空间转录组技术原理：三大主流平台详解

讲空间转录组，有个问题我常被问到：“这些技术到底有什么区别？我该选哪个？”说实话，我刚接触这个领域时也一头雾水。10x Visium、Slide-seq、MERFISH，名字都挺唬人，但背后的原理其实很清晰。

今天我就带你把这三个主流平台拆开来看。咱们不搞玄学，只讲干货。

说到底，空间转录组在测什么？

传统单细胞测序（scRNA-seq）能把细胞类型分得很细，但有个致命缺陷——它把细胞从组织里解离出来，位置信息全丢了。

你想想看，发育生物学里，细胞在什么位置、和谁做邻居，这信息多重要。神经嵴细胞从哪里迁移？心脏 progenitors 怎么排列？没有空间位置，这些研究就缺了一条腿。

空间转录组技术，说白了就是在传统转录组上加了一个“GPS坐标”。

根据捕获方式，目前主要有三大流派：

  • 基于原位捕获的：代表性平台是10x Visium和Slide-seq。用带空间条形码的芯片直接捕获组织中的mRNA。
  • 基于原位成像的：代表性平台是MERFISH。通过荧光探针在显微镜下直接“数”出RNA分子。
  • 基于激光显微切割的：代表性平台是LCM-seq。用激光把特定区域切下来再做测序。这个我们以后细说。
一句话总结： Visium和Slide-seq像“渔网捞鱼”，MERFISH像“拍照数鱼”。前者分辨率低但通量高，后者分辨率高但基因数有限。

三大平台核心对比

我个人习惯在选平台前先做一张对比表，这样心里有数。你看这张表就明白了：

特性 10x Visium Slide-seq MERFISH
原理 芯片原位捕获+测序 微珠原位捕获+测序 多重荧光原位杂交
分辨率 55 μm（约1-10个细胞/点） 10 μm（亚细胞级别） 单分子级别（100-200 nm）
基因检测数 全转录组（~20,000基因） 全转录组（~20,000基因） 预设Panel（~100-500基因）
组织类型 冷冻/石蜡切片 冷冻切片 冷冻切片
通量 高（4-16个样本/芯片） 中（1个样本/芯片） 低（1-2个样本/天）
成本 $$$ $$ $$$$
代表性应用 肿瘤异质性、发育图谱 神经发育、早期胚胎 神经元分型、单细胞空间图谱

从这张表里你能看出端倪：没有完美的技术，只有合适的场景。

10x Visium：最成熟的“大空间”平台

Visium是目前应用最广的空间转录组平台。它的工作原理很有意思：

  1. 芯片设计：芯片上有4个捕获区域（6.5×6.5 mm），每个区域包含~5,000个直径为55 μm的点（spot）。每个点表面有标记了空间条形码（spatial barcode）的捕获探针。
  2. 组织切片：把冷冻组织切片贴在芯片上。
  3. HE染色：先给切片做HE染色，拍高清组织图像。
  4. 透化：用酶把细胞膜打孔，释放mRNA。
  5. 捕获：mRNA扩散到最近的spot上，被捕获探针的poly-T吸附。
  6. 建库测序：洗掉组织，直接在芯片上反转录、建库、测序。

嗯，这里要注意一个问题：透化时间。透化时间短了，RNA释放不出来；时间长了，RNA会扩散到相邻spot，造成位置模糊。我调参数时遇到过几次，透化过了，整个组织看起来像“化掉”一样，信号混乱。

实战小技巧： 透化时间优化是Visium实验成败的关键。我建议在做正式实验前，先用同一组织做1-2个不同透化时间的预实验，看组织形态和RNA捕获效率，找到最佳窗口。

Slide-seq：更高分辨率的选择

Visium的55 μm分辨率在有些场景下不够用。比如你想把发育中的神经管区域分清楚，每个spot可能混合了多种细胞类型。这时候Slide-seq就派上用场了。

Slide-seq的核心是——微珠（beads）。每个微珠直径约10 μm，表面也有空间条形码。把数千万个微珠随机铺在一个载玻片上，形成一个“微珠地毯”。

我记得第一次看Slide-seq数据时有点蒙——每个微珠的条形码是随机的，怎么知道哪个微珠在哪个位置？

答案是：解卷积定位。先用荧光标记的已知序列探针对微珠做几轮原位测序，记录每个微珠的坐标；然后把组织切片贴上去，捕获mRNA。这样，每个微珠的条形码就对应了真实的物理位置。

Slide-seq有两个版本：

  • Slide-seq V1：分辨率约10 μm，但基因捕获效率较低（~10-20%）。
  • Slide-seq V2：优化了微珠表面，捕获效率提升到~50%。我建议新用户直接用V2版本。
注意： Slide-seq的数据处理比Visium麻烦一些。因为微珠位置是随机排列的，没有固定的网格结构。我曾经在数据预处理阶段卡了两天，后来发现是微珠定位文件格式不对。第一次做的话，先用官方管道（Slide-seqTools）跑通全程再换自己的数据。

MERFISH：单细胞级别的“终极武器”

如果你需要精确到单个细胞甚至亚细胞层面的空间分布，MERFISH是当前的不二之选。

MERFISH（Multiplexed Error-Robust Fluorescence In Situ Hybridization）的原理和上面的两种技术完全不同。它不是“捕获+测序”，而是“成像+计数”。

