全面AI的2025，全面空间的2026！

2010年，我们做转录组测序，是把组织当成匀浆来对待的。2020年，单细胞测序让我们看到细胞的多样性。2025年，AI横扫生物医学，从蛋白质结构到单细胞表征，大模型无处不在。2026年的今天，空间转录组让我们不仅能看见单个细胞，还能看见它们在组织里的定位信息和互作关系。细胞不是孤立的存在。它的身份，由它的邻居定义；它的功能，由它的位置决定。2026年，或将成为空间组学全面爆发的一年。

按分辨率和通量两个维度，空间组技术大致分成三大流派。1. 基于测序的技术，如10x Visium、Visium HD、Slide-seq。该技术核心逻辑是在载玻片上预先布置带空间条形码的捕获探针，组织切片贴上去后，mRNA从组织扩散到探针上被捕获，通过测序反推每个位置的基因表达。优点是通量高，覆盖全转录组；缺点是分辨率受限于spot大小（经典Visium是55μm，含1-10个细胞；Visium HD已缩小到2μm，逼近单细胞）。适用场景如肿瘤组织结构解析、组织区域差异分析、 biomarker discovery。

2. 基于原位成像的技术，如MERFISH、seqFISH+、Xenium、CosMx。这类技术不走测序路线，而是直接在组织切片上对RNA分子进行多重成像。每个分子被点亮的位置，就是它在细胞中的真实坐标。优点是真正的亚细胞分辨率，可以精确到单个mRNA分子；缺点是通量低，Xenium可检测约500个基因，MERFISH可扩展至1000+，但无法做到全转录组覆盖。适用场景包括细胞-细胞直接互作研究、神经环路解析、精细空间图谱构建。

3. 基于激光显微切割的技术，如LCM-seq、GeoMx DSP。通过激光切割或区域收集的方式获取特定区域的细胞，再进行测序。GeoMx DSP结合抗体或RNA探针，实现特定细胞类型的空间表达谱获取。优点是可针对特定感兴趣区域或特定细胞类型；缺点是通量低，依赖组织形态学先验知识。而基于数学推断的虚拟技术，如CARD、Tangram、gimVI。这类方法本身不产生实验数据，只是通过算法将单细胞RNA数据映射到空间转录组数据，实现单细胞分辨率的空间表达推断。优点是成本低，可以充分利用已有海量单细胞数据；缺点是需要实验验证。没有完美的技术，只有合适的技术。策略上做区域分析选Visium，做精细互作选Xenium，做探索性研究可以先用算法推断再验证。

百奥智汇整理的空间组学思维导图

拿到空间转录组数据后，我们该如何层层深入？其分析流程可分为四个步骤。空间聚类与区域注释。空间转录组第一张图，往往是组织切片上的空间聚类。这些cluster并不随机，而是对应组织学上解剖结构：肿瘤区域、基质区域、免疫浸润区、坏死区等。关键分析：空间可变基因（SVG）识别——哪些基因的表达随空间位置变化？经典的SVG方法包括SpatialDE、SPARK、MERINGUE等。这些基因往往是区域特化的功能标志。

细胞组成与空间分布。有了空间坐标，我们就可以问：每个位置（spot）里有什么细胞？这需要整合单细胞数据做空间解卷积。主流方法有RCTD、CARD、SpatialDWLS、cell2location等。解卷积之后，我们得到每个spot的细胞类型组成。这时可以做两件事：a.细胞类型共定位分析：哪些细胞倾向于待在一起？比如在肿瘤中，M2型巨噬细胞常常和Treg细胞“抱团”。b.空间梯度分析：从肿瘤核心到边缘，免疫细胞的比例如何变化？

细胞互作网络分析。这是空间转录组最有魅力的部分。单细胞层面的细胞互作分析（如CellPhoneDB、NicheNet）是基于配体-受体表达的相关性，但缺乏空间验证。有了空间信息，我们可以分析配体表达的细胞和受体表达的细胞，在空间上是否邻近？细胞间的距离是否影响互作强度？有没有形成多细胞的通讯枢纽？空间互作分析的进阶方法，Giotto可构建细胞邻域网络，计算配体-受体对在空间上的共现显著性；SpaTalk结合距离信息和配体-受体数据库，推断空间受限的细胞通讯；MISTy从细胞自身、近邻、区域三个层次建模互作关系。

空间功能单元识别。当我们把细胞类型、互作关系、功能状态综合起来，往往会发现组织中存在一些重复出现的空间功能单元，如肿瘤中的三级淋巴结构（TLS）、肝小叶的代谢分区、大脑皮层的层状结构。识别这些结构需要无偏的算法，BANKSY结合基因表达和空间邻域信息进行聚类；STAGATE利用图注意力网络学习空间域；SpaGCN整合空间坐标、基因表达和组织学图像。空间功能单元才是真正承载组织功能的基本模块。理解了这些单元的组织逻辑，就理解了器官的工作原理。

过去我们讲冷肿瘤和热肿瘤，只是基于CD8+ T 细胞的总体丰度。在空间转录组场景下，免疫排斥型是 T 细胞被挡在肿瘤边缘的纤维包膜外；免疫沙漠型是整个肿瘤区域几乎看不到免疫细胞；三级淋巴结构中 B 细胞、T 细胞、DC形成有序的结构，往往预示着免疫治疗响应良好。

传统病理学分型基于组织形态学，比如肿瘤的分级、分期。空间转录组让我们可以在分子层面重新定义疾病亚型，不是只看肿瘤细胞本身，而是看肿瘤微环境的组织结构。在胰腺导管腺癌中，空间转录组识别出了反应性基质和抑制性基质两种不同的基质类型，它们与患者的预后存在显著关联。

尽管空间转录组发展迅猛，但仍面临几个核心挑战。目前还没有技术能同时做到单细胞分辨率+全转录组覆盖+大组织范围。这是物理限制，短期内可能难以突破。解决方案可能是高低搭配，先用Visium HD做全转录组扫描（高通量低分辨率），再用Xenium做高分辨率靶向验证（低通量）。

空间转录组不仅产生基因表达数据，还产生组织染色图像。如何将组织学形态（细胞核形态、组织结构）与分子表达深度整合？深度学习在这里大有可为，比如用HE图像预测空间表达模式。空间转录组是瞬时快照，但生物学是动态过程。如何从多个快照反推细胞迁移轨迹和分子扩散？

空间轨迹推断（如spatial pseudotime）是一个活跃的研究方向。空间转录组只是开始，还有空间蛋白组（CODEX、CyCIF等可以同时检测40+种蛋白的空间分布），空间代谢组（质谱成像技术正在走向单细胞分辨率）和空间基因组（原位测序已经可以检测基因突变的空间异质性）。多模态空间数据的整合分析，将是下一个技术高地。