空间多组学时代：同时检测转录组、蛋白质组与代谢组的空间分布

点击“AladdinEdu你的AI学习实践工作坊”注册即送-H卡级别算力沉浸式云原生集成开发环境80G大显存多卡并行按量弹性计费教育用户更享超低价。摘要空间多组学技术通过在同一组织切片上同时检测转录组、蛋白质组和代谢组的空间分布正在重塑我们对组织功能、细胞异质性和微环境相互作用的理解。本文系统阐述空间多组学的技术前沿从空间转录组10x Visium、Stereo-seq、MERFISH、空间蛋白质组CODEX、MIBI、IMC、多重免疫荧光到空间代谢组MALDI-MSI、DESI-MSI的各自原理与优势重点介绍多模态整合技术包括基于连续切片的多组学数据配准、基于成像的空间多组学平台如IBEX、MICS以及基于测序的整合方法。深入探讨空间多组学数据分析的关键步骤数据标准化、跨模态配准、细胞分割、特征融合、空间域识别和细胞间通信推断。通过肿瘤免疫微环境、大脑空间图谱、胚胎发育等典型案例展示空间多组学在揭示组织功能区域、细胞协同作用和疾病机制中的独特价值。最后展望空间多组学在临床转化、活体动态成像和人工智能驱动整合的未来方向。关键词空间多组学空间转录组空间蛋白质组空间代谢组多模态整合组织微环境1. 引言从单一模态到空间多组学组织是高度复杂的生态系统细胞的功能不仅由其内在分子程序决定还受到邻近细胞、细胞外基质和信号分子的深刻影响。传统的单细胞测序技术如scRNA-seq虽然提供了细胞类型的高分辨率分子特征却破坏了组织空间结构空间转录组技术如10x Visium将基因表达映射回组织原位但通常仅测量RNA无法直接反映蛋白质丰度、翻译后修饰或代谢物活性。然而蛋白质是细胞功能的主要执行者代谢物是细胞状态的直接反映仅凭转录组无法全面理解细胞行为。空间多组学spatial multi-omics应运而生其目标是在同一组织切片或连续切片上同时或依次检测多种分子模态转录组、蛋白质组、代谢组的空间分布从而构建组织的“分子图谱”。这一技术突破使我们能够关联基因表达与蛋白表达验证转录后调控识别特定代谢物与细胞类型的空间共定位揭示肿瘤微环境中免疫细胞、基质细胞和代谢物的协同作用构建从基因到蛋白再到代谢物的完整分子通路空间模型。本文将从技术原理、数据分析、应用案例和未来展望四个维度系统介绍空间多组学的技术前沿与生物医学应用。2. 空间转录组技术空间转录组是空间多组学的核心支柱已有多种商业化或开源平台。2.1 10x Genomics VisiumVisium是目前应用最广的空间转录组平台。芯片上预印有数千个空间条形码斑点spot直径55 μm间距100 μm。组织切片贴在芯片上透化后mRNA被捕获反转录后测序。每个spot获得全转录组表达谱与组织学图像对齐。Visium的分辨率约为3-10个细胞/spot适用于组织区域划分、细胞类型定位结合反卷积和空间差异表达分析。最新进展Visium HD将spot直径缩小至2 μm达到单细胞分辨率但基因通量略降。2.2 Stereo-seq华大智造Stereo-seq使用DNA纳米球DNB阵列间距500 nm实现亚细胞分辨率。其大视野可覆盖整张切片和全转录组能力使其在绘制器官空间图谱方面具有优势。2.3 MERFISH / seqFISH基于成像的空间转录组技术通过多轮荧光原位杂交可在单细胞分辨率下检测数百至数千个基因。MERFISHMultiplexed Error-Robust FISH采用组合编码和错误校正通量可达1000基因。虽然基因数少于测序方法但分辨率高适合靶向细胞类型鉴定。2.4 空间转录组的数据特点每个spot/细胞的基因表达矩阵 空间坐标。数据稀疏尤其基于测序的低分辨率spot。需结合单细胞参考进行细胞类型反卷积如RCTD、Cell2location。3. 空间蛋白质组技术蛋白质是功能执行者且许多药物靶点为蛋白质。空间蛋白质组技术能够在组织原位检测数十至上百种蛋白的表达和定位。3.1 CODEXCO-Detection by indEXingCODEX使用DNA条形码标记抗体通过多轮荧光成像和DNA杂交可同时检测50种以上的蛋白。每个循环用荧光标记的互补寡核苷酸检测一小部分抗体然后剥离重复进行。最终生成高维蛋白表达图可进行单细胞分割和表型分析。3.2 MIBI多重离子束成像MIBI使用金属同位素标记抗体通过二次离子质谱SIMS检测。无自发荧光干扰动态范围宽可同时检测40种蛋白。分辨率达250-500 nm。3.3 IMC成像质谱流式类似MIBI使用金属标签和激光剥蚀分辨率1 μm通量适中。