Spatial Transcriptomics
空间转录组
把转录表达重新放回组织坐标，理解“在哪里发生”如何成为可测量、可配准、可验证且边界清楚的空间证据。
学完这一章，你应该能够
点击勾选不是“完成任务”，而是对自己的理解做一次承诺。
知道哪些基因变化之后，为什么还要问“在哪里”？
组织不是均匀的容器。病灶边缘、血管、气道、免疫聚集和纤维化微区可以具有不同表达状态。
Bulk 像把整张城市地图的温度平均成一个数字；单细胞告诉你有哪些房间变热；空间转录组进一步保留这些房间在地图上的位置。
Spatial transcriptomics links transcript abundance to physical tissue coordinates and histology, enabling analysis of molecular localization, spatial domains and local microenvironments.
Spatial transcriptomics 的关键贡献，是把转录本丰度与组织切片中的二维位置重新连接。
Bulk、scRNA-seq 与 Spatial 不是分辨率排行榜
先看研究问题要求保留什么信息，再决定哪一种测量单位和方法组合最合适。
Spot、Bin、Pixel 和“单细胞分辨率”到底是什么意思？
物理尺寸、捕获效率、细胞密度、RNA 扩散和分割误差共同决定有效分辨率；一个小坐标不自动等于一个细胞。
一张组织切片怎样变成 SpatialPlot？
点击任意节点，追踪组织、图像、barcode、表达矩阵、坐标、空间图和验证之间的依赖关系。
Spatial QC
空间质量控制
低信号可能来自背景、坏死、组织边缘或真实低 RNA 区域，需要保留空间情境。
低信号可能来自背景、坏死、组织边缘或真实低 RNA 区域，需要保留空间情境。
in-tissue matrix、坐标、图像和测序指标
联合检查 nCount、nFeature、percent.mt、组织覆盖和局部异常
保留的空间位置与 QC 记录
空间项目同时包含图像、序列、矩阵和坐标
只有这些对象保持一一对应，表达结果才能被可靠地放回组织。
图像与表达坐标错开几像素，会发生什么？
配准不是装饰步骤。它决定一个分子热点究竟属于气道、血管、病灶还是玻片背景。
阈值不是固定标准。先看数据分布、组织特性、测序深度、样本重复和研究问题。
空间 QC：先保留组织情境，再讨论 threshold
相同的低 counts 在玻片背景、空腔、坏死区和低细胞密度组织中具有不同含义。
阈值不是固定标准。先看数据分布、组织特性、测序深度、样本重复和研究问题。
归一化、平滑与空间坐标处理的是不同问题
归一化改善表达可比性；平滑借用邻域信息；两者都不能替代组织面积、细胞密度和批次设计。
归一化不应改变组织坐标
Coordinates → Spatial Graph → Domains
domain 依赖表达表示、组织几何、邻接规则和分区粒度，不是在病理图上自动显现的天然边界。
Spatial graph 和 domain 是算法构建的分析对象；计算分辨率增强不能被写成新增了物理测量。
一个混合 spot 里可能有哪些细胞？
deconvolution 和 label transfer 是参考依赖的模型估计；参考缺失不会让算法停止，却会让错误变得很确定。
Reference-based deconvolution 的结果依赖参考图谱、模型假设和平台差异。
空间基因表达图回答的是“信号在哪里富集”
选择不同 marker，观察热点如何落在不同组织微区；统一色标并保留 raw values 才能比较切片。
从空间邻近到机制证据，还隔着几层？
邻近、配体受体 RNA、蛋白定位和扰动实验提供不同层级的证据，不应在一张 interaction map 中被合并。
一张空间转录组 Figure 是怎样做出来的？
切换 A–D Panel，分别理解 domain、feature、deconvolution 和 pathway 的输入、用途、误读与反向数据链。
Spatial organization of the fibrotic lung niche
MedResearch Atlas Teaching Dataset · 2 tissue sections · Figure 4
八类常见空间转录组 Figure
每张图都需要同时检查组织图像、空间单位、颜色尺度、样本层级和不能跨越的证据边界。
Tissue + Spot Overlay
- 回答
- 哪些测量位置覆盖了什么组织结构？
- 误读
- 只显示分析后的点，不提供原始图像和 tissue mask。
Spatial QC Map
- 回答
- 低 counts、高 percent.mt 或背景是否在空间上成片出现？
- 误读
- 把真实低细胞密度区域自动视为失败。
Spatial Domain Plot
- 回答
- 表达与邻域共同定义了哪些候选组织区域？
- 误读
- 把算法边界当作病理学事实。
Spatial Feature Plot
- 回答
- 预定基因或基因集的表达热点在哪里？
- 误读
- 切片间色标不同却比较颜色强弱。
Deconvolution Map
- 回答
- 每个空间位置可能由哪些细胞类型组成？
- 误读
- 把参考依赖的比例当作直接细胞计数。
Neighborhood Enrichment
- 回答
- 哪些细胞状态或区域比随机背景更常相邻？
- 误读
- 空间邻近不等于直接分子互作。
