企业官网建设流程全解析

1. 空间转录组到底解决了什么痛点

做单细胞测序的人都有一个共同的遗憾：把组织打碎成单个细胞之后，细胞的位置信息全丢了。你知道这块组织里有T细胞、有上皮细胞、有基质细胞，但你不知道它们各自待在哪里，谁挨着谁，谁在跟谁“对话”。而传统的原位杂交或者免疫组化，虽然能保留位置，但一次只能看一个或几个基因，通量太低，根本拼不出全局图景。

空间转录组学就是冲着这个矛盾来的。它的核心思路是：在保留组织切片空间位置的前提下，同时捕获成千上万个转录本的表达信息。而10X Visium是目前商业化最成熟、使用最广泛的空间转录组平台之一。它把一张载玻片做成微阵列芯片，上面铺了几千个带有空间条形码的捕获点，每个点直径55微米，点间距100微米，每个点里藏着数以亿计的捕获探针。你把组织切片贴上去，做透化，mRNA就被捕获点“抓”住，然后反转录、建库、测序。测完之后，每个测序read都带着一个空间条形码，你就能反推它来自哪个位置。

这套流程听起来不复杂，但真正上手之后你会发现，从样本准备到数据分析，每一步都有坑。我自己做过的Visium项目里，有因为切片厚度不对导致透化过度的，有因为组织贴片时留了气泡导致大片区域无信号的，也有在Space Ranger跑完之后发现聚类结果跟组织形态对不上的。这篇文章就把整个流程从头到尾拆一遍，把那些“只有踩过才知道”的细节都讲清楚。

这篇文章适合谁看？如果你是刚接触空间转录组的生物信息人员，或者你是做湿实验的想了解下游数据分析能给出什么，又或者你正在评估要不要上这个平台，那这篇内容应该能帮你省下不少试错时间。我尽量不堆术语，用做实验的逻辑把每一步讲透。

2. 芯片结构决定了你该怎么设计实验

2.1 一张Visium玻片上到底有什么

Visium芯片的外观跟普通载玻片差不多，但表面有一块6.5mm × 6.5mm的捕获区域，这个区域里排列着大约5000个捕获点。每个捕获点是一个直径55微米的小圆，相邻点的中心间距是100微米。捕获区域四周有四个基准标记，用于图像对齐和空间坐标定位。

每个捕获点上固定着大量捕获探针，这些探针的序列结构是这样的：一段poly-T序列用来抓mRNA的poly-A尾巴，接着是一段空间条形码，再接着是UMI，最后是测序接头。空间条形码是每个点独有的，通过它就能知道这个转录本来自哪个位置。UMI用来去重，避免PCR扩增偏好导致表达量虚高。

这里有一个关键参数需要记住：每个捕获点理论上能捕获的转录本数量是有限的，实际有效捕获效率跟组织透化程度、mRNA丰度都有关系。我实测下来，一个点捕获到几千到几万个UMI是比较常见的范围，如果某个点的UMI数低于500，基本可以认为这个点没有有效数据。

2.2 芯片选择与组织尺寸的匹配逻辑

Visium目前有两种捕获区域规格：标准版是6.5mm × 6.5mm，还有一个更大面积的版本是11mm × 11mm。选哪个取决于你的组织切片尺寸。这里有一个很容易犯的错误：直接把组织切片贴上去，没有考虑组织是否完全落在捕获区域内。

如果组织超出了捕获区域，超出部分的数据就丢了，而且你没法事后补救。如果组织太小，比如只占了捕获区域的20%，那大部分捕获点都是空的，测序成本就浪费了。我的经验是，组织切片应该占据捕获区域面积的50%到80%之间，这样既能保证有足够的空间信息，又不至于浪费太多捕获点。

实际操作中，你需要在切片前用显微镜确认组织尺寸，然后决定用哪种规格的芯片。如果组织形状不规则，尽量让关键区域落在捕获区域内。有些实验室会先用HE染色的相邻切片来评估组织形态，再决定切片位置，这个做法很稳妥。

