空间转录组

本文目录导读：

1. 什么是空间转录组？
2. 为什么空间转录组这么重要？
3. 主要技术方法
4. 标准的分析流程
5. 主要应用领域
6. 挑战与未来

这是一个非常前沿且重要的生物学技术问题,下面为你系统性地介绍空间转录组。

什么是空间转录组？

空间转录组 是一种能够在保留组织原有空间位置信息的前提下,测量组织中每个细胞或微小区域基因表达情况的技术。

传统转录组学（如单细胞RNA测序，scRNA-seq）就像把一堆不同种类的豆子倒进一个碗里，搅匀后分析，你知道碗里有红豆、绿豆、黄豆，但你不知道它们在原始容器里是怎么分布的，而空间转录组则像一张“基因表达地图”，它不仅告诉你组织里有哪种细胞，还清楚地标明了这些细胞（以及它们的基因活性）在组织中的具体位置。

核心思想： “在哪里”（空间位置）+ “表达什么基因”（转录组信息）。

为什么空间转录组这么重要？

因为它解决了传统技术的一个根本性痛点：空间背景的缺失。

• 传统RNA测序（bulk RNA-seq）： 混合了所有细胞，只能得到平均基因表达,丢失了细胞异质性。
• 单细胞RNA测序（scRNA-seq）： 能区分不同细胞类型，但细胞是从组织中解离出来的，彻底丢失了它们在原始组织中的位置信息。

这就像看一幅拼图，scRNA-seq给了你所有拼图块的形状和颜色，但空间转录组则给了你这幅拼图的完整图纸。

重要性体现在：

1. 揭示组织结构： 可以直观地看到不同细胞类型是如何组织和排列形成功能的，比如大脑皮层分层、肿瘤组织的异质性结构。
2. 解析细胞通讯： 通过观察一个细胞表达的“信号”分子（如配体）和其相邻细胞表达的“接收器”分子（如受体）,可以推断细胞间如何相互作用。
3. 理解发育与疾病机制： 追踪发育过程中基因表达的时空变化，或者定位肿瘤内部、边界和周围的免疫细胞活动,从而理解疾病进展。

主要技术方法

目前主流技术大致可分为两大类：

基于原位捕获/测序的方法

特点：在组织切片上直接捕获mRNA,然后进行测序。

• 10x Visium：
  • 原理： 在载玻片上预置密集的、带有空间位置条形码的探针，将组织切片放在玻片上，对组织进行透化，释放mRNA，mRNA与探针结合,再通过测序确定每个点的基因表达。
  • 优点： 通量高，灵敏度较好，商业化成熟,易于操作。
  • 缺点： 分辨率目前为55微米（大约包含1-20个细胞），不是单细胞级别；无法同时观察组织形态（组织会被消化或破坏）。
• Slide-seq：
  • 原理： 类似Visium，但使用的是直径仅10微米的微小“磁珠”，磁珠上也有位置条形码，将磁珠随机铺成单层，组织切片覆盖上去,分辨率更高。
  • 优点： 分辨率接近单细胞级别（~10微米）。
  • 缺点： 技术实现要求高,磁珠覆盖率不完全均匀。
• 高分辨率技术（如MERFISH, seqFISH+）：
  • 原理： 完全原位成像，通过多轮荧光原位杂交（FISH）技术，用带有荧光标记的探针逐一或并行“读出”数百到数千种基因的mRNA。
  • 优点： 真正的单细胞甚至亚细胞分辨率（单个mRNA分子），可以同时看到细胞核、细胞膜等结构。
  • 缺点： 通量较低（能同时检测的基因数有限，通常几百个），实验复杂,设备昂贵。

基于显微切割（LCM）的方法

• 原理： 在显微镜下，用激光精确地将感兴趣的组织区域（肿瘤的特定区域，或大脑的特定核团）切割下来，收集这些细胞，然后提取RNA进行常规的RNA-seq分析。
• 优点： 可以对任意选定的、形态学明确的区域进行分析。
• 缺点： 通量很低，耗时，并且分辨率受限于激光切割的精度（通常无法达到单细胞）。

标准的分析流程

拿到空间转录组数据后,分析主要包括以下步骤：

1. 数据预处理：

   • 质控： 过滤掉低质量的测序点（如总读段数太少、基因数太少）。
   • 标准化： 消除不同点之间测序深度的影响。
   • 降维与聚类： 类似scRNA-seq，找出转录组特征相似的点，形成一个“簇”（Cluster）,这通常对应着一种特定的细胞类型或功能区域。

2. 空间可视化：

   • 将每个点的测序数据（如哪个聚类、哪个基因的表达量）映射回其在组织切片上的物理坐标，这是最核心的一步，你将看到一张彩色地图。

3. 注释和解读：

   • 根据已知的标记基因表达（神经元标记基因、肿瘤标记基因），为每个聚类注释其细胞类型或组织区域（如“大脑皮层第4层”、“肿瘤核心”、“三级淋巴结构”）。
   • 鉴定在空间上具有特殊分布模式的基因,例如只在肿瘤边界高表达的基因。

4. 高级分析：

   • 空间可变基因： 鉴定那些表达量具有明显空间模式的基因（浓度从中心到外周逐渐降低）。
   • 空间通讯分析： 分析配体-受体对在两个相邻或相近的细胞群中的共表达情况,推断细胞间信号交流。
   • 与scRNA-seq数据整合： 这是目前的黄金分析策略，利用scRNA-seq的高分辨率细胞分型作为“参考图谱”，来“映射”到空间数据上,从而在空间背景下解析更精细的细胞亚型。

主要应用领域

• 癌症研究：
  • 描绘肿瘤微环境（TME），分析不同区域的免疫细胞浸润程度、肿瘤异质性。
  • 定位肿瘤-免疫细胞相互作用的热点,寻找免疫治疗靶点。
• 神经科学：
  • 绘制大脑皮层分层、不同脑区的基因表达图谱（如艾伦脑图谱项目）。
  • 研究阿尔茨海默病、帕金森病等神经退行性疾病的病理过程。
• 发育生物学：

  追踪胚胎发育过程中，器官（如心脏、四肢）如何形成,细胞如何迁移和分化。

• 植物生物学：

  分析植物根、叶、果实等不同组织在应对胁迫或发育过程中的基因表达空间分布。

• 病理学：

  将分子信息与传统的组织病理学（HE染色）结合,更准确地进行疾病分型和预后判断。

挑战与未来

• 分辨率与通量的平衡： 如何实现真正的高通量（全转录组）且达到单细胞/亚细胞分辨率是主要挑战，新的技术如 Xenium（10x Genomics）、CosMx（NanoString）、MERFISH 正在逐步解决这个问题。
• 数据分析复杂性： 空间数据包含基因表达和空间坐标两个维度，统计分析方法（如空间自相关分析）和计算资源需求巨大。
• 与多模态数据整合： 开发更好的算法，将空间转录组数据与组织学图像、蛋白质组学（如空间蛋白质组、质谱成像）数据无缝整合,实现更全面的理解。
• 3D空间转录组： 从单个组织切片扩展到整个器官或胚胎的3D建模,将揭示更复杂的三维组织结构。

空间转录组打开了生物学研究的“第四维”——空间维度，它让我们能够在细胞的“邻里关系”和“城市地图”中理解基因的功能,对于深入揭示生命奥秘和疾病机制具有革命性的意义。