全面AI的2025，全面空間的2026！

2010年，我們做轉錄組測序，是把組織當成勻漿來對待的。2020年，單細胞測序讓我們看到細胞的多樣性。2025年，AI橫掃生物醫學，從蛋白質結構到單細胞表征，大模型無處不在。2026年的今天，空間轉錄組讓我們不僅能看見單個細胞，還能看見它們在組織里的定位信息和互作關系。細胞不是孤立的存在。它的身份，由它的鄰居定義；它的功能，由它的位置決定。2026年，或將成為空間組學全面爆發的一年。

按分辨率和通量兩個維度，空間組技術大致分成三大流派。1. 基于測序的技術，如10x Visium、Visium HD、Slide-seq。該技術核心邏輯是在載玻片上預先布置帶空間條形碼的捕獲探針，組織切片貼上去后，mRNA從組織擴散到探針上被捕獲，通過測序反推每個位置的基因表達。優點是通量高，覆蓋全轉錄組；缺點是分辨率受限于spot大小（經典Visium是55μm，含1-10個細胞；Visium HD已縮小到2μm，逼近單細胞）。適用場景如腫瘤組織結構解析、組織區域差異分析、 biomarker discovery。

2. 基于原位成像的技術，如MERFISH、seqFISH+、Xenium、CosMx。這類技術不走測序路線，而是直接在組織切片上對RNA分子進行多重成像。每個分子被點亮的位置，就是它在細胞中的真實坐標。優點是真正的亞細胞分辨率，可以精確到單個mRNA分子；缺點是通量低，Xenium可檢測約500個基因，MERFISH可擴展至1000+，但無法做到全轉錄組覆蓋。適用場景包括細胞-細胞直接互作研究、神經環路解析、精細空間圖譜構建。

3. 基于激光顯微切割的技術，如LCM-seq、GeoMx DSP。通過激光切割或區域收集的方式獲取特定區域的細胞，再進行測序。GeoMx DSP結合抗體或RNA探針，實現特定細胞類型的空間表達譜獲取。優點是可針對特定感興趣區域或特定細胞類型；缺點是通量低，依賴組織形態學先驗知識。而基于數學推斷的虛擬技術，如CARD、Tangram、gimVI。這類方法本身不產生實驗數據，只是通過算法將單細胞RNA數據映射到空間轉錄組數據，實現單細胞分辨率的空間表達推斷。優點是成本低，可以充分利用已有海量單細胞數據；缺點是需要實驗驗證。沒有完美的技術，只有合適的技術。策略上做區域分析選Visium，做精細互作選Xenium，做探索性研究可以先用算法推斷再驗證。

百奧智匯整理的空間組學思維導圖

拿到空間轉錄組數據后，我們該如何層層深入？其分析流程可分為四個步驟。空間聚類與區域注釋。空間轉錄組第一張圖，往往是組織切片上的空間聚類。這些cluster并不隨機，而是對應組織學上解剖結構：腫瘤區域、基質區域、免疫浸潤區、壞死區等。關鍵分析：空間可變基因（SVG）識別——哪些基因的表達隨空間位置變化？經典的SVG方法包括SpatialDE、SPARK、MERINGUE等。這些基因往往是區域特化的功能標志。

細胞組成與空間分布。有了空間坐標，我們就可以問：每個位置（spot）里有什么細胞？這需要整合單細胞數據做空間解卷積。主流方法有RCTD、CARD、SpatialDWLS、cell2location等。解卷積之后，我們得到每個spot的細胞類型組成。這時可以做兩件事：a.細胞類型共定位分析：哪些細胞傾向于待在一起？比如在腫瘤中，M2型巨噬細胞常常和Treg細胞“抱團”。b.空間梯度分析：從腫瘤核心到邊緣，免疫細胞的比例如何變化？

細胞互作網絡分析。這是空間轉錄組最有魅力的部分。單細胞層面的細胞互作分析（如CellPhoneDB、NicheNet）是基于配體-受體表達的相關性，但缺乏空間驗證。有了空間信息，我們可以分析配體表達的細胞和受體表達的細胞，在空間上是否鄰近？細胞間的距離是否影響互作強度？有沒有形成多細胞的通訊樞紐？空間互作分析的進階方法，Giotto可構建細胞鄰域網絡，計算配體-受體對在空間上的共現顯著性；SpaTalk結合距離信息和配體-受體數據庫，推斷空間受限的細胞通訊；MISTy從細胞自身、近鄰、區域三個層次建模互作關系。

空間功能單元識別。當我們把細胞類型、互作關系、功能狀態綜合起來，往往會發現組織中存在一些重復出現的空間功能單元，如腫瘤中的三級淋巴結構（TLS）、肝小葉的代謝分區、大腦皮層的層狀結構。識別這些結構需要無偏的算法，BANKSY結合基因表達和空間鄰域信息進行聚類；STAGATE利用圖注意力網絡學習空間域；SpaGCN整合空間坐標、基因表達和組織學圖像。空間功能單元才是真正承載組織功能的基本模塊。理解了這些單元的組織邏輯，就理解了器官的工作原理。

過去我們講冷腫瘤和熱腫瘤，只是基于CD8+ T 細胞的總體豐度。在空間轉錄組場景下，免疫排斥型是 T 細胞被擋在腫瘤邊緣的纖維包膜外；免疫沙漠型是整個腫瘤區域幾乎看不到免疫細胞；三級淋巴結構中 B 細胞、T 細胞、DC形成有序的結構，往往預示著免疫治療響應良好。

傳統病理學分型基于組織形態學，比如腫瘤的分級、分期。空間轉錄組讓我們可以在分子層面重新定義疾病亞型，不是只看腫瘤細胞本身，而是看腫瘤微環境的組織結構。在胰腺導管腺癌中，空間轉錄組識別出了反應性基質和抑制性基質兩種不同的基質類型，它們與患者的預后存在顯著關聯。

盡管空間轉錄組發展迅猛，但仍面臨幾個核心挑戰。目前還沒有技術能同時做到單細胞分辨率+全轉錄組覆蓋+大組織范圍。這是物理限制，短期內可能難以突破。解決方案可能是高低搭配，先用Visium HD做全轉錄組掃描（高通量低分辨率），再用Xenium做高分辨率靶向驗證（低通量）。

空間轉錄組不僅產生基因表達數據，還產生組織染色圖像。如何將組織學形態（細胞核形態、組織結構）與分子表達深度整合？深度學習在這里大有可為，比如用HE圖像預測空間表達模式。空間轉錄組是瞬時快照，但生物學是動態過程。如何從多個快照反推細胞遷移軌跡和分子擴散？

空間軌跡推斷（如spatial pseudotime）是一個活躍的研究方向。空間轉錄組只是開始，還有空間蛋白組（CODEX、CyCIF等可以同時檢測40+種蛋白的空間分布），空間代謝組（質譜成像技術正在走向單細胞分辨率）和空間基因組（原位測序已經可以檢測基因突變的空間異質性）。多模態空間數據的整合分析，將是下一個技術高地。