一、空間轉(zhuǎn)錄組技術(shù)………………………3
二、10x Genomics Visium 技術(shù)原理 …4
三、10x Genomics Visium 實(shí)驗(yàn)流程 …5
四、每個(gè)實(shí)驗(yàn)步驟所需要注意的事項(xiàng)……5
五、10x Genomics Visium 數(shù)據(jù)分析 …6
六、10x Genomics Visium 應(yīng)用方向 …9
1、應(yīng)用方向 ……………………………………9
2、案例解析 ………………………………… 10
七、參考文獻(xiàn)…………………………… 16
目 錄
CONTENTS
1
2
3
一、空間轉(zhuǎn)錄組技術(shù)
基因表達(dá)具有時(shí)間和空間的特異性，通過對(duì)不同時(shí)間點(diǎn)的樣本取材，使用單細(xì)胞轉(zhuǎn)錄組測(cè)序技術(shù)能夠解析時(shí)間維度上
細(xì)胞類型和基因表達(dá)的變化過程。然而單細(xì)胞測(cè)序?qū)嶒?yàn)的前提是組織必須通過機(jī)械分離或酶解消化成單細(xì)胞懸液，此過程
不可避免的丟失了組織中細(xì)胞所處的原始位置信息，也導(dǎo)致了細(xì)胞間的通訊網(wǎng)絡(luò)被打破，這使我們難以獲得組織中不同區(qū)
域的細(xì)胞構(gòu)成和基因表達(dá)狀態(tài)，以及不同功能區(qū)之間的基因差異表達(dá)等信息?，F(xiàn)有的原位表達(dá)圖譜主要是通過報(bào)告基因或
原位雜交等技術(shù)來實(shí)現(xiàn)，但是這些方法實(shí)現(xiàn)比較困難，并且通量低，限制了多樣本、高時(shí)效的應(yīng)用。而空間轉(zhuǎn)錄組技術(shù)則
可以高效的檢測(cè)組織中空間原始位置上的基因表達(dá)模式。
空間轉(zhuǎn)錄組（Spatial Transcriptomics）就是將基因的表達(dá)情況與關(guān)注的組織切片的免疫化學(xué)染色圖像進(jìn)行整合，
從而將組織內(nèi)不同細(xì)胞的基因表達(dá)信息定位到組織的原始空間位置上去，進(jìn)而直接觀測(cè)組織中不同部位功能區(qū)基因表達(dá)
的差異?？臻g轉(zhuǎn)錄組技術(shù)利用了常規(guī)的原位技術(shù)和組學(xué)技術(shù)兩方面的優(yōu)勢(shì)。實(shí)際上空間轉(zhuǎn)錄組已不是新名詞，2016 年
Joakim Lundeberg 的 Spatial Transcriptomics 技術(shù)在 Science 上發(fā)表，2017 年景乃禾老師的 GEO-seq 技術(shù)在 Nature
Protocols 上發(fā)表 [2]。目前已發(fā)表的關(guān)于空間轉(zhuǎn)錄組技術(shù)有主要有 Spatial Transcriptomics, Slide-seq, LCM-seq, seqFISH,
MERFISH, Liver single cell zonation, Geo-seq 和 Tomo-seq, 涉及物種有人、小鼠、果蠅、秀麗隱桿線蟲、斑馬魚、擬南芥、
楊樹和云杉等。
圖 空間轉(zhuǎn)錄組被評(píng)為 2020 年度技術(shù)
圖 常見空間轉(zhuǎn)錄組技術(shù)
其中，瑞典皇家理工學(xué)院的 Joakim Lundeberg，基于芯片和空間條形碼技術(shù)發(fā)明了高通量的空間轉(zhuǎn)錄組測(cè)序方法，
