空间转录组学实战：如何利用10X Visium技术解析组织基因表达（含最新应用案例）

空间转录组学实战：如何利用10X Visium技术解析组织基因表达（含最新应用案例）

最近几年，实验室里讨论的热点话题，除了单细胞测序，就是空间转录组学了。我身边不少做肿瘤、神经科学或者发育生物学的同事，都开始把目光投向这块“宝地”。大家不再满足于知道一群细胞里哪些基因活跃，更想知道这些活跃的基因具体分布在组织的哪个角落——是肿瘤边缘的免疫细胞在“战斗”，还是大脑皮层特定分层的神经元在“交流”？这种对空间位置的追问，直接催生了技术的革新。10X Genomics的Visium平台，就是目前让很多研究者能够将梦想照进现实的一款利器。它不像一些需要特殊仪器、操作门槛极高的技术，Visium提供了一套相对标准化的工作流程，让拥有常规组织样本和一定测序分析基础的研究团队，也有机会一窥组织内部的“基因地理学”。这篇文章，我就结合自己近期的项目经验和读到的一些前沿案例，来聊聊如何真正上手Visium技术，从样本准备到数据解读，一步步解析组织的空间表达密码。无论你是正准备开展第一个空间转录组项目，还是已经拿到数据却对如何深入分析感到迷茫，希望这些实战心得能给你带来一些启发。

1. 技术核心：超越“原理图”的实战理解

在动手之前，我们得先抛开那些复杂的原理示意图，用更直白的方式理解Visium到底在做什么。你可以把它想象成一张极其精密的“基因捕获网”。这张“网”就是Visium芯片（Slide），上面规则排列着数千个捕获点（Spot）。每个点都预先固定了无数条“钓竿”——也就是带有空间条形码（Spatial Barcode）和唯一分子标识符（UMI）的寡核苷酸探针。

当新鲜冷冻或FFPE的组织切片贴到这张芯片上，经过透化处理，细胞内的mRNA就会释放出来，并被最近的那些“钓竿”捕获。关键在于，每个捕获点上的所有“钓竿”，其空间条形码都是一样的，但不同点之间的条形码截然不同。这就好比给地图上的每个小区域都分配了一个独一无二的邮政编码。后续，这些带着“邮政编码”的mRNA被逆转录成cDNA，一起建库、测序。通过解读序列中的条形码，我们就能将每一条测序读长（Read）精确地回贴到组织切片原来的那个小区域上，从而重建基因表达的空间地图。

这里有几个容易混淆但至关重要的实战细节：

• 分辨率与细胞数量：每个捕获点直径55微米，中心间距100微米。这意味着一个点通常会覆盖多个细胞（具体数量因组织类型和细胞密度而异，从几个到几十个不等）。所以，Visium提供的是**“近单细胞”** 或 “多细胞” 水平的分辨率，而非真正的单细胞分辨率。理解这一点对后续的数据解读至关重要——一个点的表达信号可能是其中某一种优势细胞的贡献，也可能是几种细胞表达的平均或叠加。
• 捕获区域与样本规划：一张标准Visium芯片有4个捕获区域（Capture Area），每个6.5mm x 6.5mm。在规划实验时，你需要评估自己的目标组织区域是否能够放入这个范围。对于小鼠器官切片或人体组织活检样本，通常足够；但对于更大的组织，可能需要考虑多次实验或使用其他技术。
• FFPE vs. 新鲜冷冻：Visium平台同时支持新鲜冷冻组织（用于检测全长mRNA）和FFPE样本（用于检测针对3‘端设计的探针）。FFPE样本的兼容性极大地拓展了其应用范围，使得回顾性地利用珍贵的历史临床样本库成为可能。但需要注意的是，FFPE样本的RNA质量通常较低，且实验流程有所不同，需要专门的试剂盒。

