综述：如何充分利用癌症空间转录组学数据

《Seminars in Cell & Developmental Biology》：How to get the most out of your cancer spatial transcriptomics data

本文系统梳理了空间转录组学（ST）技术在肿瘤生态系统研究中的前沿进展，为研究者提供了从数据预处理（细胞分割、反卷积）、差异表达分析到细胞通讯网络构建的全流程方法指南，并展望了多组学整合等未来发展方向。

　　

空间转录组学技术平台概览

空间转录组学（Spatial Transcriptomics, ST）平台主要分为基于成像和基于测序两大类。这些平台在空间分辨率、检测通量、技术要求和成本上各有特点（相关平台比较可参阅专门综述）。基于成像的平台通过荧光标记原位检测RNA分子，而测序类平台则通过捕获组织切片上的mRNA进行高通量测序。平台选择直接影响后续分析策略，例如高分辨率平台支持单细胞水平分析，而低分辨率数据则需要借助反卷积（deconvolution）算法推断细胞组成。

样本细胞组成解析

分析ST数据的第一步是识别样本中的细胞类型及其基因表达模式。这通常依赖于组织学染色（如H&E染色）提供的形态学信息，结合细胞分割（cell segmentation）或细胞类型反卷积技术。细胞分割用于识别单个细胞边界，进而进行细胞表型鉴定；而针对分辨率较低的测序数据，反卷积算法则能估算每个捕获点内不同细胞类型的比例，为后续空间分析奠定基础。

组织区域差异表达基因识别

在确定细胞/点位及其基因表达矩阵后，下一个关键步骤是识别在不同组织区域间表达存在差异的基因或基因集，以揭示样本内的异质性群体。一种策略是de novo发现具有空间变异表达模式的特征基因（如图3A, B）。通用转录组分析工具如Seurat提供了多种空间差异表达分析方法。另一种策略是基于先验知识（如已知的标记基因或预定义的区域）进行比较分析，其统计方法与单细胞RNA测序（scRNA-seq）相似，但需考虑空间位置带来的技术偏差。

细胞发育轨迹推断

传统的差异表达分析将细胞视为离散状态，而实际上细胞常处于连续的动态过渡中。借鉴单细胞RNA测序中的伪时间（pseudotime）分析思路，ST数据也可用于重构细胞发育轨迹或状态转换路径。这有助于研究肿瘤细胞的可塑性（plasticity）、谱系分化等生物学过程，将细胞的空间位置信息与发育时间维度相结合。

肿瘤克隆鉴定与空间分布

解析肿瘤生态系统需要明确肿瘤细胞携带的遗传变异、克隆数量、空间分布及其与微环境的相互作用，并可能据此推断其进化历史（如图4）。许多为单细胞RNA测序开发的肿瘤克隆推断工具可直接或经适配后应用于ST数据，前提是数据能达到单细胞或近单细胞分辨率。通过识别体细胞突变或拷贝数变异（Copy Number Alteration, CNA），可以界定不同的肿瘤克隆，并分析其空间分布模式（如克隆混合或隔离），从而揭示肿瘤的进化动态。

细胞邻域特征量化

前述方法能识别细胞类型、空间变异基因等，但对空间组织模式的量化是实现样本间比较的关键。细胞邻域（cell neighbourhood）分析旨在量化细胞间的空间组织“规则”（例如聚集、分散、混合程度）。分析方法包括空间聚类（如BayesSpace）、细胞邻域组成定义（如使用Cellular Neighborhood或Niche）以及空间相关性度量（如Moran's I）。量化这些模式有助于比较不同样本（如治疗前后）或不同区域（如肿瘤核心与边缘）的生态系统结构差异。

细胞间通讯网络解析

细胞邻域分析揭示了细胞的空间组织模式，而细胞-细胞通讯（cell-cell communication）分析则旨在揭示驱动或产生这种空间分布的潜在生物学机制（如图6）。在癌症研究中，ST为理解细胞通讯网络在肿瘤进展、治疗抵抗中的作用提供了独特视角。通过整合配体-受体（Ligand-Receptor, L-R）相互作用数据库和空间邻近信息，可以推断局部或远程的细胞通讯事件，揭示肿瘤生态系统内部的功能连接。

未来展望与结论

ST技术的未来发展可能集中在几个方面：更高分辨率和全转录组覆盖技术的融合、多组学（如空间蛋白质组、表观基因组）整合、计算方法的进一步创新（如更好地处理空间依赖性、开发动态模型）以及标准化分析流程的建立。ST平台已经为揭示癌症生态系统的特征开辟了崭新途径，具有巨大的潜力推动新型治疗策略的开发。尽管目前的研究多侧重于细胞分布的可视化和基础分析，但计算方法的飞速发展有望更深入地挖掘ST数据所蕴含的丰富信息，最终加速癌症研究的进展。