并創(chuàng)建了 Spatial Transcriptomics 公司。2018 年底 10x Genomics 宣布收購(gòu) Spatial Transcriptomics，并于 2019 年發(fā)
布 Visium 空間基因表達(dá)解決方案（Visium Spatial Gene Expression Solution）。10x Genomics 公司提供的 Visium 空
間基因表達(dá)解決方案是目前唯一一個(gè)高通量空間轉(zhuǎn)錄組的商業(yè)化解決方案，其可以檢測(cè)完整組織切片的總 mRNA，將總
mRNA 的空間信息與形態(tài)學(xué)內(nèi)容相結(jié)合，并繪制所有基因表達(dá)發(fā)生的位置，獲得完整的基因表達(dá)圖譜；在確定不同細(xì)胞群
的同時(shí)保留空間位置，為細(xì)胞功能、表型和組織微環(huán)境中位置的關(guān)系提供了重要信息。
4
二、10x Genomics Visium 技術(shù)原理
將冷凍組織切片放置在 10x Genomics Visium 芯片的捕獲區(qū)域內(nèi)，進(jìn)行 HE 染色和成像后，對(duì)組織切片進(jìn)行透化
處理，細(xì)胞內(nèi)的 mRNA 釋放，從而被芯片上帶有 oligo-dT 的探針捕獲，并且每個(gè)探針都帶有特異的位置信息（Spatial
barcode），然后以 mRNA 為模版進(jìn)行 cDNA 合成，構(gòu)建文庫(kù)后再通過測(cè)序，獲得基因表達(dá)信息的同時(shí)，每一條測(cè)序
reads 因帶有 Spatial barcode，從而能夠獲得基因表達(dá)的位置信息。
10x Genomics Visium 技術(shù)包含兩種芯片，分別為組織優(yōu)化芯片（Tissue Optimization）和基因表達(dá)芯片（Library
Preparation）。組織優(yōu)化芯片用來摸索組織透化的最佳時(shí)間，基因表達(dá)芯片用來進(jìn)行正式樣本的空間轉(zhuǎn)錄組實(shí)驗(yàn)。其中基
因表達(dá)芯片上有 4 個(gè)捕獲區(qū)域，每個(gè)區(qū)域大小為 6.5mm * 6.5mm，每個(gè)捕獲區(qū)域中有 5000 個(gè)帶有特異地址序列的探針簇，
稱為 barcoded spots，每個(gè) spot 直徑為 55um，包含數(shù)百萬個(gè)用于捕獲的 oligo 探針序列，相鄰兩個(gè) spot 的中心距離為
100um。探針序列的結(jié)構(gòu)為：測(cè)序引物結(jié)合序列，16nt 的位置序列，12nt 的 UMI 序列以及 30nt 的 oligo-dT 序列。
圖 10x Genomics Visium 空間轉(zhuǎn)錄組技術(shù)的原理
圖 10x Genomics Visium 兩種芯片 圖 10x Genomics Visium 基因表達(dá)芯片工作原理
5
三、10x Genomics Visium 實(shí)驗(yàn)流程
圖 10x Genomics Visium 實(shí)驗(yàn)流程
四、每個(gè)實(shí)驗(yàn)步驟所需要注意的事項(xiàng)
（1）新鮮組織樣本包埋
目前新鮮組織的包埋方法有兩種，一種是液氮 + 異戊烷法；另一種的干冰法。對(duì)于臨床手術(shù)切下來的組織樣本一般使
用干冰的包埋方法。對(duì)于穿刺樣本等一些較小，較輕的樣本，一般推薦用液氮 + 異戊烷的方法進(jìn)行冷凍。OCT 包埋組織塊
可以在 –80oC 的密封容器中長(zhǎng)期保存，或立即進(jìn)行冷凍切片。
