{
  "id": "spatial-transcriptomics",
  "title": "空间转录组学",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "空间转录组学描绘组织内的基因活性分布，将分子特征与细胞组织方式、解剖结构及局部生物相互作用联系起来。",
  "category": "science",
  "subcategory": "biology",
  "type": "concept",
  "aliases": [
    "空间分辨转录组学"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/spatial-transcriptomics/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/spatial-transcriptomics/",
      "json": "https://aiwiki.page/en/spatial-transcriptomics.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "空间转录组学是一类测量基因表达并保留所测分子在生物样本中位置信息的方法。大多数方法检测组织切片或完整样本中的RNA，尤其是信使RNA，并将测量结果与坐标、显微图像或按解剖结构界定的区域关联起来。由此得到的数据将分子特征与细胞排列、组织分区和局部环境联系起来。\n\n空间背景之所以重要，是因为组织是有序的系统，而非可随意互换的细胞集合。细胞的活动可能取决于它相对于血管、组织边界、邻近免疫细胞或发育信号中心的位置。常规的整体RNA测序得到的是样本内的平均表达水平，而基于细胞解离的单细胞RNA测序则使细胞的分子特征与其原始位置脱离。空间方法保留了其中一部分组织关系，从而能够研究分子梯度、细胞邻域和局限于特定部位的疾病过程。\n\n这一领域涵盖基于测序的捕获方法、多重成像、原位测序和区域选择性分析。这些技术在转录本覆盖范围、空间分辨率、灵敏度、组织兼容性和分析规模方面各有不同。对其结果的解读需要结合分子生物学实验、显微成像、计算图像分析和空间统计学；没有任何一种测量形式能够在所有这些方面都表现得同样出色。"
    },
    {
      "heading": "历史发展与空间分辨率的含义",
      "text": "空间转录组学源于在细胞内定位特定核酸的技术。原位杂交于20世纪60年代末发展起来，利用互补核酸探针，在保留标本结构的同时识别选定的序列。后来的荧光检测方法使单个RNA分子能够以离散光点的形式被检测到。1998年，罗伯特·辛格及其同事展示了利用多条荧光探针实现单分子RNA可视化的方法，推动了RNA定位定量研究方法的建立。这些方法表明，转录本不仅可以在组织提取物中被检测到，还可以在细胞内被计数和定位。\n\n其中一项核心挑战是多重检测：如何在可区分的荧光颜色数量有限的情况下测量大量基因。序贯杂交、分子条形码和多轮成像为此提供了解决方案。Eng及其同事于2014年推出了seqFISH；Chen及其同事于2015年推出了MERFISH。这些方法为基因分配光学编码，并通过连续多轮成像读取编码。与此同时，Je Hyuk Lee及其同事于2014年报道了荧光原位测序，即FISSEQ，展示了在固定细胞和组织内对RNA衍生产物进行高通量多重测序的能力。\n\n“空间转录组学”一词与帕特里克·斯托尔及其同事于2016年发表的一项研究密切相关。他们的方法将组织切片置于带有位置条形码的捕获探针阵列上，从而能够将测序读段映射回载玻片上的相应位置。最初的阵列采用直径约100微米的捕获点，点与点之间的中心间距为200微米。后续技术提高了捕获单元的密度，并引入了微珠阵列、图案化表面以及通过微流控递送空间条形码的方法。2019年报道的Slide-seq使用直径约10微米的微珠；此后，其他方法实现了标称尺寸更小的捕获单元。