MaltSci 麦伴科研

Appearance

热门主题报告 / 基因组学

本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写

空间转录组学如何绘制基因表达图谱？ ​

摘要 ​

空间转录组学（spatial transcriptomics）作为一种新兴技术，近年来在生物医学领域引起了广泛关注。该技术通过将基因表达信息与组织的空间结构相结合，使得研究者能够在组织切片中精确定位特定基因的表达水平，从而揭示细胞间的相互作用及其在生物学过程中的角色。自2010年代初期提出以来，空间转录组学经历了快速发展，技术不断演进，已成为探索细胞功能和组织结构的重要工具。本文将系统性地回顾空间转录组学的技术原理、应用实例、数据分析方法及未来发展方向。首先，我们介绍空间转录组学的基本技术原理，包括样本准备与处理及RNA捕获与测序技术。接着，我们探讨空间转录组学在癌症研究、神经科学和发育生物学中的应用实例。随后，文章重点分析空间转录组学的数据分析方法，包括数据预处理与质量控制、空间数据的可视化以及生物信息学分析。最后，我们讨论当前技术的局限性及未来研究方向。通过对空间转录组学的全面回顾，本文旨在为研究者提供重要的参考，以推动该领域的进一步研究与应用。

大纲 ​

本报告将涉及如下问题的讨论。

  • 1 引言
  • 2 空间转录组学的技术原理
    • 2.1 样本准备与处理
    • 2.2 RNA捕获与测序技术
  • 3 空间转录组学的应用实例
    • 3.1 癌症研究中的应用
    • 3.2 神经科学中的应用
    • 3.3 发育生物学中的应用
  • 4 数据分析方法
    • 4.1 数据预处理与质量控制
    • 4.2 空间数据的可视化
    • 4.3 生物信息学分析
  • 5 空间转录组学的挑战与未来发展
    • 5.1 当前技术的局限性
    • 5.2 未来研究方向
  • 6 总结

1 引言 ​

空间转录组学（spatial transcriptomics）作为一项新兴技术，近年来在生物医学领域引起了广泛关注。该技术通过将基因表达信息与组织的空间结构相结合，使得研究者能够在组织切片中精确定位特定基因的表达水平，从而揭示细胞间的相互作用及其在生物学过程中的角色。自2010年代初期提出以来，空间转录组学经历了快速发展，技术不断演进，已成为探索细胞功能和组织结构的重要工具[1][2]。随着技术的进步，空间转录组学在癌症研究、神经科学和发育生物学等领域的应用不断扩展，极大地推动了我们对复杂生物系统的理解[3][4]。

空间转录组学的意义在于，它不仅提供了基因表达的定量信息，还保留了这些信息的空间位置信息。这种技术的出现使得研究者能够在单细胞水平上，揭示组织内不同细胞群体的分布及其相互作用，从而为疾病机制的研究提供了新的视角。例如，在癌症研究中，空间转录组学能够帮助识别肿瘤微环境中的细胞类型及其相互作用，从而为个性化治疗提供潜在的生物标志物[2][5]。此外，该技术在理解自身免疫性疾病的复杂病理生理学方面也显示出巨大潜力，通过揭示不同细胞群体在病灶内的相互作用，促进了对疾病机制的深入理解[2]。

当前，空间转录组学的研究现状表明，尽管技术发展迅速，但仍面临一些挑战，包括样本处理、数据分析和生物信息学等方面的复杂性。样本处理过程中，如何保持组织的空间结构及其生物学特性是一个关键问题。此外，数据分析的复杂性要求研究者具备较强的生物信息学背景，以便从高维数据中提取有意义的信息[6][7]。因此，研究者们正在不断探索新方法，以提高数据处理的效率和准确性[8][9]。

本文将系统性地回顾空间转录组学的技术原理、应用实例、数据分析方法及未来发展方向。首先，我们将介绍空间转录组学的基本技术原理，包括样本准备与处理及RNA捕获与测序技术（第2章）。接着，我们将探讨空间转录组学在癌症研究、神经科学和发育生物学中的应用实例（第3章）。随后，文章将重点分析空间转录组学的数据分析方法，包括数据预处理与质量控制、空间数据的可视化以及生物信息学分析（第4章）。最后，我们将讨论当前技术的局限性及未来研究方向（第5章），并在总结部分回顾全文的主要观点（第6章）。通过对空间转录组学的全面回顾，本文旨在为研究者提供重要的参考，以推动该领域的进一步研究与应用。

2 空间转录组学的技术原理 ​

2.1 样本准备与处理 ​

空间转录组学（Spatial Transcriptomics, ST）是一种前沿技术，能够在组织中实现基因表达的空间映射，从而革命性地提升了我们研究组织结构和细胞相互作用的能力。其技术原理和样本准备与处理步骤如下：

空间转录组学的核心在于结合高通量RNA测序技术与空间位置信息，允许研究人员在组织切片上进行细胞水平的基因表达分析。这种技术最早出现在2010年代初，随着原位杂交、原位测序、原位空间条形码和显微切割等技术的发展，空间转录组学迅速扩展，提供了单细胞层面的高分辨率映射和精确的空间评估[2]。