（2）冷凍切片、組織樣本質(zhì)控及貼片
由于空間轉(zhuǎn)錄組檢測(cè)的是組織中的 RNA，因此要對(duì)切片中的 RNA 質(zhì)量進(jìn)行檢測(cè)。我們一般取 10 片組織切片進(jìn)行 RNA
抽提并質(zhì)檢，確定組織中 RNA 完整性（RIN ＞ 7）。所以要求我們的組織樣本要保證可以切到至少 20 片 10um 厚度的切片，
以便完成所有的實(shí)驗(yàn)。
（3）組織優(yōu)化
組織優(yōu)化的目的是摸索樣本的最佳透化條件，保證組織切片中的 mRNA 能夠充分釋放。該步驟是獲取真實(shí)實(shí)驗(yàn)結(jié)果的
必要條件。否則，我們無法判斷是基因表達(dá)高低到底是因?yàn)橥富怀浞謱?dǎo)致的，還是實(shí)際就是這個(gè)樣子。因此：每個(gè)樣本
建議都要做透化，尤其是臨床樣本。
（4）成像
應(yīng)使用 Visium Imaging Test Slide 驗(yàn)證成像設(shè)置。明場(chǎng)成像基準(zhǔn)框和基準(zhǔn)標(biāo)記應(yīng)清晰可見，并使用 Brightfeld 設(shè)置聚
焦。Visium Imaging Test Slide 四個(gè)區(qū)域（A1，B2，C1，D2）具有熒光斑點(diǎn)，可通過 TRITC 和 Cy5 flter cubes 檢測(cè)到，
熒光設(shè)置應(yīng)清晰可見 A1，B2，C1 和 D2 中的熒光點(diǎn)，且熒光點(diǎn)信號(hào)應(yīng)從左到右減小。
（5）正式實(shí)驗(yàn)
正式實(shí)驗(yàn)時(shí)要對(duì)反轉(zhuǎn)錄后的 cDNA 長(zhǎng)度分布，濃度和量進(jìn)行判斷。cDNA 的長(zhǎng)度分布在 ~200bp-9000bp 之間，在
1000bp 左右會(huì)有峰值（不同的組織類型會(huì)有些許差異）。
（6）測(cè)序
在捕獲區(qū)域，每個(gè)組織覆蓋的 spot 建議至少測(cè) 50000 read pairs。整個(gè)捕獲區(qū)域共有 5000 個(gè) spots?？梢愿鶕?jù)組織
貼到芯片上后，覆蓋芯片的大小來判斷測(cè)序的數(shù)據(jù)量。
6
圖 切片覆蓋芯片區(qū)域百分比
圖 每個(gè) spot 特異表達(dá)的基因數(shù)統(tǒng)計(jì)
計(jì)算公式 (Coverage Area x total spots on the Capture Area)x 50,000 read pairs/spot 例如：組織覆蓋了 60% 的區(qū)域，
則數(shù)據(jù)量為 (0.60 x 5,000 total spots) x 50,000 read pairs/spot=150 million read pairs。
五、10x Genomics Visium 數(shù)據(jù)分析
空間轉(zhuǎn)錄組數(shù)據(jù)分析的核心是根據(jù)每個(gè)芯片上每個(gè) spot 的基因表達(dá)信息進(jìn)行聚類，然后將 spot 根據(jù)坐標(biāo)位置序列放
回到組織的圖像上，同時(shí)可以對(duì)每個(gè) gene 在組織上表達(dá)的空間位置進(jìn)行定位。
獲得測(cè)序數(shù)據(jù)后，首先利用 Space Ranger 軟件可以自動(dòng)化的對(duì)圖像進(jìn)行處理、數(shù)據(jù)比對(duì)和 Barcode 處理。另外一