\n\n不过，“分辨率”有多种含义。一个平台标明的可能是捕获点的直径、捕获单元之间的间距、荧光分子的光学定位精度，或将转录本归属到单个细胞的准确程度。这些指标并不等同。一个很小的捕获单元可能只检测到极少数分子，而为了可靠地分析表达情况，可能需要合并多个相邻单元的数据。反过来，精确的分子坐标也不能保证细胞边界划分准确。\n\n同样，这一领域的范围也比“转录组”一词的字面含义所暗示的更广。一些检测方法无需预先指定基因面板即可对RNA进行广泛检测，另一些则测量选定的数十、数百或数千个基因。两者通常都被纳入这一领域，因为它们都保留了空间信息，并支持基于表达的组织分析。因此，比较不同研究时，必须区分靶向测量与全转录组测量，以及标称分辨率与有效分辨率。"
    },
    {
      "heading": "基于测序的捕获与位置条形码标记",
      "text": "基于测序的空间分析方法通常会在测序前，为源自 RNA 的分子附加位置标识。一种常见设计是在载体表面包被 脱氧核糖核酸寡核苷酸，其中包含空间条形码、唯一分子标识符，以及可与许多信使 RNA 的多聚腺苷酸尾结合的寡聚 dT 序列。将组织切片放置在该表面上，进行成像和透化处理。释放出的转录本与附近的探针结合，并被反转录为互补 DNA。随后通过测序，同时确定转录本及其对应的位置。\n\n空间条形码用于区分不同的捕获单元。分子标识符则用于区分捕获到的原始分子与扩增过程中产生的拷贝：被归属于同一基因、具有相同空间条形码和分子标识符的测序读段，通常可合并为一次分子计数。这能减少扩增造成的偏差，但条形码错误、标识符碰撞以及捕获不完全等问题仍需考虑。这些计数估计的是成功捕获并完成处理的分子数量，而非组织中原本存在的分子总数。\n\n阵列的构建方式决定了位置的编码方式。通过打印或光刻形成图案的表面具有预先确定的坐标。随机沉积的微珠阵列则需要解码，才能将每颗微珠的条形码与其物理位置对应起来。Slide-seq 采用的就是后一种原理。高密度图案化技术可以提供小得多的捕获单元；2022 年报道的 Stereo-seq 使用 DNA 纳米球阵列，单元间距达到亚微米级。最初的 Visium 检测采用直径为 55 微米的捕获点，而 Visium HD 则引入了由边长为 2 微米、带有条形码的方形单元构成的连续阵列。这些尺寸描述的是捕获区域的几何特征，并不直接等同于可独立分辨的生物学单元的大小。\n\n另一些策略则在组织内部赋予分子空间信息。2020 年报道的组织内确定性条形码标记技术（DBiT-seq）通过相互垂直的微流控通道输送两组条形码，其交点定义了一个二维坐标系。区域选择性方法则从选定的区室中收集分子。例如，在数字空间分析中，可从通过光学方式选定的区域释放与探针关联的寡核苷酸标签，随后对其计数。这类测量可以保留区域层面的组织结构信息，但不一定提供每个转录本的位置。\n\n并非所有基于测序的检测都直接捕获天然的带多聚腺苷酸尾的 RNA。有些方法使用成对探针，使其与目标转录本上相邻的序列杂交，再将探针连接成适于捕获和测序的产物。这种设计尤其适合分析存档组织中已片段化的 RNA，但可测量的基因集合由探针面板决定。\n\n基于测序的捕获方法，其主要优势在于能够兼顾广泛的基因覆盖范围和成熟的测序工作流程。主要局限则包括分子回收不完全、处理过程中转录本可能发生位移，以及捕获区域内混有多个细胞。增加测序深度能够改善采样，但这种改善仅持续到可用文库基本被充分测序为止；它无法找回从未被捕获的分子。"
    },
    {
      "heading": "基于成像的转录本检测与原位测序",
