PDF, English - main document Restricted access: Repository staff only until 12 February 2027. Login+Download (62MB) | Lizenz: Addressing computational challenges in spatial and single-cell metabolomics: From metabolite annotation to spatial multi-omics integration by Wadie, Bishoy underlies the terms of Creative Commons Attribution-NonCommercial-NoDerivatives 3.0 Germany

Abstract

Metabolomics is often regarded as the omics layer closest to phenotype, as it directly captures the molecules that reflect and regulate biochemical processes within cells and tissues. Within the spatial omics field, metabolomics is uniquely positioned to reveal how these biochemical states vary across tissues, offering insights into cellular identity. To fully exploit this potential, metabolites in metabolomics data must be reliably annotated and systematically interpreted. Reliable annotation is critical because it defines the set of metabolites that form the basis for any downstream analysis, and without such a foundation, meaningful biological insights remain unreachable. Functional interpretation is equally essential, as the value of spatial metabolomics lies not only in detecting molecules, but in connecting them to pathways, cellular functions, and tissue-level organization. Yet, this step is complicated by the intrinsic isomeric and isobaric ambiguity of imaging mass spectrometry, which makes it difficult to assign metabolites unambiguously and can lead to misleading enrichment results if ignored. Addressing both annotation and ambiguity-aware interpretation therefore creates the necessary infrastructure for placing metabolomics into a broader multi-omics context. Integrating metabolomics with transcriptomics and other molecular layers enables a better understanding of a more complete view of tissue biology, linking metabolic states to gene expression programs and cellular interactions in situ.

Here, I present three projects that I worked on during my PhD that address the above challenges. First, I introduce METASPACE-ML, a machine learning framework for context-specific metabolite annotation that outperforms rule-based scoring and is now widely used through the METASPACE platform. Second, I introduce a bootstrapping-based enrichment strategy that propagates annotation ambiguity into downstream results, implemented as both a METASPACE web app and the S2IsoMEr R package. Finally, I introduce SM-Scope, a spatial multi-omics integration framework that positions metabolomics as a central modality by jointly embedding it with transcriptomics to reveal tissue organization, metabolite–gene associations, and multi-cellular programs.

Together, these contributions form a coherent methodological progression that begins with reliable annotation, continues with ambiguity-aware interpretation, and culminates in integrative analysis. They strengthen the role of metabolomics in the spatial and single-cell omics landscape and provide a foundation for future metabolic atlases of health and disease.

Translation of abstract (German)

Metabolomik gilt oft als die Omics-Ebene, die dem Phänotyp am nächsten steht, da sie direkt die Moleküle erfasst, die biochemische Prozesse in Zellen und Geweben widerspiegeln und regulieren. Im Bereich der Spatial-Omics ist die Metabolomik einzigartig positioniert, um aufzuzeigen, wie diese biochemischen Zustände über Gewebe hinweg variieren, und liefert damit Einblicke in die zelluläre Identität. Um dieses Potenzial voll auszuschöpfen, müssen Metaboliten in Metabolomik-Daten zuverlässig annotiert und systematisch interpretiert werden. Zuverlässige Annotation ist entscheidend, weil sie die Menge der Metaboliten definiert, die die Grundlage für jede nachgelagerte Analyse bilden, und ohne eine solche Basis bleiben aussagekräftige biologische Erkenntnisse unerreichbar. Ebenso wesentlich ist die funktionelle Interpretation, denn der Wert der räumlichen Metabolomik liegt nicht nur im Nachweis von Molekülen, sondern auch darin, sie mit Pathways, zellulären Funktionen und der Organisation auf Gewebeebene zu verknüpfen. Dieser Schritt wird jedoch durch die intrinsische isomere und isobare Mehrdeutigkeit der Imaging-Massenspektrometrie erschwert, die eine eindeutige Zuordnung von Metaboliten schwierig macht und, wenn sie ignoriert wird, zu irreführenden Anreicherungsergebnissen führen kann. Die Bearbeitung sowohl der Annotation als auch der ambiguitätsbewussten Interpretation schafft daher die notwendige Infrastruktur, um die Metabolomik in einen breiteren Multi-Omics-Kontext einzuordnen. Die Integration der Metabolomik mit der Transkriptomik und anderen molekularen Ebenen ermöglicht ein besseres Verständnis einer umfassenderen Sicht auf die Gewebebiologie, indem metabolische Zustände mit Genexpressionsprogrammen und zellulären Interaktionen in situ verknüpft werden. Hier präsentiere ich drei Projekte, an denen ich während meiner Promotion gearbeitet habe und die die oben genannten Herausforderungen adressieren. Erstens stelle ich METASPACE-ML vor, ein Machine-Learning-Framework für kontextspezifische Metaboliten-Annotation, das regelbasiertes Scoring übertrifft und nun über die METASPACE-Plattform breit genutzt wird. Zweitens stelle ich eine bootstrapping-basierte Anreicherungsstrategie vor, die Annotationsambiguität in nachgelagerte Ergebnisse fortpflanzt, implementiert sowohl als METASPACEWebanwendung als auch als R-Paket S2IsoMEr. Schließlich stelle ich SM-Scope vor, ein räumliches Multi-Omics-Integrationsframework, das die Metabolomik als zentrale Modalität positioniert, indem es sie gemeinsam mit der Transkriptomik einbettet, um Gewebeorganisation, Metabolit-Gen-Assoziationen und multizelluläre Programme aufzuzeigen. Zusammen ergeben diese Beiträge eine kohärente methodische Abfolge, die mit zuverlässiger Annotation beginnt, sich mit ambiguitätsbewusster Interpretation fortsetzt und in integrativer Analyse kulminiert. Sie stärken die Rolle der Metabolomik in der Landschaft der Spatial- und Single-Cell-Omics und schaffen eine Grundlage für zukünftige metabolische Atlanten von Gesundheit und Krankheit.