📚 课程目录第1章空间转录组学简介

空间转录组学：从哪里来，到哪里去

大家好，欢迎来到这门课。咱们要啃的 SPARK 是个空间可变基因检测方法，但在动手之前，得先把地基打牢。

空间转录组学，说白了就是把组织切片上的基因表达信息，和它原本所在的空间位置一一对应起来。你想想看，传统单细胞测序拿到的是细胞 soup，细胞从哪来的？不知道。空间转录组就是为了回答这个“在哪里”的问题。

我个人习惯把空间转录组拆成两个词理解：

嗯，把这两个维度拼到一起，就是空间转录组。作用非常大——肿瘤微环境里的免疫细胞是怎么浸润的？大脑皮层不同层的神经元特异表达什么？这些问题没空间信息是答不了的。

目前做空间转录组的技术平台有好几类，各有各的家底。我挑两个有代表性的说，一个是 10x Visium，另一个是 Slide-seq。

我刚开始做这方面研究时，被一堆商业化平台绕晕过。后来发现，你可以把它们分成两类来记：

主要空间转录组技术对比
平台	类型	空间分辨率	通量	我最在意的一点
10x Visium	原位捕获	55 μm 斑点	全转录组	成熟，但分辨率粗糙，一个斑点可能覆盖多个细胞
Slide-seq	原位捕获	10 μm 珠	全转录组	分辨率高，但建库复杂；我踩过坑
MERFISH	原位成像	单细胞/亚细胞	靶向数百基因	分辨率顶级，但基因数受限
STARmap	原位成像	单细胞/亚细胞	靶向数千基因	3D 组织，但实验成本高

Visium 是现在用的人最多的平台。它的原理其实挺巧妙的：一张特制载玻片，表面布满位置固定的捕获斑点，每个斑点上有唯一的位置条形码。把组织切片贴上去，透化处理释放 mRNA，mRNA 就会扩散到最近的斑点和条形码结合。

我曾经在一个项目里用它分析肿瘤切片，结果发现坏死区域附近几乎抓不到 mRNA。唉，透化时间没调好，白花了两次实验费。

我的建议：做 Visium 前，一定要优化透化时间。建议预实验做 3 个梯度（5min、12min、20min），不然正式数据可能出一堆零。

Slide-seq 是另一种思路。把几万个直径 10 μm 的条形码珠子，随机铺在玻片上形成单层。然后通过原位测序给每个珠子标定空间坐标。

分辨率上 Slide-seq 确实能到接近单细胞水平。但我得说，数据处理比 Visium 麻烦不少——珠子位置需要专门的重建算法，而且珠子覆盖并不均匀。

避坑提醒：Slide-seq 的珠子密度不均匀会严重影响后续分析。我曾在 QC 阶段发现某批数据有 30% 的珠子捕获数少于 10 个 UMI，这就是珠子铺得不好。建议先做饱和度分析。

好，问题来了：拿到了空间转录组数据，怎么找到那些 在空间上有差异的基因？这就是空间可变基因（SVG，Spatially Variable Gene）检测要干的活。

你想想看，一个基因如果在整个组织里均匀表达，那空间信息对它来说就是冗余的，对吧？空间可变基因是指那些表达水平在空间位置上呈现特定模式的基因，比如只在特定层级表达、在肿瘤边界高表达、或在某个解剖区域形成热点。

检测 SVG 的意义非常大：

我遇到过这样的案例：一个客户拿 Visium 数据找我，说找不到差异基因。我一查，空间自相关检验的 p 值全不显著。后来发现他用的透化时间过长，mRNA 在切片上扩散过远，空间模式全被抹平了。

所以，SPARK 就是专门为这种问题设计的——它能从空间中精确识别哪些基因在组织里呈现 非随机 的分布模式。这就是本课程的核心武器。

下面这张图，是我自己画的知识框架。你可以看到空间转录组的流程：从组织切片到捕获建库，然后是核心的 SVG 检测，最后落到生物学解释。你仔细看，SPARK 就嵌在核心分析那层。

上面这张图把整个知识域串起来了。注意看，左侧绿色-橙色-紫色-青色这个链条，就是标准分析流程。而红色框里的 SPARK 是做什么的？就是做空间自相关检验、做 SVG 排名的那一环。

我习惯把 SVG 检测看作“在组织地图上给每个基因打分”。打分高的基因，空间分布越不随机。这个打分就是后续所有分析的第一步。

如果你要快速判断一个空间转录组项目的可行性，看这三个数就够了：

踩坑实录： 我见过一个公开数据集，UMI 中位数才 500，但作者强行跑 SVG 检测。最终结果里 90% 的基因都被标记为“显著”，实际上全是技术噪声。记住：低质量数据里 SVG 检测的假阳性极高。先做好 QC，再谈空间分析。

好了，这一章就到这里。你有了一个全景视角：空间转录组是什么，主流平台怎么干，以及为什么我们需要 SPARK 来抓空间可变基因。后面的章节我们会深入 SPARK 的每个技术细节，包括数学原理、R 包实现、参数调优、结果解读，以及如何把 SVG 跟组织功能区域挂上钩。

记住这张图上的路径。接下来每一步，我们都会反复回到这个框架。稳住，慢慢来。