      "text": "基于成像的空间转录组学通过多轮探针结合、荧光测量或序列读取，在结构得以保留的样本中识别 RNA。这些方法并不将分子收集到外部表面，而是直接在组织内定位信号。使用合适的显微镜记录与转录本对应的光点，再通过计算解码确定每个光点所属的基因。所得数据集可为每个通过筛选的检测结果提供基因标签及二维或三维坐标，通常还附有信号质量和细胞归属信息。\n\n单分子荧光原位杂交通常使用多条短探针，沿目标 RNA 的不同位置结合。这些探针共同产生的荧光使单个分子能够从背景中分辨出来。多重检测方法在此原理上进一步发展，为每个基因分配一个跨越多个成像轮次和通道的特定模式。如果某个转录本在特定轮次中被检测到，而在其他轮次中未被检测到，由此形成的阳性和阴性观测序列就构成了光学条形码。尽管探针结构和解码方案各不相同，重复测量始终是其核心机制。\n\nMERFISH，即多重容错荧光原位杂交，使用经过专门设计、能够容忍部分检测错误的编码表。有效编码之间适当的差异度，可以使某些信号缺失或伪信号得到识别或纠正。seqFISH 及其扩展方法也通过顺序成像区分大量基因；2019 年报道的 seqFISH+ 展示了在单个细胞中对约 10,000 个基因进行成像的能力。商业系统采用相关的多重检测策略，但在探针化学、扩增方式、成像方式和基因面板限制等方面各有不同。仅凭可检测的基因数量，不能认定这些系统具有相同的灵敏度或准确性。\n\n原位测序从位置固定的核酸产物中读取短核苷酸序列。一些流程使用挂锁探针，其两端与相邻的靶序列杂交，再经连接形成环状分子。随后，滚环扩增在原位产生大量拷贝，从而形成明亮的测序信号。其他方法则利用由 RNA 逆转录得到的互补 DNA 构建覆盖范围更广的文库。靶向探针设计可以提供较高的特异性，而覆盖范围更广的方法则在捕获效率、序列识别和光学拥挤方面面临更多挑战。\n\n在研究亚细胞组织结构方面，成像具有独特优势。转录本坐标可以用于区分细胞核内与细胞质内的分布，也可以揭示细长神经元突起中的 RNA。然而，一个亮点并不一定就代表一个独立的 RNA 分子：扩增所用的化学反应、信号重叠、背景荧光和解码错误都会影响计数。当转录本密度较高时，光学拥挤会使邻近分子难以分辨。多轮成像还必须克服载物台漂移和样本形变的影响，实现精确配准。\n\n靶向成像高度依赖基因面板的设计。为区分已知细胞类别而选定的面板，可能能够很好地识别这些类别，却遗漏未预期的生物学程序。即使计算模型能够预测未测量基因可能的表达情况，通常也无法从图像中恢复这些基因的实际测量信息。因此，基于成像的检测以牺牲一定的发现广度为代价，换取对选定靶标的直接定位，以及通常较高的检测效率。"
    },
    {
      "heading": "标本制备、组织学与细胞归属判定",
      "text": "标本是决定空间转录组数据质量的重要因素。组织采集后，RNA 便开始降解，而处理延迟、温度变化、冷冻、固定和储存都可能影响分子的回收。新鲜冷冻组织与福尔马林固定石蜡包埋组织需要采用不同的化学处理方法。福尔马林通过交联保留组织形态，但也会使核酸发生修饰和片段化，增加提取和直接捕获的难度。基于探针的检测方法通过检测相对较短的靶区域，可以在一定程度上适应此类损伤。\n\n切片厚度是另一个重要的制约因素。许多基于载玻片的检测方法使用厚度为数微米至约十微米的切片，但具体要求各不相同。薄切片中，许多细胞仅有部分结构被保留下来，大量细胞质或突起并不包含在内。较厚的切片可以增加分子含量，但可能使细胞沿深度方向重叠，并增加探针渗透或成像的难度。因此，从切片中测得的表达情况不一定代表完整细胞的表达情况。\n\n通透化处理必须在释放分子与保留其原有位置之间取得平衡。通透化不足可能使 RNA 无法被检测体系接触；处理过度则可能损伤组织，或使分子在被捕获前发生移动。当平台上的检测单元小于转录本在处理过程中可能移动的距离时，扩散的影响尤为显著。组织成分同样重要：纤维性、脂肪性、钙化或坏死组织的表现，可能不同于较为均一的软组织。不能想当然地认为，适用于一种器官的方案也能在另一种器官中获得相当的分子回收效果。\n\n组织学图像为结果解读提供了解剖学框架。苏木精-伊红染色可以显示组织分区，而荧光核染色、细胞膜标记或免疫组织化学则可辅助识别细胞。