3.4 多重免疫荧光mIHC传统方法通过酪胺信号放大TSA和抗体剥离可检测4-8种蛋白成本低易普及。3.5 空间蛋白质组的数据特点每个细胞通过细胞分割的蛋白表达矩阵 空间坐标。数据密度高通常无缺失但蛋白数量有限10-100种。可直接进行细胞类型注释利用表面标记。4. 空间代谢组技术代谢物是细胞功能最直接的读数和环境调节剂。空间代谢组技术通过质谱成像MSI检测组织切片中代谢物的空间分布。4.1 MALDI-MSI基质辅助激光解吸电离质谱成像将基质涂覆于组织切片激光扫描解吸电离质谱检测每个像素点的代谢物指纹。可检测数百种代谢物分辨率5-50 μm取决于激光光斑。常用正负离子模式可同时检测脂质、糖类、氨基酸等。应用肿瘤代谢重编程如乳酸、谷氨酰胺富集区域、药物分布。4.2 DESI-MSI解吸电喷雾电离质谱成像常压条件下操作无需基质分辨率~100 μm适合新鲜组织。4.3 空间代谢组的数据特点每个像素点的代谢物丰度矩阵m/z值列表 空间坐标。数据维度高数千个m/z峰代谢物注释困难需串联质谱。无单细胞分辨率通常与细胞形态关联。5. 多模态整合技术真正的空间多组学需要将不同模态的数据整合到同一组织或甚至同一细胞。目前主要有三种策略5.1 连续切片配准将相邻组织切片分别用于不同组学如一张Visium、一张CODEX、一张MALDI-MSI通过图像配准基于组织轮廓、血管、核染色对齐坐标实现跨模态整合。这是目前最灵活、最常用的方法但存在切片间变形和分辨率差异。工具Elastix、ANTs、PaST (Paste and Align)。5.2 同一切片多模态成像5.2.1 IBEXIterative Bleaching Extended Multiplexing在切片上依次进行RNA FISH如MERFISH和抗体染色CODEX实现同一细胞的转录组和蛋白质组联合检测。技术难点在于RNA和蛋白的稳定性平衡。5.2.2 MICSMulti-omics Imaging Cytometry结合金属标签抗体和荧光原位杂交实现蛋白质和RNA同时检测。5.2.3 测序成像融合10x Genomics的Visium与抗体条形码CITE-seq类似可同时捕获RNA和表面蛋白但分辨率仍为多细胞spot。5.3 跨模态预测与超分辨率利用深度学习将低分辨率模态如代谢组映射到高分辨率模态如转录组。例如从MALDI-MSI数据预测细胞类型分布或从Visium数据重建单细胞分辨率表达。6. 空间多组学数据分析流程6.1 数据预处理与标准化转录组SCTransform、log归一化、去除批次效应。蛋白质组背景扣除、log变换、细胞分割后生成细胞-蛋白矩阵。代谢组峰检测、对齐、归一化总离子流、代谢物注释HMDB、METLIN。6.2 跨模态配准对于连续切片使用图像配准工具如刚性/弹性配准将不同切片对齐到参考切片通常为HE染色。输出转换矩阵将不同模态的坐标映射到统一空间。6.3 细胞分割与特征提取对于高分辨率图像CODEX、MIBI使用深度学习如Cellpose、DeepCell进行细胞核和细胞边界分割提取每个细胞的平均蛋白表达。对于低分辨率模态Visium、MALDI以spot或像素为单位分析。6.4 多模态特征融合早期融合将同一细胞/spot的多模态特征拼接用于下游任务如聚类、细胞类型注释。中期融合分别提取各模态的潜在特征如通过自编码器再通过注意力机制融合。晚期融合各模态独立预测结果投票或平均。6.5 空间域识别使用SpaGCN、BayesSpace等算法整合转录组、蛋白和代谢组信息将组织划分为功能区域如肿瘤区、免疫浸润区、坏死区。6.6 细胞间相互作用与配体-受体分析基于空间邻近性距离阈值结合多模态数据中的配体转录组/蛋白和受体蛋白表达推断细胞间通信。代谢物可作为信号分子如乳酸、ATP或营养供给指标整合到相互作用网络中。7. 应用案例7.1 肿瘤微环境胰腺癌的免疫代谢网络背景胰腺癌以纤维化和免疫抑制著称代谢重编程活跃。方法连续切片Visium转录组、CODEX40种免疫及基质蛋白、MALDI-MSI脂质及代谢物。配准后识别肿瘤区域、CAF密集区、免疫浸润区。空间域分析发现在肿瘤核心区域乳酸代谢物高伴随M2型巨噬细胞和Treg聚集免疫细胞表达PD-1/PD-L1而肿瘤细胞高表达IDO1。整合配体-受体分析肿瘤细胞分泌CXCL12CAF表达CXCR4形成促侵袭生态位。价值提出联合靶向IDO1和CXCR4的治疗策略。7.2 大脑空间图谱皮质分层的分子特征背景大脑皮质具有明显的分层结构L1-L6各层细胞类型和功能不同。