2.3 芯片保存与处理的注意事项

Visium芯片对湿度非常敏感。捕获探针是固定在玻片表面的，如果芯片受潮，探针可能降解或者空间条形码之间的交叉污染会增加。芯片从包装里取出来之后，要尽快使用，不要长时间暴露在空气中。如果确实需要短暂存放，放在干燥器中，并且避免温度剧烈变化。

还有一个细节：芯片表面有一层保护涂层，在贴组织之前需要做一次预处理，把涂层去掉，暴露捕获探针。这个步骤的时间和温度要严格按照试剂盒说明书来，不同批次的芯片可能略有差异。我遇到过因为预处理不充分导致捕获效率整体偏低的情况，后来每次都会在预处理后用一个质控切片快速验证一下。

3. 样本准备与切片：湿实验阶段的核心环节

3.1 组织冷冻与包埋的实操要点

Visium对样本质量的要求比单细胞测序更高，因为空间转录组本质上是在组织切片上做原位捕获，mRNA的完整性直接决定了数据质量。组织离体后要尽快冷冻，最好在30分钟内完成。冷冻方式推荐用异戊烷加干冰，或者直接用液氮，但要注意避免冰晶形成。冰晶会破坏细胞结构，导致mRNA降解，最终表现为基因检出数偏低。

包埋的时候，OCT包埋剂要完全覆盖组织，避免气泡。气泡在切片时会形成空洞，贴片后这些区域就没有组织，捕获点也就没有信号。我自己的做法是：包埋后先在-20度预冷几分钟，让OCT稍微固化，再转移到-80度长期保存。切片前把组织块从-80度拿出来，放在-20度平衡30分钟，这样切片时不容易碎裂。

切片厚度通常推荐10微米，但这个厚度不是绝对的。如果组织比较致密，比如肝脏或心脏，可以适当薄一点，8微米左右，避免透化时mRNA扩散过度。如果组织比较疏松，比如脑组织或肺组织，可以厚一点，12微米，保证有足够的mRNA被捕获。切片厚度需要根据组织类型做预实验来优化。

3.2 组织贴片与透化的关键控制点

切片漂浮在水浴中之后，要用干净的载玻片把切片捞起来，然后贴到Visium芯片的捕获区域上。这一步最怕的是气泡和褶皱。气泡会在透化时形成局部隔离，导致气泡下方的捕获点无法接触到试剂。褶皱会让组织厚度不均匀，透化程度不一致。

贴片后要把芯片放在37度烘箱里烘干，让组织紧密贴合在芯片表面。烘干时间一般是1到2分钟，但具体要看组织含水量。烘干不足，组织容易在后续步骤中脱落；烘干过度，mRNA会降解。我通常会在显微镜下观察组织边缘是否开始变干，作为判断依据。

透化是湿实验阶段最关键的步骤。透化液含有蛋白酶K等成分，用来消化细胞膜和核膜，让mRNA释放出来被捕获探针抓住。透化时间太短，mRNA释放不充分，捕获效率低；透化时间太长，mRNA会扩散到相邻捕获点，导致空间分辨率下降。10X官方推荐的时间是几分钟，但不同组织差异很大。我的建议是：第一次做某个组织类型时，先做一个透化时间梯度预实验，用几个相邻切片分别透化不同时间，然后看哪个时间的基因检出数和空间特异性最好。

3.3 文库构建与测序参数选择

透化完成后，捕获点上的探针已经抓到了mRNA，接下来做反转录，把mRNA变成cDNA，同时加上测序接头。然后回收cDNA，做PCR扩增，再建库测序。Visium的文库结构跟单细胞测序类似，但空间条形码的引入让每个read都带上了位置信息。