图像配准将这些图像与捕获坐标或转录本图像对齐。配准偏差可能使表达信号被错误地关联到组织边界的另一侧，在小血管、上皮层或细胞密集排列的交界面等狭窄结构附近尤其如此。\n\n将分子归属到具体细胞需要进行图像分割。细胞核分割通常比识别完整的细胞边界更容易，但对于形状不规则的细胞，将细胞核轮廓向外扩展固定距离并不可靠。例如，神经元含有 RNA 的突起可能延伸至远离细胞核的位置，而相邻免疫细胞之间可能几乎没有空隙。结合核染色、细胞膜信息、形态特征和转录本分布的算法可以提高归属判定的准确性，但这些算法所依据的假设仍会影响最终的细胞×基因矩阵。\n\n因此，质量评估必须结合组织状况与分子测量结果。相关指标包括组织完整性、单位面积检出的分子数、每个检测单元检出的基因数、组织外的背景信号、阳性和阴性探针对照，以及重复切片之间的一致性。转录本总数很高，并不意味着定位或分割质量良好。反之，对于体积小且 RNA 含量确实较低的细胞，也不应仅因其检出的分子数少于邻近的大细胞而将其剔除。"
    },
    {
      "heading": "数据结构、预处理与参考数据整合",
      "text": "大多数空间数据集由表达矩阵、坐标、图像和实验元数据组成。矩阵的行可代表捕获位点、分箱、分割得到的细胞或选定区域，列通常代表基因。成像检测还可能保留一张规模大得多的表，记录单个转录本的坐标。这些区别十分重要，因为在统计分析中，一个“样本”可能指一个分子、一个细胞、一个捕获单元、一张组织切片或一个生物个体，而它们与生物学重复的关系各不相同。\n\n对于基于测序的数据，预处理包括测序读段比对或转录本归属判定、空间条形码纠错、分子标识符去重，以及计数矩阵构建。对于成像数据，预处理包括图像配准、斑点检测、光学编码解码、背景排除，以及将转录本分配给细胞。这些阶段引入的误差会传递到下游结果中。保留原始信息或仅经最少处理的信息，有助于重新评估分箱大小、细胞分割边界或解码阈值等选择。\n\n归一化旨在将生物学上的表达差异与测得的物质量及检测效率的变异区分开来。一种常见方法是根据每个观测单位中检测到的分子总数对计数进行缩放，再通过变换降低高丰度基因的主导作用。然而，总 RNA 含量本身也可能随细胞大小、活性或类型而发生生物学变化。因此，将每个细胞的总量归一化至相同水平，可能在消除技术变异的同时，也抹去真实差异。组织厚度、通透性或探针可及性的空间变化还会带来额外的混杂因素，简单缩放未必能够解决这些问题。\n\n参考数据整合通常利用单细胞或单细胞核 RNA 测序来识别细胞类型。在细胞类型解卷积中，捕获位点的表达被建模为多种参考细胞类型表达谱的混合。其简化的期望值模型为\n\n\\[\\mathbb{E}[Y_{sg}] = \\ell_s\\sum_{k=1}^{K}a_{sk}\\mu_{kg}+b_{sg},\\]\n\n其中，\\(Y_{sg}\\) 是位点 \\(s\\) 中基因 \\(g\\) 的观测计数，\\(\\ell_s\\) 表示采样强度，\\(a_{sk}\\) 表示细胞类型 \\(k\\) 的贡献，\\(\\mu_{kg}\\) 是该细胞类型的参考表达水平，\\(b_{sg}\\) 表示背景。实际方法在分布假设、平台校正以及对这些量施加的约束方面各不相同。\n\n拟合得到的贡献量并不必然等同于实际的细胞比例。不同细胞类型的 RNA 含量不同，参考数据也可能遗漏稀有细胞群，或包含空间样本中不存在的细胞状态。亲缘或功能上相近的细胞类型可能具有几乎无法区分的表达谱，尤其是在仅检测少量基因的情况下。组织解离还可能诱导应激相关表达，或使脆弱细胞更容易丢失。\n\n标签转移和计算预测同样不同于直接观测。模型可以推断经空间测量的细胞最可能属于何种类型，也可以依据参考图谱预测未测量基因的表达。这些输出是有用的假设，但其可靠性取决于参考数据的覆盖范围和模型假设。在分析和可视化中，都应明确区分预测表达与实验实际检测到的 RNA。"
    },
    {
