2025-09-06
引言：当基因表达遇上空间位置
在单细胞RNA测序中，我们能够解析单个细胞的基因表达谱，但却丢失了一个关键信息——细胞在组织中的空间位置。而空间转录组技术（Spatial Transcriptomics, ST）的出现，让科学家们第一次能够同时获取基因表达数据和细胞的空间坐标，从而揭示组织微环境中的分子互作机制。
然而，海量的空间转录组数据如何解读？如何从看似杂乱的点云数据中挖掘出有意义的生物学发现？今天，我们就来揭开空间转录组数据的解读密码，带你从空间转录组数据走向科学突破！
从空转数据到可视化——如何看懂空间转录组？
1、数据质控与归一化
对于空间转录组而言，因为每个spot内含有多个细胞类型，因而数据分析更加关注组织在空间上不同的差异表达。通常对于空间转录组而言需要对所有组织覆盖的spot进行下游数据分析，不同的细胞中检测到的RNA序列数目差异巨大，即便是相同类型的细胞也是如此。因此，需要高效得预处理和归一化手段来消除这些技术差异。使用R语言seurat 包中的 SCTransform() 函数进行单细胞空转测序数据的质量控制与归一化处理。它相比于NormalizeData() 函数，可以更有效地消除技术影响，并保留更精细的生物学差异。
图1 空间spot的UMI空间分布结果图
2、空间基因表达可视化
空间转录组最直观的展现方式，就是将基因表达映射回组织切片。例如： Spatial Feature Plot：显示特定基因在组织中的分布。
图2 基因的Spatial Feature Plot
3、聚类空间映射（Spatial Cluster Plot）
将聚类结果投射到空间位置，观察不同细胞群的空间分布模式。
图3 亚群的聚类空间映射图
高级分析——从数据到生物学发现
1、空间细胞密度分布（Spatial DEGs）
比较不同空间区域的细胞密度分析，例如：
肿瘤核心 vs. 肿瘤边缘：哪些细胞在侵袭前沿特异性富集？ 炎症区 vs. 正常区：哪些免疫细胞在病灶处富集？
图4 空间密度分布图（doi.org/10.1101/2021.10.21.465135）
2、细胞互作与微环境解析
利用配体-受体分析（CellPhoneDB、Cellchat），推断不同细胞群之间的空间通讯。例如：
肿瘤-免疫互作：癌细胞如何通过PD-L1抑制T细胞？
神经元-胶质细胞互作：阿尔茨海默病中，小胶质细胞如何影响神经元退化？
图5 细胞通讯分析结果图（oi: 10.1038/s41467-023-43120-6）
3、空间轨迹分析（Spatial Trajectory）
结合拟时序分析（如Monocle），研究细胞状态在空间上的动态变化，例如：
干细胞演化：干细胞如何切片区域梯度分化？
肿瘤进化：克隆亚群如何在空间上扩张？
图6 上图：stLearn: 空间轨迹，箭头指向为细胞群分化方向。下图：stLearn: 分化相关基因，红色代表上调，蓝色代表下调。横坐标代表相关性值（10.1016/j.cmet.2022.11.009）。
4、多组学整合（Multi-omics Integration）
将空间转录组与其他数据（如单细胞测序）结合，例如：
单细胞 + 空间转录组：推断spot内的细胞组成（如SPOTlight）
图7 通过spotlight将单细胞数据反卷积空间转录组（doi: 10.1093/nar/gkab043）
案例分享——空间转录组的突破性发现
案例1：癌症异质性与免疫逃逸
2024年8月，斯坦福大学Livnat Jerby研究团队联合Brooke E. Howitt 研究团队在nature immunology发表题为“Mapping spatial organization and genetic cell-state regulators to target immune evasion in ovarian cancer”的研究论文，联合单细胞空间转录组学，数据驱动的实验设计和高内涵CRISPR筛选，系统性地揭示了HGSC肿瘤免疫的分子和细胞调控因子，以及影响该过程的遗传和药物干预因素。为功能性绘制和探索复杂生物组织中多细胞互作的分子图谱提供了蓝图，揭示了HGSC中免疫逃逸的空间、分子与遗传特征，为激活靶向免疫应答开辟了新途径。
图8 HGSC的单细胞空间转录组图谱
案例2：大脑发育的空间图谱
2023年12月，中国科学院动物研究所焦建伟研究组、广州国家实验室董骥研究组、北京大学杜鹏研究组和北京大学靳蕾研究组合作在CELL杂志在线发表了题为“Spatiotemporal transcriptome atlas reveals the regional specification of the developing human brain”的文章。该研究将单细胞测序（scRNA-seq）和空间转录组技术（scStereo-seq）相结合，首次解析了迄今为止跨时间点最广（GW6-GW23）、面积最大(最大4cm x 3cm)的人脑多区域时空发育转录组图谱。鉴定并呈现了发育早期具有特定空间分布特点的异质性放射状胶质细胞亚型，揭示了这些异质性放射状胶质细胞有助于随后不同脑区神经元的特化，同时发现胶质细胞和神经元互作也会促进神经元的区域特化。
图9 脑时空发育图谱分析实验流程图
结语：你的研究是否需要空间维度？
如果你的科学问题涉及：
✅ 组织结构的异质性（如肿瘤微环境）
✅ 细胞的空间互作（如免疫细胞-癌细胞交流）
✅ 发育或疾病的动态过程（如胚胎发育、器官再生）
那么，空间转录组可能就是你的下一个突破口！
