空间转录组技术及应用综述

最近读了一篇空间转录组的综述，记录一下相关知识。

空间转录组是一种能够获取组织空间信息和转录组数据的技术，和单细胞测序相比，空转补充了单细胞技术在组织解离过程中丢失的空间位置信息。

1. 不同空间转录组技术

1.1 基于microdissection的空间转录组技术

原理：使用显微镜观察细胞或组织，然后使用激光或者微针等工具定位并分离出感兴趣的细胞或细胞群。根据需要，可以选择切割、抓取或分离出细胞。这些分离出的细胞或细胞群可以进一步用于转录组分析，例如RNA测序。

典型技术：Laser capture microdissection(LCM)。

优势：广泛的转录谱、精确的组织切片、与FFPE组织兼容。

缺点：难以扩大到更大数量的样品，以及存在潜在的RNA降解。

1.2 基于in situ hybridization的空间转录组技术

原理：利用反转录和DNA或RNA探针的结合来检测细胞和组织中的特定基因的表达情况。首先，使用组织学方法对样本进行固定和切片，以保持细胞和组织的形态结构。然后，通过反转录将mRNA转录成cDNA，并将其与标记有荧光染料或放射性同位素的DNA或RNA探针进行杂交。这些探针是特异性设计的，可以与目标基因序列进行互补配对。随后，使用显微镜观察探针与目标序列的杂交情况，通过检测荧光信号或放射性同位素信号来确定目标基因在细胞和组织中的表达程度和位置。

典型技术：smFISH。

优势：高基因检测效率，单细胞分辨率和亚细胞转录本定位。

缺点：需要预先定义的基因panel和探针，难以检测较短的转录本，成像时间长，对大面积组织的可扩展性有限，细胞分割中可能存在的挑战，以及需要处理万亿字节的图像。

1.3 基于in situ sequencing的空间转录组技术

原理：基本原理是基于高度复杂的DNA测序技术，可以在细胞或组织中直接检测和测序RNA分子。它通过将 RNA 化学标签与逐个附着到组织切片上的 RNA 分子相连接，并进行串行测序，以确定每个 RNA 分子的序列。这种逐个给予 RNA 分子附上 DNA 标签的方法消除了传统方法中所引起的模糊和干扰。通过这种方式，我们可以在细胞水平上获得高分辨率的转录组信息。

典型技术：STARmap。

优势：单细胞分辨率、亚细胞转录物定位和可应用于更大的组织区域。

缺点：检测效率低。

1.4 基于spatial barcoding的空间转录组技术

原理：使用特殊设计的空间条形码或标签，将多个基因的表达读数与细胞或组织的位置信息进行关联。从而在在测序完成后，对测序数据进行解码和分析，将每个条形码与其对应的基因相关联。同时，将每个条形码的位置信息与细胞或组织的位置信息进行关联，以获得基因表达在空间上的分布模式。

典型技术：ST和visium技术。

优势：可以用于大面积的组织。

缺点：没有达到单细胞分辨率，检测效率较低。

2 空间转录组数据分析流程

分析空间转录组数据的方法大体相似，可分为数据预处理和下游分析。

数据预处理：通常涉及质量控制和标准化，以提高下游分析的数据质量并获得更可靠的生物信息。例如，对于基于spatial barcoding的方法，质量控制的目的是从空间转录组数据中去除低质量的spot和基因。此外，由于空间转录组数据中的spot之间的差异可能相对较大，因此有效的归一化至关重要。

下游分析：首先是降维和聚类分析，以区分不同特征的spot，并且用这些细胞簇来解释一些生物现象。随后，分析数据中的基因表达模式，包括差异表达分析和空间可变基因分析。此外，还可以将将来自组织切片的细胞信息注释到空间转录组数据中。由于spot里一般有多个细胞，可以通过解卷积将每个spot里各细胞的比例解出，从而获取空间中的细胞位置。

个性化任务：在一些特定的任务中，还需要对空间转录组数据进行一些其他的分析，例如细胞间相互作用分析，拷贝数变异分析，空间轨迹分析以及空间domain识别。

3 空间转录组数据处理方法

3.1 Clusters identification

区分细胞类型和亚群是空间转录组数据生物信息学分析的一项基本任务，这个问题可以借助聚类分析来解决。

目前提供聚类分析的一些方法包括：Seurat(R)、BayesSpace(python)、SpaGCN(python)。

3.2 Spatially‑variable genes identification

在特定组织内，一些基因表现出明显的空间变异表达，而其他一些基因在细胞之间表达相同。基因表达在空间上变化的特定模式可以传达不可或缺的生物信息学见解，以识别细胞类型和亚群以及相应的空间信息和潜在的空间功能。