在样本准备和处理方面，空间转录组学通常包括以下几个关键步骤：

  1. 组织处理：样本首先需要进行适当的处理，以保持组织的结构和细胞的完整性。这通常涉及到冷冻或固定步骤，以确保在后续分析中获得可靠的基因表达数据。

  2. 切片制备：处理后的组织被切割成薄片，通常为几微米厚。这些切片能够保留组织的空间结构，并允许对其进行基因表达分析。

  3. 空间条形码标记：在切片上应用特定的空间条形码，这些条形码与组织中的每个位置相关联。通过这种方式，研究人员可以将基因表达数据与其在组织中的空间位置相结合。

  4. RNA捕获与测序：使用特定的捕获试剂将组织中的RNA提取出来，随后进行高通量测序。这一过程通常结合了传统的组织学染色和空间解析的RNA测序数据，允许对基因表达进行全面的定量分析[10]。

  5. 数据分析：测序数据经过处理后，研究人员利用计算方法进行分析，以识别特定位置的基因表达模式。这些分析通常涉及到复杂的统计方法，以确保数据的准确性和可重复性[11]。

空间转录组学的这些步骤为研究人员提供了强大的工具，以深入理解细胞在组织中的功能及其在健康和疾病状态下的变化。通过对临床样本的应用，空间转录组学不仅增强了我们对细胞相互作用和疾病过程的理解，还为个性化治疗提供了潜在的临床应用前景[2]。

2.2 RNA捕获与测序技术 ​

空间转录组学是一种革命性的技术，能够在组织切片中实现基因表达的空间映射。其基本原理是将传统的RNA测序（RNA-seq）技术与空间定位信息相结合，以获取在生物组织中的基因表达模式。以下是空间转录组学在RNA捕获与测序技术方面的关键内容。

空间转录组学的核心在于将RNA捕获与组织切片的空间信息结合。传统的基因表达分析方法通常不能保留细胞的空间结构，而空间转录组学能够在保留组织的空间信息的同时，提供高通量的基因表达数据[10]。这一技术的出现使得研究人员能够在原生生理环境中，获得细胞间相互作用和微环境对基因表达的影响等重要信息[12]。

在具体的技术实现上，空间转录组学利用了一系列先进的方法，包括但不限于原位测序（in situ sequencing）、原位杂交（in situ hybridization）以及基于区域捕获的下一代测序（NGS）技术。这些方法各有优缺点，适用于不同的实验需求。例如，原位测序可以直接在组织切片上进行，而原位杂交则通过特异性探针标记特定RNA分子，提供高分辨率的基因表达图谱[1]。

在RNA捕获过程中，研究人员通常会在组织切片上涂布带有条形码的固相载体，这些条形码可以帮助定位和识别不同位置的RNA分子[10]。这种方法允许对组织中不同区域的RNA进行高通量捕获和测序，从而实现对复杂组织中基因表达的空间分析。

随着技术的进步，空间转录组学的解析能力不断提高。例如，扩展显微镜（Expansion Microscopy）技术的引入，能够克服传统显微镜在分辨率上的限制，从而实现RNA分子的超分辨率成像。这一方法通过控制生物样本的增大，使得RNA的可视化变得更加清晰，为空间转录组学提供了更为精准的图像数据[13]。

总之，空间转录组学通过将高通量RNA测序与空间信息相结合，提供了一种全新的视角来研究基因表达的空间分布。这一技术不仅提升了对细胞组织复杂性的理解，还为疾病研究、个性化治疗等领域提供了重要的应用潜力[2][14]。

3 空间转录组学的应用实例 ​

3.1 癌症研究中的应用 ​

空间转录组学（Spatial Transcriptomics, ST）是一种新兴技术，能够在组织的空间背景下研究基因表达，从而为理解细胞异质性和肿瘤微环境提供前所未有的洞察。这项技术通过将基因表达数据与空间坐标结合，能够详细描绘RNA的定位，为肿瘤研究、组织构建和发展生物学等领域提供重要信息[15]。

空间转录组学的应用实例在癌症研究中尤为突出。例如，Kacper Maciejewski和Patrycja Czerwinska（2024年）指出，空间转录组学能够揭示肿瘤组织的组成和功能，特别是在肿瘤异质性背景下的应用。研究显示，Visium（10x Genomics）是目前领先的空间转录组平台，SCTransform是Seurat R库中用于数据归一化和整合的首选方法[16]。这些方法使研究人员能够结合单细胞测序和免疫组化等多种数据类型，进一步探索肿瘤微环境的特征和细胞间的相互作用。

此外，Cenk Celik等人（2025年）强调，空间转录组学在癌症中的应用能够定义细胞状态、划分细胞生态位，并将空间数据与其他模式整合，从而推动临床转化[17]。这项技术的关键挑战包括如何有效地整合多种分析方法以及处理空间数据的复杂性。通过这些技术，研究人员能够识别肿瘤微环境中的细胞相互作用，揭示肿瘤及其微环境的复杂组织结构[18]。