個(gè)軟件 Loupe Cell Browser 是一個(gè)適用于 Windows 和 MacOS 的桌面應(yīng)用程序，它可以快速、輕松地可視化和分析 10x
Visium 數(shù)據(jù)。伯豪生物除了提供 spot 基因數(shù)和 UMI 數(shù)統(tǒng)計(jì)、切片 spot 聚類和聚類亞群 marker 基因分析等基礎(chǔ)和高級(jí)分外，
同時(shí)還提供個(gè)性化分析，如特定 pathway 功能富集分析等。
7
結(jié)合組織區(qū)域分布對(duì)數(shù)據(jù)進(jìn)行挖掘
大部分組織其實(shí)是有其特定的區(qū)域劃分的，比如說大腦里有皮層、丘腦、海馬、脈絡(luò)叢等多個(gè)區(qū)域。將組織的區(qū)域劃
分和亞群（或細(xì)胞類型）的分布結(jié)合起來還是能發(fā)現(xiàn)很多有價(jià)值的信息的。
可以根據(jù)不同區(qū)域特異表達(dá)的 maker 基因的分布來判斷每個(gè)區(qū)域在組織切片上的位置。例如皮層 marker 基因 STX1A
的表達(dá)分布，海馬 marker 基因 HPCA 的表達(dá)分布等
結(jié)合病理學(xué)特征對(duì)數(shù)據(jù)進(jìn)行挖掘
空間轉(zhuǎn)錄組技術(shù)正真的精髓不是研究細(xì)胞亞群的分布，而在于將它在空間位置上體現(xiàn)的異質(zhì)性跟組織病理學(xué)特征的分
布進(jìn)行結(jié)合，挖掘在不同病理學(xué)特征下轉(zhuǎn)錄組學(xué)的差異。這對(duì)于研究疾病病變的機(jī)制、幫助臨床實(shí)現(xiàn)更好的患者分子分型、
以及空間位置 Biomarker 的挖掘方面都是非常有價(jià)值的。通過手動(dòng)把這些區(qū)域圈出來進(jìn)行轉(zhuǎn)錄組層面的比較，找出不同病
灶區(qū)的特異性 marker，分析疾病在一步步發(fā)展進(jìn)程中生物學(xué)功能的變化，甚至可以思考一下是否能找出一些關(guān)鍵性因子
來阻斷疾病的進(jìn)展。
圖 聚類結(jié)果及切片 spot 位置分布展示
圖 15 特定 pathway 功能富集分析
8
圖 根據(jù)病理信息選取特定區(qū)域分析
圖 MIA 熱圖
空間轉(zhuǎn)錄組聯(lián)合單細(xì)胞 RNA 測(cè)序解析細(xì)胞類型的空間位置信息 (Multimodal intersection analysis,MIA)
空間轉(zhuǎn)錄組測(cè)序可以獲得不同基因在組織切片上的空間位置信息，但不能獲得詳細(xì)的細(xì)胞類群信息（空間轉(zhuǎn)錄組不是
單細(xì)胞分辨率，只能粗略的分析切片上不同位置的細(xì)胞類型）。因此，需要借助單細(xì)胞測(cè)序數(shù)據(jù)來分析細(xì)胞類型，然后通
過生物信息學(xué)的分析方法將單細(xì)胞類群映射到空間轉(zhuǎn)錄組數(shù)據(jù)上。
備注 : MIA 熱圖，上方的顏色條反映了 ST 區(qū)域的子聚類（cancer region，Pancreatic tissue，Duct epithelium 和
stroma）。左側(cè)代表不同的細(xì)胞類群。色塊代表 enrichment 或者 depletion。Enrichment 代表該細(xì)胞類群富集到了該區(qū)域。
Depletion 代表該細(xì)胞類群在該區(qū)域缺失。
9
六、10x Genomics Visium 應(yīng)用方向
1、應(yīng)用方向