Spatial Pathway Map
- 回答
- 协调的基因集信号在哪些组织区域较高？
- 误读
- 表达评分不等于通路蛋白功能已激活。
Cross-section Region Comparison
- 回答
- 预定 ROI 的空间信号是否跨切片和样本复现？
- 误读
- 把同一患者的连续切片当作独立生物学样本。
空间分析最重要的参数与判断依据
从切片厚度到 bin size、邻接范围、domain resolution 和参考图谱，每个选择都会改变可见的空间结构。
空间分析最常见的 8 个错误
错误通常来自混淆测量单位、组织边界、模型估计和独立样本。
空间共定位能支持什么，不能证明什么？
Spatial 提高了定位能力，但定位、细胞来源、通讯、机制和因果仍是不同的证据层级。
结果可以支持什么？
某基因、细胞状态或基因集与特定组织位置共定位
候选空间 domain 与病理结构存在可检验的对应
参考支持某些细胞类型在特定区域相对富集
特定邻域或配体受体表达具有空间共现
为原位定位和功能干预提出更精确的 ROI 与假设
不能单独证明什么？
一个 spot 的信号只来自一种细胞
空间邻近等于直接细胞接触或真实通讯
空间通路评分等于蛋白通路已功能激活
某个空间热点导致疾病发生
算法 domain 就是真实病理边界
参考映射比例就是绝对细胞计数
用五个判断题检查空间科研思维
重点不是记软件名，而是判断测量单位、配准、参考依赖、参数稳定性和证据边界。
一个直径 55 µm 的 spot 显示 COL1A1 高表达，最稳妥的解释是？
自动 tissue mask 把一段组织边缘识别成背景，应该先做什么？
把 domain resolution 调高后得到更多连续小区域，最合理的下一步是？
疾病肺组织的 deconvolution 参考只包含健康肺细胞，最大的风险是？
某配体高表达区与受体高表达区空间相邻，可以直接支持什么？
把组织、坐标与结论压缩成一条可追溯证据链
任何空间结论都应该能够沿 Figure → Analysis → Spatial Object → Matrix / Coordinates / Image → FASTQ → Tissue 反向追溯。
Data
数据怎样产生与变化
Method
每一步为什么存在
Figure
结果怎样被看见
Evidence
结论能够走多远
参考与数据声明
本页全部切片、坐标、表达值、domain 和组成比例均为固定种子生成的原创教学模拟，不承载真实患者或研究结论。不同商业与成像平台的分辨率、通量和文件结构并不相同，应以对应官方技术文档和实验方案为准。
参考文献与进一步阅读
References 支撑本章论断；Further Reading 负责下一步学习。两者不混为一谈。
核心技术与方法
支撑空间捕获、空间图、domain 与参考映射。
Visualization and analysis of gene expression in tissue sections by spatial transcriptomics
Patrik L. Ståhl et al.. Science, 2016.
为什么推荐：array-based spatial transcriptomics 原始技术论文。
DOI 10.1126/science.aaf2403 PMID 27365449 查看原文Squidpy: a scalable framework for spatial omics analysis
Giovanni Palla et al.. Nature Methods, 2022.
为什么推荐：空间图与图像分析框架。
DOI 10.1038/s41592-021-01358-2 PMID 35102346 PMC8828470 查看原文Cell2location maps fine-grained cell types in spatial transcriptomics
Vitalii Kleshchevnikov et al.. Nature Biotechnology, 2022.
为什么推荐：reference-based cell-type mapping。
DOI 10.1038/s41587-021-01139-4 PMID 35027729 查看原文Spatial transcriptomics at subspot resolution with BayesSpace
Edward Zhao et al.. Nature Biotechnology, 2021.
为什么推荐：空间 domain 与计算分辨率增强。
DOI 10.1038/s41587-021-00935-2 PMID 34083791 PMC8763026 查看原文官方流程文档
核对当前 Space Ranger pipeline 与空间对象。
进一步阅读
建立 single-cell reference 与空间组织解释的整体框架。
Integrating single-cell and spatial transcriptomics to elucidate intercellular tissue dynamics
Sara K. Longo, Ming Guo, Amy L. Ji, Paul A. Khavari. Nature Reviews Genetics, 2021.
为什么推荐：适合第一次理解空间与单细胞整合。
DOI 10.1038/s41576-021-00370-8 查看原文