1. 空间单细胞分析概述：技术原理、数据特点与计算挑战
大家好，欢迎来到这门课。我是工程师出身，在生物信息这个坑里摸爬滚打好几年了。今天咱们聊的空间单细胞分析，说白了就是：既要看清每个细胞在干嘛，又要知道它在组织里坐在哪儿。
传统单细胞测序（scRNA-seq）能告诉你细胞类型，但它把细胞从组织里解离出来了——位置信息全丢了。空间转录组学补上了这块拼图。你想想看，肿瘤微环境里免疫细胞怎么分布，神经发育时不同区域的基因怎么表达，这些都得靠带位置信息的单细胞数据。
1.1 技术原理：怎么同时测基因和看位置
目前主流技术可以分成两类：基于测序的和基于成像的。
| 技术类型 | 代表平台 | 原理简述 | 空间分辨率 |
|---|---|---|---|
| 测序类（原位捕获） | 10x Visium, Slide-seq | 芯片上固定带空间条码的探针，捕获组织切片上释放的mRNA，再测序定位 | 10 - 100 µm（多细胞级别） |
| 成像类（原位杂交/测序） | MERFISH, seqFISH+, Xenium | 用荧光标记探针直接在组织切片上识别并读取RNA序列，拍照定位 | 亚细胞级别（< 1 µm） |
测序类的技术，好比在芯片上画了个网格，每个格子（spot）里都有个独特的条码。组织切片一贴上去，mRNA就被带有条码的探针“钓”住。回头测序时，根据条码就能知道这个片段来自哪个格子。
我最初做10x Visium项目时，第一反应是：这不就是个带地址标签的RNA测序吗？本质上确实如此。但难点在于——每个spot里混着多个细胞，怎么拆开？这就引出了后面的计算问题。
成像类技术就更直接了。它用显微镜拍下细胞核的位置，再用一轮一轮的荧光探针去标记不同的RNA。每轮拍一张图，最后把信号叠起来，就知道每种RNA在哪个细胞里。MERFISH能做到一次测几百种基因，但通量不如测序类。
我个人习惯把两类技术分成两种场景：想做整个转录组发现，选测序类；想验证特定基因组合的精细空间表达，选成像类。两条路各有利弊，后面章节会详细拆解。
1.2 数据特点：又大、又稀疏、又“有结构”
空间单细胞数据跟普通单细胞数据最大的区别是什么？多了一张“地图”。
从数据结构上看，它有两个核心组件：
- 表达矩阵：跟scRNA-seq一样，行是基因，列是细胞（或spot），值是表达量。行数通常2-3万，列数少则几千，多则上百万（全脑切片）。
- 空间坐标：每个细胞或spot有(x, y)坐标，甚至还有Z轴坐标（如果是三维重建）。坐标描述了细胞在组织里的物理位置。
这就带来几个头疼的特点：
- 稀疏性（Sparsity）：绝大多数基因在大多数细胞里不表达。一个典型数据集里，表达矩阵的零值占比超过90%。矩阵看着很大，实际有效信息很少，存储和计算都要为此优化。
- 空间自相关性：相邻位置的细胞表达模式是相似的。这不是随机的，而是组织本身的生物学属性。计算时如果不考虑这种关联，很多分析做出来是错的。
- 批次效应与噪声：不同切片、不同芯片批次之间的系统性差异。成像类数据还有光照不均匀、探针杂交效率波动等问题。我遇到过一个MERFISH数据集，同一批基因在前两片和后两片的检测效率差了30%。
- 数据量大：一张人类脑组织切片，10x Visium可能产生几十GB的原始fastq。一套全脑MERFISH数据，轻松上TB。处理这些数据，单机内存很快就不够用了。
1.3 计算挑战：内存、IO、还有“空间”
大多数单细胞分析工具（如Seurat、Scanpy）是为非空间数据设计的。当你把坐标加进去，计算复杂度直接上了一个台阶。
最核心的挑战有三个：
| 挑战 | 具体表现 | 典型场景 |
|---|---|---|
| 内存墙 | 大矩阵无法一次加载到内存；下游分析（聚类、空间邻居图构建）又需要频繁访问全部数据 | 处理10万个细胞的MERFISH数据，构建KNN图时内存需求超过128GB |
| I/O瓶颈 | 反复从硬盘读取原始文件（h5/CSV/图像）或中间结果，拖慢整条pipeline | 多次启动同一个聚类算法，每次都要重新加载表达矩阵 |
| 空间计算开销 | 构建空间邻近图、计算空间变异基因、做空间聚类，这些都涉及空间拓扑结构，计算量比普通聚类大得多 | 在全脑切片上找空间自相关基因，需要对数十万个spot单独做Moran's I检验 |
我曾在一个项目中，用标准Scanpy处理96000个spot的Visium HD数据，光是计算空间邻居图这一步，就跑了一个小时，内存峰值干到256GB。为什么？因为默认参数下，算法生成了接近千万条的邻居边，全部存在内存里。后来我调整了邻居搜索半径和步长，时间降到5分钟，内存降到48GB。
这种优化方法，正是这门课要讲的核心：在保证分析质量的前提下，怎么把计算资源用得更聪明。
1.4 本章知识结构地图
下面的SVG图概括了这一章的核心逻辑：从空间单细胞分析的技术原理和数据特点出发，引出了三个主要的计算挑战，并预告了后续资源优化的大方向。
我记得刚入行时，看过一句话：“如果分析跑死了，99%的情况不是硬件不够，而是方案选错了。”深以为然。后面的课程咱们会一个环节一个环节地抠——从数据加载、存储格式、邻居图构建、聚类参数、资源调度，到大规模并行化的最佳实践。这些东西，都是我在一个又一个“跑了一天崩了”的教训里攒下来的。