Visium空间聚类算法选型与质量评估 - 第1节

1.1 空间转录组学是什么

空间转录组学，说白了就是给基因表达加上一个位置坐标。传统转录组学把组织磨碎了测，所有细胞混在一起，你不知道哪个基因在哪表达。我刚开始接触这个领域时，最头疼的就是这个问题——明明病理切片上看到肿瘤和正常组织挨在一起，但差异基因分析完全看不出空间关系。

Visium 技术解决了这个痛点。它在一块玻片上排布了数千个带有空间条形码的捕获点，每个点直径 55 微米，覆盖大约 1-10 个细胞。组织切片贴上去后，mRNA 会扩散到对应的捕获点，反转录后带上位置标签。测序回来，每个基因的表达量就有了一个精确的坐标。

1.1.1 Visium 能做什么

我见过很多新手拿到数据后一头雾水。其实可以先把应用场景分成三类：

• 区域标记：识别肿瘤边缘、免疫浸润区、神经斑块等具有空间特异性的结构
• 邻域分析：研究细胞之间的通讯模式，比如免疫细胞是否集中在肿瘤周围
• 轨迹推断：从组织边缘到中心，细胞状态是否存在连续变化

举个例子，我在一个胶质瘤项目中，用 Visium 数据做空间聚类，发现一类巨噬细胞亚型只出现在肿瘤浸润前沿。常规 scRNA-seq 根本看不到这种空间分布规律。空间聚类算法，就是帮你把这些有意义的区域自动找出来。

1.2 Visium 技术原理与数据产出

理解了能做什么，再来看看数据是怎么来的。我不会把 10x Genomics 的官方文档搬过来，只讲你最需要关心的三个环节。

1.2.1 从组织切片到基因矩阵

整个流程大致分为五步：

1. 组织切片：新鲜冰冻或 FFPE 样本，切成 10 μm 薄片，贴到 Visium 玻片上
2. HE 染色：获取组织形态学图像，用于后续配准
3. 透化与捕获：组织中的 mRNA 释放出来，与玻片上带有空间条形码的探针结合
4. 文库构建 + 测序：每个捕获点独立建库，测序深度通常每个点 1-5 万 reads
5. 数据下机：得到两个核心文件——基因表达矩阵和空间坐标文件

1.2.2 关键技术参数

下面这个表格我建议你打印出来贴在桌前。选算法时这些参数直接决定你的分析策略。

参数	数值	对分析的影响
捕获点直径	55 μm	每个点可能包含多个细胞，不是单细胞分辨率
点间距（中心到中心）	100 μm	相邻点之间有重叠信息，但不足以覆盖所有细胞
捕获点总数（标准玻片）	~5000	数据量不算大，适合用桌面级服务器处理
组织覆盖面积	6.5 × 6.5 mm	适合中小尺寸组织，大器官可能需要多次捕获

我刚开始做时也被这些参数折磨过。你以为抓住了 55 μm 就能精确对应一个细胞？实际上肿瘤区域细胞密集，一个点可能包进去 10 个肿瘤细胞和几个免疫细胞。空间聚类算法就是要处理这种混合信号的问题。

1.3 Visium 数据的基本结构

数据下机后，你看到的通常是一个 Visium 目录，里面最重要的就两个东西：

• filtered_feature_bc_matrix.h5：HDF5 格式的基因表达矩阵，行是基因，列是捕获点
• spatial/tissue_positions_list.csv：每个捕获点的像素坐标和玻片上的物理坐标

怎么加载？如果你用 Scanpy，一两行就搞定：

import scanpy as sc
adata = sc.read_visium(path="your_data_dir")

返回的是一个 AnnData 对象。我习惯先看一下 adata.obsm['spatial']，确认坐标数据是像素坐标（通常是），还是有人手滑转换成了微米值。这坑我踩过两次。

1.3.1 数据量与内存预估

很多人一上来就抱怨内存不够。其实 Visium 的数据量很温和：

• 每个样本约 5000 个点 × 20000 个基因 ≈ 1.5 GB（稀疏矩阵格式更小）
• 常见的分析流程（标准化、降维、聚类）在 16 GB 内存的机器上就能跑
• 如果你的数据集包含 30 个样本，建议至少 64 GB

1.4 空间聚类：核心目标与挑战

好了，现在你有基因表达数据和空间坐标了。下一步就是找到那些在空间上有意义的区域。空间聚类，本质上是在做两件事：

• 利用基因表达相似性给每个捕获点分组
• 利用空间距离约束保证分出来的组是连续的

为什么不能直接拿普通聚类算法做？我可以给你讲个真实案例。有次我拿 Louvain 算法直接对 Visium 数据做聚类，结果分出来 12 个 cluster，但画在组织切片上一看——这些 cluster 像芝麻一样撒得到处都是，完全没有空间连续性。当时的 PI 看了一眼图，问我：“你确定这是同一个组织？” 从那以后，我再也不敢忽略空间信息的约束了。

1.4.1 空间聚类的特有挑战

我个人总结出三大挑战：

1. 分辨率不是单细胞：每个捕获点包含多个细胞，你拿到的是一个混合表达谱。算法必须能处理这种混合信号。
2. 大尺度变化：组织中心区域细胞核密集，边缘稀疏。同一个空间聚类算法在不同区域表现可能完全不同。
3. 批次效应：多张玻片之间、不同的染色时间、不同的透化条件都会引入系统性偏差。

嗯，记住一点，没有万能的算法。后面的章节我会带你一个个拆解。

1.5 Visium 技术的应用场景与选算法前的准备

在开始选算法之前，我建议你先问自己三个问题：

• 我的组织样本有多大？是否包含多个解剖结构？
• 预期空间结构是层级式（如大脑皮层）还是离散式（如肿瘤浸润）？
• 计算资源和时间要求有多严格？

举个例子，如果你做的是神经科学，涉及大脑皮层分层，那你可能需要保留精细的空间层级，这时候简单的聚类方法往往不够。我倾向于用基于图的方法或贝叶斯方法。但如果你只是想把肿瘤区域和正常区域分开，简单方法可能更快。

1.5.1 数据质量检查清单

每次新项目我第一步都是跑一遍这个清单：

1. 查看捕获点总数，确认没有过多质量低的点（< 1000 counts/点）
2. 检查组织切片图像是否与坐标对齐——用 Spotlight 可视化快速看一眼
3. 记录测序饱和度，低于 1 million reads 的样本考虑过滤

Visium 技术给了我们一张带有基因表达的地图。接下来，我们要选对地图上的画笔——空间聚类算法。从第二章开始，我会逐步讲解每种方法的原理、参数调整和实战案例。这部分先到这里，把基础打牢，后面才不容易被各种算法绕晕。