一、空间转录组学概述：背景、技术与应用
1.1 从传统转录组到空间转录组
做基因表达分析的朋友都知道，传统的bulk RNA-seq和单细胞RNA-seq虽然能告诉我们哪些基因在表达、哪些细胞类型存在，但有一个关键信息是丢失的——细胞在组织里的空间位置。
我记得自己刚接触单细胞数据时，盯着t-SNE图看了半天，心想：这些细胞在真实的组织切片里到底是怎么排布的？那个感觉就像看一张城市人口统计数据，却不知道哪条街在哪。后来我遇到一个案例——肿瘤样本里明明有免疫细胞，但治疗效果却很差。后来一查空间分布才发现，那些T细胞全部被堵在肿瘤边缘，根本没渗透进去。这种信息，传统转录组是给不了的。
空间转录组学就是来解决这个痛点的。它在保留组织原位空间信息的同时，高通量地测量基因表达谱。说白了，就是把「基因表达」和「组织地图」叠在一起看。
| 技术 | 空间信息 | 通量 | 分辨率 |
|---|---|---|---|
| bulk RNA-seq | ❌ 无 | 高 | 组织整体 |
| scRNA-seq | ❌ 无 | 高 | 单细胞 |
| 空间转录组（Visium） | ✅ 有 | 中等 | ～55 μm 点 |
| 原位杂交/成像 | ✅ 有 | 低（探针数有限） | 亚细胞 |
1.2 Visium 技术原理——一张芯片如何「抓」住mRNA
Visium 是10x Genomics推出的基于空间条形码的转录组方案。它的核心是一张特制的玻片，上面铺满了带有位置编码的寡核苷酸探针。每个「点」（spot）直径55 μm，相邻点中心距100 μm。
我刚开始用Visium时觉得这个设计挺巧妙的。一个点大约覆盖1–10个细胞，虽然不是单细胞分辨率，但足够看出组织区域间的表达差异了。
流程大致是这样的：
- 组织切片——新鲜冷冻组织切成10 μm薄片，贴在Visium玻片上。
- 染色成像——H&E染色或免疫荧光，拍下组织形态照片。
- 透化——用蛋白酶让细胞膜通透，释放mRNA。
- 捕获——mRNA与下方探针结合，探针上带有空间条形码（Spatial Barcode）和UMI。
- 建库测序——逆转录、cDNA扩增、测序。
- 比对与计数——将reads比对到基因组，通过条形码还原每个spot的表达矩阵。
关键概念：每个spot的条形码是唯一的。只要测序后能准确解码这个条形码，就能知道这段mRNA来自组织切片上的哪个位置。这就是「空间」的核心秘密。
下面这个图概括了整个技术链条：
个人经验：透化时间非常关键。透化过头mRNA会扩散到相邻点，破坏空间分辨率；透化不够则捕获效率低。我一般会先做透化时间梯度实验，用荧光信号强度来确定最佳时间，通常5–15分钟。这一步千万别省。
1.3 空间转录组能做什么？——三个典型应用场景
空间转录组如今已经渗透到生物医学的各个角落。我挑三个最常碰到的例子说说：
1.3.1 肿瘤微环境
肿瘤不是一堆癌细胞堆在一起那么简单。它里面有免疫细胞、成纤维细胞、血管，还有各种基质。空间转录组可以告诉你哪些基因在肿瘤边缘上调、免疫细胞是否浸润到了肿瘤核心。我在一个乳腺癌项目里看到，FOXP3+调节性T细胞集中在肿瘤边缘，而颗粒酶B+细胞毒性T细胞却很少——这就是免疫逃逸的空间证据。
1.3.2 发育生物学
胚胎发育过程里，细胞不断迁移、分化。用Visium可以捕捉不同发育时间点的基因表达空间梯度。比如神经管闭合过程中，背侧和腹侧的基因表达模式截然不同——这些信息在混池测序里完全看不到。
1.3.3 神经科学
大脑区域的划分一直是组织学的活儿。空间转录组能从分子层面重新定义脑区边界。有篇经典工作就是用Visium做了小鼠大脑冠状切片，然后聚类出了几十个转录组上一致的解剖区域，很多与Allen Brain Atlas高度吻合。
| 应用领域 | 典型问题 | 空间信息价值 |
|---|---|---|
| 肿瘤微环境 | 免疫细胞在哪里？是否浸润？ | 区分「热肿瘤」vs「冷肿瘤」 |
| 发育生物学 | 组织极性如何建立？ | 刻画形态发生素梯度 |
| 神经科学 | 脑区分子边界在哪？ | 无偏定义解剖区域 |
| 病理诊断 | 病变区域与正常区域差异 | 原位验证标志物 |
1.4 为什么需要聚类？——从无序到有结构的探索
拿到Visium数据后，你手里是一个基因 × spot的矩阵，每个spot还有x/y坐标。几千个spot，每个spot两万个基因的表达值——你想想看，直接瞪眼能看出什么？
说白了，聚类就是帮我们从高维空间中找到表达模式相似的spot群。这些群往往对应着组织里的不同区域：肿瘤区、间质区、正常上皮区、炎症区等。没有聚类，你连分析的第一步都迈不出去。
注意：空间聚类和普通单细胞聚类不完全一样。空间数据有空间自相关性——相邻的spot表达模式天然更相似。如果忽略这个特性，你可能会得到一些在空间上支离破碎的簇，完全不符合组织学预期。我们后面会讲到如何利用空间信息来改进聚类。
这个教程接下来会一步步带你走完Visium数据的聚类全流程：从原始数据处理、QC、标准化，到降维、聚类，再到空间可视化与区域注释。嗯，我这里先打个底——手上有自己的数据最好，没有的话可以用10x官方的人乳腺癌数据集（Visium Human Breast Cancer）来跟着练。
1.5 本章小结
- 空间转录组填补了传统转录组缺失的空间位置信息。
- Visium通过空间条形码探针实现mRNA捕获与位置溯源。
- 应用场景覆盖肿瘤免疫、发育生物学和神经科学等多领域。
- 聚类是空间数据分析的核心入口，但需要处理空间自相关等特殊问题。