单细胞转录组学+空间转录组的整合及思路

一、概念

首先还是老规矩，处理一下概念问题，好将之后的问题进行分类和区分

单细胞转录组：指在单个细胞水平上对转录组（即细胞内所有转录出来的 RNA，主要是 mRNA）进行研究的学科或技术方向，核心是分析单个细胞中基因的表达情况（包括哪些基因被激活表达、表达量高低等），从而揭示细胞间的异质性、功能差异及分子调控机制。

可以简单理解为：研究 RNA——>揭示细胞内群体异质性、定义细胞类型、细胞状态和细胞的动态转变

空间转录组（ST）：是一种结合空间位置信息和基因表达数据的技术，能够在组织切片上解析基因表达的空间分布模式，弥补了传统单细胞转录组技术丢失空间信息的缺陷‌。

空间转录组能够将基因表达信息与细胞在组织中的具体位置相结合，从而揭示细胞类型的分布、细胞亚群的空间组织以及细胞间的相互作用。

二、具体应用

这个部分只专注于实验设计和样本，不关注研究内容

案例一：scRNA-seq+ST破译结直肠癌干细胞异质性与转移路径

该研究通过scRNA-seq和空间转录组（ST）分析，揭示了结直肠癌中异质性癌症干细胞样细胞（CSCs）及其器官特异性转移的机制。

样本：8例原发性CRC、5例oCRC（卵巢转移）、2例lCRC（肝脏转移）、7例邻近正常组织和7例外周血单核细胞（PBMC），共29例样本。

研究路线：

案例二：scRNA-seq+ST表征缺血小鼠大脑的分子和细胞结构

本研究利用空间转录组学和scRNA-seq技术对缺血性脑卒中小鼠模型的大脑进行了深入分析，揭示了脑卒中后神经炎症反应中的关键分子和细胞变化。

样本：接受光栓塞手术组和假手术对照组的两组小鼠的梗死周边区域

研究路线：

案例三：scRNA-seq+ST揭示HNSCC中CAF亚群限制了CD8+T细胞的浸润和抗肿瘤活性

本文为关于头颈部鳞状细胞癌（HNSCC）中癌症相关成纤维细胞（CAF）亚群对CD8+ T细胞浸润和抗肿瘤活性的影响。研究通过空间转录组和scRNA-seq技术，揭示了特定的CAF亚群与CD8+ T细胞浸润限制和功能障碍相关。这些CAFs表达高水平的CXCL9、CXCL10、CXCL12和MHC-I分子，并且富含半乳糖结合蛋白-9（Gal9）。

样本：来自HNSCC患者5个肿瘤组织和5个配对的邻近正常组织

研究路线：

三、整合方法分析方法总结

在《Nature reviews genetics》发表综述文章，回顾了整合scRNA-seq与空间转录组学技术研究的尝试和努力，包括新兴的整合计算方法，并提出了有效结合当前方法的途径。

参考文献

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和空间转录组学研究的流程模式

核心流程（a→b→c→d）

a ADOPT：确定实验对象（如组织、器官、疾病模型），明确研究聚焦方向（分子、细胞、器官层面）。
b ASSAY：组织分析环节，包含 3 类技术：
- Spatial barcoding：空间条形码技术（如 10X Visium），通过 “空间反卷积（Deconvolution）” 解析混合细胞的空间分布；
- HPRI：高分辨率原位分析（High - Plex RNA Imaging），实现基因表达的空间 “映射（Mapping）”；
- scRNA - seq：单细胞转录组测序，用于 “细胞亚型鉴定（Cell subtype identification）”。
c ASSEMBLE：整合分析结果，生成 2 类图谱：
- Cell - type map：细胞类型空间分布图（标注不同细胞类型的区域）；
- Bio - feature annotation：生物特征注释图（如标记 “Leading edge” 等功能区域）。
d ANALYSE：基于空间图谱，解析 “细胞间通讯（intercellular communication）”，验证配体 - 受体互作对（Ligand - receptor pairs）及下游调控关系。

scRNA-seq+空间组学整合分析的研究进展（2021年止）

解析scRNA-seq和空间转录组数据的研究

核心维度（列）

Tissue sample：研究对象（组织 / 疾病模型），分 5 大类：组织稳态（Tissue homeostasis）、组织发育（Tissue development）、肿瘤微环境（Tumour microenvironment）、其他疾病微环境（Other disease and injury microenvironments）。
Input data：实验输入数据类型，如单细胞测序（scRNA-seq）、单分子荧光原位杂交（smFISH）、流式分选（FACS）、激光捕获显微切割（LCM）等。
Analyses：分析方法，涉及降维（DR，如 t-SNE、UMAP ）、基因调控网络（GRN）、反卷积（Deconvolution）、拟时序分析（pseudo-time ）等。
Highlights：研究亮点（核心发现），如揭示基因表达的空间分区（spatial zonation ）、细胞亚型映射（cell subtypes mapping ）、疾病相关分子网络（gene networks ）等。
Ref.：文献引用编号（对应研究的参考文献）。