测序深度方面，官方推荐每个捕获点至少读到5000到10000条read。但实际需要多少，取决于你的组织复杂度和研究目的。如果只是看组织区域划分，每个点5000条read可能就够了；如果要看低表达基因或者做差异表达分析，建议每个点至少10000条read。测序模式推荐用双端测序，read1用来读空间条形码和UMI，read2用来读转录本序列。

这里有一个成本优化的技巧：如果你的组织切片只占了捕获区域的一部分，可以只对组织覆盖的区域进行测序数据分析，空点可以过滤掉，这样有效数据量会更高。但测序本身还是要覆盖整个捕获区域，因为空间条形码的分布是固定的。

4. Space Ranger：从原始数据到表达矩阵

4.1 Space Ranger的输入文件与运行逻辑

Space Ranger是10X官方提供的分析流程，输入文件包括：测序得到的FASTQ文件、显微镜拍摄的组织图像、以及一个描述芯片和图像对应关系的JSON文件。JSON文件里记录了芯片的基准标记在图像中的像素坐标，Space Ranger会根据这些坐标把图像坐标和捕获点的空间坐标对齐。

运行Space Ranger的核心命令是spaceranger count，需要指定转录组参考、图像文件、JSON文件、FASTQ路径等参数。运行时间取决于数据量，一般几个小时到十几个小时不等。运行完成后会输出一个包含表达矩阵、空间坐标、聚类结果和质控指标的文件夹。

这里有一个容易忽略的点：JSON文件的准确性直接影响空间坐标对齐。如果基准标记的坐标标错了，整个空间映射就会偏移。我通常会在运行前用Space Ranger提供的图像查看工具确认一下基准标记的位置是否正确。

4.2 质控指标解读与过滤标准

Space Ranger输出的质控指标里，有几个需要重点关注。第一个是每个捕获点的UMI数，这个指标反映了捕获效率。如果大部分点的UMI数低于500，说明透化或捕获环节有问题。第二个是每个点的基因数，通常跟UMI数正相关。第三个是线粒体基因比例，如果某个点的线粒体基因比例超过20%，说明这个点的细胞可能已经死亡或降解。

还有一个空间转录组特有的质控指标：组织覆盖区域的点占比。如果组织只覆盖了捕获区域的30%，那有效数据量就比较有限。我一般会建议组织覆盖至少50%以上。

过滤标准方面，我通常会把UMI数低于500的点过滤掉，同时过滤线粒体基因比例高于20%的点。但这不是绝对的，如果组织本身RNA含量低，标准可以适当放宽。关键是要在过滤后保留足够的空间信息，如果过滤太狠，组织形态就看不出来了。

4.3 空间坐标与图像对齐的验证方法

Space Ranger运行完成后，会生成一个空间散点图，每个点代表一个捕获点，颜色代表聚类结果或基因表达。你需要把这个散点图跟原始组织图像对比，看聚类结果是否跟组织形态对应。如果聚类结果跟组织形态完全对不上，可能是空间坐标对齐出了问题。

验证方法很简单：在Space Ranger的输出里找到spatial文件夹，里面有一个tissue_positions_list.csv文件，记录了每个捕获点的行列坐标和是否在组织内。你可以把这个文件里的坐标跟图像上的位置做叠加，看是否吻合。如果偏移明显，需要检查JSON文件里的基准标记坐标。

我遇到过一次因为图像分辨率设置不对导致对齐偏移的情况。后来发现是显微镜拍摄时用了错误的放大倍数，JSON文件里的坐标是按另一个倍数标的。重新拍图并更新JSON后问题解决。所以拍图时一定要记录好放大倍数和像素尺寸。

5. Seurat空间数据分析：从聚类到差异表达

5.1 数据读入与Seurat对象构建

Space Ranger的输出可以直接读入Seurat。用Read10X函数读取表达矩阵，用Read10X_Image读取空间图像信息，然后用CreateSeuratObject构建Seurat对象，再把图像信息加到对象里。Seurat会自动把表达矩阵和空间坐标关联起来。

