一、空间转录组学概述：定义、发展历程、主流技术
各位同学，欢迎来到《空间转录组特征学习》的第一讲。
我刚开始接触这个领域时，满脑子都是“这玩意跟单细胞测序有啥区别？” 其实，区别大了去了。单细胞测序虽然能看清每个细胞的基因表达，但细胞一脱离组织，它在空间上的邻居关系、微环境信息全丢了。空间转录组技术（Spatial Transcriptomics）就是为了补上这块拼图——在不破坏组织完整性的前提下，原位测量基因表达。
你想想看，肿瘤的异质性研究里，为什么有的细胞对药物敏感，隔壁的却耐药？只有把基因表达信息投射回组织切片上，才能回答这类问题。这章我们就从定义、发展脉络到主流技术，把整个底牌摊开聊。
1.1 什么是空间转录组学
空间转录组学，说白了就是一张“基因表达的GPS地图”。它既能告诉你细胞里哪些基因打开了（RNA丰度），又能告诉你这些细胞在组织切片上的精确坐标。
我个人习惯这样定义：它是一套在组织原位捕获全转录组或靶向转录组信息，并与组织学图像（H&E、免疫荧光等）配准的方法体系。
很多入门同学会混淆“空间转录组”和“单细胞转录组”。这里我画了个对比表，帮你厘清区别——
| 维度 | 传统单细胞转录组 (scRNA-seq) | 空间转录组 (Spatial Transcriptomics) |
|---|---|---|
| 细胞位置 | 丢失空间坐标 | 保留原位坐标 |
| 通量 | 单细胞级别，可达数万细胞/样本 | 点阵级别（10-100μm 分辨率）或单细胞级 |
| 基因覆盖 | 全转录组，灵敏 | 因平台而异（全转录组或靶向） |
| 组织上下文 | 不可见 | 可见组织形态、细胞邻域 |
| 核心应用 | 细胞分群、发育轨迹 | 肿瘤微环境、神经环路、发育图谱 |
嗯，但两者并非对立，而是互补。我建议你把它想成：单细胞是“细胞户口簿”，空间转录组是“细胞房产证 + 邻居名单”。
1.2 发展历程：从原位杂交到高通量原位测序
空间转录组不是突然冒出来的。它背后有一条很清晰的演进线——
- 1990s – 2000s：原位杂交（ISH）时代 一次只能看几个基因，通量极低，但空间分辨率高。我记得最早读研时，师兄做FISH一张切片要折腾两天。
- 2007 – 2015：原位测序/成像技术的萌芽 比如smFISH、seqFISH，把基因检测从杂交推向原位测序，但基因数依然有限。
- 2016 – 2018：第一代空间转录组传感器诞生 “Space Transcriptomics”这个词就是这时候火起来的。那时候的探针阵列分辨率大概在100μm，每个点捕获不到10个细胞，但已经能画出分区的热力团了。
- 2019 – 2022：单细胞级分辨率爆发 10x Visium、Slide-seq V2、MERFISH、HDST 等技术把分辨率从百微米级推进到了亚细胞级。
- 2023 – 现在：多模态 + 大视野 + 原位全长 开始整合蛋白质组（如CosMx SMI）、表观组，同时分辨率、覆盖面积、通量三者不再互相妥协。你在项目中如果要用这套技术，优先看平台在分辨率 vs 基因数上的折衷曲线就好。
这里有个小坑：很多人以为空间转录组仅仅是“把单细胞测序放到切片上”。其实不是。它的核心挑战是——如何在不破坏RNA的情况下，把组织固定在底物上，再逆向捕获RNA信息。我刚做PBMC解离时，RNA活得好好的；一做原位固定，降解率超过30%的例子我都见过。
1.3 主流技术归纳
目前市场上的主要流派——我总结成三类：阵列捕获型、成像型、微流控型。这里用一个表格横向对比，你后面选平台时可以快速参考：
| 技术流派 | 代表平台 | 原理概要 | 分辨率 | 基因通量 | 典型应用场景 |
|---|---|---|---|---|---|
| 阵列捕获 (Array-based) | 10x Visium, 10x Xenium | 在玻璃片上预置 barcode 探针，捕获组织切片释放的RNA | 55μm (Visium) / 单细胞 (Xenium) | 全转录组 / 靶向数百-数千基因 | 肿瘤微环境、发育图谱 |
| 成像型 (Image-based) | MERFISH, smFISH, seqFISH+ | 反复轮次杂交 + 成像解码 | 亚细胞 (数百纳米) | 靶向 100-10000 基因 | 神经环路、亚细胞定位、复制时间 |
| 微流控/原位测序 | Slide-seqV2, HDST, DBiT-seq | 微珠/微流控通道分配barcode | 10μm (Slide-seqV2) / 50μm (HDST) | 全转录组 | 稀有样本、低表达基因捕获 |
重点提示：如果你主要目的是做发现（Discovery），比如从组织切片中发现新亚型、新标记基因，那我个人推荐阵列捕获型——全转录组方法没有预设引物，适合探索。如果是要验证特定panel表达式，成像型多色原位是更优解——单细胞分辨率 + 稳定的靶向panel。
1.4 一张图看懂空间转录组学知识体系
下面这张SVG图，把这章的知识骨架还原成一张流程图。从样本到数据，我把它分为3个阶段、6个关键节点——
这张图梳理了从样本制备到数据分析的流程，并把三大技术流派放到对应位置。你在项目中做技术选型时，顺着这个框架去对号入座就行。
1.5 避坑指南与个人经验
选平台前，先问三个问题：
- 我需要单细胞分辨率吗？——如果做肿瘤边界分析或神经元邻域，要；如果只是看组织区域表达模式（皮层分层），10x Visium 55μm够用了。
- 我需要全转录组吗？——Discovery实验需要全转录组，验证实验用靶向panel更省钱、更高效。
- 样本大小如何？——大块组织切片（如脑组织）用阵列捕获划算，微小活检组织用成像型或微流控更好。
我曾经踩过的坑
项目初期，我拿到一张冷冻切片，直接按scRNA-seq的操作习惯解冻上机。结果RNA降解超过40%，捕获效率极低。后来才知道：空间转录组对RNA完整性（RIN > 7）比常规单细胞更苛刻。千万别省略质量检查——用组织裂解液取少量样本提RNA做Agilent Bioanalyzer跑个图谱，哪怕多花2小时，都能帮你避免一次失败的跑片。
好了，这一章从基础定义、发展脉络到主流技术分类，把空间转录组的底牌都翻开了。下一节我们将正式进入特征学习的核心模块——特征提取与降维。不过这些是后面的事，这里你先记住这张图为底。后面反复调用这张认知框架就好。