第1章 空间转录组学概述
说实话，我第一次接触空间转录组这个领域时，心里还是挺震撼的。做生物信息的人都知道，传统转录组分析就像把一堆水果全搅成汁，然后分析这杯混合果汁的营养成分——你说得清哪个细胞里有什么基因，但你永远不知道这基因在原位到底待在哪。空间转录组的出现，说白了，就是把"果汁"还原回了完整的"水果拼盘"。
这一章我们从最基础的讲起。不绕弯子，直接聊清楚三件事：这项技术到底在测什么？它能用来干什么？以及现在市面上有哪些主流平台在干这事。
1.1 技术原理：位置 + 表达 = 空间信息
空间转录组学的核心思路并不复杂——在组织切片上保留细胞的空间坐标，然后检测每个位置上的基因表达。我个人的理解是，它把"哪里"（空间位置）和"什么"（基因表达）绑定在了一起。
具体怎么实现的？主流思路有两种：
- 基于原位捕获：先在玻片上铺好带空间条形码的捕获探针，再把组织切片放上去，让mRNA扩散到最近的探针上。测序后，通过条形码反推出mRNA的来源位置。10x Visium和Slide-seq都属于这类。
- 基于原位成像：直接用荧光探针原位标记目标RNA分子，通过多次成像和信号解码来重建空间表达图谱。MERFISH、seqFISH+是典型代表。
你想想看，这两种路线本质上的差异是什么？我个人觉得，一个是间接解码（靠条形码），一个是直接观测（靠成像）。这就导致了它们在分辨率、通量和检测效率上的巨大区别。别急，后面我一个个给您拆解。
核心挑战：
这里有一个我当年踩过的坑——图像配准。嗯，空间转录组的组织切片图像（H&E染色或免疫荧光）和基因表达数据之间需要精确对齐。如果配准做不好，表达点在图像上就会"飘"。举个例子，你对准了肿瘤边界区域，结果因为配准偏差把正常组织的表达点算到了肿瘤区域，那后续的判断全都跑偏了。
我曾经在一个肿瘤免疫项目中，就因为配准参数设的不够精细，导致一批数据直接报废。后来我才意识到，配准的精度必须至少控制在单个spot半径的范围内，否则就别谈空间分析了。
下面这张图概括了空间转录组的技术流程和核心逻辑。我把几个关键步骤和平台的大致位置都标出来了，您先有个整体印象。
1.2 常见平台：选对工具，事倍功半
说到平台，很多初学者会问："哪个平台最好？"我的回答一直是——没有最好，只有最合适。每个平台都有自己擅长的场景和明显的短板。我做一个简单的对比，您看完就清楚了。
| 平台 | 分辨率 | 捕获方式 | 基因数 | 通量 | 主要优势 | 主要局限 |
|---|---|---|---|---|---|---|
| 10x Visium | spot ~55 μm | 原位捕获（条形码） | 全转录组 | 高（多组织切片） | 商业化试剂盒，标准化流程成熟 | 分辨率限于spot级别 |
| Slide-seq | ~10 μm | 原位捕获（条形码） | 全转录组 | 中（通量低于Visium） | 接近单细胞分辨率 | 组织处理难度略高 |
| MERFISH | 单细胞~1 μm | 原位成像（荧光） | 数百基因 | 中（需定制探针） | 真正的单细胞分辨率 | 基因数受限，探针设计复杂 |
| seqFISH+ | 单细胞~1 μm | 原位成像（荧光） | ~10,000基因 | 低（每轮成像时间长） | 超高基因数 | 耗时长，设备要求高 |
| STOmics | ~0.5-2 μm | 原位捕获（纳米级别） | 全转录组 | 高 | 高分辨率+全转录组 | 国产平台，生态尚在发展 |
我个人总结一下：想做探索性全转录组分析，手头预算又充裕，那10x Visium是最安全的选择——文档齐全、社区活跃、踩坑的人多到在网上随便搜搜就能找到现成的解决方案。我当年做第一个空间转录组项目就是用的Visium，虽然spaceranger的文档让我啃了好几天，但整体上确实比较省心。
目标基因明确、需要单细胞精度？那MERFISH是个很酷的选择。它的单分子分辨率能直接给你展示基因在细胞内的亚定位。嗯，我在合作项目里用过MERFISH数据，做点模式的聚类分析时，能看到DNA FISH的类似效果，挺震撼的。
1.3 应用场景：从癌症到发育生物学，无处不在
空间转录组的技术价值，说白了，在于它回答了传统单细胞测序回答不了的问题——细胞在原生组织里的"邻居"是谁？
我给您列举几个我亲自参与或关注过的典型场景：
- 肿瘤微环境解析：分析肿瘤细胞与免疫细胞的空间互作关系，预测免疫治疗响应。我在一个T细胞耗竭项目中，靠空间表达数据找到了几个与耗竭区域共定位的基质细胞因子。
- 组织发育与再生：追踪胚胎发育过程中的基因表达梯度，重建细胞命运决定的时空轨迹。
- 神经系统图谱：绘制脑区特异基因表达模式，区分不同功能区域的分子特征。
- 病理诊断辅助：在组织切片层面直接实现分子分型，辅助肿瘤边界判断。
一个小结：关于数据格式你得知道的
不管是什么平台，最终落地到分析环节时，数据格式其实是相通的——一张空间坐标表 + 一张表达矩阵。只不过不同平台在预处理阶段的数据解析步骤可能不同。
这里是我以前在Visium数据预处理时常用的脚本开头，帮您直观感受一下数据从哪里来、到哪里去。实际项目中，我们一般会从这里开始将数据读入scanpy并完成空间坐标映射。
adata.var_names的重命名就可以解决。细节真的决定效率。
好，这一章就到这里。我们建立起了空间转录组的基本知识框架：从技术原理到平台对比，再到应用场景。后续每个章节都会围绕这些核心概念展开深入的技术讨论和实战代码。慢慢来，稳扎稳打，后面的路会越走越宽。