读入之后，先做基础质控。用PercentageFeatureSet计算线粒体基因比例，用subset函数过滤低质量点。过滤标准跟前面说的一样，UMI数低于500、线粒体比例高于20%的点去掉。过滤后检查一下剩余点数，如果少于1000个点，后续分析的统计效力可能不够。

归一化用NormalizeData，默认用LogNormalize方法。然后找高变基因，用FindVariableFeatures，默认选2000个。接着做标准化，用ScaleData，把表达量缩放到均值为0、方差为1。这一步是为了后续的PCA降维。

5.2 降维聚类与空间可视化

降维用RunPCA，然后选主成分数。选多少主成分？可以用肘部图来判断，一般选10到30个。我通常选20个，因为空间转录组的点数量比单细胞少，主成分太多容易过拟合。聚类用FindNeighbors和FindClusters，分辨率参数决定聚类粒度。分辨率越高，聚类越多。我一般从0.5开始试，根据组织复杂度调整。

聚类完成后，用SpatialDimPlot把聚类结果画在组织切片上。这一步是空间转录组最直观的输出：你能看到不同的聚类是否对应不同的组织区域。如果聚类结果跟组织形态吻合，说明分析流程没问题。如果不吻合，可能是聚类分辨率不对，或者空间坐标对齐有问题。

还有一个可视化方法是SpatialFeaturePlot，用来展示某个基因在组织上的表达分布。比如你可以看上皮标志基因是否在上皮区域高表达，免疫细胞标志基因是否在免疫浸润区域高表达。这种可视化能帮你快速验证数据的生物学合理性。

5.3 空间差异表达与区域互作分析

找到聚类之后，下一步是找每个聚类的标志基因。用FindAllMarkers或者FindMarkers做差异表达分析。跟单细胞不同的是，空间转录组的差异表达分析要考虑空间自相关，因为相邻的点表达模式可能相似。Seurat本身没有专门处理空间自相关，但你可以用其他工具比如SPARK或SpatialDE来做空间变异基因分析。

区域互作分析是空间转录组的一个高级应用。你可以计算不同聚类之间的空间邻接关系，看哪些区域倾向于相邻。比如肿瘤区域和免疫区域是否相邻，相邻区域的配体受体表达是否互补。这需要用到细胞通讯分析工具，比如CellChat或NicheNet，把空间信息整合进去。

我做过一个肿瘤样本的分析，发现肿瘤区域和基质区域的交界处有一群特殊的巨噬细胞，它们的配体表达跟肿瘤区域的受体表达高度互补。这种发现是单细胞测序做不到的，因为单细胞丢了空间信息，你不知道哪些细胞是相邻的。

6. 常见问题与避坑指南

6.1 湿实验阶段的典型问题

问题一：组织切片贴片后有气泡。气泡会导致气泡下方的捕获点无信号。解决方法：贴片时用镊子轻轻按压组织边缘，把气泡赶出去。如果气泡已经形成，可以在透化前用针尖轻轻刺破气泡，但要注意不要破坏组织。

问题二：透化过度导致空间分辨率下降。透化过度时，mRNA会扩散到相邻捕获点，表现为基因表达的空间特异性变差。解决方法：做透化时间梯度预实验，选最优时间。如果已经过度，可以在数据分析时用反卷积算法部分恢复空间分辨率，但效果有限。

问题三：测序数据中空间条形码匹配率低。如果Space Ranger报告的空间条形码匹配率低于70%，说明测序质量有问题或者文库构建有问题。解决方法：检查测序仪的校准，检查文库的片段大小分布，必要时重新建库。

6.2 数据分析阶段的典型问题

问题一：聚类结果跟组织形态对不上。可能原因有三个：空间坐标对齐偏移、聚类分辨率不对、数据质量太差。排查顺序：先检查空间坐标对齐，再调整聚类分辨率，最后检查质控指标。

