單細胞轉錄組學+空間轉錄組的整合及思路

一、概念

首先還是老規矩，處理一下概念問題，好將之后的問題進行分類和區分

單細胞轉錄組：指在單個細胞水平上對轉錄組（即細胞內所有轉錄出來的 RNA，主要是 mRNA）進行研究的學科或技術方向，核心是分析單個細胞中基因的表達情況（包括哪些基因被激活表達、表達量高低等），從而揭示細胞間的異質性、功能差異及分子調控機制。

????????可以簡單理解為：研究 RNA——>揭示細胞內群體異質性、定義細胞類型、細胞狀態和細胞的動態轉變

空間轉錄組（ST）：是一種結合空間位置信息和基因表達數據的技術，能夠在組織切片上解析基因表達的空間分布模式，彌補了傳統單細胞轉錄組技術丟失空間信息的缺陷?。

????????空間轉錄組能夠將基因表達信息與細胞在組織中的具體位置相結合，從而揭示細胞類型的分布、細胞亞群的空間組織以及細胞間的相互作用。

二、具體應用

這個部分只專注于實驗設計和樣本，不關注研究內容

案例一：scRNA-seq+ST破譯結直腸癌干細胞異質性與轉移路徑

該研究通過scRNA-seq和空間轉錄組（ST）分析，揭示了結直腸癌中異質性癌癥干細胞樣細胞（CSCs）及其器官特異性轉移的機制。

樣本：8例原發性CRC、5例oCRC（卵巢轉移）、2例lCRC（肝臟轉移）、7例鄰近正常組織和7例外周血單核細胞（PBMC），共29例樣本。

?研究路線：

?案例二：scRNA-seq+ST表征缺血小鼠大腦的分子和細胞結構

本研究利用空間轉錄組學和scRNA-seq技術對缺血性腦卒中小鼠模型的大腦進行了深入分析，揭示了腦卒中后神經炎癥反應中的關鍵分子和細胞變化。

樣本：接受光栓塞手術組和假手術對照組的兩組小鼠的梗死周邊區域

研究路線：

?案例三：scRNA-seq+ST揭示HNSCC中CAF亞群限制了CD8+T細胞的浸潤和抗腫瘤活性

本文為關于頭頸部鱗狀細胞癌（HNSCC）中癌癥相關成纖維細胞（CAF）亞群對CD8+ T細胞浸潤和抗腫瘤活性的影響。研究通過空間轉錄組和scRNA-seq技術，揭示了特定的CAF亞群與CD8+ T細胞浸潤限制和功能障礙相關。這些CAFs表達高水平的CXCL9、CXCL10、CXCL12和MHC-I分子，并且富含半乳糖結合蛋白-9（Gal9）。

樣本：來自HNSCC患者5個腫瘤組織和5個配對的鄰近正常組織

研究路線：

?三、整合方法分析方法總結

在《Nature reviews genetics》發表綜述文章，回顧了整合scRNA-seq與空間轉錄組學技術研究的嘗試和努力，包括新興的整合計算方法，并提出了有效結合當前方法的途徑。

參考文獻

Longo, S.K., Guo, M.G., Ji, A.L. et al. Integrating single-cell and spatial transcriptomics to elucidate intercellular tissue dynamics. Nat Rev Genet (2021). https://doi.org/10.1038/s41576-021-00370-8

?????????整合scRNA-seq和空間轉錄組學研究的流程模式

核心流程（a→b→c→d）

a ADOPT：確定實驗對象（如組織、器官、疾病模型），明確研究聚焦方向（分子、細胞、器官層面）。
b ASSAY：組織分析環節，包含 3 類技術：
- Spatial barcoding：空間條形碼技術（如 10X Visium），通過 “空間反卷積（Deconvolution）” 解析混合細胞的空間分布；
- HPRI：高分辨率原位分析（High - Plex RNA Imaging），實現基因表達的空間 “映射（Mapping）”；
- scRNA - seq：單細胞轉錄組測序，用于 “細胞亞型鑒定（Cell subtype identification）”。
c ASSEMBLE：整合分析結果，生成 2 類圖譜：
- Cell - type map：細胞類型空間分布圖（標注不同細胞類型的區域）；
- Bio - feature annotation：生物特征注釋圖（如標記 “Leading edge” 等功能區域）。
d ANALYSE：基于空間圖譜，解析 “細胞間通訊（intercellular communication）”，驗證配體 - 受體互作對（Ligand - receptor pairs）及下游調控關系。

?scRNA-seq+空間組學整合分析的研究進展（2021年止）

?解析scRNA-seq和空間轉錄組數據的研究

核心維度（列）

Tissue sample：研究對象（組織 / 疾病模型），分 5 大類：組織穩態（Tissue homeostasis）、組織發育（Tissue development）、腫瘤微環境（Tumour microenvironment）、其他疾病微環境（Other disease and injury microenvironments）。
Input data：實驗輸入數據類型，如單細胞測序（scRNA-seq）、單分子熒光原位雜交（smFISH）、流式分選（FACS）、激光捕獲顯微切割（LCM）等。
Analyses：分析方法，涉及降維（DR，如 t-SNE、UMAP ）、基因調控網絡（GRN）、反卷積（Deconvolution）、擬時序分析（pseudo-time ）等。
Highlights：研究亮點（核心發現），如揭示基因表達的空間分區（spatial zonation ）、細胞亞型映射（cell subtypes mapping ）、疾病相關分子網絡（gene networks ）等。
Ref.：文獻引用編號（對應研究的參考文獻）。

