空间转录组学：从组织切片里读基因的时空密码
我刚开始接触空间转录组时，心里也犯嘀咕——这不就是把单细胞测序放到切片上吗？
后来跟了项目才发现，完全不是一回事。在我看来，空间转录组学的核心，就是同时拿到「哪些基因表达」和「这些表达在哪里发生」。
单细胞测序把组织打散成细胞悬液，等于你把地图撕碎了，虽然知道每张碎片长什么样，但不知道它们原来贴在什么位置。空间转录组就不一样，它保留组织原本的解剖结构，每个基因的表达信号都带有精确的坐标。
1.1 基本概念：基因表达+空间坐标=信息翻倍
空间转录组学是分子生物学和组织学的交叉产物。它在组织切片的原位进行转录组分析，每个检测点（spot或cell）都能获得数百到数千个基因的表达量，并且这些点的相对位置是已知的。
我习惯拿单细胞数据跟它做对比。单细胞数据里，唯一能用来区分细胞类型的只有基因表达谱；但在空间转录组里，你可以利用周围的细胞环境、组织结构来辅助判断。举个真实例子——我在项目中碰到过一群细胞，单看基因表达很难说是肿瘤细胞还是正常上皮，但一查空间位置，它们正好位于肿瘤边界附近，结合H&E染色确认，确实就是肿瘤浸润前沿。
为什么要强调空间信息？
- 组织微环境：细胞不是孤立的，它们通过与邻居交流来维持功能。空间转录组让你看到配体-受体相互作用的空间距离。
- 区域异质性：同一个肿瘤内部，不同区域可能有完全不同的基因活动。比如缺氧区、增殖区、免疫浸润区，空间转录组能画出这个地图。
- 发育轨迹：想研究组织发育时细胞的分化路径？空间转录组可以通过位置来推断时间顺序——离起源区越远，分化越成熟。
1.2 技术平台：各有各的看家本领
目前主流的空间转录组技术大概分两派：一派是基于捕获探针的，比如10x Visium；另一派是基于成像的，比如MERFISH。我个人做ComBat批次校正时接触最多的是10x Visium，但MERFISH和Slide-seq也经常出现在多平台整合场景里。
| 技术平台 | 原理 | 分辨率 | 基因覆盖 | 通量 | 典型应用 |
|---|---|---|---|---|---|
| 10x Visium | 载玻片上有带条码的捕获点，组织切片贴上去后，mRNA扩散到点中 | 55 μm（每个spot含1-10个细胞） | 全转录组（～20,000基因） | 中等（一次可测4-12个样本） | 肿瘤微环境、神经科学、发育生物学 |
| MERFISH | 多重单分子荧光原位杂交，通过顺序成像读出RNA序列 | 单细胞/亚细胞（～100 nm） | 靶向几百到数千基因 | 较低（需要定制探针组） | 空间图谱绘制、细胞类型定位、基因共表达分析 |
| Slide-seq | 用带有DNA条码的玻璃珠捕获mRNA，像撒芝麻一样铺在载玻片上 | 10 μm（接近单细胞） | 全转录组 | 中等 | 需要高分辨率的全转录组空间分析 |
| ST (Spatial Transcriptomics) | Visium的前身，方法类似但spot更大（100 μm） | 100 μm | 全转录组 | 低 | 初步探索、概念验证 |
| seqFISH+ | 类似于MERFISH，但使用组合标记和连续成像 | 亚细胞 | 靶向～10,000基因 | 低 | 高分辨率空间转录组图谱、神经环路 |
你可能会问：那ComBat在哪个平台最有用？嗯，说实话，ComBat最初是为批量效应校正设计的，但它处理空间转录组时有一个天然优势——空间数据有批次效应吗？当然有！不同组织切片、不同实验批次、不同扫描仪，都会引入系统偏差。我每次拿到多个10x Visium切片的数据，第一件事就是用ComBat校正切片间的均值偏移和方差差异。
1.3 与单细胞转录组学的关键区别
这个区别我反复被问到。上课的学生总觉得两者差不多，但其实从实验设计到数据处理，差异巨大。
下面这个表格我把主要区别列出来，你一眼就能看清：
| 维度 | 单细胞转录组 | 空间转录组 |
|---|---|---|
| 输入样本 | 细胞悬液（组织消化后） | 新鲜冷冻或FFPE石蜡切片 |
| 分辨率 | 单细胞级别（理论上一根细胞一根数据） | 取决于技术：Visium 55 μm（多细胞），MERFISH 亚细胞 |
| 基因捕获效率 | 高（10x 3'端可测～5000 UMI/细胞） | 相对较低（Visium约2000-5000 UMI/spot） |
| 空间信息 | 无（消化后位置丢失） | 有（精确坐标） |
| 主要偏差来源 | 细胞大小/基因长度/液滴效应/批次 | 捕获效率差异、组织厚度变异、切片批次、扫描参数 |
| 常见下游分析 | 聚类、差异表达、拟时序、转录因子富集 | 空间聚类、区域差异、配体-受体互作、组织边界检测 |
| Batch correction常用方法 | Harmony、Seurat CCA、ComBat | ComBat、Harmony（需加入位置权重）、SpatialPCA（有限） |
我给你讲一个项目经历。有一次我帮病理科分析结直肠癌样本，同时做了单细胞和10x Visium。单细胞数据里，T细胞、B细胞、成纤维细胞都分得很清楚，但看不清这些免疫细胞到底是在肿瘤内部还是在肿瘤边缘。空间数据一叠加，T细胞明显集中在肿瘤边缘且形成聚集灶，而B细胞散在分布在间质区域。这个空间信息直接改变了我们对免疫治疗靶点的选择。
但空间转录组也有自己的坑。比如，Visium的spot直径55微米，如果你碰到很小的细胞亚群（比如一小团神经干细胞），它可能被稀释到几个spot里，造成“混合信号”。我记得刚做第一次空间分析时，看到某个spot里同时表达了神经元和胶质细胞的标记基因，以为是新发现的杂交细胞...后来一查H&E图像，原来那个spot正好落在灰白质交界处，两种细胞都有。这就是空间转录组常遇到的分辨率陷阱。
1.4 知识体系总览：一张图看清全章脉络
下面这个SVG图把本章内容的核心结构画出来了。你看着它，就能理解空间转录组学从概念到平台再到对比分析的完整框架。
1.5 为什么ComBat在这里很重要？
空间转录组数据整合，是当前最头疼的问题之一。你想啊，一个实验可能用到三种不同组织切片，每张切片由不同人操作、不同时间扫描，甚至不同批次试剂。我见过最夸张的情况：同一块肿瘤切了两张50μm的切片，一张放左半张切片架上测，另一张放右半张，出来的基因表达均值差了30%。
这就是批次效应。ComBat通过经验贝叶斯方法，估计每个基因在每个切片上的均值偏移和方差变化，然后把它们调整到同一水平。在空间转录组中，我们可以把每个切片或每个捕获区域视作一个“batch”，进行校正。
我建议大家在真正开始空间整合分析之前，先用PCA或UMAP看看有没有明显的批次聚类。如果发现不同切片的点形成了各自的小团，那就说明非校正不可。下一章我们会具体讲ComBat的数学原理，以及它在空间数据上的适用性调整——嗯，先不剧透太多。
好了，本章内容就到这里。你可以记住四句话：空间转录组保留了位置信息；技术平台各有权衡；与单细胞转录组在分辨率、偏差、分析目标上差异很大；ComBat是整合多切片数据的重要工具。