空间转录组学简介
各位同学好，我是老周。在生物信息这行摸爬滚打了快十年，前五年做单细胞，后五年扎进空间转录组。今天咱们聊第一章——空间转录组学的来龙去脉。
说白了，空间转录组就是在 组织切片 的原始位置上，把每个细胞的基因表达量给测出来。你想想看，传统转录组把组织磨碎了测，什么位置信息都丢了。单细胞转录组虽然能分辨细胞类型，但细胞原本在组织里挨着谁、排在哪，你完全不知道。空间转录组补的就是这个短板。
我记得2019年第一次拿到10x Visium数据时，对着组织切片上那些斑点（spots）看了半天——原来肿瘤边缘的T细胞真是这样一圈一圈围着癌细胞的。那种空间上的直观感，是任何热图和聚类图都替代不了的。
从传统转录组到空间转录组
技术发展大致走了这么几步：
- 2000年代：芯片和RNA-seq让全转录组定量成为现实，但样品得匀浆。
- 2010年代初：单细胞RNA-seq出现，细胞类型分辨率上去了，空间位置还是盲区。
- 2015年左右：基于原位杂交（FISH）的技术开始增多，比如MERFISH、seqFISH，能测几十到几百个基因，但通量有限。
- 2019年：10x Genomics收购了Visium（前身是Spatial Transcriptomics），推出了第一代商业化的空间转录组解决方案。
- 2020年后：Slide-seq、HDST、Stereo-seq等技术纷纷登场，分辨率从100μm推向亚细胞级别。
我个人的看法：现在做研究，不丢空间位置信息已经快成了刚需。你想发好点的文章，审稿人大概率会问一句“细胞在组织里的空间分布是什么样的？”。
10x Visium 原理——一张图讲清楚
Visium的核心是那张 捕获玻片，上面印满了带空间条形码（spatial barcode）的探针。流程是这样的：
- 新鲜冻存或FFPE组织切成10μm薄片，贴在捕获区上。
- 组织被透化处理，mRNA释放出来，被下方的探针捕获。每个探针带一个唯一的空间条形码，对应玻片上的某个坐标。
- 反转录成cDNA，建库测序。
- 根据条形码还原出每个spot的基因表达矩阵。
每个spot直径55μm，覆盖1～10个细胞（取决于组织密度）。分辨率不算极致，但通量和稳定性让它在应用上占了大头。
避坑指南：透化时间一定要优化好。我曾遇到过一批样本，透化过头导致mRNA扩散到相邻spot，空间信息全乱了。建议每个新组织类型都先跑透化时间梯度实验。
下面这张图总结了空间转录组技术的主要发展脉络：
核心技术参数对比
| 技术 | 方法原理 | 分辨率 | 基因通量 | 商业化程度 |
|---|---|---|---|---|
| 10x Visium | 空间条形码捕获 | 55μm（spot） | 全转录组 | ★★★★★ |
| Slide-seqV2 | 条形码微珠 | ~10μm | 全转录组 | ★★★☆☆ |
| MERFISH | 多重FISH | ~200nm | 100~500基因 | ★★☆☆☆ |
| Stereo-seq | DNA纳米球 | ~0.5μm | 全转录组 | ★★☆☆☆ |
| HDST | 条形码微阵列 | ~2μm | 全转录组 | ★★☆☆☆ |
选型建议：如果组织样本充足、预算允许，我建议先用Visium跑一轮，找到感兴趣的细胞互作区域。后续再用MERFISH或Stereo-seq做高分辨率验证。Visium最大的优势是 出数据快、分析工具成熟，适合快速建立空间图谱。
应用场景，远比你想象的广
这几年我参与过的Visium项目覆盖了好几个领域，挑几个典型的说说：
- 肿瘤微环境：最常见的应用。比如三阴性乳腺癌，看T细胞是富集在肿瘤内部还是外周基质。我遇到过一项研究用Visium发现了一个之前被忽视的“冷肿瘤-热肿瘤过渡区”，那里免疫抑制信号特别强。
- 神经科学：大脑皮层分层、海马区空间表达模式。Visium目前分辨率在脑组织上勉强够用，但结合scRNA-seq解卷积后效果很好。
- 发育生物学：胚胎器官发生的空间梯度。我曾帮一位合作者分析小鼠心脏发育数据，找到了心外膜到心内膜的渐进式基因表达波。
- 疾病机制：比如肝纤维化、肾纤维化、阿尔茨海默症。空间数据能告诉你哪些区域先发生基质重塑，哪些区域代偿。
你看，有了空间位置，很多传统RNA-seq解决不了的“哪里表达”问题就迎刃而解了。
说说实战中的数据产出
用10x的Space Ranger流程处理一个标准Visium样本，最终产出几个关键文件：
sample/
├── filtered_feature_bc_matrix.h5 # 基因表达矩阵（HDF5）
├── filtered_feature_bc_matrix/ # 同上，MEX格式
├── spatial/
│ ├── tissue_hires_image.png # 组织切片高清图
│ ├── tissue_positions_list.csv # 每个spot的坐标与组织下
│ ├── scalefactors_json.json # 图像缩放参数
│ └── aligned_fiducials.jpg # fiducial标记对齐图
├── metrics_summary.csv # 数据质量摘要
└── analysis/ # Space Ranger内置分析结果嗯，这里要强调一下：拿到这些文件，第一步不是急着跑聚类，而是先检查 metric_summary.csv 里的几个关键指标。
| 指标 | 正常范围 | 危险信号 |
|---|---|---|
| Number of Spots Under Tissue | 视组织大小而定 | 低于预期（可能组织贴歪了） |
| Mean Reads per Spot | 10,000~50,000 | < 5,000（测序深度不足） |
| Median Genes per Spot | 1,000~3,000 | < 500（组织质量或透化问题） |
| Fraction Reads in Spots Under Tissue | > 80% | < 60%（污染或边缘效应严重） |
我曾经踩过的坑：有一次一个样本 median genes 只有400多，大部分spots都是空转。我反复查了Space Ranger日志，最后发现是组织切片在捕获玻片上贴的时候有气泡，导致大片区域没有接触。从那以后，每次贴片我都要亲自在显微镜下确认组织平整度。
好了，这一章我们大致建立了空间转录组的全景图。下面对你来说最重要的事：记住Visium的核心价值是 在保留组织形态的前提下获得基因表达空间坐标。后面的所有分析技巧都是围绕如何用好这层空间信息展开的。