      "heading": "空间统计、组织区域与推断的相互作用",
      "text": "空间转录组学将位置信息纳入分析模型。分析的首要任务通常是识别表达水平在组织中呈系统性变化、而非在各观测对象之间独立波动的基因。检验可利用相邻位置、空间协方差函数或明确的解剖坐标。空间自相关描述的是，相较于指定零假设模型下的预期，邻近观测值更为相似或更不相似的倾向。例如，莫兰指数 \\(I\\) 通过加权邻域结构，比较各观测值相对于均值的偏差。\n\n如何定义“邻居”会影响生物学解释。固定半径图连接选定距离范围内的观测对象，而最近邻图则使每个观测对象具有相近数量的连接。如果不纳入解剖信息，这两种图都可能将空腔两侧或明显组织边界两侧的细胞连接起来。在二维切片中测得的距离，也忽略了第三维度上的间隔。因此，图像中看似相邻的位置，只是对原始组织中实际空间邻近关系的近似。\n\n空间区域检测旨在识别分子模式相近的区域，通常会整合表达数据与坐标信息。相关方法可结合降维、基于图的聚类、概率模型或机器学习。纳入位置信息可以减少零散的分类结果，并揭示连贯的层状结构或分区。然而，过度的空间平滑可能会抹去稀有细胞、狭窄的边界或突变式过渡。算法识别出的区域可能反映细胞类型组成、共同的细胞状态、实验伪影，或这些因素的某种组合。\n\n细胞邻域分析探究的是，特定细胞类型共同出现的频率是否高于预期。合适的零假设模型必须保留相关结构。在整个器官范围内随机打乱标签，可能会使普通的解剖分区看起来像是特定细胞之间的吸引。受限置换、分区内比较以及跨样本重复验证，有助于区分局部关联与更大尺度的组织结构。邻域半径也会改变结果的含义：细胞间的直接接触，与处于同一个较大微环境之中，并不是一回事。\n\n研究者常根据一个细胞群中配体的表达，以及另一个细胞群中相应受体的表达，来推断潜在的细胞间通信。空间邻近会提高某些相互作用的可信度，但并不能证明信号传导确实发生。RNA 丰度未必能预测蛋白质丰度；配体可能需要经过加工或分泌；受体可能需要多个亚基；而通路的激活也可能取决于其他条件。对于依赖接触的相互作用，所采用的距离假设应不同于经细胞外液传递的信号。\n\n在比较实验组时，统计依赖性尤为重要。来自同一个体的数千个细胞，并不构成数千个独立的生物学重复。模型必须考虑细胞嵌套于区域、切片和个体之中的层级结构，以及空间依赖性。在评估大量基因或相互作用时，需要进行多重检验校正；报告显著性指标时，也应同时报告效应量和不确定性。空间关联只能确立一种模式；要从因果关系角度加以解释，通常还需要额外的实验证据。"
    },
    {
      "heading": "组织图谱、发育与神经系统的组织结构",
      "text": "空间转录组学的一项主要用途是构建分子组织图谱，即将细胞身份和状态与解剖位置联系起来的参考性描述。基于组织解离的分析能够揭示丰富的细胞多样性，但如果不知道细胞所在的位置，就很难理解许多细胞群的意义。空间定位可以区分位于不同层次的相关细胞，识别过渡边界，并确定某种转录状态是分散分布，还是局限于某一特定结构。\n\n大脑是一个突出的例子，因为其功能高度依赖解剖组织结构。在大脑皮层中，兴奋性神经元分布于不同层次，各层具有特征性的分子特征和投射特性，而抑制性神经元和神经胶质细胞则呈现出其他区域性分布模式。空间测量可以将基于表达的分类与皮层深度、白质、神经核团及其他结构联系起来。2023年发表的大规模小鼠脑研究将广泛的单细胞分析与空间定位相结合，展示了如何将分子层面的细胞分类纳入统一的解剖框架。\n\n亚细胞定位为神经系统研究增添了另一个维度。树突和轴突中的RNA可以支持远离细胞核处的局部蛋白质合成。基于成像的方法能够揭示在全细胞平均分析中被掩盖的分布特征。解读时需要谨慎，因为穿过某张组织切片的突起，其所属细胞的胞体可能位于别处。因此，将附近的所有转录本都归属于最近的细胞核，可能同时导致对细胞身份和RNA定位的误判。\n\n发育研究利用空间数据探究不同细胞状态如何在空间上组织起来，形成组织。