注意：选择新鲜冷冻还是FFPE样本，是实验设计的第一个关键决策，它会直接影响后续的RNA提取、文库构建流程以及最终的数据质量和可检测的基因数量。

2. 从样本到数据：关键实验步骤与避坑指南

理解了核心，我们来看看从一块组织到最终数据矩阵，需要经历哪些步骤，以及其中有哪些“坑”可以提前避开。

2.1 样本制备与优化

这是整个流程的基石，样本质量直接决定实验的成败。

1. 组织获取与保存：

   • 新鲜冷冻组织：离体后应尽快（理想情况在30分钟内）用OCT包埋剂包埋，并在干冰或液氮预冷的异戊烷中快速冷冻，以防止冰晶形成破坏组织结构。然后转移至-80°C长期保存。切记避免直接将组织丢入-80°C冰箱，缓慢冷冻会形成大冰晶，严重损伤细胞和RNA。
   • FFPE组织：按标准病理学流程进行福尔马林固定和石蜡包埋。固定时间需要标准化（通常6-24小时），过度固定会加剧RNA降解并与蛋白质交联，影响探针结合效率。

2. 切片与贴片：

   • 使用冷冻切片机或石蜡切片机将组织切成5-10微米厚的切片。厚度需要均一，太厚可能影响透化效率，太薄则捕获的mRNA量可能不足。
   • 将切片精准贴附到Visium芯片的捕获区域中央。这一步需要熟练的手工，避免产生褶皱或气泡。对于冷冻切片，可能需要使用防脱载玻片和短暂的室温干燥。

3. H&E染色与成像：

   • 在透化前，需要对贴附好的组织切片进行H&E染色，并在显微镜下拍摄高分辨率的明场图像。这张图像是后续所有空间分析的基础，它提供了形态学的金标准。
   • 确保图像清晰、对焦准确、色彩平衡。这张图将用于与基因表达图谱进行对齐（Alignment）。

2.2 透化与文库构建

这是将空间信息“编码”到RNA分子上的化学过程。

1. 组织透化（Permeabilization）：这是最需要优化的步骤之一。透化时间过短，mRNA释放不充分，数据稀疏（每个点检测到的基因数少）；透化时间过长，则可能导致mRNA扩散到邻近的捕获点，造成空间串扰（Spatial Crosstalk），模糊了真实的边界。

   • 10X Genomics提供了推荐的透化时间，但强烈建议针对不同组织类型进行预实验优化。例如，致密的肿瘤组织或纤维化组织可能需要比疏松的脾脏组织更长的透化时间。
   • 优化方法：可以使用配套的透化优化芯片，通过测试不同时间，然后进行荧光定量PCR来评估mRNA的释放效率。

2. cDNA合成与文库构建：

   • 探针捕获mRNA后，在芯片上进行原位逆转录，生成带有空间条形码和UMI的cDNA。
   • 随后，cDNA被洗脱下来，进行后续的扩增、片段化、加测序接头等标准建库步骤。这部分流程在10X的Chromium控制器或手动操作下完成，相对标准化。
   • 文库的质量控制至关重要。需要使用Qubit或Bioanalyzer等设备检测文库的浓度和片段大小分布，确保符合上机测序的要求。

下表对比了实验流程中几个关键环节的注意事项：

环节	核心目标	常见挑战	优化/检查建议
样本冷冻	保持组织形态与RNA完整性	冰晶损伤	使用异戊烷快速冷冻，避免直接放入-80°C
切片	获得平整、厚度均一的切片	切片褶皱、碎裂	优化切片机温度、刀片角度；使用优质刀片
H&E成像	获取高清晰度形态学参考图	图像模糊、染色不均	染色后立即成像；确保显微镜校准
组织透化	高效释放mRNA且最小化扩散	数据稀疏或空间串扰	进行预实验优化；严格计时
文库QC	获得高质量测序文库	文库浓度低、片段分布异常	使用Bioanalyzer检测；确保酶和试剂新鲜

3. 数据分析流程：从原始数据到空间图谱

拿到测序数据（通常是Illumina平台产生的FastQ文件）后，真正的探索才开始。10X Genomics提供了官方分析软件Space Ranger，它是一个很好的起点，但绝非终点。

3.1 官方流程与初步质控

Space Ranger流程将测序数据与芯片的条形码信息、拍摄的H&E图像进行比对，最终输出一个关键文件：基因表达矩阵（包含空间坐标），以及与H&E图像对齐的聚类结果可视化。