空間位置信息，或者細(xì)胞在組織中天然的狀態(tài)在研究過程中其實(shí)具有十分重要的價(jià)值，特別針對(duì)某些研究領(lǐng)域，如發(fā)
育生物學(xué)（不同位置的細(xì)胞接受不同的信號(hào)濃度梯度、響應(yīng)不同的外界刺激，具有不同的發(fā)育命運(yùn)）、腫瘤生物學(xué)（腫瘤
組織與癌旁組織的區(qū)別，腫瘤細(xì)胞侵潤(rùn)過程中腫瘤細(xì)胞的變化與對(duì)正常細(xì)胞的影響，腫瘤轉(zhuǎn)移的不同過程階段等）、腦神
經(jīng)科學(xué)（不同腦區(qū)位置的神經(jīng)元結(jié)構(gòu)、神經(jīng)連結(jié)，中間神經(jīng)元投射，突觸前后，神經(jīng)膠質(zhì)相互影響等等），細(xì)胞來源的位
置信息是極為關(guān)鍵的決定因素。
空間轉(zhuǎn)錄組測(cè)序技術(shù)除了在人和動(dòng)物上得到了廣泛的應(yīng)用之外，在植物領(lǐng)域也有所突破。2017 年發(fā)表在 nature plant
上的一篇文章就闡釋了空間轉(zhuǎn)錄組在擬南芥中的應(yīng)用，利用空間數(shù)據(jù)作者分析了 141 個(gè)基因的表達(dá)水平差異，8 個(gè)花序組
織域中 189 條通路。伯豪生物作為最早的空間轉(zhuǎn)錄組測(cè)序技術(shù)服務(wù)商，也在植物的空間轉(zhuǎn)庫(kù)組領(lǐng)域有所突破。開發(fā)了多種
植物組織的空間轉(zhuǎn)錄樣本制備方法，并在透化條件摸索方面獲得了寶貴的項(xiàng)目經(jīng)驗(yàn)。
常見空間轉(zhuǎn)錄組的應(yīng)用方向主要在腫瘤學(xué)，免疫學(xué)，發(fā)育生物學(xué)，神經(jīng)科學(xué)及病理學(xué)等方向。
圖 空間轉(zhuǎn)錄組的應(yīng)用方向
表 已做過優(yōu)化的樣本類型
人組織類型 小鼠組織類型 大鼠組織類型
組織類型 疾病狀態(tài) 切片厚度 組織類型 切片厚度 組織類型 切片厚度
大腦 惡性膠質(zhì)瘤 10-25μm 眼睛 10μm 大腦 10-25μm
乳腺 健康 10μm 大腸 10μm 心臟 10μm
乳腺 浸潤(rùn)性導(dǎo)管癌 10μm 肝臟 10μm 腎臟 10μm
乳腺 浸潤(rùn)性小葉癌 10μm 肺 10μm 伯豪生物測(cè)試
心臟 健康 10μm 嗅球 10μm 樣本類型
腎臟 健康 10μm 卵巢 10μm 大腦 10μm
腎臟 腎炎 10μm 四頭肌 10μm 小腦 10μm
大腸 結(jié)腸癌 10μm 小腸 10μm 心臟 10μm
肺 乳頭狀癌 10μm 脾臟 10μm 肝臟 10μm
淋巴結(jié) 健康 10μm 胃 10μm 脾臟 10μm
淋巴結(jié) 發(fā)炎 10μm 睪丸 10μm 腎臟 10μm
脾臟 發(fā)炎 10μm 甲狀腺 10μm 肺 10μm
卵巢 腫瘤 10μm 舌 10μm … …
10
圖：ST 聯(lián)合 scRNA 揭示胰腺導(dǎo)管癌組織細(xì)胞類型及結(jié)構(gòu)
2、案例解析
研究思路一：空間轉(zhuǎn)錄組測(cè)序聯(lián)合單細(xì)胞 RNA 測(cè)序揭示疾病機(jī)制
案例一
空間轉(zhuǎn)錄組學(xué)聯(lián)合單細(xì)胞 RNA-seq 揭示胰腺導(dǎo)管腺癌的組織結(jié)構(gòu)
Integrating microarray-based spatial transcriptomics and single-cell RNA-seq
