综述：解密癌症的空间密码：从单细胞到组织微环境

这篇综述系统梳理了空间转录组学（ST）技术在解析肿瘤微环境（TME）中的前沿应用，重点探讨了细胞状态定义、生态位（niche）划分和多组学整合三大挑战，并评述了地理统计学、图神经网络（GNN）等创新方法在临床转化中的潜力，为癌症作为互联生态系统的研究提供了方法论框架。

　　

空间转录组学技术革命

空间转录组学（ST）作为2020年"年度方法"，实现了在保留组织结构的前提下对完整组织切片进行高分辨率分子图谱绘制。这项技术通过坐标系统将基因表达模式映射到局部组织结构，为解析癌症中极端的空间复杂性提供了全新工具。当前ST平台主要分为测序基（如Visium、Slide-seq）和成像基（如MERFISH、Xenium）两大类，分辨率从亚细胞级到多细胞级不等，各具技术特点和适用范围。

从数据预处理到生态位解析

典型的ST分析流程始于空间条形码数据的基因组比对，经过严格的质量控制（QC）和标准化处理。关键挑战在于超细胞分辨率平台（如10x Visium）需要进行细胞反卷积（deconvolution），而成像平台则需复杂的图像配准和分割步骤。新兴工具如BayesSpace通过贝叶斯建模提升空间域检测能力，SpottedPy应用Getis-Ord Gi*地理统计量识别肿瘤热点区域，CellCharter则利用高斯混合模型揭示肺腺癌中具有微环境互作特征的共存癌细胞状态。

细胞状态连续体的空间解码

区别于离散的细胞类型，细胞状态往往呈现连续变化特征。研究者开发了多种策略来捕捉这种动态：基因集富集分析量化状态转变，非负矩阵分解（NMF）提取共表达模块，而隐马尔可夫模型（如用于上皮间质转化研究）则能推断离散状态。特别值得注意的是，EMT过程中出现的混合态细胞在空间上往往形成具有免疫逃逸特征的特殊生态位。

多尺度生态位特征刻画

生态位的定义需整合细胞群落的空间组织与功能关联。传统聚类算法（如Louvain）因忽视空间信息而受限，新兴方法采用不同策略突破这一局限：

• 无监督聚类：SpaGCN结合形态学特征实现图像引导分析

• 地理统计：Ripley's K函数量化免疫细胞空间分布模式

• 图神经网络：NEST通过对比学习整合空间邻近性与信号强度

• 细胞互作：COMMOT应用最优输运理论建模空间通信，Renoir则聚焦通路水平的配体-靶标活性

数字病理的融合创新

人工智能在ST与数字病理整合中展现出强大潜力。iStar通过层次图像特征提取实现近单细胞级基因表达预测，Diff-ST采用跨模态条件扩散模型提升分辨率，而VORTEX则开创了从3D病理数据预测体积ST的新范式。值得注意的是，Path2Space通过大规模生物标志物发现，成功识别出具有显著生存差异的空间定位乳腺癌亚群。

临床转化的机遇与挑战

ST已在多个临床相关领域取得突破：揭示CD74在结直肠癌免疫治疗应答中的空间特异性表达，刻画肿瘤核心与边缘的分子异质性，追踪Netrin-1抑制后子宫内膜癌EMT的空间消退。尽管存在成本高、流程复杂等瓶颈，通过训练AI模型预测功能性生态位特征，结合常规病理分析实现精准治疗决策，正成为最具前景的转化路径。

未来展望聚焦三大方向：开发因果推理方法突破相关性局限，建立三维多组学整合框架，以及构建"虚拟肿瘤化身"用于药物预测。随着技术进步和标准建立，ST有望揭示肿瘤生态系统更深层的组织原则，推动空间生物学进入新的发展阶段。