在乳腺癌研究中，Junsha An等人（2024年）提到，空间转录组学有助于识别新的乳腺癌亚型和空间上具有区分特征的功能基因，促进个体化治疗的进展[14]。通过保持组织的空间位置，空间转录组学能够解析特定组织区域内功能基因的活跃表达，从而深入了解肿瘤异质性和微环境的机制。

总体而言，空间转录组学在癌症研究中的应用不仅提供了高分辨率的基因表达图谱，还促进了对肿瘤生物学的深刻理解。随着技术的不断发展和优化，未来的研究将更好地利用这些信息，以推动癌症的诊断和治疗。

3.2 神经科学中的应用 ​

空间转录组学是一种新兴的技术，能够在组织中保留空间位置信息的同时，绘制基因表达的分布。这项技术通过高通量调查转录本的空间定位，转变了传统的生物研究方法，提供了转录组尺度的空间信息，使得研究人员能够同时表征细胞的基因表达谱及其相关的细胞环境。这种技术的进步使得空间转录组学在神经科学领域的应用尤为重要。

在神经科学中，空间转录组学被用于研究大脑发育、脑疾病的发生机制以及脑结构与功能之间的关系。Zhang等人（2024年）指出，空间转录组学能够定位和区分功能基因在特定区域和组织中的表达，这对于理解大脑的发育及其疾病机制至关重要[19]。具体来说，这项技术能够揭示不同细胞类型在神经组织中的空间分布，从而深入探讨细胞异质性、微环境、功能及细胞间相互作用在神经疾病中的致病机制。

Park等人（2023年）强调了空间转录组学在神经科学和癌症研究中的应用，描述了现有技术的技术细节及其未来发展方向。研究表明，空间转录组学的技术进步为神经科学的研究提供了新的视角，能够更好地理解细胞在特定微环境中的行为及其对疾病的反应[18]。

此外，Ya等人（2023年）概述了多种空间转录组技术的应用，包括基于微切割、原位杂交、原位测序等方法。这些技术各有其优势和局限性，能够在不同的神经疾病（如神经退行性疾病、精神疾病、中风和癫痫）中应用，从而帮助研究人员识别潜在的治疗靶点和生物标志物[20]。

总体而言，空间转录组学在神经科学中的应用不仅推动了对脑功能及其疾病机制的理解，还为未来的临床研究和个性化治疗提供了重要的技术基础。通过整合空间转录组数据与其他技术，研究人员能够获得更全面的生物医学视角，推动神经科学的进一步发展。

3.3 发育生物学中的应用 ​

空间转录组学是一项新兴技术，能够在保留组织空间信息的同时，进行基因表达的高通量调查。通过将基因表达数据与空间坐标相结合，空间转录组学可以揭示细胞在组织内的空间分布及其相互作用，为研究发育生物学提供了重要的工具。

在发育生物学中，空间转录组学的应用可以帮助科学家理解细胞在发育过程中的动态变化。例如，通过高分辨率的空间转录组图谱，研究人员能够详细描绘出在发育过程中不同细胞类型的空间分布及其基因表达模式。这种技术的进步使得研究人员能够在多细胞环境中同时表征细胞的基因表达特征，从而为理解细胞发育的复杂性提供了新的视角。

例如，Wang等人（2022年）利用空间增强分辨率组学（Stereo-seq）技术，研究了果蝇胚胎和幼虫的发育过程，获得了高分辨率的三维空间转录组图谱。该研究揭示了胚胎和幼虫中肠道的功能子区域，展示了幼虫睾丸的空间细胞状态动态，并识别了与其拓扑背景相关的转录因子的已知和潜在调控元件[21]。这些发现为发育生物学提供了重要的资源，使研究人员能够更深入地理解发育过程中的基因调控机制。

此外，空间转录组学还在其他生物系统的发育研究中展现了广泛的应用潜力。Park等人（2023年）强调了空间转录组学在神经科学和癌症研究中的应用，讨论了如何利用这一技术来研究神经系统的发育机制以及肿瘤微环境的复杂性[18]。通过在组织内获取基因表达的空间信息，研究人员能够更好地理解细胞如何在发育过程中进行相互作用，以及如何在疾病状态下发生变化。

总之，空间转录组学在发育生物学中的应用不仅提升了对细胞发育动态的理解，也为探索细胞之间的相互作用和组织结构提供了新的工具。这项技术的持续发展将促进其在生物医学研究中的广泛应用，尤其是在揭示复杂的发育过程和相关疾病机制方面。

4 数据分析方法 ​

4.1 数据预处理与质量控制 ​

空间转录组学是一种前沿技术，能够在组织中以空间位置为基础分析基因表达。其数据分析方法涉及多个步骤，包括数据预处理与质量控制，这些步骤对于确保结果的可靠性和准确性至关重要。