让我用大白话说一遍：

  1. 设计探针：针对每个目标基因，设计几十个特异性荧光探针。
  2. 编码：每个探针带一个“编码条码”——用不同荧光颜色的组合来标记不同基因。比如红色+绿色代表基因A，红色+蓝色代表基因B。
  3. 杂交：把探针加到组织切片上，让它们和靶RNA结合。
  4. 成像：用超分辨率显微镜拍几十轮荧光图像。每轮洗掉一种荧光，再染上另一种，依次拍摄。
  5. 解码：根据荧光组合在图像上还原出每个RNA分子的种类和位置。

你想想看，这样做的好处是——能直接看到单个RNA分子！而且不涉及PCR扩增，没有偏差。

但代价也很明显：只能检测预设的基因Panel。目前商用Panel最大能覆盖500个基因左右。如果你做全转录组发现，那MERFISH就不太适合。

另一个挑战是数据量。一次MERFISH实验可能产生几TB的图像数据。我刚开始做时，存储和计算成了瓶颈。后来学了用Cloud Optimized GeoTIFF格式压缩存储，才算解决了。

三种技术如何选？

我建议按这个逻辑来选：

  • 先问自己：我需要多少基因？ 想要全转录组 → 选Visium或Slide-seq。
  • 再问：分辨率够不够？ 单细胞级别 → Slide-seq（低成本）或MERFISH（高精度）。
  • 最后问：我想研究什么？ 组织图谱、细胞邻域分析 → Visium。神经发育、早期胚胎 → Slide-seq。亚细胞定位、时空动态 → MERFISH。
我个人的选型原则： 如果预算充足且需要全转录组，用Visium做初筛，再用MERFISH做候选基因的空间验证。先用“广角镜”看全貌，再用“显微镜”看细节。这个策略在我自己的发育神经嵴项目里效果很好。

SVG：三种技术原理对比图

为了让你更直观地理解，我画了下面这张对比图。它展示了三种技术的核心流程和特点。

空间转录组三大平台核心原理对比 10x Visium 芯片原位捕获 分辨率：55 μm Slide-seq 微珠原位捕获 分辨率：10 μm MERFISH 多重荧光成像 分辨率：单分子 特征 • 全转录组检测 • 通量高 • 组织形态可染色 • 分辨率较低 特征 • 全转录组检测 • 亚细胞分辨率 • 成本较低 • 数据分析复杂 特征 • 单分子精度 • Panel预设基因 • 无PCR偏差 • 通量低、成本高 典型应用场景 肿瘤异质性 发育图谱 神经发育 早期胚胎 神经元分型 单细胞空间图谱 选择建议：先问基因数 → 再问分辨率 → 最后问预算

数据和格式：你需要知道的东西

选好平台只是第一步。接下来你会面对一堆数据格式问题。我遇到过不少同学，实验做完了，拿到数据，发现不会读。

这里列一下主流平台的数据输出：

  • 10x Visium：输出是标准的Space Ranger格式。包含filtered_feature_bc_matrix.h5（基因表达矩阵）、spatial/文件夹（tissue_positions_list.csv、scalefactors_json.json、HE图像）。
  • Slide-seq：输出是.h5ad格式（AnnData），包含微珠的坐标（coords）和表达矩阵（X）。也有些团队用slide-seq_beads.csv这种纯文本。
  • MERFISH：输出是CSV或HDF5格式。包含每个分子的坐标（x, y, z）、基因ID、细胞分配结果。

我建议从第一天开始就用统一的Python分析环境（Scanpy + Squidpy），这样不同平台的数据都可以对接。看一个读Visium数据的代码示例：

import scanpy as sc
import squidpy as sq

# 读10x Visium h5文件
adata = sc.read_visium("path/to/spaceranger/output/",
                       count_file="filtered_feature_bc_matrix.h5")

# 添加空间坐标信息
adata.obsm["spatial"] = adata.obs[["x", "y"]].values

# 可视化
sq.pl.spatial_scatter(adata, color="n_genes_by_counts")
小提示： 第一次跑这个代码，记得检查scalefactors_json.json里的像素比例因子。我遇到过因为比例因子搞错，导致HE图像和空间点错位的情况。这个小坑浪费了我半天时间。

避坑指南：我的血泪教训

最后，分享几个我踩过的坑：

  1. 组织切片质量：Visium和Slide-seq对组织切片要求很高。切片厚度、平整度、有无褶皱，都会影响捕获效率。我曾经用一块有皱褶的切片做实验，结果捕获区域出现大片空白，无法获得组织轮廓。
  2. RNA完整性：RNA降解是空间转录组的头号杀手。我建议在切片前用RIN值评估RNA质量，RIN > 7才勉强能用。有一次项目快交付了才发现样本RIN只有4，最后重做。
  3. 重复实验：空间转录组技术的批次效应不容忽视。同一个组织，不同切片、不同批次，结果可能有差异。我通常建议至少做2个生物学重复，或者用同一个组织切4-6片做技术重复。
  4. 计算资源：不要小看数据处理。一个Visium样本带全转录组数据，压缩前可能2-3 GB。MERFISH的成像数据更是TB级别。我最早在笔记本上跑，结果死机了。后来换了云GPU+大内存虚拟机。
← 上一章 📖 返回目录 下一章 →