一、Visium 技术简介与发展历程
说实话，我第一次接触 Visium 还是 2019 年。
那时候公司刚拿到 10x Genomics 的 Visium 平台，我站在那台仪器前，脑子里冒出的第一个念头是——这东西真能把基因表达“拍”成照片？
后来做了一年多的项目，我发现它不仅做到了，而且做得比我想象中好太多。今天我们就聊聊 Visium 是什么，它怎么一步步走到今天的，以及为什么我们需要为它做容器化部署。
1.1 什么是 Visium？
Visium 是 10x Genomics 推出的空间转录组学解决方案。说白了，它能在组织切片上同时测出基因表达和空间位置。
传统 RNA-seq 把组织碾碎了测，你只知道里面有什么细胞，不知道它们在哪儿。Visium 不一样，它在玻片上铺了一层带空间条形码的捕获点阵，每个点对应组织切片上的一个位置。测序后，每个 mRNA 分子都能被“贴”上位置标签。
核心能力： 在组织切片上实现全转录组表达谱的空间定位，分辨率达到 55 μm（每个捕获点直径）。
我在项目中遇到过很多用户，他们最常问的一句话是：“Visium 和单细胞测序有什么区别？”
嗯，这是个好问题。我们看下面的对比：
| 维度 | Visium | scRNA-seq |
|---|---|---|
| 空间信息 | 有，每个捕获点带有空间坐标 | 无，细胞被解离后丢失原位置 |
| 分辨率 | 55 μm 点阵，一个点可能包含 1-10 个细胞 | 单细胞级别 |
| 基因捕获量 | 每个点 ~500-2000 基因 | 每个细胞 ~1000-3000 基因 |
| 样本要求 | 新鲜冷冻或 FFPE 组织切片 | 解离后的细胞悬液 |
| 核心输出 | 空间表达热图 + HE 染色图像 | 基因表达矩阵（无空间信息） |
你想想看，如果只做单细胞测序，你永远不知道肿瘤微环境里那些 T 细胞是怎么“站”在肿瘤细胞周围的。Visium 补上了这个缺口。
1.2 Visium 技术发展简史
Visium 不是突然冒出来的技术。它的前身是 10x Genomics 在 2016 年收购的 Spatial Transcriptomics 公司——那家公司在 2018 年就发了 Science 论文。
- 2018 年：概念验证阶段
Spatial Transcriptomics 团队在 Science 上发表了第一代空间转录组技术，使用微阵列玻片捕获组织切片的 mRNA。分辨率较低，但证明了“空间基因表达”是可行的。
- 2019 年：Visium 商用平台推出
10x Genomics 正式发布 Visium 平台，推出了标准化的试剂盒和配套分析软件 Space Ranger。我记得那时候我们实验室花了一个月才跑通第一版分析流程——没有容器化部署，环境依赖冲突让人头疼。
- 2020-2021 年：FFPE 兼容与扩展
Visium 推出了 FFPE 样本兼容方案，拓宽了临床样本的适用范围。同时，分析流程也加入了细胞类型反卷积算法，比如 RCTD 和 SPOTlight。
- 2022 年：Visium HD 亮相
高分辨率的 Visium HD 发布，捕获点直径从 55 μm 缩小到 2 μm，接近单细胞分辨率。我有个朋友在 AGBT 上看到这个数据时，直呼“这玩意儿要改变游戏规则了”。
- 2023 年至今：生态成熟期
社区工具爆发式增长：Squidpy、Giotto、BayesSpace 等第三方分析包大量涌现。容器化部署成为标准化生产环境的必然需求——这也是我们这门课要解决的问题。
1.3 Visium 的核心工作流程
一个典型的 Visium 实验流程是这样的：
- 组织切片与贴片 — 将冷冻或 FFPE 组织切片贴在 Visium 玻片上
- 组织染色与成像 — 进行 H&E 或免疫荧光染色，获取组织形态学图像
- 组织透化与 mRNA 捕获 — 组织透化后，mRNA 扩散到玻片表面的捕获点阵
- 文库构建与测序 — 对捕获的 mRNA 进行反转录、扩增和测序
- 数据分析 — 使用 Space Ranger 进行初步处理，再用第三方工具做深入分析
然而，数据分析这一步往往是最折磨人的。为什么？环境配置太复杂了。
Space Ranger 依赖特定版本的 Python、R、Cell Ranger 和参考基因组索引。我以前在服务器上徒手搭建环境时，光解决依赖冲突就花了两天。这也是我为什么后来坚定不移地走容器化路线的根本原因。
1.4 Visium 数据分析的生态现状
目前 Visium 的数据分析工具链已经相当丰富。我个人习惯把它们分为三类：
| 工具类别 | 代表工具 | 主要用途 |
|---|---|---|
| 官方流程 | Space Ranger | 原始数据预处理、基因表达矩阵生成、组织图像配准 |
| 空间分析 | Squidpy, Scanpy | 空间可变基因检测、邻域分析、聚类 |
| 细胞反卷积 | cell2location, RCTD, SPOTlight | 从斑点数据推断细胞类型比例 |
实际上，我见过不少团队在分析时会把 Space Ranger 的结果用 Squidpy 继续处理。这个组合在生物信息学圈子里已经算是“标配”了。
# 一个简单的 Squidpy 加载 Visium 数据示例（伪代码）
import squidpy as sq
adata = sq.read.visium('spaceranger_output_path', library_id='sample1')
sq.pl.spatial_scatter(adata, color='total_counts')这么几行代码就能生成一张漂亮的 UMI 计数值空间分布图。你想想看，如果没有容器化部署，光把 Space Ranger 的输出路径、Python 版本、R 依赖这些理顺，可能就要多花一两个小时。
1.5 为什么我们需要容器化部署
嗯，这个问题其实我在前面已经暗示过了。总结下来有这么几点：
- 环境一致性： Space Ranger、Squidpy、cell2location 等工具对 Python、R、Conda 版本都有精确要求。容器化能保证“一次构建，到处运行”。
- 可重复性： 我在项目中遇到过最头疼的事情，是三个月后重新跑同一个分析的版本依赖变了，结果有微小差异。Docker 镜像锁死环境，杜绝这种问题。
- 团队协作： 去年帮一个 biotech 团队搭建部署方案，他们有三个人用 Mac，两个人用 Windows，还有一个人在远程 Linux 服务器上跑。没有容器化，这简直就是噩梦。
- GPU 加速： 空间聚类分析中，一些深度学习方法（如 SpaGCN、STAGATE）依赖 GPU。容器化能更方便地挂载算力资源。
一句话总结： Visium 技术本身已经在快速发展，但如果数据分析环境不能稳定、快速地部署，技术应用的天花板就会被拉低。容器化是让 Visium 分析真正落地的关键一环。
好，接下来我们用一张图来梳理本章的知识体系，方便你从全局把握 Visium 技术的脉络。
这张图把 Visium 的核心技术、发展历程和数据分析生态串联起来了。你也能看到，三个分支最终都指向我们的核心主题——容器化部署。后面的章节，我们会一步一步把它手把手变成实操。