空间变异基因识别的一些方法包括：SpatialDE(python)、trendsceek(python)、SPARK(python)。

3.3 Spatial decomposition

空间转录组学技术的一个常见问题是单个条形码捕获的spot可能被多个细胞覆盖。因此，检测到的表达是spot内一组异质细胞的聚集，这可能会影响识别细胞亚群和描绘组织图谱的效率和准确性。通过各种反卷积算法进行的空间分解过程可以解决这一差异，即解开mRNA的混合物，然后预测一个spot中每种细胞类型的比例。

空间分解的方法包括：CARD、SPOTlight、RCTD、SpatialDWLS。

3.4 gene imputation

基因插补是指推断丢失的基因表达信息或由低协议敏感性等因素引起的“丢失”的任务，减少基因测量过程中的错误并促进反卷积。

基因插补的方法有：Seurat(R)、Tangram、SpaGE和MERFISH。

3.5 Cellular interaction

在细胞彼此相邻的微环境中进行的细胞相互作用可以将重要的感知传达给组织动力学以及在经历疾病等情况时通信网络变化的方式。引入基因图卷积神经网络（GCNG）方法，通过描绘从空间转录组数据转换的细胞关系图并随后编码基因表达，然后将图与表达信息进行卷积，从基因表达推断细胞外相互作用。

推断细胞相互作用的方法有：SpaOTsc。

3.6 Spatial copy number variations identification

拷贝数变异（CNV）是指由于基因片段重排而导致的拷贝数的增加或减少。CNV 的空间分布和活性可以影响表型，使得绘制其空间分布图对于理解、诊断和治疗疾病很有价值。

推断拷贝数变异的方法有：SpatialInferCNV(R)、SPATA。

3.7 Region annotation and spatial trajectories

组织内的基因表达受到组织微环境中细胞的空间位置的影响，空间转录组数据可以提供对组织区域的有价值的见解。空间轨迹分析是空间转录组学中常用的一种分析方法，用于揭示动态细胞进化和分化过程。这种方法通过分析组织切片内细胞的空间位置和基因表达水平来推断细胞之间的进化轨迹和分化关系。

提供区域注释和轨迹分析的方法有：MULTILAYER、stLearn、SPATA。

3.8 Data integration

通过整合空间转录组学和 scRNA-seq 数据，这些方法可以相互补充以提供全面的生物信息。

目前数据整合的方法有：RCTD、Tangram、CellTrek等。

4 空间转录组技术的应用

4.1 阐明组织结构

解码细胞间相互作用和识别细胞亚群对于通过建立特定组织或器官的转录组图谱来描绘组织结构和定义结构成分具有重要意义，从而促进组织动力学的感知。通过空间转录组技术，可以使用RNA测序方法获取组织中所有基因的表达水平。这些数据可以在组织切片上进行空间定位，使我们能够观察到基因表达的具体位置，从而进行更深入的分析。

4.2 阐明发育图谱

此外，空间转录组学技术还通常用于发育生物学，以揭示时空基因表达模式并揭示整个发育过程或多个关键阶段的组织形态发生。

4.3 疾病研究

空间转录组学技术具有阐明疾病微环境和发病机制的强大能力。疾病研究的一个重要部分是肿瘤生物学的研究（肿瘤异质性），这可能是空间转录组学最广泛的应用。

这里主要包括以下内容：细胞类型鉴定（通过空间转录组技术，可以对肿瘤组织中的不同细胞亚群进行鉴定）；空间分布分析（通过空间转录组技术可以获得细胞和基因表达在肿瘤组织中的空间分布图）；异质性标记（通过使用特定的基因或细胞标记物，可以将不同的细胞亚群或功能区域进行标记，帮助我们定位和描述异质性）；基因表达差异分析（通过比较不同细胞亚群的转录组数据，在肿瘤异质性研究中可以鉴定和量化不同基因在细胞亚群之间的表达差异）；空间转录组数据分析（空间转录组数据的分析涉及图像处理、数据挖掘和机器学习等技术。通过应用这些方法，可以鉴定和描述肿瘤组织中不同细胞亚群和异质性的特征，并发现与肿瘤发生、发展和治疗相关的生物学信息）。总之，空间转录组学在肿瘤生物学中的应用可以在很大程度上揭示肿瘤的异质性和微环境，从而为解决当前治疗方案面临的障碍提供充分的指导。

参考文献

1.Du J, Yang YC, An ZJ, Zhang MH, Fu XH, Huang ZF, Yuan Y, Hou J. Advances in spatial transcriptomics and related data analysis strategies. J Transl Med. 2023 May 18;21(1):330.