在空间转录组学中，数据预处理通常包括以下几个关键环节：

  1. 数据清洗：在原始数据中，可能存在噪声和测量误差，因此需要对数据进行清洗，以去除低质量的测序数据和不相关的背景信号。这一步骤确保了后续分析的准确性。

  2. 标准化：由于不同样本之间的测序深度和技术变异性，标准化是必要的。标准化可以使不同样本之间的基因表达水平具有可比性，常用的方法包括TPM（每百万转录本数）或RPKM（每千碱基每百万转录本数）等。

  3. 空间注册：由于组织切片的形状和坐标可能存在差异，空间注册是确保不同样本之间的可比性的重要步骤。这一过程通常通过空间图的构建和对齐技术来实现，以确保在同一解剖区域内进行比较[8]。

  4. 质量控制：在分析之前，必须进行质量控制，以排除低质量的细胞或基因。质量控制指标可能包括细胞的总RNA量、测序深度、基因检测的数量等。通过设定阈值，研究人员可以过滤掉那些不符合标准的细胞和基因，确保后续分析的有效性[22]。

  5. 降维分析：为了便于可视化和分析，通常会进行降维处理。常用的降维技术包括主成分分析（PCA）、t-SNE（t-分布随机邻域嵌入）和UMAP（统一流形近似与投影）。这些技术能够帮助研究人员识别数据中的主要变异和潜在的生物学模式[23]。

  6. 空间模式识别：通过统计分析方法，研究人员可以识别在空间上变化的基因表达模式。这些方法包括空间相关性分析和空间表达模式建模等，能够揭示基因在组织中的分布及其与组织结构的关系[24]。

  7. 数据整合：最后，空间转录组学数据可以与其他组学数据（如蛋白质组学、代谢组学等）进行整合，提供更全面的生物学见解。这种多组学整合能够帮助研究人员理解复杂的生物系统和疾病机制[25]。

综上所述，空间转录组学通过一系列严谨的数据预处理和质量控制步骤，确保了基因表达的准确映射和分析，为研究人员提供了深入理解组织结构和功能的强大工具。

4.2 空间数据的可视化 ​

空间转录组学是一种新兴技术，能够在组织中实现基因表达的空间定位分析。这种技术的核心在于将基因表达数据与组织的空间坐标结合，从而为研究生物组织的复杂结构和功能提供了重要的视角。空间转录组学的实现通常依赖于高通量测序技术，并结合组织切片的历史图像，以获得更为详尽的空间基因表达图谱。

在空间转录组学中，数据的可视化是理解和分析结果的关键步骤。通过将基因表达数据与组织的空间信息进行整合，研究人员可以直观地观察到特定基因在组织切片中的分布情况。这种可视化不仅有助于识别不同细胞类型的空间分布，还能揭示基因表达模式与组织结构之间的关系。

例如，Patrik L Ståhl等人在2016年提出了一种名为“空间转录组学”的策略，该策略允许在组织切片中以空间分辨率可视化和定量分析转录组。这种方法通过在组织切片上放置带有独特位置条形码的反转录引物，实现了高质量的RNA测序数据，同时保留了来自小鼠大脑和人类乳腺癌的二维位置数据[26]。

此外，Brenda Pardo等人在2022年开发了一个名为spatialLIBD的R/Bioconductor包，旨在交互式地探索空间转录组数据。该软件包包含了可视化和检查空间基因表达数据的功能，支持用户在本地计算机或通过Web应用程序进行数据分析[27]。同样，Ludvig Larsson等人在2023年推出的semla R包也为空间转录组数据的处理、分析和可视化提供了强大的工具，允许用户进行数据探索和组织注释[28]。

为了进一步提升空间数据的可视化效果，近年来的研究还集中于开发新的计算方法，以便更好地利用空间转录组数据的独特属性。例如，Ludvig Bergenstråhle等人在2022年提出了一种方法，通过深度生成模型将空间基因表达数据与组织切片的历史图像结合，从而推断出更高分辨率的表达图谱[29]。这种技术不仅提高了空间分辨率，还能有效捕捉组织中微米级解剖特征的转录组特征。

总的来说，空间转录组学的可视化方法通过将基因表达与组织的空间结构相结合，推动了生物医学研究的发展，使得研究人员能够更深入地理解细胞间的相互作用和组织的功能状态。随着技术的不断进步和新工具的开发，空间转录组学的应用前景将更加广阔。

4.3 生物信息学分析 ​

空间转录组学是一种前沿技术，能够在组织中同时分析基因表达和空间位置信息，从而提供对细胞和组织功能的深刻理解。这一技术结合了高通量RNA测序与空间数据，能够高分辨率地绘制基因表达模式，特别是在复杂组织结构中。

空间转录组学的数据分析通常涉及多个步骤，主要包括数据的获取、处理、分析和解释。首先，样本通过不同的空间转录组学技术（如微切割、原位测序、单分子FISH等）进行处理，以获得包含空间位置信息的基因表达数据。这些方法各有优缺点，研究者需根据具体的实验需求选择合适的技术[1]。

