第1章 空间转录组学概述

1.1 空间转录组学：技术发展史

空间转录组学，说白了就是给传统的单细胞测序加上一个「坐标」。你想啊，普通单细胞数据把细胞都打碎了，我们只知道每个细胞里有什么基因在表达，却不知道它原来待在哪个位置。而空间转录组解决了这个问题——它让我们在完整组织切片上直接检测基因表达，同时保留细胞或 spot 的空间位置。

我最早接触这个领域是在 2019 年，那时候刚出了 10x Visium 的第一代产品。说实话，当时觉得这玩意儿就是个黑盒子，只知道它能输出一堆带坐标的基因表达矩阵，但背后的原理理解得并不深。这几年技术迭代之快，让人应接不暇。咱们快速理一下这条时间线：

• 2016 年 - Slide-seq：哈佛团队首次用带有条形码的微珠（bead）来捕获组织切片中的 mRNA，实现了接近单细胞分辨率的空间表达谱。不过它的 bead 排列是随机的，需要后期通过原位测序来定位每个 bead 的坐标。
• 2019 年 - 10x Visium：这是商业化最成功的平台。它将带有空间条形码的探针预先排列在玻片上，每个位置是一个直径为 55 μm 的 spot。我项目中第一次用的时候，发现它最大的优势是「确定性」——你不需要像 Slide-seq 那样去反向解码 bead 位置，因为 spot 的坐标在玻片制造时就固定了。
• 2020 年 - MERFISH：这是基于多重荧光原位杂交（FISH）的单分子成像技术。它能检测单个 RNA 分子，空间分辨率可达到亚细胞级别。你想想看，这比 Visium 的 55 μm 精细多了。不过它的通量有限，一次能检测的基因数量远不如测序类方法。
• 其他值得关注的平台：包括 seqFISH+（多重 FISH 的升级版）、Stereo-seq（华大推出的纳米级分辨率技术）、CosMx SMI（NanoString 的单分子成像平台）。每个平台都有自己的 trade-off，后面章节我们会做详细对比。

技术平台	空间分辨率	通量（基因数）	是否需要单细胞解离？	商业化程度
10x Visium	55 μm（包含 1-10 个细胞）	全转录组	否（组织切片直接上样）	高
Slide-seq V2	10 μm	全转录组	否	中等（需自制玻片）
MERFISH	亚细胞（约 200 nm）	100-1000	否	高
Stereo-seq	500 nm - 2 μm	全转录组	否	中等
seqFISH+	亚细胞	约 10000	否	低（实验流程复杂）

1.2 10x Visium 平台原理

10x Visium 的原理其实不复杂，但有几个关键细节你一定要注意。我最初看官方文档时被一堆术语搞懵了，后来亲手做了两次实验才理解透。来，咱们拆解开一步步讲：

1.2.1 玻片结构与捕获原理

Visium 玻片的表面布满了捕获区域（capture area），每个区域里预置了数千个 spot。每个 spot 上有数十万条探针（probe），每条探针包含以下几个关键部分：

5' - 捕获序列（poly-dT） - 空间条形码 - UMI - 连接序列 - 3'
                                |
                     (每个 spot 一个，唯一)

• 捕获序列 (capture sequence)：通常是 poly-dT，用于抓取组织中的 mRNA（带 poly-A 尾巴）。
• 空间条形码 (spatial barcode)：每个 spot 唯一且预知的一个 DNA 序列，长度约 16-20 bp。这个条形码决定了你测到的 read 来源于哪个 spot。
• UMI (Unique Molecular Identifier)：每个捕获探针上的随机序列，用来标记单个 mRNA 分子。UMI 是为了消除 PCR 扩增偏差而设计的。
• 连接序列 (adapter)：用于下游文库构建和测序。

组织切片贴到玻片上后，经过固定、透化（permeabilization），释放出的 mRNA 被最近的 spot 上的 poly-dT 探针捕获。嗯，这里要注意——透化时间需要拿捏得很准，时间短了 mRNA 抓得少，时间长了会扩散到相邻 spot，造成空间信息的混淆。我刚开始做的时候就吃过这个亏，透化时间多加了 3 分钟，结果空间热图全糊了。

1.2.2 文库构建与测序

捕获完成后，进行反转录（RT）、二链合成、PCR 扩增和文库构建。最终上机测序通常使用双端测序模式：

Read 1: 空间条形码 + UMI (约 28-30 bp)
Read 2: mRNA 的 cDNA 片段 (约 50-100 bp)
索引读段: 样本索引 (约 8 bp)

