📚 课程目录第2章空间转录组数据特点

2、空间转录组数据特点：空间坐标、基因表达矩阵、稀疏性

接触空间转录组之前，我做了好几年单细胞测序。那时候觉得单细胞数据已经够头疼了——几万个细胞，几万个基因，矩阵稀疏得跟马蜂窝似的。直到第一次拿到空间转录组数据，我才意识到：真正的问题从来不是数据大，而是数据既大又有结构。空间坐标把每个点绑在了组织切片的具体位置上，这使得后续分析既充满机会，又处处是陷阱。

2.1 空间坐标：组织里的“经纬度”

空间转录组最直观的区别是什么？答案是每个检测点都有一个明确的物理位置。想象一下，一张小鼠脑切片上分布着几千个 spots（或 beads），每个 spot 的圆心坐标 (x, y) 就是它的“经纬度”。坐标数据通常长这样：

spot_id    x_coord    y_coord
spot_001    1024.5     789.2
spot_002    1024.6     790.1
spot_003    1025.0     788.9
...

注意这里的单位是像素，不是微米。不同平台的分辨率差很多——10x Visium 的 spot 直径约 55 μm，间距 100 μm；而 Slide-seq 的 beads 直径只有 10 μm，密度高得多。我曾在项目中混用过两个批次的数据，忘了做坐标系对齐，结果下游聚类一片混乱……嗯，从那以后我把坐标归一化写进了预处理流水线的第一步。

空间坐标最关键的特性是非均匀采样。组织切片不是规则的网格，有些区域（比如肿瘤边界）形态复杂，spots 会相对稀疏；而均匀的组织区域（比如肝实质）采样就比较密。这种非均匀性会直接影响后续的空间近邻构建，如果你直接用欧氏距离一刀切，很可能把不同结构域的 spots 强行连在一起。

避坑指南：使用空间坐标之前，先检查单位是不是统一。我遇到过有的数据集坐标是微米，有的却是像素，混合分析前必须乘以一个转换因子。另外，建议始终保留原始坐标，别为了可视化方便就随意缩放，不然空间权重矩阵全废了。

2.2 基因表达矩阵：高维计数矩阵

每个 spot 除了坐标，还绑着一个 RNA 计数向量。把所有 spots 拼起来，就得到一个标准的基因表达矩阵：行是 spots（几千到几万个），列是基因（通常两万左右）。大部分平台输出的是 UMI 计数，也就是离散整数。

          ||  GeneA | GeneB | GeneC | ...
============================================
spot_001  ||      0 |     12 |      5 | ...
spot_002  ||      3 |      0 |      1 | ...
spot_003  ||      0 |      0 |      0 | ...
...

这个矩阵和单细胞测序的计数矩阵在结构上没有本质区别，但有一个显著差异：每个 spot 往往包含多个细胞的 RNA。10x Visium 的一个 spot 直径覆盖 1-10 个细胞，具体取决于是什么组织。这意味着矩阵里的每个元素不是单个细胞的表达，而是一个混合信号。

我最初做差异表达分析时，直接套用了单细胞的 Wilcoxon 秩和检验，结果发现很多 marker 基因的 p 值非常显著但 fold change 极小。后来才意识到，混合信号稀释了差异的幅度，需要改用考虑空间自相关的方法。说白了，空间转录组的数据结构决定了下游分析必须专门处理“多细胞平均”效应。

特性	单细胞 RNA-seq	空间转录组
观测单位	单个细胞	spot / bead（含多细胞）
坐标信息	无	有 (x, y)
典型 spot / 细胞数	5K - 50K	1K - 10K
每个单元平均基因数	2000 - 5000	500 - 2000（因深度而异）
基因表达矩阵稀疏度	>90%	>80% 但受 spot 捕获效率影响

2.3 稀疏性：沉默的基因与噪声

不管是哪种空间转录组平台，你都会发现表达矩阵里一大堆零。为什么会这样？两个原因：一是基因本身在组织里就不表达（真的零），二是技术性丢失（dropout）。空间转录组的 dropout 率通常比单细胞高，因为每个 spot 的 RNA 捕获效率有限，尤其当 spot 包含的细胞数很少时。

我习惯先看一个简单指标——零率。比如用 Python 算一下：

import numpy as np
sparsity = np.mean(count_matrix == 0)
print(f"零率: {sparsity:.2%}")
# 输出: 零率: 87.34%

87% 的零率，也就是说矩阵里超过八成的位置都是 0。这个数字在单细胞里可能超过 95%，但空间转录组的零率也足够让很多经典算法崩溃。比如直接做 PCA，会看到第一个主成分被“测序深度”或“零比例”主导，根本看不见真正的生物学信号。

  关键认知：空间转录组的稀疏性既是挑战也是线索。真正不表达的基因和因为技术原因丢失的基因，它们的空间分布不同——真的零会呈现组织特异性的规则模式，而 dropout 零是随机分散的。因此，可以利用空间坐标做“平滑”去填补部分 dropout，这也是后面章节要讲的特征学习方法之一。

处理稀疏矩阵时，我个人会注意几个细节：

先过滤低表达基因：去掉在所有 spot 中表达计数总和 < 10 的基因，能有效降低矩阵维度，且不会丢失太多信息。
不要直接对原始计数做归一化：空间转录组的数据深度差异很大，有的 spot 只有几百个 UMI，有的却有上万。用传统的 CPM（每百万计数）归一化之前，最好先根据组织区域做分块归一化，否则边缘区域和中心区域的生信指标会有系统偏差。
稀疏矩阵存储：用 scipy.sparse.csr_matrix 或 anndata 的稀疏格式。我见过有人直接把全矩阵塞进内存，几十 GB 直接爆了——其实空间转录组数据完全可以用稀疏表示，内存占用能降到原来的五分之一。

注意：当你使用空间自相关分析（比如 Moran's I）时，稀疏性会导致一些基因的统计检验震荡很大。我建议对低表达基因设置一个最小计数阈值（比如至少 3 个 spot 有 > 0 的表达），否则计算出的空间模式可能只是噪声。别问我是怎么知道的……那次一个显著的空间热点区域其实只有两个 spot 有表达，剩下的全是 0。

下面这张 SVG 图总结了空间转录组数据的三个核心特点以及它们之间的关系：

最后总结一下，空间转录组数据不像常规的表格数据。你得把坐标、矩阵、稀疏性三个特点同时装在脑子里，才能设计出合理的分析方案。我个人处理新数据集时，第一步永远是画一张 total_counts 的空间分布热图，看看测序深度有没有空间趋势；第二步算稀疏度，决定要不要走强过滤路线。这些习惯都是在踩过坑之后慢慢养成的——希望你能少走一些弯路。