在数据处理阶段，研究者会使用生物信息学工具进行质量控制和数据清洗，以确保数据的可靠性和可用性。常见的步骤包括去除低质量的读段、标准化数据、校正背景噪声等[2]。此外，空间转录组学数据的复杂性要求采用适当的统计模型来分析空间表达模式。例如，SPARK和SPARK-X等统计方法能够有效识别空间表达模式，并提供高效的假设检验，从而揭示基因在空间上的变化[30][31]。

在分析阶段，研究者可以利用多种算法和工具来探索数据，包括空间聚类、基因共表达网络分析和空间相关性建模等。通过这些方法，研究者能够识别出在特定空间区域内表现出相似表达模式的基因集合，从而揭示组织的功能区域和细胞间的相互作用[6][24]。

最后，数据的解释和可视化同样重要。研究者通常会使用热图、空间分布图和三维重建等可视化工具，帮助理解基因表达的空间模式和生物学意义[15]。通过将空间转录组学数据与其他类型的数据（如基因组学和表观基因组学数据）结合，研究者能够获得更全面的生物学见解[32]。

总之，空间转录组学通过整合基因表达数据与其空间位置信息，采用多种生物信息学分析方法，提供了对复杂组织和细胞功能的深刻理解，并为生物医学研究带来了新的视角和机遇。

5 空间转录组学的挑战与未来发展 ​

5.1 当前技术的局限性 ​

空间转录组学（Spatial Transcriptomics, ST）是一种新兴的技术，能够在保留组织空间信息的情况下，系统性地分析细胞内的基因表达。这项技术通过将高通量RNA测序与空间数据结合，使得研究者能够在组织的细胞甚至亚细胞水平上绘制转录组图谱。然而，尽管空间转录组学在基因表达的映射方面取得了显著进展，仍然面临着诸多挑战和技术局限性。

首先，空间转录组学的一个主要挑战是每个亚微米（或微米）空间单元内的转录本发现稀疏。这种稀疏性使得在较小的空间区域内捕捉到足够的转录信息变得困难，从而影响数据的完整性和分析的准确性[33]。此外，随着技术的发展，数据的碎片化现象也日益严重，这进一步阻碍了不同平台之间数据的整合与分析[33]。

其次，当前的空间转录组学技术在数据分析方法上仍显不足。虽然已有多种分析方法被提出，包括传统的生物统计学方法以及借鉴自地理空间分析或人工智能的方法，但要充分利用空间转录组学的潜力，仍需开发新的空间信息驱动的分析框架，以便更好地理解癌症组织的复杂结构和新兴特性[17]。同时，针对细胞状态的定义、细胞生态位的划分以及与其他数据模态的整合等方面，都是当前技术需要解决的关键问题[17]。

未来的发展方向包括开发可扩展的、无分割的分析方法，以及用于三维映射、多组学整合和人工智能驱动的空间分析策略[33]。随着空间转录组学技术的不断进步，研究者们有望在生物医学研究中实现更深入的洞察，包括对复杂疾病的理解和个性化治疗策略的制定。

总之，尽管空间转录组学在基因表达映射方面具有巨大的潜力，但技术局限性和分析挑战仍然需要在未来的研究中加以克服，以推动该领域的发展并提升其在临床应用中的有效性和可行性。

5.2 未来研究方向 ​

空间转录组学是一种前沿技术，能够在组织中系统性地分析基因表达，同时保留空间位置信息。这项技术的核心在于通过高通量RNA测序和空间数据的结合，实现对细胞和组织内基因表达模式的高分辨率映射。

在空间转录组学的研究中，尽管技术已经取得了显著进展，但仍面临一些挑战。首先，微米级空间单元内的转录本发现稀疏，导致数据碎片化，妨碍了不同平台间的数据整合与分析[33]。其次，现有方法对数据的可扩展性、分割自由分析方法的需求以及3D映射和多组学整合的策略也日益增长，这些都需要进一步的研究和解决方案[34]。

未来的研究方向主要集中在以下几个方面：

  1. 提高空间分辨率和数据整合能力：随着显微镜分辨率的提升，微米级空间转录组学（μST）应运而生。未来的研究需要开发更加灵活的算法，以实现对细胞及亚细胞尺度的转录组映射，并克服不同平台之间的数据整合问题[33]。

  2. 深度学习与人工智能的应用：随着深度学习技术的发展，新的方法如DMGCN（基于多视图图卷积网络的领域识别方法）被提出，以提高空间域识别的准确性[34]。未来的研究将继续探索如何利用AI技术提升空间转录组学的数据分析效率和准确性。

  3. 多组学整合：在未来的研究中，如何将空间转录组学与其他组学数据（如蛋白质组学、代谢组学等）整合，将是一个重要的方向。这种整合能够为研究提供更全面的生物学视角，特别是在理解复杂疾病的机制时[2]。

