Visualization and analysis of gene expression in tissue sections by spatial transcriptomics¶
作者 · Ståhl et al., 期刊 · Science, 年份 · 2016, DOI · https://doi.org/10.1126/science.aaf2403
一句话：这篇把 RNA-seq 的表达矩阵第一次系统地钉回组织坐标，让“表达在哪里”成为全转录组问题。
1. 背景与前问¶
bulk RNA-seq 保留全转录组，但丢空间；原位杂交保空间，但基因数有限。组织生物学的核心问题常常就是位置：肿瘤边界、脑区、胚胎结构、植物根尖分区。Ståhl 之前，领域缺的是一种能在组织切片上保留坐标、同时接近全转录组读数的方法。
2. 核心问题¶
核心问题一句话：能否让每个 RNA-seq 表达谱带有组织切片上的空间 barcode？
如果能做到，表达矩阵就从 sample-by-gene 变成 spot-by-gene，再与 histology 图像共同解释。
3. 实验设计的关键决策¶
作者使用带空间 barcode 的 oligo-dT 阵列捕获组织切片释放的 mRNA。这个设计选择 poly(A) mRNA，优点是与 RNA-seq 兼容；缺点是非 poly(A) RNA 和部分降解样本表现差。
他们用 mouse olfactory bulb 和 breast cancer tissue 展示方法。前者有明确层状结构，适合验证空间表达是否回到已知解剖；后者展示病理组织中表达区域和组织形态如何对齐。
4. 数据生成与处理¶
流程是：
flowchart LR
Tissue[组织切片] --> Array[空间 barcode 阵列]
Array --> Capture[mRNA 捕获与反转录]
Capture --> Seq[测序]
Seq --> Matrix[spot×gene 矩阵]
Image[组织图像] --> Align[图像-spot 配准]
Matrix --> Align
Align --> Domain[空间表达域]统计上，每个 spot 是观测单位。表达量既受真实细胞组成影响，也受组织厚度、透化效率、mRNA diffusion 和捕获效率影响。
5. 关键 Figure 拆解¶
这篇 Science 论文建议打开原文 Figures 对照阅读，尤其是 Figure 1、Figure 2 和 Figure 4。读图重点：Figure 1 看空间 barcode 如何把 mRNA 捕获位置编码进 cDNA；Figure 2 看嗅球层状 marker 是否回到已知解剖层；Figure 4 看肿瘤病理区域和表达区域如何对齐。这里的真实结果不是“聚类漂亮”，而是表达信号确实能回到组织坐标。
Figure 1：技术原理¶
这张图定义 spatial barcode 逻辑。它的声明是：同一张切片上不同位置捕获的 mRNA 可通过 barcode 回到原始坐标。这个原理决定了后面所有空间分析的可信度。
Figure 2：嗅球层状表达¶
mouse olfactory bulb 的已知层状结构是正控。若空间转录组能恢复层特异 marker，说明方法保留真实空间信号。这里统计动作是把 gene expression 投影回 tissue coordinates。
Figure 4：乳腺癌组织¶
肿瘤切片展示病理区域与表达域对齐。生物学声明不是“发现某个癌症机制”，而是证明空间表达图谱可以和 histopathology 联合解释。
6. 结论的强度边界¶
强支持：捕获式 spatial transcriptomics 能把表达谱与组织坐标连接；区域特异表达可以与解剖结构和病理区域对应。
边界：spot 不是单细胞，一个 spot 可包含多个细胞；捕获效率和 mRNA diffusion 会模糊边界；空间共定位不是细胞通讯因果。
7. 如果今天重做¶
今天会用更高分辨率平台、配套 scRNA reference 做 deconvolution，并加入空间蛋白或 H&E 病理标注。对植物组织，重点会放在切片质量、细胞壁透化、自发荧光和发育轴配准。根尖这类结构不应只做 domain clustering，还要按分生区、伸长区和成熟区建几何参考。
8. 我学到了什么¶
（Peter 填）
横向连接¶
- [[06-spatial/spot-vs-cell-implications]]
- [[06-spatial/deconvolution-models]]
- [[06-spatial/3d-spatial-reconstruction]]
- [[04-scRNAseq/cell-type-annotation-paradigms]]
参考¶
- Ståhl et al. (2016), Science, DOI: https://doi.org/10.1126/science.aaf2403
- Rodriques et al. (2019), Science — Slide-seq
- Vickovic et al. (2019), Nature Methods — high-definition spatial transcriptomics