空间多组学技术：从单组学到多组学的数据分析前沿进展

这篇综述系统梳理了空间多组学（Spatial Multiomics）技术的最新进展，涵盖表观基因组学（Epigenomics）、转录组学（Transcriptomics）、蛋白质组学（Proteomics）等技术，重点解析了数据整合策略（跨平台/跨切片/跨模态）和分析流程的挑战与突破，为生命科学和精准医学研究提供了重要方法论指导。

　　

空间多组学技术：从单组学到多组学的数据分析前沿

摘要

空间多组学技术通过同时捕获组织结构和生物分子表达信息，显著提升了生命科学研究的深度。本文系统总结了空间单组学（如空间转录组、蛋白质组、代谢组）的技术进展，并提出了跨平台、跨切片和跨模态的数据整合策略，为解析复杂生物学问题提供了新工具。

空间单组学技术

1. 空间转录组学
   • 图像基技术：如单分子荧光原位杂交（FISH）和原位测序（ISS），可实现亚细胞分辨率，但通量受限。
   • 条形码基技术：如Visium（55 μm分辨率）和Stereo-seq（0.22 μm分辨率），支持全转录组无偏捕获。
2. 空间蛋白质组学
   • 质谱流式（IMC）和多重免疫组化（mIHC）可检测40-60种蛋白标志物，但抗体成本高昂。
3. 空间代谢组学
   • 质谱成像（MSI）技术（如MALDI-MSI）实现代谢物空间可视化，分辨率达1.4 μm。
4. 空间表观基因组学
   • 空间染色质可及性测序（Spatial-ATAC-seq）和空间CUT&Tag技术可联合分析组蛋白修饰与转录组。

数据分析流程

1. 预处理：包括图像配准、噪声过滤和矩阵构建（如Seurat/Giotto框架）。
2. 细胞类型注释：通过单细胞数据去卷积（如Tangram）或聚类（如BayesSpace）。
3. 空间互作分析：工具如CytoCommunity解析细胞邻域，SpaTalk预测配体-受体互作。
4. 多组学整合：
   • 跨平台：SLAT算法整合不同分辨率数据（如Stereo-seq与Visium）。
   • 跨切片：PRECAST模型消除批次效应，实现异源切片对齐。
   • 跨模态：STACI关联转录组与染色质图像，揭示阿尔茨海默病进展标志物。

应用与展望

空间多组学已应用于肿瘤异质性、发育生物学和神经退行性疾病研究。例如，Slide-DNA-seq联合空间转录组发现肝癌亚克隆相关基因PLAG1。未来需突破三维重建、动态监测等技术瓶颈，并建立标准化分析流程。

（全文基于原文技术细节与案例缩编，无新增观点）