  4. 临床应用与个性化治疗：空间转录组学在临床样本中的应用日益增多，尤其是在自身免疫性疾病和癌症研究中[2]。未来的研究将致力于将这一技术转化为临床实践，以便更好地理解疾病过程，促进个性化治疗的实现。

  5. 开发新的数据分析软件和工具：随着空间转录组学的快速发展，针对不同数据集和计算环境的分析软件也需不断更新和优化。未来的研究应关注如何提升这些软件的用户友好性和分析能力，以支持更广泛的研究者使用这一技术[15]。

总之，空间转录组学作为一种新兴技术，虽然面临诸多挑战，但其在生物医学研究中的潜力巨大，未来的研究方向将集中在技术提升、数据整合、临床应用和软件开发等多个方面。

6 总结 ​

空间转录组学作为一种前沿技术，正在迅速改变我们对基因表达及其空间分布的理解。本文系统性地回顾了空间转录组学的技术原理、应用实例、数据分析方法及未来发展方向。主要发现包括：1) 空间转录组学通过高通量RNA测序与空间信息的结合，能够精确绘制细胞及其微环境的基因表达图谱；2) 在癌症研究中，空间转录组学能够揭示肿瘤微环境中的细胞类型及其相互作用，为个性化治疗提供潜在的生物标志物；3) 在神经科学和发育生物学领域，该技术为理解细胞功能及其在复杂生物过程中的作用提供了新的视角。尽管技术迅速发展，空间转录组学仍面临样本处理、数据分析和生物信息学等方面的挑战。未来的研究方向包括提高空间分辨率、整合多组学数据、应用深度学习和人工智能技术、以及推动临床应用的实现。这些研究将有助于推动空间转录组学在生物医学领域的广泛应用，尤其是在理解复杂疾病机制和个性化治疗策略的制定方面。

