1. 课程导论：从一块组织切片说起

大家好，欢迎来到这门课。

先聊个我自己的事。几年前我还在做传统转录组分析，说白了就是把一堆细胞磨碎了提RNA，然后测序。结果呢？得到了整个组织的平均基因表达。可我们都知道，心脏的心肌细胞和成纤维细胞挨在一起，功能天差地别。把混在一起的数据拿来分析，就好像把一锅乱炖的菜拿去化验——你能知道里面有什么食材，但绝对分不出每块肉原本在哪。

所以，空间转录组学就出来了。它的核心目标很简单：在保留细胞原位位置信息的前提下，测量基因表达。嗯，这个“原位”非常关键。

1.1 空间转录组学的背景

传统转录组学（bulk RNA-seq 和 scRNA-seq）告诉我们“谁”在里面，但没说“谁”在“哪”。组织发育是一个高度空间化的过程——细胞在三维空间里迁移、分化、信号交流。没有空间信息，我们根本讲不清发育的完整故事。

我个人习惯把空间转录组学技术分成几代：

你想想看，不同技术给出的空间粒度差别很大。MERFISH 能看清单个细胞内mRNA的分布，但通常只能测几十到几百个基因。而 10x Visium 可以测全转录组，但每个“点”覆盖了大约一到十个细胞。没有绝对的好坏，只有合不合适的场景。

1.2 空间特异性特征到底是什么？

好，背景讲完了。那什么是空间特异性特征？

说白了，就是某些基因的表达模式，或者某种细胞状态，只在组织的特定空间区域出现，在其他地方看不到或者不一样。比如，神经管闭合时，腹侧区域的Shh信号通路高度活跃，而背侧则完全不同。这种差异，就是空间特异性。

我把它拆解成三个层次：

1. 全局差异： 整个组织不同区域的大尺度表达差异。比如皮层和髓质。
2. 局部斑点： 某个小区域内的特异性表达模式。比如心脏发育中的传导系统形成灶。
3. 微环境梯度： 细胞在几个细胞的范围内形成的信号梯度。比如形态素浓度梯度。

为什么要关注这个？因为在发育生物学里，很多关键事件都发生在局部。一个细胞是否决定分化为神经元，很大程度上取决于它周围的邻居怎么说。这就是你讲的“组织微环境”的力量。

1.3 课程目标

学完这门课，我希望你能做到以下几件事：

• 理解数据： 空间转录组数据长什么样？怎么读？有哪些坑？
• 掌握方法： 从数据预处理、降维聚类，到空间斑点检测和空间变量基因识别。
• 实战应用： 用 Python 生态（尤其是 SpaCET、Squidpy、Scanpy 等工具）跑通完整的分析流程。
• 做出解释： 面对一张满是斑点的空间转录组数据图，能讲出发育背后的生物学故事。

注意，这不是一门纯理论课。每个模块我都会带代码示例，而且我会尽量用我自己在项目中踩过的坑来提醒你。

1.4 学习路径

整门课分成一个大的知识结构。你可以对照这张图来把握节奏：

这张图展示了课程的主线。你看，我们先打好基础（Python、图像、统计），然后深入理解空间数据，接着学习核心分析方法，最终目标是识别组织中特异的空间模式。

1.5 你需要准备什么

先别急着装软件。我个人建议按这个清单来准备：

• Python 3.9+，最好是 3.10 或 3.11
• 核心库： Scanpy、Squidpy、SpaCET、matplotlib、numpy、pandas
• 可选但推荐： PyTorch（后面章节用深度学习模型时会用到）
• 数据集： 我会用公开数据集（比如 10x Visium 的小鼠脑切片数据），你也可以自己准备

conda create -n spatx python=3.10
conda activate spatx
pip install scanpy squidpy pandas numpy matplotlib

1.6 一个简单示例感受数据

在正式开课前，先看一眼空间转录组数据长什么样。下面是一小段代码，用来加载一个标准的 Visium 数据集（假设你已经下载好）：

import scanpy as sc
adata = sc.read_visium('path/to/your/spatial/data')

# 看看基本结构
print(adata)
print(adata.obs.head())
print(adata.obsm['spatial'].head())  # 空间坐标

这段代码会输出 AnnData 对象的信息，其中 obsm['spatial'] 存放了每个斑点的 X、Y 坐标。这就是空间信息的来源。之后的课程里，我们会频繁操作这个对象。