运行基础命令通常如下：

spaceranger count \
--id=sample123 \
--transcriptome=/path/to/ref/transcriptome \
--fastqs=/path/to/fastqs \
--sample=mysample \
--image=/path/to/tissue_image.tif \
--slide=V19A01-001 \
--area=A1 \
--loupe-alignment=/path/to/alignment.json

运行结束后，重点关注以下质控报告：

• 测序数据统计：总测序量、有效条形码比例、Q30分值。
• 组织覆盖情况：有多少捕获点被识别为在组织下方（Under Tissue）。点数过少可能意味着贴片位置偏差或组织太小。
• 每个点的中位基因数：这是衡量数据质量的核心指标。高质量数据通常每个点能检测到数千个基因。如果中位数很低（如几百个），可能需要回顾样本质量或透化步骤。
• UMI计数与基因数的关系图：检查是否存在异常点（Outliers）。

3.2 进阶分析与整合

Space Ranger给出了基础视图，但要挖掘生物学故事，必须借助更强大的生物信息学工具，主要是R语言中的Seurat和SpatialExperiment等包。

一个典型的进阶分析流程包括：

1. 数据读入与创建空间对象：将Space Ranger的输出读入R，创建一个同时包含表达矩阵和空间坐标的数据对象。

   library(Seurat)
   library(ggplot2)
   
   # 加载数据
   data_dir <- "/path/to/spaceranger/output/sample123/"
   seurat_obj <- Load10X_Spatial(data.dir = data_dir)
   
   # 查看基础信息
   seurat_obj
   # 可视化组织切片上的总UMI数（测序深度）
   SpatialFeaturePlot(seurat_obj, features = "nCount_Spatial") + theme(legend.position = "right")
   

2. 标准化、降维与聚类：就像分析单细胞数据一样，对表达数据进行标准化（如SCTransform），进行PCA降维，然后基于表达相似性对空间点进行聚类（如使用Louvain或Leiden算法）。

   # 使用SCTransform进行标准化并检测高变基因
   seurat_obj <- SCTransform(seurat_obj, assay = "Spatial", verbose = FALSE)
   # 降维与聚类
   seurat_obj <- RunPCA(seurat_obj, assay = "SCT", verbose = FALSE)
   seurat_obj <- FindNeighbors(seurat_obj, reduction = "pca", dims = 1:30)
   seurat_obj <- FindClusters(seurat_obj, verbose = FALSE)
   seurat_obj <- RunUMAP(seurat_obj, reduction = "pca", dims = 1:30)
   # 在空间和UMAP图上可视化聚类结果
   DimPlot(seurat_obj, reduction = "umap", label = TRUE)
   SpatialDimPlot(seurat_obj, label = TRUE, label.size = 3)
   

3. 差异表达与空间模式挖掘：

   • 找出每个空间聚类特有的标志基因（Marker Genes）。
   • 使用Seurat的FindMarkers函数或SPARK等专门为空间数据设计的统计方法，来识别具有显著空间表达模式的基因（如梯度表达、斑点状表达）。

4. 与单细胞数据整合（去卷积）：这是当前空间转录组分析的一大热点。由于每个Visium点包含多个细胞，我们可以利用已有的同类型组织的单细胞RNA测序（scRNA-seq）数据作为参考，来推断每个Visium点内各种细胞类型的比例。常用的工具有Cell2location、SpatialDWLS和RCTD。

   # 假设已有单细胞参考数据 seurat_sc_ref
   library(cell2location)
   # 此处为简化示例，实际运行cell2location需要准备特定的Anndata对象并可能在Python环境中运行
   # 其核心思想是：利用单细胞数据构建细胞类型特征基因集，然后在空间数据中解析这些特征的混合比例。
   

   去卷积的结果能让我们回答“肿瘤微环境中，T细胞和巨噬细胞具体分布在哪个区域”这类更精细的问题。

4. 前沿应用案例解析：从肿瘤到神经科学

理论和技术终须服务于科学发现。我们来看几个近期发表的、巧妙运用Visium技术的研究案例，感受一下它的威力。

案例一：解析肿瘤免疫微环境的时空异质性 一项关于肝细胞癌（HCC）的研究（发表于Nature子刊）利用Visium技术，对肿瘤组织、交界区和远端正常肝组织进行了空间分析。研究者不仅发现了肿瘤核心区与边缘区截然不同的基因表达程序，更关键的是，他们通过与scRNA-seq数据整合去卷积，精确绘制了不同功能亚型的T细胞、B细胞、巨噬细胞和成纤维细胞在空间上的分布图。结果直观显示，耗竭性CD8+ T细胞富集于免疫抑制性巨噬细胞和特定成纤维细胞环绕的区域内，而具有杀伤潜力的T细胞则位于另一区域。这为理解免疫治疗耐药性和设计新的联合疗法提供了直接的空间依据。