reveals tissue architecture in pancreatic ductal adenocarcinomas [5]
發(fā)表雜志：Nature biotechnology
影響因子：36.558
發(fā)表時(shí)間：2020 年 1 月
摘要：?jiǎn)渭?xì)胞 RNA 測(cè)序 (single RNA sequence，scRNA-seq) 能夠系統(tǒng)地識(shí)別組織中的細(xì)胞類群，但它不能獲取各個(gè)
細(xì)胞類型在組織中的空間位置信息?？臻g轉(zhuǎn)錄組測(cè)序（ spatial transcriptomics， ST） , 可以獲得不同基因在組織切片上
的空間位置信息，但不能獲得詳細(xì)的細(xì)胞類群信息。作者通過對(duì)胰腺導(dǎo)管癌病人的同一樣本同時(shí)進(jìn)行 scRNA 測(cè)序和 ST 測(cè)序。
同時(shí)開發(fā)了一種多模態(tài)交叉分析方法（Multimodal intersection analysis，MIA）來將單細(xì)胞測(cè)序數(shù)據(jù)映射到空間轉(zhuǎn)錄組
數(shù)據(jù)上，獲得各種細(xì)胞類型在組織上的空間分布。研究發(fā)現(xiàn)導(dǎo)管細(xì)胞、巨噬細(xì)胞、樹突狀細(xì)胞和癌細(xì)胞的亞群在不同的空
間位置區(qū)域上富集或丟失，以及與其他類型的細(xì)胞有明顯的共富集。此外，作者還發(fā)現(xiàn)了炎癥成纖維細(xì)胞和表達(dá)應(yīng)激反應(yīng)
基因模塊的癌細(xì)胞的定位。
11
圖 18 實(shí)驗(yàn)設(shè)計(jì)思路
案例二
空間轉(zhuǎn)錄組聯(lián)合單細(xì)胞測(cè)序揭示心臟發(fā)育
A Spatiotemporal Organ-Wide Gene Expression and Cell Atlas of the Developing Human Heart[11]
發(fā)表雜志：Cell
影響因子：38.637
發(fā)表時(shí)間：2019 年 12 月
摘要：人類心臟形態(tài)發(fā)生的過程尚不完全清楚。它的完整特性需要用單細(xì)胞空間分辨率深入探索器官范圍內(nèi)基因表達(dá)
的協(xié)調(diào)。在這里，我們提出了一種分子方法，揭示了在三個(gè)發(fā)育階段的胚胎心臟細(xì)胞類型的全面轉(zhuǎn)錄景觀，并將細(xì)胞類型
特異性基因表達(dá)映射到特定的解剖結(jié)構(gòu)域。空間轉(zhuǎn)錄組學(xué)鑒定了在每個(gè)發(fā)育階段對(duì)應(yīng)不同解剖區(qū)域的獨(dú)特基因譜。作者通
過對(duì)人類心臟發(fā)育有三個(gè)階段：孕早期 4.5-5 周，6.5 周和懷孕后 9 周的人類胚胎心臟樣品進(jìn)行單細(xì)胞 RNA 測(cè)序鑒定的人
類胚胎心臟細(xì)胞類型，同時(shí)通過空間轉(zhuǎn)錄組測(cè)序技術(shù)來獲取基因表達(dá)的空間位置信息。然后使用原位測(cè)序來細(xì)化這些結(jié)果，
并為三個(gè)發(fā)育階段創(chuàng)建一個(gè)空間亞細(xì)胞圖譜。最后，形成了一個(gè)公開的人類心臟發(fā)育的網(wǎng)絡(luò)資源，以促進(jìn)未來對(duì)人類心臟
發(fā)生的研究。
A、本研究包括三種人類心臟組織的發(fā)育階段。B、本研究所采用的分子生物學(xué)方法：（1）利用空間轉(zhuǎn)錄組技術(shù)（ST），
