单细胞转录组（scRNA-seq）与空间转录组（ST）的区别

单细胞转录组测序（Single-cell RNA sequencing, scRNA-seq）和空间转录组测序（Spatial Transcriptomics, ST）都是解析基因表达的重要技术，但它们在技术原理、分辨率、数据特性、应用场景等方面存在明显区别。

下面从多个维度详细对比这两种技术。

---

1. 技术原理

🔹 单细胞转录组（scRNA-seq）

• 核心原理

  ：将细胞分离成单个细胞，通过高通量测序技术检测每个细胞的mRNA表达情况。

• 关键步骤

  ：

  1. 组织解离

     ：使用酶或机械方法分离单个细胞。

  2. 细胞捕获

     ：利用微流控芯片（如 10x Genomics）、微滴（Drop-seq）、微孔（SMART-seq）等技术对单个细胞进行分离。

  3. mRNA 提取与扩增

     ：使用逆转录和PCR技术扩增RNA。

  4. 文库构建 & 高通量测序

     ：将cDNA文库进行Illumina测序。

  5. 数据分析

     ：利用降维（PCA/t-SNE/UMAP）、聚类、细胞类型注释等方法解析细胞异质性。

---

🔹 空间转录组（ST）

• 核心原理

  ：在组织切片上原位捕获 mRNA，并保留空间信息，通过测序或荧光成像解析基因表达模式。

• 关键步骤

  ：

  • 条形码探针法（Visium, Slide-seq）

    ：玻片上布满条形码探针，mRNA 与其结合，并进行测序。

  • 原位测序法（MERFISH, seqFISH）

    ：荧光标记RNA分子，通过显微成像获取表达数据。

  1. 组织切片

     ：组织样本固定后切片，铺在玻片或特殊基质上。

  2. mRNA 捕获

     ：

  3. 基因表达检测

     ：进行高通量测序或荧光成像。

  4. 数据分析

     ：空间基因表达重建、区域聚类、细胞类型鉴定、空间相互作用分析等。

---

2. 分辨率对比

维度	单细胞转录组（scRNA-seq）	空间转录组（ST）
单细胞分辨率	✅ 能达到单细胞或亚细胞水平	❌ 传统ST技术难以达到单细胞（除MERFISH、seqFISH等）
空间信息	❌ 丢失空间位置信息	✅ 可解析基因的空间分布
细胞类型解析	✅ 能精准区分细胞类型	⚠ 依赖组织区域划分，难以直接分离单个细胞

🔹 单细胞转录组

• 优势

  ：可检测单个细胞基因表达，适用于研究细胞异质性、稀有细胞类型、细胞命运轨迹等。

• 劣势

  ：缺乏组织空间信息，细胞分离过程可能影响细胞状态。

🔹 空间转录组

• 优势

  ：保留细胞在组织中的空间信息，适用于研究组织结构、细胞间相互作用、发育过程等。

• 劣势

  ：通常无法达到单细胞分辨率，部分技术（如Visium）每个spot可能包含多个细胞。

---

3. 数据特性

维度	单细胞转录组（scRNA-seq）	空间转录组（ST）
数据类型	单细胞表达矩阵	空间表达矩阵
分辨率	单细胞级	细胞簇（spot）或高分辨率（MERFISH）
基因覆盖度	依赖文库策略（10x 低覆盖，SMART-seq 高覆盖）	受捕获探针或测序深度限制
噪声水平	高（掉落事件、多重检测）	低（组织切片减少细胞丢失）
样本通量	一次可检测数万细胞	受玻片面积、探针数量限制

单细胞数据：更关注细胞异质性，适合细胞亚群分析。
空间数据：强调基因表达的空间模式，适合研究组织微环境。

---

4. 主要技术平台对比

技术	单细胞转录组	空间转录组
10x Genomics	Chromium (scRNA-seq)	Visium
Smart-seq	高精度 scRNA-seq	❌（无空间分辨率）
Drop-seq	微滴式单细胞测序	❌
Slide-seq	❌	高分辨率 ST
MERFISH	❌	原位测序 ST
seqFISH+	❌	超高分辨率 ST
Stereo-seq	❌	超高分辨率 ST

---

5. 适用研究方向

研究领域	单细胞转录组（scRNA-seq）	空间转录组（ST）
细胞类型鉴定	✅ 解析异质性	⚠ 依赖区域划分
肿瘤微环境	✅ 识别肿瘤亚群	✅ 研究细胞空间分布
胚胎发育	✅ 研究细胞分化	✅ 研究组织结构变化
神经科学	✅ 解析神经元亚群	✅ 研究脑区分布
免疫学	✅ 解析免疫细胞谱系	✅ 研究免疫细胞浸润
组织病理学	❌ 丢失空间信息	✅ 结合病理切片

---

6. 单细胞转录组 & 空间转录组的整合分析

为了同时利用 scRNA-seq 的细胞精度 和 ST 的空间信息，可以进行数据整合：

1. 使用 scRNA-seq 识别细胞类型

   。

2. 将单细胞数据映射到空间数据

   ，推测不同细胞在组织中的分布。

3. 分析空间基因表达模式

   ，研究细胞间相互作用。

常用整合工具：

• Seurat

  （单细胞 + 空间数据映射）

• SPOTlight

  （基于 NMF 解析空间细胞组成）

• Cell2location

  （贝叶斯模型推测细胞分布）

• Tangram

  （机器学习模型进行单细胞-空间映射）

---

7. 总结

对比维度	单细胞转录组（scRNA-seq）	空间转录组（ST）
分辨率	单细胞级	细胞簇（spot）或超高分辨率
空间信息	❌ 无	✅ 有
细胞异质性	✅ 精确识别	⚠ 依赖区域划分
数据降噪	⚠ 需要更强滤噪	✅ 噪声相对低
适用场景	研究细胞类型、发育、癌症	研究组织结构、细胞间通讯

最佳实践

• 想研究细胞类型？

   用 scRNA-seq

• 想研究组织结构？

   用 ST

• 想结合两者？

   用 scRNA + ST 整合分析

未来，单细胞 & 空间转录组的结合 将成为趋势，推动更深入的生物学研究！ 🚀

生信大白记第57记，就到这里，关注我！

下一记，持续更新学习生物信息学的内容！