寫Paper時我們經常說字不如表，表不如圖，但百趣代謝組學的小趣覺得我們做組學分析經常用到一些圖（如熱圖、網絡圖等）有的時候也不一定能展示出我們想要目的。

舉個例子：如果我們想看檢測到的代謝物種類及其含量在樣本中的空間分布是怎樣的。那這個要如何作圖呢？小趣最近就看到了一篇能解開這個謎底且非常interesting的文章（IF=17.872），文章題名：Three-Dimensional Microbiome and Metabolome Cartography of a Diseased Human Lung。
 

鑒于人體器官的大小和異質性以及相關代謝組和微生物組的復雜性，導致科學家現在對整個人體器官的化學和微生物組成空間變化的理解仍然有限，所以該文章的作者們就開發了一個跨越性的研究流程，通過研究囊性纖維化（CF）患者肺代謝組與微生物組，將代謝組學和微生物組數據的制圖技術應用到基于放射影像的三維（3D）器官重建中。

1研究方法

受試者：
1名41歲男性（囊性纖維化患者）

組織收集前注射抗生素美羅培南2天，注射哌拉西林5天，注射環丙沙星2天；阿奇霉素在組織采集前一個月停止給藥。

檢測平臺：
16s：illumina MiSeq

代謝組學：UPLC（UltiMate 3000）+ Q-TOF（Maxis） 

分析平臺：
16s：QIIME v1.9, UCLUST算法

3D肺模型：InVesalius 3.0 , Geomagic Wrap, 'ili-β

Molecular Network：GNPS平臺, Cytoscape

Heatmap, pie charts：R包

2研究流程

首先從公開的軟件InVesalius 3.0中導出CT-掃描圖像，然后組合起來創建一個3D肺模型。用3D建模軟件Geomagic Wrap除去胸部和背部對應的像素，并一步步清潔模型以顯示出完整清晰的人肺部模型。

從肺尖開始每一個組織切片都進一步被細分為1-2cm3的小切片，最終將左肺分成86個切片。通過Google Chrome擴展程序 'ili-β，創建了將組學數據中的豐度映射到這些模型的方法；因為該工具是按照醫院肺切片的方向進行的，也即虛擬切片，利用這些虛擬切片和Geomagic Wrap的點坐標特征，獲得從切片中切出的每個組織切片的物理x、y和z坐標，這樣就可以將測得的對應組織切片的代謝物/微生物豐度映射到模型中對應的部分中，進而在3D模型上展示代謝物/微生物的空間分布。
 

Figure 1. 3D Cartography Workflow for Mapping the Chemistry and Microbiome onto a Radiological Image

(A) The description of the workflow used to create 3D metabolome and microbiome organ maps from the observation matrix.

(B) The description of the workflow used for generating the metabolome and microbiome. (See also Figure S1.)

3代謝組
因本研究采用的是終末期CF肺，16s rRNA基因測序和分析發現，該時期假單胞菌占主導地位，且分布在肺部各處（95.8 - 99.9%），而喹諾酮類和鼠李糖脂是假單胞菌產生的毒性因子， 因此通過分離肺部假單胞菌進行培養，再用代謝組學檢測體外培養的假單胞菌產生的喹諾酮類和鼠李糖脂，同時也對肺組織中的喹諾酮類和鼠李糖脂進行了檢測。

結果顯示，在培養的分離物中檢測到的喹諾酮類和鼠李糖脂類的多樣性較大（分子網絡中的藍綠色節點），而在肺組織中直接檢測到的喹諾酮類的多樣性較小（橙色節點）。

這些發現強調了小分子在純培養中的潛在作用與患病器官中生物相關活性之間的脫節，說明這些分子很可能不是在宿主組織中產生、降解、清除或修飾。 
 

Figure 2. The Molecular Network Corresponding to Quinolones Produced by Pseudomonas 
 

Figure 3. The Molecular Network Corresponding to Rhamnolipids Produced by Pseudomonas

（橙色節點代表在肺組織和培養的微生物分離物中都檢測到的喹諾酮類化合物；藍綠色的節點是僅在培養的微生物分離物中檢測到的喹諾酮類化合物。3D圖中在左肺上進行了定位，紅色的豐度最高，藍色的豐度最低，節點內的數字表示m/z。）

百趣代謝組學解讀，為了可視化外源性物質，微生物分子和宿主分子的分布，作者通過質譜檢測獲得的分子豐度的相對定量生成了肺部3D代謝組學圖。屬于不同結構類別和來源（宿主、微生物和外來生物）的選擇分子的分布如Figure 4所示。

結果顯示，結構相關或相似的物質，例如兩種三糖，分布特征是相同的；相反，結構不相關的分子分布是有差異的。例如，沙丁胺醇（Albuterol）（一種吸入式的支氣管擴張劑）的分布模式與靜脈內注射的抗生素則完全不同（Figure 5），這可能提示我們吸入式的藥物相對靜脈注射的藥物來說，在肺組織中并沒有那么好的滲透性。

百趣代謝組學解讀，在抗生素滲透性研究中，發現抗生素美羅培南、哌拉西林及其代謝產物去乙基哌拉西林不滲透到肺的底部，而抗生素環丙沙星和阿奇霉素（azithromycin）的代謝物阿奇霉素德糖胺（descladinose-azithromycin）則均勻進入到肺部中（Figure 5）。該方法能直接可視化抗生素在整個患病的人體器官中的滲透，進一步研究這些對肺部的影響將有助于建立預測模型來解釋抗生素失效。
 

Figure 4. Distributions of Selected Features Identified Using Molecular Networking
 

Figure 5. Distributions of Antibiotics and Their Breakdown Products throughout the Lung

4微生物組
16s測序結果發現，一些數量較少的微生物，包括無色菌(0%-2.6%)、普氏菌(0%-0.2%)、嗜血桿菌(0%-0.8%)、葡萄球菌(0%-0.02%)、寡養單胞菌(0%-0.4%)也被檢測到了（Figure 6），通過微生物分布3D圖實現了微生物共定位的可視化。
 

Figure 6. The Distributions of Various Genera

同時，比較了微生物空間分布和分子空間分布的關系，特別是毒性因子和抗生素。發現，喹諾酮類物質或鼠李糖脂類物質的存在與假單胞菌沒有很強的相關性，假單胞菌在肺中大量存在并產生這些分子（圖7A）。與喹諾酮類和鼠李糖脂類不同，不同抗生素的空間相關性不強，但美羅培南和無色桿菌的分布具有很強的相關性（圖7B）。百趣代謝組學解讀，這一結果表明，細菌可以持續存在于肺中抗生素滲透劑量低的區域，從抗生素抗性發展的角度來看，則是一個重要的臨床問題。抗生素不會穿透整個肺，這可能會使耐藥性的產生變得更容易，然后傳播到肺的其他區域。
 

Figure 7. Mapping the Relationships between Microbes and Microbial Molecules and Xenobiotics

以上則是小趣為大家分享的關于該文章的主要內容，該方法為一個完整器官的代謝組和微生物組提供了全面的視野。此外，本文開發的方法還可以擴展到任何人體器官（特別是具有腫瘤的器官），已知與其自身獨特的微生物組相關聯并且映射，和關聯各種其他類型的代謝組學數據，例如宏基因組和轉錄組。

可能有的小伙伴認為，完整人體器官的獲得那么困難，會對這種方法的使用帶來局限性，但我們可以以此類推，想想是不是在模式動物或植物中也可以用該方法做創新研究呢？那想象的空間及創新思路就留給需要的小伙伴們啦！