鑒定出了解剖學(xué)區(qū)域特異的 marker；（2）用 scRNA-seq 技術(shù)分析心臟中間時(shí)間點(diǎn)的細(xì)胞類型異質(zhì)性；（3）用 ISS 技術(shù)
定位亞細(xì)胞分辨率的關(guān)鍵基因；（4）構(gòu)建器官水平的 3D 基因表達(dá)圖譜。
12
案例三
單細(xì)胞 RNA 測(cè)序 & 空間轉(zhuǎn)錄組測(cè)序“強(qiáng)強(qiáng)聯(lián)手”揭示腸道發(fā)育
Spatiotemporal analysis of human intestinal development at single-cell resolution
發(fā)表期刊：Cell
影響因子：38.637
發(fā)表時(shí)間：2021 年 1 月
摘要：腸道是人體最大的屏障器官，與腸道微生物共生協(xié)調(diào)營(yíng)養(yǎng)需求和免疫。多種相互關(guān)聯(lián)的細(xì)胞類型構(gòu)成了成熟的
腸道及其不同的形態(tài)，但其發(fā)育的分子基礎(chǔ)仍不清楚。來自牛津大學(xué) Simmons 和 Koohy 教授團(tuán)隊(duì)通過單細(xì)胞測(cè)序聯(lián)合空
間轉(zhuǎn)錄組技術(shù)來研究腸道發(fā)育過程中形態(tài)的變化。研究對(duì)來自 17 例胚胎的 77 個(gè)樣本進(jìn)行了單細(xì)胞 RNA 測(cè)序（使用寡核
苷酸標(biāo)記抗體的多重混樣技術(shù)）以及對(duì)來自 5 個(gè)樣本的 8 張切片進(jìn)行了空間轉(zhuǎn)錄組測(cè)序。通過一系列的生物信息學(xué)分析方法，
包括細(xì)胞間通訊網(wǎng)絡(luò)構(gòu)建 , SCENIC 轉(zhuǎn)錄因子模塊分析，擬時(shí)序分析，RNA 速率分析，基因功能富集分析等，最終共鑒定
了 101 種細(xì)胞類型，包括上皮細(xì)胞和間充質(zhì)祖細(xì)胞群和與關(guān)鍵形態(tài)發(fā)生的重要程序。作者描述了隱窩 - 絨毛軸形成的原理，
發(fā)育中的腸道的神經(jīng)、血管、間充質(zhì)形態(tài)發(fā)生和免疫群體。確定了發(fā)育中的成纖維細(xì)胞和肌成纖維細(xì)胞亞型的分化層次，
并描述了它們的不同功能，包括作為血管生態(tài)位細(xì)胞的功能。作者確定了 Peyer’s patches 和 gut-associated lymphoid
tissue (GALT) 的起源，并描述了位置特異性免疫程序。提出了一個(gè)無偏倚的分析形態(tài)梯度，可以用來指引連續(xù)的細(xì)胞分化、
定義細(xì)胞、以及罕見的發(fā)育性腸道疾病相關(guān)的位置區(qū)域。此外 , 作者還編制了一個(gè)公開的胎兒腸道在時(shí)間和空間層面發(fā)育
(STAR-FINDer) 的在線數(shù)據(jù)庫(kù)，以促進(jìn)進(jìn)一步的工作。
圖 研究概況
13
研究思路二：空間轉(zhuǎn)錄組測(cè)序單一組學(xué)揭示疾病機(jī)制
案例四
空間轉(zhuǎn)錄組測(cè)序揭示阿爾茲海默疾病機(jī)制
Spatial Transcriptomics and In Situ Sequencing to Study Alzheimer’s Disease
發(fā)表期刊：Cell
影響因子：38.637
發(fā)表時(shí)間：2020 年 8 月
摘要：雖然在阿爾茨海默病 (AD) 淀粉樣斑塊周圍觀察到復(fù)雜的炎癥樣改變，但對(duì)這種反應(yīng)的分子變化和細(xì)胞相互作用