方法使用MERFISH转录组和CODEX蛋白在同一小鼠皮质切片上检测。单细胞分辨率下将细胞分为兴奋性神经元、抑制性神经元、星形胶质细胞等。空间聚类自动识别出皮质分层各层的基因和蛋白特征与已知标志物一致。发现L5层中特定神经肽基因表达与突触蛋白空间共定位揭示局部调控网络。价值构建了高分辨率皮质分子图谱可查询任何基因/蛋白的空间表达。7.3 胚胎发育心脏发生的时空多组学背景小鼠胚胎心脏发育涉及复杂细胞分化和形态发生。方法连续切片Stereo-seq转录组、IMC蛋白、DESI-MSI代谢物。构建3D空间多组学图谱重建发育时间序列E10.5、E12.5、E14.5。识别出心内膜垫、心肌小梁、心外膜等解剖区域并关联基因表达Tbx5、Gata4与代谢物肉碱、乙酰辅酶A。空间轨迹分析揭示心肌细胞从工作心肌向传导系统分化的代谢转换。价值为先天性心脏病研究提供了多模态参考图谱。8. 挑战与未来展望8.1 当前挑战数据配准连续切片间的变形、分辨率差异导致精确对齐困难。多模态数据稀疏性转录组稀疏尤其低分辨率spot代谢组峰注释不全蛋白质组通量有限。计算资源TB级图像数据和多维组学矩阵需要高性能计算。标准化缺失缺乏统一的数据格式、分析流程和基准测试数据集。验证瓶颈多组学预测的生物学假设需通过功能实验验证通量低。8.2 未来趋势活体空间多组学结合可穿戴设备或微型探针实现活体组织的动态多组学监测。空间组学与人工智能的闭环使用主动学习选择关键区域进行深度测序迭代优化图谱。多模态基础模型在大量空间组学数据上预训练通过微调适应下游任务如肿瘤微环境分型。亚细胞分辨率多组学结合电子显微镜和超分辨成像实现细胞器水平的空间多组学。临床转化开发空间多组学诊断panel用于肿瘤免疫分型和伴随诊断。9. 结语空间多组学技术正在引领我们从“看到细胞”到“看懂细胞”的转变。通过在同一组织上同时检测转录组、蛋白质组和代谢组的空间分布我们能够以前所未有的深度解析细胞功能、细胞间通信和组织微环境。从肿瘤免疫到发育生物学空间多组学已经带来了诸多新发现。尽管面临数据整合、计算和验证的挑战但随着新技术和人工智能的发展空间多组学将成为精准医学和生命科学研究的常规工具最终实现“组织分子图谱”的梦想。参考文献Ståhl, P. L., et al. (2016). Visualization and analysis of gene expression in tissue sections by spatial transcriptomics.Science, 353(6294), 78-82.Chen, A., et al. (2022). Spatiotemporal transcriptomic atlas of mouse organogenesis using DNA nanoball-patterned arrays.Cell, 185(10), 1777-1792.Goltsev, Y., et al. (2018). Deep profiling of mouse splenic architecture with CODEX multiplexed imaging.Cell, 174(4), 968-981.Keren, L., et al. (2018). A structured tumor-immune microenvironment in triple negative breast cancer revealed by multiplexed ion beam imaging.Cell, 174(6), 1373-1387.Cornett, D. S., et al. (2017). MALDI imaging mass spectrometry: molecular snapshots of biochemical systems.Nature Methods, 14(12), 1151-1158.Hickey, J. W., et al. (2022). Integration of spatial and single-cell transcriptomics with INsituSeq reveals multicellular circuits during mammary gland development.Nature Biotechnology, 40(4), 528-537.点击“AladdinEdu你的AI学习实践工作坊”注册即送-H卡级别算力沉浸式云原生集成开发环境80G大显存多卡并行按量弹性计费教育用户更享超低价。