研究場景覆蓋

涵蓋正常組織穩態（如肝臟、腸道）、發育（胚胎腸道、心臟）、腫瘤（鱗狀細胞癌、胰腺癌）、疾病模型（阿爾茨海默病、心肌梗死）?等方向，體現空間組學在解析組織異質性、細胞功能、疾病機制中的應用。

scRNA-seq+空間組學整合分析的計算方法

整合scRNA-seq和空間轉錄組數據有兩種主要方法：去卷積（Deconvolution）和映射（Mapping）。去卷積旨在根據單細胞數據，從每個捕獲點的mRNA轉錄物的混合物中分離出離散的細胞亞群；映射有兩方面：將指定的基于scRNA的細胞亞型定位到HPRI圖譜上的每個細胞和將每個scRNA-seq細胞定位到組織的特定生態位或區域。

去卷積：被用于從混合細胞樣本中分離出不同細胞類型的表達模式。
HPRI（High-plex RNA Imaging）?：高通量RNA成像技術，提供單細胞分辨率的空間數據，用于將scRNA-seq識別的細胞類型映射到組織中的實際位置。
映射：以單細胞分辨率創建空間分辨率的細胞類型映射。

空間轉錄組與單細胞數據分析工具的分類對比表

核心維度（列）

Algorithm：算法名稱（如 SPOTlight、stereoscope 等），覆蓋 3 類分析方向：
- Deconvolution（去卷積）：解析混合信號的細胞類型比例（如 SPOTlight、SpatialDWLS ）；
- Mapping（映射）：關聯單細胞與空間數據（如 scSeq、Harmony ）；
- Spatially informed ligand-receptor analysis（空間配體 - 受體分析）：解析細胞間通訊（如 SpaOTsc、Giotto ）。
Strategy type：算法策略（如 Non-negative least squares regression、Probabilistic modelling ）。
Recommended data：推薦輸入數據類型（scRNA-seq、空間條形碼數據、HPRI 等）。
Output：工具輸出結果（如細胞類型比例、配體 - 受體互作對）。
Refs：文獻引用（對應工具的方法學或應用文獻）。

價值與應用

這張表匯總了空間多組學分析的主流算法工具，覆蓋去卷積、數據整合、細胞通訊?3 大核心場景，可用于指導空間轉錄組 + 單細胞數據分析的工具選型（如解析細胞類型比例選 SPOTlight，做細胞通訊選 SpaOTsc ）。

單細胞和空間轉錄組數據的整合策略

“去卷積（Deconvolution）與映射（Mapping）” 流程的示意圖

模塊拆解（左→右）

c Regression-based deconvolution（基于回歸的去卷積）：
用單細胞轉錄組的細胞類型表達譜（scRNA-seq cell-type profiles），通過回歸模型（Regression）解析空間捕獲點（Capture spot）的混合表達信號，估算細胞類型比例，識別 “主導細胞類型（Dominant cell type）”。
d Probabilistic modelling（概率建模去卷積）：
為每種單細胞類型擬合概率模型（如分布曲線），結合空間捕獲點的表達譜（Capture spot expression profile），推斷細胞類型比例（Cell-type proportions）。
e Cell-type scoring（細胞類型評分映射）：
通過 “相對富集（relative enrichment）” 給細胞類型打分，完成 “細胞類型分配（Cell-type assignment）”，用不同符號 / 顏色標記空間點的細胞類型歸屬。
f Cluster-based mapping（基于聚類的映射）：
將單細胞轉錄組（scRNA-seq）與空間數據（Spatial data）映射到 “共享空間（Shared space）”，通過聚類（Cluster）對齊，生成 “單細胞分辨率的空間數據（Aligned single-cell resolution spatial data）”，劃分 A、B、C 等區域。

核心邏輯

這是空間轉錄組與單細胞數據整合的典型方法，解決 **“單細胞類型的空間定位”** 問題 —— 先通過去卷積解析混合信號中的細胞類型比例，再通過映射（Mapping）將細胞類型與空間位置關聯，最終構建 “細胞類型 - 空間分布” 圖譜，常用于腫瘤微環境、發育生物學等研究。

空間轉錄組學中細胞間通訊機制的示意圖

核心模塊

上方組織圖譜：標注不同細胞通訊狀態（Aa/Ba 為可通訊，Ab/Bb 為不可通訊），體現細胞通訊的空間特異性。
左側（A）：受 “配體 - 受體 proximity（空間鄰近性）” 限制的細胞通訊：
- Aa：細胞空間鄰近 + 配體 - 受體結合→可通訊（Outcome：√ ）；
- Ab：細胞空間分散 / 配體 - 受體不結合→不可通訊（Outcome：× ）。
右側（B）：受 “配體 - 受體 - 靶基因共表達” 限制的細胞通訊：
- Ba：配體結合受體后，靶基因激活表達→可通訊（Outcome：√ ）；
- Bb：配體 - 受體未觸發靶基因表達→不可通訊（Outcome：× ）。