Visium技术背景与数据特点归纳总结

说实话，刚开始接触Visium这个平台时，我也是一头雾水。那时候市面上主流的单细胞测序已经挺成熟了，突然冒出个“空间转录组”，第一反应就是：这不就是在组织切片上做了个原位杂交的升级版吗？后来真正上手了几个项目，才意识到背后那套技术逻辑完全不一样。

我习惯把Visium理解为“带坐标的单细胞测量”，但这么说其实也不严谨。咱们先把这个背景捋清楚，因为你后面所有聚类参数调优，都是基于这个技术底子来设计的。

1.1 Visium的实验流程与核心设计

Visium的湿实验步骤，大致是这样走的：

1. 取新鲜冰冻组织，做冷冻切片，厚度一般是10μm。
2. 把切片贴在Visium捕获玻片上，进行H&E染色，拍一张高清明场图。
3. 组织透化处理，让mRNA释放出来，扩散到玻片上的捕获点。
4. 每个捕获点上有带空间条形码（Spatial Barcode）的poly-T探针，抓取mRNA。
5. 建库、测序，拿到基因表达矩阵和空间坐标的对应关系。

嗯，这里要注意：捕获点不是连续的，也不是单细胞级别的分辨率。我一开始就犯过这个错误——以为Visium能直接画出单细胞的基因表达图谱，结果发现一个捕获点下覆盖了1到10个细胞。说白了，它是多细胞混合的斑块测量。

这个空间分辨率，决定了后续我们做聚类的时候，不能简单照搬单细胞RNA-seq那套流程。我在项目中踩过最大的坑，就是把单细胞的聚类参数直接扔到Visium数据上跑，结果稀碎。

1.2 Visium数据长什么样

数据拿到手里，核心就三个东西：

1. 基因表达矩阵：行是基因，列是捕获点（spot），值是UMI计数。
2. 空间坐标表：每个捕获点的像素坐标（在H&E图上的位置）。
3. H&E全切片图像：高分辨率染色图，做组织形态学参考。

咱们直接看个实际的矩阵片段：

                  spot_1  spot_2  spot_3  spot_4  spot_5
GAPDH              152      89      210      45      176
ACTB                98     134      167      23      201
MALAT1            1203     987     1456     567     1345
TP53                 0       2        1       0        0
EGFR                 1       0        3       0        2

你看到了吧？稀疏性非常明显。很多点在很多基因上计数为0。为什么？因为一个点只覆盖几个细胞，而且组织不同区域的细胞类型差异巨大。我记得有一次处理小鼠脑组织数据，皮质区域的点富集了神经元的标记基因，而白质区域几乎全是少突胶质细胞的信号。这种空间异质性，就是Visium聚类的核心信号来源。

1.3 Visium数据与单细胞数据的三个本质差异

我列个表，你可以对比着看，这对我后面调参思路影响很大。

我简单说下这个表格背后的意思。

单细胞数据，每个细胞是独立的样本。Visium数据，相邻的点基因表达是相关的——因为同一个组织区域，细胞类型组成相似。这种空间自相关性，既是聚类算法的辅助信号（相邻点应该归为一类），也会带来统计上的麻烦（样本不独立，传统假设检验会低估P值）。

1.4 Visium数据的质量控制指标

拿到原始数据，我习惯先跑一遍QC。几个关键指标：

• 测序饱和度：一般要求>80%，低于这个值的文库复杂度不够。
• UMI中位数/点：好的数据集在2000~8000之间。低于1000的点，一般是组织边缘或坏死区域，建议过滤掉。
• 基因检测数/点：正常的在500~2500。太少可能透化不充分，太多可能RNA降解。
• 线粒体基因比例：超过20%的点，说明细胞膜破损，RNA泄漏了，要剔除。

举个例子，我在处理一批小鼠心脏数据时，发现一个奇怪的现象：心肌区域UMI中位数只有800，而心外膜区域却有5000。后来查实验记录，才发现那片心肌切片透化时间偏短，mRNA释放不充分。如果你不做QC，直接跑聚类，心肌和心外膜的差异会被严重扭曲。

1.5 空间信息的数学表达方式

你可能会问：Visium的空间信息，在算法层面怎么用？

每个捕获点有二维坐标，单位是像素。通常我们把它归一化到[0,1]区间。两个点的欧氏距离，直接反映了它们在组织上的物理远近。

最关键的一点是：空间邻接矩阵。每个点与其周围6个距离为100μm的点构成一个六边形网格。我一般用这个邻接关系来计算空间权重，或者作为图神经网络中的边结构。

# adata是Anndata对象，包含spatial坐标
from scipy.spatial import KDTree
coords = adata.obsm['spatial']
tree = KDTree(coords)
# 寻找距离小于120μm的邻居（留一点容忍度）
adj_matrix = tree.sparse_distance_matrix(tree, max_distance=120)

这个邻接矩阵，在后面做空间约束聚类、Smooth聚类结果、甚至空间变异基因检测时，都会反复用到。这也是Visium数据和单细胞数据最根本的区别——你不能忽略“位置”。

1.6 对聚类参数调优的直接影响

写到这里，你可能已经猜到我后面要讲什么了。Visium的数据特点，对聚类参数提出了几个特殊要求：

1. 稀疏性高 → PCA降维时，主成分数不能太少，否则信号会被噪音淹没。我一般选30~50个PC。
2. 空间自相关 → 聚类算法不能只看表达谱相似性，还要考虑空间连续性。Leiden聚类时，可能需要调整分辨率来平衡空间紧致性和表达异质性。
3. 点数量少 → 聚类参数对初值敏感。同一个数据集，换个随机种子可能跑出完全不同的结果。后面我们会讲怎么用稳定性投票来缓解这个问题。
4. 细胞混合 → 一个点可能包含多种细胞类型，聚类时不能期望每个点只属于一个纯粹的细胞类型。软聚类或部分分配更符合生物学实际。

我把这些核心逻辑画了张图，方便你整体把握。

这张图其实概括了本章的核心逻辑。Visium数据不是单细胞数据的简单空间版，它有自己独特的稀疏性结构、点依赖关系和分辨率限制。后面所有聚类参数调优，本质上都是在回答一个问题：在兼顾空间连续性和表达异质性的前提下，怎么找到最可靠的细胞类型区划分？