空间组学技术简介：从 seeing 到 mapping
好，我们正式开始第二讲。
上一章我们聊了肿瘤微环境有多大，它背后藏着怎样的空间“指纹”。但问题来了——你用什么尺子去量？你用什么镜头去看？
这章，我们就来盘点一下手头的“工具包”。
空间组学，说白了就是给传统的分子生物学加上 GPS 坐标。每一条基因、每一个蛋白质、每一种代谢物在打哪来的。我个人习惯把这项技术拆成三大类：空间转录组学、空间蛋白质组学、空间代谢组学。当然，现在最热的是把它们揉到一块儿——多模态融合。
空间转录组学：给基因表达贴坐标
你在单细胞 RNA-seq 里看到某个基因在 T 细胞里高表达。然后呢？它在肿瘤的边缘还是核心？它在跟旁边的细胞“说话”吗？单细胞数据回答不了这个问题。空间转录组学就是来补这块的。
10x Visium 是目前用得最广的技术。它的原理说起来不复杂：
- 在玻片上铺一排带空间条形码的探针
- 把组织切片贴上去
- 组织里的 mRNA 扩散到探针上
- 测序，反推出 mRNA 来源的空间位置
每个“点”覆盖约 55 μm 的直径，对应的细胞数差不多1到10个。分辨率不算高，但胜在通量大——一张切片能看整个转录组。
我在做结直肠癌项目时用过 Visium。肿瘤中心区域的高氧环境与外围缺氧区域，基因表达谱完全不同。这个空间差异，在传统 bulk 测序中是直接平均掉的。
Slide-seq 分辨率更高，能到单细胞级别。它的核心是「磁珠阵列」——把数百万个带有 barcode 的磁珠铺在玻片上，每个磁珠直径约 10 μm。你想想看，这密度比 Visium 高得多。
代价是什么？技术门槛和成本都上去了。
MERFISH 走的是另一条路——基于成像的空间转录组学，不用测序。它用多轮荧光原位杂交，每次只读几个基因，反复读几百次拼出完整图像。分辨率极高，能达到亚细胞级别。
# 一个典型的 Visium 数据读取示例（Python）
import scanpy as sc
adata = sc.read_visium("spatial_data/", count_file="filtered_feature_bc_matrix.h5")
adata.var_names_make_unique()
print(adata.obs.shape) # (空间点数 x 基因数)空间蛋白质组学：把“干活”的分子找出来
转录组告诉你有可能发生什么。蛋白质组告诉你正在发生什么。
这里的代表技术是 CyCIF（循环免疫荧光） 和 IMC（质谱流式成像）。
CyCIF 的做法简单粗暴：染一轮，拍照，洗掉，再染下一轮。一轮最多染4到5种抗体。反复洗染30次以上，就能看100多个蛋白。我最初接触它时觉得这方法太原始了，但硬是扛住了——组织形态保持得很好，抗体兼容性也高。
IMC 用金属同位素标记抗体代替荧光染料，再用激光逐点扫描组织，把金属信号送进质谱检测。好处是完全消除光谱重叠，一枪能同时测40+个蛋白。
| 技术 | 标记方式 | 多重能力 | 分辨率 | 组织损伤 |
|---|---|---|---|---|
| CyCIF | 荧光染料 | 30~60 重 | 亚微米 | 轻（多次洗脱） |
| IMC | 金属同位素 | 40+ 重 | ~1 μm | 重（激光烧蚀） |
我犯过一个低级错误——IMC 的切片厚度不能超过 5 μm，否则激光打不透，数据会有空洞。做之前一定要跟病理科确认切片参数。
空间代谢组学：看见“小分子”的战场
转录和蛋白都是“大分子”的事。但肿瘤微环境里真正决定“胜负”的，往往是那些小分子——乳酸、葡萄糖、脂质、药物代谢产物。
空间代谢组学填补了这个空白。
主流技术是 质谱成像（MSI），包括 MALDI-MSI 和 DESI-MSI。
- MALDI-MSI：用激光把组织表面的分子打下来，送进质谱分析。空间分辨率 10~50 μm。
- DESI-MSI：常压环境，用电喷雾“擦”过组织表面。活体组织也能测。
关键点：代谢物在组织里扩散很快，样本制备必须低温快速处理，否则你测出来的“空间分布”其实是人工伪像。
多模态融合趋势：1+1 > 2
每种技术都有自己的盲区。
- 转录组分辨率低，但覆盖全。
- 蛋白质组功能直接，但通量有限。
- 代谢组对微环境状态敏感，但分子鉴定难。
把它们叠到一起看，才是完整的故事。
多模态融合 不是简单的图像叠加。你需要做：
- 空间对齐：把不同模态的图像通过组织轮廓或 fiducial markers 配准到同一个坐标系。
- 特征提取：从每个模态里抽出关键空间特征，比如蛋白斑块、代谢梯度、基因热点。
- 融合建模：用图神经网络或矩阵分解，把特征“拧”成一个统一表示。
一张 H&E 染色切片 → 用于 Visium 测转录组 + 用 CyCIF 测蛋白组 + 用 MALDI-MSI 测代谢组 → 三模态配准 → 对齐分析。
我曾经处理过一个胰腺癌数据集，包含 Visium 转录组和 CyCIF 蛋白组。单独看转录组，T 细胞在肿瘤周边富集。单独看蛋白组，也得到类似结论。但把两套数据一叠，发现那些 T 细胞高表达免疫检查点 PD-1，而旁边的肿瘤细胞确实也高表达 PD-L1——这才是真正的“免疫微环境”描述。
别小看“多模态”这个趋势。未来的空间组学一定不是“一种技术打天下”，而是“用对的技术问对的问题”。