839. 空间组学前沿技术¶

一句话概述：空间组学 = 在组织切片的原位位置上测量基因表达/蛋白/代谢物，解决了"哪个基因在哪里表达"的问题——2025年Nature Methods年度技术。

核心知识点速查表¶

技术路线	代表平台	分辨率	通量
测序型	10x Visium/Visium HD	55μm/2μm	全转录组
测序型	Slide-seq V2	10μm	全转录组
成像型	MERFISH	亚细胞	数百-数千基因
成像型	seqFISH+	亚细胞	数千基因
成像型	CosMx (NanoString)	亚细胞	数千基因
蛋白质	CODEX/PhenoCycler	亚细胞	数十蛋白
蛋白质	MIBI	亚细胞	数十蛋白

一、白话理解空间组学¶

传统单细胞测序 = 把一块组织打散成单个细胞 → 测序
→ 知道每个细胞表达什么基因
→ 但不知道细胞原来在组织中的哪个位置
→ 就像拆了一栋大楼，知道每块砖的材质，但不知道砖在哪层

空间组学 = 在组织切片上原位测量基因表达
→ 不打散组织，直接在原位测
→ 既知道"表达什么"，也知道"在哪里"
→ 就像给大楼的每块砖都做了CT扫描

二、主流技术详解¶

2.1 10x Visium / Visium HD¶

Visium原理（最常用的空间转录组技术）：
1. 将组织切片放在特殊载玻片上
2. 载玻片上有数千个"捕获点"(spot)
3. 每个spot有独特条形码
4. 组织RNA被释放 → 被spot捕获 → 建库测序
5. 测序后根据条形码映射回空间位置

Visium: 每个spot ~55μm（约10个细胞）
Visium HD (2024): 每个spot 2μm × 2μm（单细胞分辨率！）

2.2 MERFISH（单分子荧光原位杂交）¶

MERFISH原理：
1. 设计数千个基因的探针
2. 每个基因用独特的二进制编码标记
3. 多轮荧光成像 → 每轮读取编码的一位
4. 解码所有位 → 确定每个分子属于哪个基因
5. 分辨率可达亚细胞级别

优势：亚细胞分辨率、可测数千基因
劣势：设备昂贵、分析复杂

三、空间组学数据分析¶

# 空间转录组分析流程（Squidpy + Scanpy）
import scanpy as sc                    # 单细胞分析
import squidpy as sq                   # 空间分析

# 1. 读取Visium数据
adata = sc.read_visium(                # 读取10x Visium数据
    "path/to/spaceranger/outs/"        # Space Ranger输出目录
)

# 2. 基础预处理
sc.pp.normalize_total(adata)           # 标准化
sc.pp.log1p(adata)                     # 对数转换
sc.pp.highly_variable_genes(adata)     # 高变基因
sc.pp.pca(adata)                       # PCA降维
sc.pp.neighbors(adata)                 # 计算邻域
sc.tl.umap(adata)                      # UMAP降维
sc.tl.leiden(adata)                    # 聚类

# 3. 空间可视化
sc.pl.spatial(adata,                   # 空间绘图
              color="leiden",          # 按聚类着色
              spot_size=1.5)           # 点大小

# 4. 空间邻域分析
sq.gr.spatial_neighbors(adata,         # 构建空间邻域图
                        n_rings=2)     # 2环邻域

# 5. 空间自相关（Moran's I）
sq.gr.spatial_autocorr(adata,          # 空间自相关分析
                       genes=adata.var_names[:100],  # 前100个基因
                       mode="moran")   # Moran's I统计量
# Moran's I > 0 → 空间正相关（聚集表达）
# Moran's I ≈ 0 → 随机分布
# Moran's I < 0 → 空间负相关（分散表达）

# 6. 配体-受体空间分析
sq.gr.ligrec(adata,                    # 细胞间通讯
             cluster_key="leiden",     # 聚类标签
             n_perms=1000)             # 置换次数

# 7. 空间转录组反卷积
# 将55μm的spot分解为单细胞组成比例
# 工具：Cell2location, RCTD, SPOTlight

3.1 Space Ranger（10x官方流程）¶

# Space Ranger —— 10x Visium数据预处理

spaceranger count \
    --id=sample_001 \                  # 样本ID
    --transcriptome=refdata-gex-GRCh38 \ # 参考转录组
    --fastqs=data/fastqs/ \            # FASTQ目录
    --image=data/tissue_image.tif \    # 组织H&E图像
    --slide=V10J25-015 \               # 载玻片序列号
    --area=A1                          # 捕获区域

# 输出文件：
# filtered_feature_bc_matrix.h5  → 基因表达矩阵
# spatial/                       → 空间坐标和图像
# web_summary.html              → 质控报告

四、空间多组学整合¶

# SIMO —— 空间多组学整合方法 (Nature Comms 2025)
# 整合空间转录组 + 单细胞多模态数据

# 核心思路：
# 1. 空间转录组提供位置信息
# 2. 单细胞scATAC-seq提供染色质可及性
# 3. SIMO通过概率对齐将两者整合
# → 推断出每个空间位置的表观遗传状态

# 其他空间整合工具：
# Tangram: 将单细胞数据映射到空间坐标
# Cell2location: 空间反卷积（估计细胞类型组成）
# RCTD: 空间spot细胞类型解卷积

五、面试高频问题¶

Q: 空间转录组和单细胞转录组有什么区别？ A: 单细胞保留单细胞分辨率但丢失空间信息；空间保留位置信息但早期分辨率较低（Visium一个spot~10个细胞）。2024年Visium HD实现了单细胞分辨率。
Q: 你知道哪些空间组学分析工具？ A: 预处理用Space Ranger，下游分析用Squidpy/scanpy，反卷积用Cell2location，细胞通讯用CellChat。
Q: 空间自相关是什么意思？ A: 用Moran's I检验某个基因的表达是否在空间上聚集。I>0表示空间聚集（如肿瘤特异基因集中在肿瘤区域），I≈0表示随机分布。

常见报错与解决¶

问题	解决
Space Ranger找不到组织区域	手动在Loupe Browser中选择组织区域
空间坐标和图像不匹配	检查载玻片序列号和捕获区域参数
Visium数据每个spot基因数太少	增加测序深度（推荐50K reads/spot）
反卷积结果不准	使用高质量的单细胞参考数据集

速查表¶

# 空间组学分析流程
原始数据 → Space Ranger → Scanpy/Squidpy → 结果
          (预处理)     (分析+可视化)

# 核心分析
sc.pl.spatial()           # 空间可视化
sq.gr.spatial_neighbors() # 空间邻域
sq.gr.spatial_autocorr()  # 空间自相关(Moran's I)
sq.gr.ligrec()            # 配体-受体分析

# 技术选择
大面积组织探索 → Visium HD (全转录组)
高分辨率局部 → MERFISH/CosMx (亚细胞)
蛋白质空间分布 → CODEX/MIBI