参考文献 ​

  • [1] Agustín Robles-Remacho;Rosario M Sanchez-Martin;Juan J Diaz-Mochon. Spatial Transcriptomics: Emerging Technologies in Tissue Gene Expression Profiling.. Analytical chemistry(IF=6.7). 2023. PMID:37814884. DOI: 10.1021/acs.analchem.3c02029.
  • [2] Atsuko Tsujii Miyamoto;Hiroshi Shimagami;Atsushi Kumanogoh;Masayuki Nishide. Spatial transcriptomics in autoimmune rheumatic disease: potential clinical applications and perspectives.. Inflammation and regeneration(IF=6.6). 2025. PMID:39980019. DOI: 10.1186/s41232-025-00369-2.
  • [3] Stavroula Tekkela;Georgios Theocharidis;John A McGrath;Alexandros Onoufriadis. Spatial transcriptomics in human skin research.. Experimental dermatology(IF=3.1). 2023. PMID:37150587. DOI: 10.1111/exd.14827.
  • [4] Anastasia Magoulopoulou;Sergio Marco Salas;Katarína Tiklová;Erik Reinhold Samuelsson;Markus M Hilscher;Mats Nilsson. Padlock Probe-Based Targeted In Situ Sequencing: Overview of Methods and Applications.. Annual review of genomics and human genetics(IF=7.9). 2023. PMID:37018847. DOI: 10.1146/annurev-genom-102722-092013.
  • [5] Chuhan Wang;Adam S Chan;Xiaohang Fu;Shila Ghazanfar;Jinman Kim;Ellis Patrick;Jean Y H Yang. Benchmarking the translational potential of spatial gene expression prediction from histology.. Nature communications(IF=15.7). 2025. PMID:39934114. DOI: 10.1038/s41467-025-56618-y.
  • [6] Tianqi Wang;Huitong Zhu;Yunlan Zhou;Weihong Ding;Weichao Ding;Liangxiu Han;Xueqin Zhang. Graph attention automatic encoder based on contrastive learning for domain recognition of spatial transcriptomics.. Communications biology(IF=5.1). 2024. PMID:39424696. DOI: 10.1038/s42003-024-07037-0.
  • [7] Yubao Cheng;Shengyuan Dang;Yuan Zhang;Yanbo Chen;Ruihuan Yu;Miao Liu;Shengyan Jin;Ailin Han;Samuel Katz;Siyuan Wang. Sequencing-free whole-genome spatial transcriptomics at single-molecule resolution.. Cell(IF=42.5). 2025. PMID:41038164. DOI: 10.1016/j.cell.2025.09.006.
  • [8] Jungyoon Ohn;Mi-Kyoung Seo;Jeongbin Park;Daeseung Lee;Hongyoon Choi. SpatialSPM: statistical parametric mapping for the comparison of gene expression pattern images in multiple spatial transcriptomic datasets.. Nucleic acids research(IF=13.1). 2024. PMID:38676948. DOI: 10.1093/nar/gkae293.
  • [9] Mingguang Shi;Xudong Cheng;Yulong Dai. STPDA: Leveraging spatial-temporal patterns for downstream analysis in spatial transcriptomic data.. Computational biology and chemistry(IF=3.1). 2024. PMID:38870559. DOI: 10.1016/j.compbiolchem.2024.108127.
  • [10] Fredrik Salmén;Patrik L Ståhl;Annelie Mollbrink;José Fernández Navarro;Sanja Vickovic;Jonas Frisén;Joakim Lundeberg. Barcoded solid-phase RNA capture for Spatial Transcriptomics profiling in mammalian tissue sections.. Nature protocols(IF=16.0). 2018. PMID:30353172. DOI: 10.1038/s41596-018-0045-2.
  • [11] Lukas Valihrach;Daniel Zucha;Pavel Abaffy;Mikael Kubista. A practical guide to spatial transcriptomics.. Molecular aspects of medicine(IF=10.3). 2024. PMID:38776574. DOI: 10.1016/j.mam.2024.101276.
  • [12] Jun Du;Yu-Chen Yang;Zhi-Jie An;Ming-Hui Zhang;Xue-Hang Fu;Zou-Fang Huang;Ye Yuan;Jian Hou. Advances in spatial transcriptomics and related data analysis strategies.. Journal of translational medicine(IF=7.5). 2023. PMID:37202762. DOI: 10.1186/s12967-023-04150-2.
  • [13] Andra Fortner;Octavian Bucur. Multiplexed spatial transcriptomics methods and the application of expansion microscopy.. Frontiers in cell and developmental biology(IF=4.3). 2024. PMID:39105173. DOI: 10.3389/fcell.2024.1378875.
  • [14] Junsha An;Yajie Lu;Yuxi Chen;Yuling Chen;Zhaokai Zhou;Jianping Chen;Cheng Peng;Ruizhen Huang;Fu Peng. Spatial transcriptomics in breast cancer: providing insight into tumor heterogeneity and promoting individualized therapy.. Frontiers in immunology(IF=5.9). 2024. PMID:39749323. DOI: 10.3389/fimmu.2024.1499301.
  • [15] Jessica Gillespie;Maciej Pietrzak;Min-Ae Song;Dongjun Chung. A Meta-Review of Spatial Transcriptomics Analysis Software.. Cells(IF=5.2). 2025. PMID:40710313. DOI: 10.3390/cells14141060.
  • [16] Kacper Maciejewski;Patrycja Czerwinska. Scoping Review: Methods and Applications of Spatial Transcriptomics in Tumor Research.. Cancers(IF=4.4). 2024. PMID:39272958. DOI: 10.3390/cancers16173100.
  • [17] Cenk Celik;Shi Pan;Eloise Withnell;Hou Wang Lam;Maria Secrier. Decrypting cancer's spatial code: from single cells to tissue niches.. Molecular oncology(IF=4.5). 2025. PMID:40711978. DOI: 10.1002/1878-0261.70100.
  • [18] Han-Eol Park;Song Hyun Jo;Rosalind H Lee;Christian P Macks;Taeyun Ku;Jihwan Park;Chung Whan Lee;Junho K Hur;Chang Ho Sohn. Spatial Transcriptomics: Technical Aspects of Recent Developments and Their Applications in Neuroscience and Cancer Research.. Advanced science (Weinheim, Baden-Wurttemberg, Germany)(IF=14.1). 2023. PMID:37026425. DOI: 10.1002/advs.202206939.
