1. 空间转录组学概述
空间转录组学，说白了就是给基因表达加上位置信息。传统单细胞测序把组织打碎了测，你只知道细胞里有啥基因，但不知道这些细胞在组织里待在哪。空间转录组就是把这个缺失的拼图补上。
我从2018年开始接触这个方向，当时第一反应就是：这玩意儿简直是为肿瘤微环境研究量身定做的。早期我做原位杂交实验，一张切片只能看三五个基因，累得脖子疼。现在空间转录组一次性测全转录组，还能保留空间位置，效率根本不是一个量级。
1.1 发展历程
空间转录组学不是凭空蹦出来的。它的发展可以分成三个阶段：
- 萌芽期（2010年前）：激光显微切割（LCM）+ 微阵列，精度低、通量低。
- 技术爆发期（2016–2020）：Visium、Slide-seq、MERFISH相继登场，分辨率从毫米级推到亚细胞级。
- 整合应用期（2021至今）：多模态整合、空间多组学、AI驱动分析成为主流。
我印象最深的是2019年，10x Genomics发布Visium平台后，整个领域突然就炸了。以前做空间转录组需要实验室自己搭建流程，门槛高得离谱。Visium直接把整个实验流程商业化，从切片、建库到测序，一站式搞定。嗯，这就是技术普及的关键——降低门槛。
1.2 主流技术对比
市面上的空间转录组技术不少，但真正用得多的就这么几家。我把它们的关键参数列出来，你选型时可以参考：
| 技术 | 分辨率 | 通量（基因数） | 捕获方式 | 建库复杂度 | 代表性厂商 |
|---|---|---|---|---|---|
| Visium | 55 µm（点直径） | ~18,000 | 空间条形码 + 探针捕获 | 中等 | 10x Genomics |
| Slide-seq | ~10 µm | ~10,000 | 随机条形码磁珠 | 较高 | Research Suite |
| MERFISH | ~0.2 µm（亚细胞） | ~10,000 | 多重荧光原位杂交 | 较高（需定制探针） | Vizgen |
| HD-STING | ~20 µm | ~15,000 | 空间捕获 + 索引 | 中等 | Research Suite |
我个人习惯是：如果预算充足、样本偏组织形态学，首选Visium；如果追求单细胞分辨率、不介意技术调试，Slide-seq或MERFISH更合适。你想想看，Visium的55 µm点对应大约1–10个细胞，不是单细胞分辨率。但它的优势在于数据量大、分析生态成熟，社区现成的工具多。
1.3 Visium技术原理详解
Visium的核心思路其实不复杂。一张芯片上有成千上万个捕获位点，每个位点都有一个唯一空间条形码。组织切片贴上去，RNA从组织原位释放，与位点上的探针结合，反转录生成带空间条形码的cDNA。之后就是标准的文库建库和高通量测序。
关键地方在于那个空间条形码。每个捕获位点长这样：
5' - 捕获探针序列 - 空间条形码 - 通用引物 - 3'空间条形码由两部分组成：芯片级索引 + 位点级坐标索引。测序后，只要解析出这两段序列，就能把每个RNA分子映射回它原来的空间位置。
嗯，这里要注意一个坑。我刚做Visium项目时，以为空间条形码的序列是公开的。其实10x Genomics把这部分代码保护起来了，你需要用他们的官方软件Space Ranger来解码。所以想自己写全套解析流程？可以，但得先拿到官方的条形码白名单文件。
整个Visium实验流程大致分这几步：
- 组织切片与贴片：冷冻切片或FFPE切片，厚度10–20 µm，贴到芯片捕获区。
- 组织透化：用蛋白酶处理，让组织中的RNA释放出来，与捕获探针结合。
- 反转录与cDNA合成：在芯片上原位进行反转录，生成带空间条形码和UMI的cDNA。
- 文库构建与测序：从芯片上收集cDNA，进行PCR扩增，然后测序。
- 数据分析：使用Space Ranger进行比对、去重、生成基因表达矩阵，再用聚类算法识别空间区域。
我个人最喜欢Visium的一点是它的组织图像与基因表达数据的天然对齐。HE染色或免疫荧光染色后，组织图像就被扫描下来，与基因表达矩阵的空间坐标一一对应。做可视化的时候，直接把聚类结果叠在组织图上，直观到不行。
1.4 应用场景
空间转录组的应用场景这几年铺得很开。我挑几个自己做过的或者熟知的来聊聊：
- 肿瘤微环境研究：这是我个人做得最多的方向。传统bulk测序把肿瘤和基质混在一起，根本分不清。空间转录组能在组织切片上直接圈定肿瘤区域、免疫浸润区域、基质区域，然后看它们之间有没有空间相关的受体-配体互作。
- 发育生物学：比如小鼠胚胎不同器官的发育轨迹，空间转录组可以给出全局的组织发生图谱。没有这个技术，以前只能靠原位杂交一张张切片堆叠重建。
- 神经科学：大脑分区极其精细，用空间转录组可以把脑区划分成分子定义的亚区，精度远超传统组织学。
- 疾病病理分型：FFPE样本的Visium分析可以直接从病理切片出发，把分子分型和组织学特征关联起来。
一点小经验：如果你刚入门空间转录组，我建议先用公开数据集练手。10x Genomics官网提供了多个Visium示例数据，包括人类乳腺癌、小鼠脑等。下载后直接跑Space Ranger，看看标准输出长啥样，再慢慢研究后面的聚类分析。直接在真实项目上试成本太高，一张芯片几千块呢。
注意避坑：我曾经因为组织透化时间没控制好，导致RNA捕获效率极低，整张芯片的数据几乎废掉。透化时间取决于组织类型和厚度，官方会给参考值，但最好自己做梯度实验。冰上操作、避免RNase污染这些老生常谈的话我就不重复了，但真的不能马虎。
1.5 本课程的定位
我们这门课全称是《Python实现Visium空间聚类全流程》。听起来挺宏大，但其实目标很具体——让你能用Python从Visium原始数据出发，做空间聚类分析。
不依赖Space Ranger？不是。Space Ranger仍然是数据预处理阶段最靠谱的工具。但我们会在它的输出基础上，用Python（主要是ScanPy和squidpy）完成后续的降维、聚类、空间域识别、差异分析等核心步骤。你会发现，用Python做空间聚类比GUI工具灵活很多，可定制性也强得多。
你想想看，当你能写出一套自动化的空间聚类流程，复现不同组织切片上的空间域结果，那感觉确实很爽。我在多次项目里都是用这套Python pipeline，迭代速度快，调参也方便。
好了，空间转录组的背景就聊到这儿。掌握这些基础，后面几章我们就能直接上手数据了。