在连续胚胎发育阶段采集的切片，可以揭示转录因子表达区域的变化、发育中结构之间的边界，以及局部信号传导程序。2014年推出的Tomo-seq将RNA测序与有序组织切片相结合，以重建沿解剖轴的表达模式。此后，基于捕获和成像的方法进一步提供了发育中器官及胚胎的更精细图景。\n\n这些测量能够将发育过程中的表达程序与实际空间位置联系起来，但并不能直接显示细胞的移动或谱系来源。根据表达相似性推断出的轨迹，并不等同于通过追踪或遗传标记确定的细胞谱系。同样，在不同阶段采集的一组胚胎提供的是群体层面的时间序列，而非单个生物体的连续记录。空间观察若能结合谱系追踪、受控扰动和已确立的胚胎学标志，其信息价值便会进一步提升。\n\n三维图谱可以通过连续切片组装，也可以利用对较厚标本进行成像的方法生成。连续切片重建需要在存在切割变形、材料缺失和解剖结构变化的情况下，完成切片间的对齐。跨个体比较还需要进一步将标本配准到共同的坐标系。因此，参考图谱既是一种测量资源，也是一种对应关系模型：它必须体现真实的解剖变异，而不能将每个标本都强行套入不切实际、完全一致的布局。"
    },
    {
      "heading": "癌症、炎症与局部组织损伤",
      "text": "在癌症研究中，空间转录组学用于考察恶性细胞、基质细胞、血管和免疫细胞群在肿瘤内的分布。一个肿瘤可能包含分子特征不同的区域，分别与浸润边缘、坏死、纤维性间质或不同程度的免疫浸润相关。整体表达测量可能将这些组分混在一起，而基于组织解离的测量则会丢失它们之间的空间关系。只要检测方法和分析能够分辨相关细胞，空间测量就能区分细胞组成的变化与特定细胞群活性的变化。\n\n乳腺癌、胰腺癌、结直肠癌及其他癌症的研究已经描绘出局部恶性细胞的基因表达程序及其周围微环境。例如，在胰腺导管腺癌中，空间分析已被用于研究肿瘤上皮、富含成纤维细胞的间质与免疫细胞区域之间的关系。成纤维细胞可表达不同组合的炎症相关基因和细胞外基质相关基因，其相对于肿瘤结构的分布也可能有所不同。这些模式描述了组织的空间布局，但并不能证明某一细胞群导致了相邻区域的状态。\n\n免疫细胞的空间组织是另一项核心应用。肿瘤总体上可能含有大量T细胞，但恶性上皮区域内的T细胞却相对较少。空间检测可以区分免疫细胞是浸润到了肿瘤区域内部，还是聚集在其边缘。这些方法还可以表征包含B细胞、T细胞及其他免疫细胞群的有序聚集体。识别三级淋巴结构通常需要适当的形态学和细胞学证据；仅凭一簇淋巴细胞相关转录本，不足以确立其完整的组织结构。\n\n在炎症和组织损伤研究中，空间分析可以描绘免疫反应与受损实质组织、血管结构或修复相关细胞在何处重叠。例如，肾脏研究可以区分与肾小球、肾小管、间质和血管相关的表达模式。肺组织则呈现出不同的结构，涉及气道、肺泡区域和血管区域。这些例子说明，解剖学注释是生物学解读不可或缺的一部分，而不是附加在表达图谱上的装饰层。\n\n有时可以在检测宿主转录本的同时检测到病原体相关RNA，但能否检出取决于检测方法的设计。仅针对宿主的靶向检测面板无法识别未纳入面板的病原体。多聚腺苷酸化RNA捕获方法对不同微生物转录本的捕获能力并不相同，许多细菌RNA在这类化学体系中难以得到充分检出。对于疑似源自病原体的测序读段，也需要先通过对照排查污染、比对歧义和环境背景，才能赋予其生物学意义。\n\n临床转化提出了超出探索性研究范畴的要求。候选生物标志物必须接受评估，以确定其可重复性、与样本的兼容性、分析性能，以及在独立患者群体中的相关性。组织处理方式、取样区域、疾病分期和治疗史的差异都可能改变空间模式。在研究队列中发现某种模式与结局相关，本身并不足以确立经过验证的诊断检测方法，也不足以作为治疗选择的依据。"
    },
    {
      "heading": "多模态整合、基准评估与尚未解决的局限",