  • [19] Le Zhang;Zhenqi Xiong;Ming Xiao. A Review of the Application of Spatial Transcriptomics in Neuroscience.. Interdisciplinary sciences, computational life sciences(IF=3.9). 2024. PMID:38374297. DOI: 10.1007/s12539-024-00603-4.
  • [20] Dongshan Ya;Yingmei Zhang;Qi Cui;Yanlin Jiang;Jiaxin Yang;Ning Tian;Wenjing Xiang;Xiaohui Lin;Qinghua Li;Rujia Liao. Application of spatial transcriptome technologies to neurological diseases.. Frontiers in cell and developmental biology(IF=4.3). 2023. PMID:36936681. DOI: 10.3389/fcell.2023.1142923.
  • [21] Mingyue Wang;Qinan Hu;Tianhang Lv;Yuhang Wang;Qing Lan;Rong Xiang;Zhencheng Tu;Yanrong Wei;Kai Han;Chang Shi;Junfu Guo;Chao Liu;Tao Yang;Wensi Du;Yanru An;Mengnan Cheng;Jiangshan Xu;Haorong Lu;Wangsheng Li;Shaofang Zhang;Ao Chen;Wei Chen;Yuxiang Li;Xiaoshan Wang;Xun Xu;Yuhui Hu;Longqi Liu. High-resolution 3D spatiotemporal transcriptomic maps of developing Drosophila embryos and larvae.. Developmental cell(IF=8.7). 2022. PMID:35512700. DOI: 10.1016/j.devcel.2022.04.006.
  • [22] Chengwei Zhong;Kok Siong Ang;Jinmiao Chen. Interpretable spatially aware dimension reduction of spatial transcriptomics with STAMP.. Nature methods(IF=32.1). 2024. PMID:39407016. DOI: 10.1038/s41592-024-02463-8.
  • [23] Eduard Chelebian;Christophe Avenel;Carolina Wählby. Combining spatial transcriptomics with tissue morphology.. Nature communications(IF=15.7). 2025. PMID:40360467. DOI: 10.1038/s41467-025-58989-8.
  • [24] Matthew N Bernstein;Zijian Ni;Aman Prasad;Jared Brown;Chitrasen Mohanty;Ron Stewart;Michael A Newton;Christina Kendziorski. SpatialCorr identifies gene sets with spatially varying correlation structure.. Cell reports methods(IF=4.5). 2022. PMID:36590683. DOI: 10.1016/j.crmeth.2022.100369.
  • [25] Taku Monjo;Masaru Koido;Satoi Nagasawa;Yutaka Suzuki;Yoichiro Kamatani. Efficient prediction of a spatial transcriptomics profile better characterizes breast cancer tissue sections without costly experimentation.. Scientific reports(IF=3.9). 2022. PMID:35260632. DOI: 10.1038/s41598-022-07685-4.
  • [26] Patrik L Ståhl;Fredrik Salmén;Sanja Vickovic;Anna Lundmark;José Fernández Navarro;Jens Magnusson;Stefania Giacomello;Michaela Asp;Jakub O Westholm;Mikael Huss;Annelie Mollbrink;Sten Linnarsson;Simone Codeluppi;Åke Borg;Fredrik Pontén;Paul Igor Costea;Pelin Sahlén;Jan Mulder;Olaf Bergmann;Joakim Lundeberg;Jonas Frisén. Visualization and analysis of gene expression in tissue sections by spatial transcriptomics.. Science (New York, N.Y.)(IF=45.8). 2016. PMID:27365449. DOI: 10.1126/science.aaf2403.
  • [27] Brenda Pardo;Abby Spangler;Lukas M Weber;Stephanie C Page;Stephanie C Hicks;Andrew E Jaffe;Keri Martinowich;Kristen R Maynard;Leonardo Collado-Torres. spatialLIBD: an R/Bioconductor package to visualize spatially-resolved transcriptomics data.. BMC genomics(IF=3.7). 2022. PMID:35689177. DOI: 10.1186/s12864-022-08601-w.
  • [28] Ludvig Larsson;Lovisa Franzén;Patrik L Ståhl;Joakim Lundeberg. Semla: a versatile toolkit for spatially resolved transcriptomics analysis and visualization.. Bioinformatics (Oxford, England)(IF=5.4). 2023. PMID:37846051. DOI: 10.1093/bioinformatics/btad626.
  • [29] Ludvig Bergenstråhle;Bryan He;Joseph Bergenstråhle;Xesús Abalo;Reza Mirzazadeh;Kim Thrane;Andrew L Ji;Alma Andersson;Ludvig Larsson;Nathalie Stakenborg;Guy Boeckxstaens;Paul Khavari;James Zou;Joakim Lundeberg;Jonas Maaskola. Super-resolved spatial transcriptomics by deep data fusion.. Nature biotechnology(IF=41.7). 2022. PMID:34845373. DOI: 10.1038/s41587-021-01075-3.
  • [30] Jiaqiang Zhu;Shiquan Sun;Xiang Zhou. SPARK-X: non-parametric modeling enables scalable and robust detection of spatial expression patterns for large spatial transcriptomic studies.. Genome biology(IF=9.4). 2021. PMID:34154649. DOI: 10.1186/s13059-021-02404-0.
  • [31] Shiquan Sun;Jiaqiang Zhu;Xiang Zhou. Statistical analysis of spatial expression patterns for spatially resolved transcriptomic studies.. Nature methods(IF=32.1). 2020. PMID:31988518. DOI: 10.1038/s41592-019-0701-7.
  • [32] Anjali Rao;Dalia Barkley;Gustavo S França;Itai Yanai. Exploring tissue architecture using spatial transcriptomics.. Nature(IF=48.5). 2021. PMID:34381231. DOI: 10.1038/s41586-021-03634-9.
  • [33] Yichen Si;Joo Sang Lee;Goo Jun;Hyun Min Kang;Jun Hee Lee. Spatial omics enters the microscopic realm: opportunities and challenges.. Trends in genetics : TIG(IF=16.3). 2025. PMID:40461389. DOI: 10.1016/j.tig.2025.05.002.
  • [34] Xikeng Liang;Shutong Xiao;Lu Ba;Yuhui Feng;Zhicheng Ma;Fatima Adilova;Jing Qi;Shuilin Jin. Spatial domain identification method based on multi-view graph convolutional network and contrastive learning.. PLoS computational biology(IF=3.6). 2025. PMID:41105750. DOI: 10.1371/journal.pcbi.1013369.

麦伴智能科研服务 ​

在麦伴科研 (maltsci.com) 搜索更多文献 ​

空间转录组学 · 基因表达 · 数据分析 · 生物信息学 · 应用实例

© 2025 MaltSci 麦伴科研