测序后的数据经过 Space Ranger 软件（10x 提供）处理，输出以下几个核心文件：

• 稀疏矩阵 (matrix.mtx)：基因 × spot 的表达矩阵，只存储非零值。
• 特征列表 (features.tsv)：基因 ID 与基因名。
• 条形码列表 (barcodes.tsv)：所有有效 spot 的条形码。
• 空间坐标文件 (tissue_positions_list.csv)：每个 spot 在图像上的像素坐标和其在阵列中的 row/col 索引。
• 高分辨率组织图像 (tissue_hires_image.png)：用于后续可视化。

1.3 空间转录组数据特点

空间转录组数据和普通 scRNA-seq 数据有本质区别。我整理了一张解析表，对比两者的核心差异：

维度	scRNA-seq	空间转录组 (Visium 为例)
基本单位	单个细胞	spot (55 μm，含 1-10 个细胞)
表达矩阵结构	细胞 × 基因	spot × 基因
空间信息	无（细胞已解离）	有（像素坐标 + 阵列坐标）
UMI 来源	每个细胞的捕获效率不同	每个 spot 的捕获区域固定（探针数量一定）
稀疏度	极高（dropout 严重）	较高（但比同细胞数的 scRNA-seq 略好，因为一个 spot 包含多个细胞）

1.3.1 Spot / Bead

在 10x Visium 里，spot 是最小分析单元。一个 spot 的直径是 55 μm，中心间距为 100 μm。这意味着相邻 spot 之间有约 45 μm 的间隙，不会重叠。但在组织切片中，spot 不一定都落在组织上——只有覆盖了组织的那部分 spot 才会被捕获到 mRNA。Space Ranger 会自动识别组织区域（通过图像分析，找到有组织覆盖的 spot）。

对于 Slide-seq 或 Stereo-seq 这类基于 bead 的技术，最小单元叫 bead。bead 的直径更小（约 10 μm 甚至更小），而且它们是被随机散落在玻片上的，所以每个 bead 的空间坐标需要通过单独的原位测序来确定。这也就是为什么 Slide-seq 的输出中会包含一个 beads.csv 文件，用来记录每个 bead 的坐标和条形码序列。

1.3.2 UMI

UMI 是处理空间转录组数据时绕不开的概念。每个捕获探针都带有一段随机序列（通常 10-12 bp），它标记了该探针捕获到的单一 mRNA 分子。在数据处理时，我们会通过 UMI 来去除 PCR 重复——同一 UMI 的多条 read 只算一次计数。

为什么这么设计？因为 PCR 扩增会偏好性地放大某些序列，导致你看到的基因表达量被扭曲。UMI 就像给每个 mRNA 分子发了一张「身份证」，PCR 再怎么扩增，同一种身份证的出现次数只计一次。我见过有人拿没有 UMI 的老数据做空间分析，结果高表达基因被严重高估，误导了下游的聚类分析。

1.3.3 空间坐标

空间坐标是空间转录组数据的灵魂。在 Seurat 中，我们会使用 spatial 对象来存储和管理这些坐标信息。对于 Visium 数据，坐标体系通常有两种：

• 像素坐标 (pixel coordinates)：基于组织 H&E 图像。例如一个 spot 在 1000×800 像素的图像上位于 (x=450, y=320)。
• 阵列坐标 (array coordinates)：基于玻片上的 spot 排列网格。每个 spot 有 row 和 col 索引，例如 (row=18, col=24)。

在 Seurat 中，这两种坐标会被自动转换并存储在 meta.data 里。我个人习惯在画空间特征图时优先使用像素坐标，因为它能直接对齐 H&E 图像，视觉效果更接近显微镜下的真实组织形态。

1.4 空间转录组数据的核心结构

为了让你对整体数据结构有个直观印象，我画了一张 SVG 框架图。它概括了从实验到数据分析所涉及的关键概念和数据流：

从这张图你能看到，整个空间转录组分析的起点是组织切片上的捕获和测序，产出三种核心文件（矩阵、特征、坐标）。而当我们把这些数据读入 Seurat 后，它们会整合成一个 Spatial 类的 SeuratObject，其中 assays 里存着表达数据，images 里存着组织图像与 spot 的映射关系，meta.data 里则包含了各种 QC 指标和坐标信息。

理解了这个基本框架，后面我们在 Seurat 里做的所有操作——从过滤、标准化、降维、聚类，到差异表达和空间可视化——都是在这个数据结构上进行的。这也是为什么我建议你花点时间搞懂本章的内容，把基础打牢。后面的路会顺很多。