Visium技术简介与空间转录组学概述
各位好，我们开始聊Visium组织覆盖评估。在动手做任何分析之前，得先搞清楚Visium到底是什么，以及空间转录组学为什么值得做。
我从2019年开始接触空间转录组技术。那会儿平台还没这么成熟，数据量也小，但第一眼看到基因表达被映射回组织切片时，说实话，挺震撼的。比单纯看细胞悬液里的平均表达值，信息量完全不是一个量级。
这一节，我们先打好基础。
1.1 为什么需要空间转录组学
传统转录组学，比如bulk RNA-seq或scRNA-seq，说白了就是把组织打碎，提取RNA，然后测序。你得到的是所有细胞的平均表达谱，或者单个细胞的基因清单，但细胞原来的位置信息，丢了。
举个例子。肿瘤微环境里，免疫细胞到底在肿瘤边缘还是浸润到内部？两种状态对应的基因表达完全不同。没有空间位置，你只能猜。空间转录组学，就是把这个「位置」找回来。
我个人习惯把空间转录组学比作「给基因表达画地图」。有了这张地图，你才能知道哪些区域在活跃转录，哪些区域处于静息状态，哪些区域发生了病理变化。
1.2 Visium技术核心原理
Visium是10x Genomics推出的基于探针捕获的空间基因表达技术。它的设计思路很有意思，不是直接测序组织切片上的RNA，而是通过一张带有空间条形码的捕获芯片来「复印」表达信息。
1.2.1 芯片结构
Visium捕获芯片上覆盖着数百万个捕获点（spots），每个点直径55微米，相邻点中心间距100微米。每个捕获点表面有几十万条探针，每条探针包含：
- 空间条形码（Spatial Barcode）：唯一标识该点在芯片上的物理坐标
- UMI（Unique Molecular Identifier）：区分不同的RNA分子
- Poly(dT)序列：捕获mRNA的poly(A)尾巴
你想想看，每个点都有一个专属的「邮政编码」，测序时只要读出这个条形码，就知道这个mRNA来自组织切片的哪个位置。这就是Visium最巧妙的地方。
1.2.2 实验流程简述
- 组织准备：新鲜冷冻组织，OCT包埋，切片厚度10微米
- 放置切片：将组织切片贴在Visium捕获芯片上，用甲醇固定并H&E染色
- 成像：高分辨率明场扫描，记录组织形态学图像
- 透化：在芯片上加透化酶，让RNA从组织释放出来，被下方捕获点上的探针捕获
- 反转录：在芯片上进行原位反转录，cDNA带上空间条形码和UMI
- 文库构建与测序：将cDNA从芯片上洗脱下来，构建标准测序文库
- 数据处理：根据空间条形码将reads分配到对应的捕获点，生成基因表达矩阵
1.3 空间转录组学的关键优势
相比传统方法，Visium给了我们几个新维度：
| 维度 | 传统转录组（bulk/scRNA-seq） | Visium空间转录组 |
|---|---|---|
| 空间信息 | 无 | 每个捕获点有坐标映射 |
| 组织形态学关联 | 无法直接匹配 | 可以与H&E图像对齐 |
| 邻域交互 | 只能推断 | 直接测量相邻点的表达关系 |
| 数据粒度 | 细胞或群体级别 | 点级别（55μm点，混合多个细胞） |
| 通量 | 高 | 中（单次最多约5000个点） |
说白了，Visium给你的不是「细胞在哪里」的精确地图，而是「哪些区域在表达什么」的区域级热力图。55微米的点，在大多数组织中会覆盖3到30个细胞，这取决于细胞密度。
1.4 核心概念：什么是组织覆盖评估
回到我们的课程主题。组织覆盖评估，就是回答一个问题：
组织切片上的哪些区域被捕获芯片有效覆盖了？
不是所有贴上去的细胞都能被成功捕获。有的区域可能因为透化不充分没有信号，有的区域可能因为气泡导致物理接触不良，有的区域可能因为组织折叠或撕裂而产生伪影。
你做一个Visium实验，拿到一个漂亮的基因表达热力图。如果不对组织覆盖进行评估，你可能会把空点或低质量点当成真实信号。嗯，这里要注意。空点区域的基因表达谱基本上是背景噪声，分析进去会把下游结果带偏。
所以，组织覆盖评估是整个空间转录组分析的第一个质量控制关卡。我们后面会用详细的指标和代码来判断每个点是否真正捕获到了组织。
1.5 Visium数据的基本结构
熟悉一下我们分析的对象。一个标准的Visium输出包含：
- 空间条形码列表：所有在芯片上成功解码的点ID
- 表达矩阵（.h5 / .mtx）：基因×点的UMI计数矩阵
- 组织图像（.tif）：H&E染色后的高分辨率图像
- 点坐标文件（tissue_positions_list.csv）：每个点在图像上的像素坐标
- 缩放因子（scalefactors_json.json）：图像与芯片坐标之间的换算参数
这是我常用的查看坐标文件的方式：
# tissue_positions_list.csv 的格式示例
# 列: barcode, in_tissue, array_row, array_col, pxl_row_in_fullres, pxl_col_in_fullres
AAACCCAAGAAATTCA-1,1,0,0,1234.5,5678.2
AAACCCAGTGAACATT-1,1,0,1,1256.3,5700.8
AAACCCAGTCGCACAA-1,0,1,0,1123.1,5500.4
... ... ... ... ... ...
注意in_tissue这一列，0或1。它标记了这个点是否在组织区域内。有些分析流程直接用这个标记做过滤，但我建议你自己再做一次独立的组织覆盖评估。因为10x的自动标记不一定完全准确，尤其是边缘区域。
1.6 技术局限与常见坑
任何技术都有短板。Visium的几个关键局限，你心里要有数：
- 分辨率限制：55μm点直径，无法做到单细胞级别。你想研究细胞亚型的精细空间分布？得用整合scRNA-seq数据的计算解卷积方法。
- RNA扩散：透化过程中RNA可能扩散到邻近点，引入空间模糊。这就是为什么透化时间和温度要精确控制。
- 捕获偏倚：探针对不同基因的捕获效率不同，高表达基因更容易被捕获，低表达基因可能被遗漏。
- 组织质量敏感：RNA降解严重的组织，或者切片厚度不均匀，会严重影响数据质量。
我曾经接手过一个项目，客户说数据很奇怪，基因表达热力图几乎全是均匀的。我一看，组织切片在芯片上放反了，组织面朝上，完全没接触捕获点。这种事情虽然少见，但做组织覆盖评估时第一条就是检查组织是否真正贴在芯片上。
本章知识图谱
我把这一节的核心逻辑画成了一张图。你看完应该对Visium的数据流和评估节点有个整体印象。
这张图把Visium分析的完整链条串起来了。组织切片 → 捕获芯片 → 测序数据 → 组织覆盖评估 → 质量过滤 → 下游分析。评估这一步卡在中间，承上启下。评估做不好，后面全是白费。