      "text": "空间转录组学正越来越多地与蛋白质、染色质可及性、代谢物及组织形态的测量相结合。RNA 反映了细胞调控的一个层面，但不能直接衡量酶活性、受体占有情况、蛋白质修饰或代谢通量。细胞内某种蛋白质的 RNA 可能十分丰富，但该蛋白质的翻译效率却很低，或会被迅速降解，或处于无活性状态。因此，将转录本测量与基于抗体的蛋白质检测相结合，有助于明确细胞身份，并揭示不同分子层面之间的不一致。\n\n多模态数据可以从同一张切片、相邻切片，或配准到共同解剖参照的不同样本中采集。这些设计所能提供的对应关系强度各不相同。同切片检测可以将不同分子层面的信息对应到同一批细胞，但各项检测的化学体系必须相互兼容。相邻切片保留了大致相同的解剖结构，但采样的是细胞的不同部分，有时还涉及不同的微小结构。计算对齐无法消除这些物理差异，也不能仅仅因为图像重叠，就认定不同模态的结果彼此一致。\n\n基准评估面临困难，因为大多数组织都缺乏完整且无误差的转录本图谱。独立的单分子检测、标准化样本、合成对照和经过细致标注的组织学资料，可以用于检验特定方面的性能。相关指标包括灵敏度、假阳性检出情况、基因覆盖度、分子定位、细胞归属判定准确性、可重复性、组织面积、处理时间和成本。一种方法在检测高丰度标志物时表现良好，并不意味着它在检测低丰度转录本或分析细胞密集的组织时也能有同样的表现。\n\n一些权衡仍然无法回避。较小的空间单元通常捕获的分子更少，因此其表达谱的噪声更大。较大的空间单元能增加分子计数，却会混合不同细胞的信号，模糊细胞边界。广泛的基因覆盖有利于探索性发现，而靶向检测面板可以将更高的检测效率集中于选定的转录本。大面积成像能够扩大解剖结构的覆盖范围，但也会产生海量图像数据，并需要更多计算资源。因此，仅根据标称分辨率或基因数量进行单一排名，会掩盖实验目的上的重要差异。\n\n数据标准和来源记录会影响研究结果能否相互比较或被再次利用。当结论依赖于图像分割、图像配准或组织标注时，仅有表达矩阵并不足够。为数据集提供以物理单位表示的坐标、检测方法与面板说明、样本元数据、图像处理细节，并明确区分观测值与预测值，有助于提高其可复用性。人类数据集还需要妥善保护参与者信息，尤其是在表达数据与临床记录或其他可能用于识别个人身份的数据相关联时。\n\n更深层的局限在于时间维度。大多数空间检测方法测量的是某一时点的固定样本。观测到的模式综合反映了发育历史、既往暴露、细胞移动、当前状态以及技术性采样的影响，却无法直接揭示这些因素发挥作用的先后顺序。要检验所提出的机制，需要开展扰动实验，在可行时采用纵向研究设计，并结合谱系信息和独立的功能测量。空间转录组学能够相当细致地定位某一过程所产生的分子层面后果；但要确定这一过程如何展开，仍需通过另外的实验来解决。"
    }
  ],
  "links": [
    "gene-expression",
    "rna",
    "messenger-rna",
    "rna-sequencing",
    "single-cell-rna-sequencing",
    "dna",
    "microscope",
    "diffusion",
    "immunohistochemistry",
    "image-segmentation",
    "neuron",
    "matrix",
    "machine-learning",
    "ligand",
    "protein",
    "causation",
    "brain",
    "glia",
    "cell-nucleus",
    "transcription-factor",
    "cancer",
    "t-cell",
    "b-cell",
    "inflammation",
    "biomarker",
    "diagnosis",
    "chromatin"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}