案例二：绘制阿尔茨海默病大脑的分子病理图谱 在神经退行性疾病领域，一项针对阿尔茨海默病（AD）患者死后脑组织的研究使用了Visium。研究者聚焦于海马体和内嗅皮层这些早期受累区域。通过空间转录组学，他们成功在tau蛋白神经原纤维缠结（NFTs）和β-淀粉样蛋白斑块沉积的精确位置，定义了其周围神经胶质细胞的反应状态。他们发现，小胶质细胞和星形胶质细胞在斑块和缠结周围被激活，但表达的基因谱不同，提示了两种病理蛋白可能触发了不同的神经炎症通路。这种将分子病理与细胞反应在空间上直接关联的能力，是传统批量测序无法企及的。

案例三：揭示肠道发育中的细胞命运决定 在发育生物学中，一项小鼠肠道发育的研究展示了Visium如何追踪动态过程。研究者获取了不同胚胎期的小鼠肠道切片。通过分析，他们能够可视化关键信号通路（如Wnt, Notch）的配体和受体基因在隐窝-绒毛轴上的梯度表达，并发现这种空间模式与干细胞、祖细胞和分化细胞的位置高度吻合。这强有力地证明了，肠道上皮细胞的分化命运不仅由细胞内在程序决定，更受到其在组织内所处空间位置所接收的外部信号网络的精密调控。

这些案例的共同点是，它们都超越了简单的“基因在哪里表达”，而是将空间表达数据与组织形态学、细胞类型、疾病病理特征或发育阶段进行了多维度整合，从而讲述了完整的生物学故事。

5. 挑战、展望与个人实践心得

尽管Visium技术强大，但研究者仍需清醒认识其当前的局限。分辨率限制是最主要的瓶颈，一个点混合多个细胞，使得解析稀有细胞类型或细微的细胞状态变化变得困难。不过，10X Genomics已推出Visium HD，将分辨率提升至近单细胞水平（2微米尺度），这将是未来的趋势。数据分析的复杂性是另一大挑战，尤其是空间统计学、多组学整合和大型数据集的运算，对生物信息学能力提出了更高要求。

从我自己的项目经验来看，有几点体会特别深刻： 第一，实验设计永远比数据分析更重要。一个精心选择、处理得当的样本，是任何高级分析算法的前提。在开展正式实验前，花时间做透化条件优化，绝对值得。 第二，不要迷信黑箱工具。Space Ranger和Seurat提供了便捷的管道，但每一步的参数选择（如聚类分辨率、差异基因筛选阈值）都需要结合生物学背景反复斟酌。多看看原始表达图，而不仅仅是聚类结果。 第三，形态学是黄金标准。H&E图像不是摆设，要时刻将基因表达模式与组织形态进行比对。有时一个有趣的基因表达区域，恰好对应着病理医生关注的异常结构，这种发现往往最有价值。 第四，从简单问题开始。不要一开始就试图解决所有问题。可以先验证一个已知的、具有明确空间表达模式的基因（例如，在肾脏中验证AQP2基因主要表达在集合管），确保整个流程从湿实验到干分析都是通的，再开展探索性研究。

空间转录组学正在快速从技术演示走向驱动实质性的科学发现。Visium平台作为其中的重要推动者，降低了空间生物学研究的门槛。它可能不是终点，但无疑是帮助我们打开组织三维分子世界大门的一把关键钥匙。随着技术的不断迭代和数据分析方法的日益成熟，我们有理由期待，未来在更精细的尺度上，动态、全面地解码生命组织的空间逻辑，将逐渐成为常规操作。而这一切，都始于今天谨慎的实验设计和扎实的数据分析。