问题二：某些区域没有捕获到信号。可能是组织没有覆盖到那些区域，或者那些区域的mRNA含量太低。解决方法：如果是组织覆盖问题，下次实验调整切片位置；如果是mRNA含量低，可以增加测序深度或者用信号增强试剂。

问题三：差异表达分析结果不显著。空间转录组的点数量比单细胞少，统计效力天然偏低。解决方法：放宽显著性阈值，或者用空间信息辅助分析，比如把相邻的点合并成区域再做差异表达。

6.3 常见问题速查表

6.4 我个人踩过的坑与经验总结

第一个坑：第一次做Visium时，我没有做透化预实验，直接按官方推荐时间操作。结果透化过度，基因表达的空间分布非常弥散，聚类结果跟组织形态完全对不上。后来补做了透化梯度，发现最优时间比官方推荐短了将近一半。所以我的建议是：不管官方推荐什么，第一次做某个组织类型一定要做预实验。

第二个坑：有一次组织切片贴片时留了一个小气泡，我当时觉得气泡很小应该不影响。结果数据分析时发现气泡位置对应的捕获点全部无信号，而且因为气泡边缘的透化不均匀，周围点的表达模式也受到了影响。从那以后，我每次贴片都会在显微镜下仔细检查，确保没有气泡。

第三个坑：Space Ranger运行完成后，我没有及时检查空间坐标对齐，直接跑了下游分析。结果聚类结果跟组织形态对不上，排查了很久才发现是JSON文件里的基准标记坐标标错了。后来我养成了一个习惯：Space Ranger跑完后第一件事就是看空间散点图和原始图像的叠加，确认对齐没问题再往下做。

第四个坑：差异表达分析时，我一开始用了单细胞测序的阈值，结果几乎找不到显著差异基因。后来意识到空间转录组的点数量少，统计效力低，调整了阈值并加入了空间邻接信息，才得到了合理的生物学结论。

7. 从数据到生物学结论的完整链路

空间转录组的最终价值不在于技术本身，而在于它能回答什么生物学问题。我做过的一个项目是研究肿瘤微环境中的免疫排斥现象。用Visium数据，我们发现了肿瘤区域周围有一圈“免疫排斥带”，这个区域里的T细胞数量不少，但它们的杀伤功能基因表达很低。进一步分析发现，这个区域里的基质细胞高表达免疫抑制分子，而且这些基质细胞跟T细胞在空间上高度邻近。这个发现用单细胞测序是做不出来的，因为单细胞丢了空间信息，你不知道哪些基质细胞跟T细胞挨着。

另一个应用场景是发育生物学。用Visium可以追踪胚胎发育过程中不同区域的分化轨迹，看哪些基因在哪些区域先表达，哪些区域后表达。这种时空动态信息对于理解发育调控网络非常关键。

还有一个场景是神经科学。大脑的不同区域有不同的基因表达模式，Visium可以在保留脑区结构的前提下，同时看所有基因的表达。这对于研究脑区特异性的基因调控很有价值。

从技术角度看，Visium的分辨率是55微米，一个捕获点里可能包含几个到几十个细胞。所以它给出的不是单细胞分辨率，而是“区域分辨率”。如果你的研究问题需要单细胞分辨率，那Visium可能不够，需要考虑更高分辨率的技术。但如果你关注的是组织区域层面的差异，Visium的性价比和成熟度目前是最好的。

数据分析方面，Seurat是目前最主流的工具，但也有一些专门针对空间转录组的工具值得关注。比如BayesSpace可以做空间聚类，SPARK可以做空间变异基因分析，CellChat可以做空间细胞通讯分析。这些工具各有侧重，可以根据研究问题选择。

最后分享一个小技巧：如果你做的是多个样本的Visium项目，建议在分析时做整合分析，把多个样本的聚类结果统一起来。Seurat的IntegrateLayers函数可以做整合，但要注意空间转录组的整合跟单细胞不同，需要同时考虑表达相似性和空间邻接性。我通常先用单细胞整合方法做初步整合，再用空间信息做微调。