空间转录组概述：技术原理与常见平台
大家好。这章我们聊聊空间转录组到底是什么。很多人一听"空间转录组"这几个字，觉得高大上，但其实理解起来没那么复杂。
说白了，就是给传统转录组加了个"位置坐标"。传统转录组分析会把组织磨碎，然后提取RNA。结果？你知道这个组织里有哪些基因表达了，但你完全不知道这些基因在哪个区域、哪个细胞类型里活跃。空间转录组的出现，解决了这个痛点——在原位分析RNA的表达情况。
技术原理的核心组件
空间转录组的核心逻辑，我拆成几个关键环节来看：
- 组织切片与放置：新鲜冷冻组织切成薄片（通常10-20微米），贴到芯片或玻片上。这个步骤最关键的是切片质量，我见过很多项目在切片这一步就翻车了。
- 原位捕获：芯片上的"捕获点"带有空间条形码。每个捕获点都有自己的"身份证号"，能跟组织切片上的mRNA结合。
- 文库构建与测序：捕获后的mRNA被逆转录、扩增，然后上机测序。
- 数据分析：通过空间条形码把测序读段"映射"回原来的位置，再跟传统单细胞数据一样做聚类、差异分析、空间模式识别。
关键点：空间条形码（spatial barcode）是整个技术路线的"命根子"。如果条形码设计有缺陷，或者捕获效率低，后面的分析都是扯淡。
我一直觉得，理解了"捕获+条形码定位"这条主线，空间转录组的基础就算打牢了。
认识主流平台：10x Visium
目前最常用的平台。我个人接触最多也是这个。它的核心设计是这样的：
- 捕获点直径 55μm，点间距 100μm。每个点覆盖大约 1-10 个细胞。
- 每个捕获点有唯一空间条形码，可以精确定位。
- 支持 H&E 或免疫荧光染色，可以在RNA分析前先看组织形态。
- 通量高，一次实验可以同时处理多张切片。
为什么它这么受欢迎？嗯，主要是易用性。试剂盒化之后，稍微有点分子生物学经验的人都能上手。但你要注意——分辨率是它的短板。55μm对于某些组织结构来说太粗糙了。你说我能不能拿到单细胞级别的数据？很难。这就是它的局限。
其他常见平台一览
| 平台 | 分辨率 | 捕获方式 | 通量 |
|---|---|---|---|
| 10x Visium | 55μm (1-10个细胞) | 聚腺苷酸捕获 | 中高 (2张切片/芯片) |
| Slide-seq (V2) | 10μm (近单细胞) | 聚腺苷酸捕获 | 高 (玻片可切割) |
| Stereoseq (华大) | 0.22μm (亚细胞) | 原位测序 (DNB球) | 高 (大视野) |
| MERFISH | 单细胞级别 | 荧光原位杂交 (多重) | 中 (多重轮次成像) |
选型建议：如果你做的是肿瘤微环境这类大区域分析，10x Visium已经够用。如果你要追踪单个细胞的空间位置，建议考虑Stereoseq或Slide-seq。
怎么选？我的一点经验
实际上，选哪个平台不是简单的"哪个更好"的问题。我刚刚入行时，恨不得每个项目都用最高分辨率。结果？经费烧完了，数据量太大根本算不动。后来我慢慢学会了考量几个维度：
- 研究问题需要的分辨率：组织区域分析还是单细胞定位？
- 样本类型：新鲜组织还是FFPE？10x Visium有专门的FFPE方案，这很重要。
- 预算：10x Visium试剂盒大概几千美元一次，Slide-seq相对便宜但数据处理更复杂。
- 团队分析能力：高分辨率意味着更大的数据量，你的计算资源和生信团队能不能撑住？
注意：不要只看分辨率参数。我见过有人用了纳米级分辨率的平台，最后发现组织切片固定剂选择不对，RNA降解得厉害，数据根本不能用。平台选型只是第一步，样本处理和实验质控才是真正的"拦路虎"。
一次完整的空间转录组实验流程
下面是一个比较通用的10x Visium处理流程供你参考：
# 以下为简化示例流程
1. 组织取样与冷冻包埋 (OCT或液氮)
2. 切片：10-20μm 厚度，贴到Visium芯片捕获区域
3. H&E染色 + 成像 (或免疫荧光)
4. 透化：优化透化时间 (这一步很关键)
5. 逆转录与文库构建：
- RNA捕获 → 逆转录 → cDNA扩增
- 空间条形码标记
6. 文库质量控制 (文库浓度、片段分布)
7. 测序 (推荐每个捕获点 50,000 读对以上)
8. 数据分析：
- 空间数据预处理 (Space Ranger / STARsolo)
- 降维聚类 (Seurat / Scanpy)
- 空间模式识别 (Splotch / Giotto)关于透化这一步，我多说两句。透化时间短了，RNA捕获不到；时间长了，组织形态破坏，位置信息丢失。我习惯做一个透化时间梯度实验——5, 10, 15, 20分钟——来找到最优参数。别偷懒，这一步省不了。
空间转录组说复杂也复杂，说简单也简单。核心就是：把RNA的信息和它的空间位置挂上钩。理解了这个底层逻辑，后面的技术细节才能串起来。接下来你遇到的每一个问题，不管是实验操作还是数据分析，都可以回到这个原点去思考。