研究场景覆盖

涵盖正常组织稳态（如肝脏、肠道）、发育（胚胎肠道、心脏）、肿瘤（鳞状细胞癌、胰腺癌）、疾病模型（阿尔茨海默病、心肌梗死） 等方向，体现空间组学在解析组织异质性、细胞功能、疾病机制中的应用。

scRNA-seq+空间组学整合分析的计算方法

整合scRNA-seq和空间转录组数据有两种主要方法：去卷积（Deconvolution）和映射（Mapping）。去卷积旨在根据单细胞数据，从每个捕获点的mRNA转录物的混合物中分离出离散的细胞亚群；映射有两方面：将指定的基于scRNA的细胞亚型定位到HPRI图谱上的每个细胞和将每个scRNA-seq细胞定位到组织的特定生态位或区域。

去卷积：被用于从混合细胞样本中分离出不同细胞类型的表达模式。
HPRI（High-plex RNA Imaging） ：高通量RNA成像技术，提供单细胞分辨率的空间数据，用于将scRNA-seq识别的细胞类型映射到组织中的实际位置。
映射：以单细胞分辨率创建空间分辨率的细胞类型映射。

空间转录组与单细胞数据分析工具的分类对比表

核心维度（列）

Algorithm：算法名称（如 SPOTlight、stereoscope 等），覆盖 3 类分析方向：
- Deconvolution（去卷积）：解析混合信号的细胞类型比例（如 SPOTlight、SpatialDWLS ）；
- Mapping（映射）：关联单细胞与空间数据（如 scSeq、Harmony ）；
- Spatially informed ligand-receptor analysis（空间配体 - 受体分析）：解析细胞间通讯（如 SpaOTsc、Giotto ）。
Strategy type：算法策略（如 Non-negative least squares regression、Probabilistic modelling ）。
Recommended data：推荐输入数据类型（scRNA-seq、空间条形码数据、HPRI 等）。
Output：工具输出结果（如细胞类型比例、配体 - 受体互作对）。
Refs：文献引用（对应工具的方法学或应用文献）。

价值与应用

这张表汇总了空间多组学分析的主流算法工具，覆盖去卷积、数据整合、细胞通讯 3 大核心场景，可用于指导空间转录组 + 单细胞数据分析的工具选型（如解析细胞类型比例选 SPOTlight，做细胞通讯选 SpaOTsc ）。

单细胞和空间转录组数据的整合策略

“去卷积（Deconvolution）与映射（Mapping）” 流程的示意图

模块拆解（左→右）

c Regression-based deconvolution（基于回归的去卷积）：
用单细胞转录组的细胞类型表达谱（scRNA-seq cell-type profiles），通过回归模型（Regression）解析空间捕获点（Capture spot）的混合表达信号，估算细胞类型比例，识别 “主导细胞类型（Dominant cell type）”。
d Probabilistic modelling（概率建模去卷积）：
为每种单细胞类型拟合概率模型（如分布曲线），结合空间捕获点的表达谱（Capture spot expression profile），推断细胞类型比例（Cell-type proportions）。
e Cell-type scoring（细胞类型评分映射）：
通过 “相对富集（relative enrichment）” 给细胞类型打分，完成 “细胞类型分配（Cell-type assignment）”，用不同符号 / 颜色标记空间点的细胞类型归属。
f Cluster-based mapping（基于聚类的映射）：
将单细胞转录组（scRNA-seq）与空间数据（Spatial data）映射到 “共享空间（Shared space）”，通过聚类（Cluster）对齐，生成 “单细胞分辨率的空间数据（Aligned single-cell resolution spatial data）”，划分 A、B、C 等区域。

核心逻辑

这是空间转录组与单细胞数据整合的典型方法，解决 **“单细胞类型的空间定位”** 问题 —— 先通过去卷积解析混合信号中的细胞类型比例，再通过映射（Mapping）将细胞类型与空间位置关联，最终构建 “细胞类型 - 空间分布” 图谱，常用于肿瘤微环境、发育生物学等研究。

空间转录组学中细胞间通讯机制的示意图

核心模块

上方组织图谱：标注不同细胞通讯状态（Aa/Ba 为可通讯，Ab/Bb 为不可通讯），体现细胞通讯的空间特异性。
左侧（A）：受 “配体 - 受体 proximity（空间邻近性）” 限制的细胞通讯：
- Aa：细胞空间邻近 + 配体 - 受体结合→可通讯（Outcome：√ ）；
- Ab：细胞空间分散 / 配体 - 受体不结合→不可通讯（Outcome：× ）。
右侧（B）：受 “配体 - 受体 - 靶基因共表达” 限制的细胞通讯：
- Ba：配体结合受体后，靶基因激活表达→可通讯（Outcome：√ ）；
- Bb：配体 - 受体未触发靶基因表达→不可通讯（Outcome：× ）。