个转录点也可能跨越不同细胞和组织区域。

SpaMTP 提供交互式空间对齐和映射工具，把两种模态放进共同坐标。它根据像素和空间点的重叠关系汇总信号，再用共同的数据对象继续聚类与通路分析。这个流程降低了技术门槛，也把人的选择写入结果：边界怎样画、重叠如何汇总、模态权重怎么设，都会改变联合表示。

配准误差最危险之处，是图看起来仍然平滑。两张图略微错位不会总产生明显裂缝，反而可能创造一种虚假的邻近：某代谢峰被分配给旁边细胞，某条基因—代谢关联只因为映射规则出现。分辨率差异越大，平均过程越可能把少数细胞的局部信号稀释成区域平均。

因此，叠图之后必须保留原图。读者应能回到各自模态，看到信号来自哪个像素、哪个空间点、哪张切片，以及对齐误差有多大。联合聚类不是新的原始测量，而是基于两层测量和一套映射规则生成的分析对象。

这也是为什么“同一组织切片优先”是方法条件，而不是一句技术偏好。相邻切片可能在肉眼下相似，微小病灶、血管和细胞群却不会逐点复制。空间组学的价值来自位置，位置误差也会成为它最核心的误差。

找到更多通路，还是产生更多显著性

论文在小鼠帕金森病模型的成对脑数据上比较不同分析。空间代谢组单独识别 50 条差异通路，转录组单独识别 332 条，联合分析得到 892 条，其中 539 条只在多模态分析中出现。与其他工具比较时，SpaMTP 也报告检出更多显著通路。

这些数字证明联合输入可以扩大统计搜索和关联网络，却不能由“更多”直接推导“更准确”。通路数据库包含大量重叠基因和代谢物，注释歧义会把一个峰连接到多个路径；联合模态增加特征，也增加检验机会。不同工具采用不同数据库、背景集合和统计方法，通路数量本就不适合作为唯一胜负指标。

一条通路被检出，通常意味着输入特征在一个预定义集合里富集。它不是细胞正在按数据库流程图逐步运行的录像，更不是某种疾病机制已被证明。若同一个代谢峰有多个候选身份，每个身份又连接不同通路，歧义会沿网络向外传播。

论文用已知生物学作一致性检查：例如多模态分析在帕金森小鼠脑中检出与多巴胺相关的通路，在 IDH 突变胶质瘤样本中识别富马酸代谢等已知重编程特征。这些结果说明框架能恢复合理信号，也可能揭示单模态遗漏的关系。但恢复已知结果与发现全新机制是两种证据等级。

真正有说服力的新增通路，应在独立样本中复现，能经受注释和对齐参数变化，并由与原分析不同的测量支持。若只在一种数据库、一个权重和一个切片里显著，它更适合作为候选，而不是标题里的发现。

开源把黑箱打开，却没有取消门槛

SpaMTP 的代码、文档、教程和论文用到的公共数据入口可访问，作者声明没有竞争性利益。它选择兼容 Seurat，也让已有单细胞和空间团队更容易接入，而不必建立全新软件生态。

这种工程选择有真实公共价值。方法论文最容易留下“图做出来了、流程却无法重建”的断点。公开代码和示例对象让其他团队能够检查数据结构、重复分析并报告失败案例。兼容已有生态还能让分析结果与其他工具交换。

但开源不等于低成本。空间多组学数据体量大，GraphPCA 等步骤需要更多计算资源；论文的性能测试扩展到数千代谢物和十五万个空间单元，作者也讨论了减轻内存压力的方法。真正的门槛还包括样本制备、质谱成像、空间转录测量和跨学科人员，而不只是安装一个软件包。

工具也尚未完成队列层面的验证。论文把队列级分析、连续切片三维模型和更多模态列为未来方向。少数示例组织能够展示功能，不能说明不同医院、仪器、样本处理和疾病阶段中的稳定性。

开源最重要的作用，不是为结果盖上可信印章，而是让不确定性可以被共同检查。软件文档应像结果图一样成为论文核心：版本、数据库发布日期、参数、坐标变换和每个推定注释都需要留下追踪记录。

多组学最需要的不是更多图层，而是误差账本

单组学容易产生一种错觉：多一层数据，就离真相近一步。实际情况更像把多张有缺口的地图叠在一起。重合区域可能提高置信度，不重合区域可能揭示新问题，也可能只是两种测量的误差没有对齐。

一份可靠的多组学报告，至少要同时展示四本账。第一本是身份账：哪些代谢物获得直接确认，哪些只是质量匹配候选。第二本是空间账：数据来自同一还是相邻切片，配准误差如何估计。第三本是统计账：测试了多少特征和通路，显著性如何校正。第四本是来源账：数据库、代码、参数和人工选择使用什么版本。

这四本账并不会让图变得更漂亮，却能防止下游使用者把推定当测量、把相关当因果、把联合表示当组织本身。对临床转化而言，它们比“检出通路最多”更重要，因为错误身份一旦进入生物标志物或药物靶点研发，后续成本会急剧放大。

第五本账是阴性结果：哪些峰始终无法命名，哪些区域配准不稳，哪些通路对权重变化敏感。软件论文往往展示成功对齐的图，真正帮助后来者的却是失败边界。若这些信息随交互式界面一起保存，使用者才能判断结果是稳健发现，还是一个参数组合下的漂亮叠图。

SpaMTP 提供的是一张更好用的分析桌，让代谢与转录地图能够在同一坐标讨论。它没有消灭化学身份和空间误差，也没有承诺临床诊断。真正成熟的空间多组学，不是把所有图层压成一个答案，而是让每条跨层结论都能返回它来自哪一块像素、哪一个峰、哪一种数据库选择。

两张地图叠在一起时，最有价值的不只是重合处。那些无法重合、无法命名和对参数敏感的区域，同样是科学结果。保留这些空白，才不会让软件替我们把不知道的部分填成事实。

来源与边界

• 主要依据为《自然·方法》SpaMTP 开放论文及其 GitHub 代码与文档入口。
• 论文报告的代谢物注释包含推定身份；质量匹配、通路富集和空间共定位都不等于化学确认或因果机制。
• 小鼠和单个肿瘤样本中的方法演示不能外推为人群、队列或临床诊断表现。
• 本文不提供实验、制样、培养、参数配方或可执行生物操作；封面为概念示意。