知之甚少。在 AD 小鼠模型中，作者利用空間轉(zhuǎn)錄組學(xué)技術(shù)研究淀粉樣斑塊周圍直徑為 100 毫米的組織結(jié)構(gòu)域發(fā)生的轉(zhuǎn)錄
變化。研究證實(shí)了髓磷脂和少突膠質(zhì)細(xì)胞基因 (OLIGs) 富集的基因共表達(dá)網(wǎng)絡(luò)的早期改變，而涉及補(bǔ)體系統(tǒng)、氧化應(yīng)激、
溶酶體和炎癥的斑塊誘導(dǎo)基因 ( 豬 ) 的多細(xì)胞基因共表達(dá)網(wǎng)絡(luò)在疾病的后期顯著。此外，在小鼠和人類大腦切片上使用原
位測(cè)序確認(rèn)了大多數(shù)在細(xì)胞水平上觀察到的改變?？臻g轉(zhuǎn)錄組學(xué)分析為解開 AD 和其他腦部疾病致病特征附近的失調(diào)細(xì)胞
網(wǎng)絡(luò)提供了一種前所未有的方法。
圖 成年 AD 小鼠大腦的空間解析轉(zhuǎn)錄組譜
14
研究思路三 : 空間轉(zhuǎn)錄組測(cè)序技術(shù)在病理學(xué)方向的應(yīng)用
案例五
空間轉(zhuǎn)錄組圖譜為前列腺癌提供異質(zhì)性的新視圖
Spatial Maps of Prostate Cancer Transcriptomes Reveal an Unexplored
Landscape of Heterogeneity
發(fā)表期刊：Nature communication
影響因子：12.212
發(fā)表時(shí)間：2018 年 9 月
摘要：前列腺癌包含大量的腫瘤內(nèi)異質(zhì)性，在原發(fā)腫瘤和遠(yuǎn)距離轉(zhuǎn)移中都存在基因改變前列腺癌的病理嚴(yán)重程度，盡
管有分子標(biāo)記和核磁共振的進(jìn)展，但通常是根據(jù) Gleason 分級(jí)（Gs）系統(tǒng)來評(píng)分的，該系統(tǒng)僅使用組織學(xué)數(shù)據(jù)，經(jīng)常在血
液和腫瘤分期中補(bǔ)充 PSA 測(cè)量。然而，這種分類方法有局限性，并提出了新的備選方案。利用一種新的反卷積方法，作者
分析了近 6750 個(gè)組織區(qū)域的轉(zhuǎn)錄組，并提取了不同組織成分的不同表達(dá)譜，如間質(zhì)、正常和針腺、免疫細(xì)胞和癌癥。同
時(shí)區(qū)分了健康區(qū)域和病變區(qū)域，從而對(duì)前列腺癌進(jìn)展過程中的基因表達(dá)變化提供了見解。與病理學(xué)家的注釋相比，空間轉(zhuǎn)
錄組可以更準(zhǔn)確地描述了癌灶的范圍，有趣的是，與組織學(xué)變化無關(guān)。視化 2200 個(gè)組織結(jié)構(gòu)域中的基因表達(dá)；腫瘤微環(huán)
境 TME 中基因表達(dá)的可視化。
圖 前列腺癌的空間轉(zhuǎn)錄組學(xué) (ST) 研究設(shè)計(jì)
15
研究思路四 : 空間轉(zhuǎn)錄組測(cè)序在植物方向的應(yīng)用
案例六
Spatially resolved transcriptome profiling in model plant species
空間轉(zhuǎn)錄組解析模式植物組織基因表達(dá)的空間信息
發(fā)表期刊：Nature plant
影響因子：13.256
發(fā)表時(shí)間：2017 年 5 月
摘要：要理解復(fù)雜的生物系統(tǒng)，需要對(duì)特定組織域進(jìn)行功能研究。然而，現(xiàn)有的空間轉(zhuǎn)錄組測(cè)序技術(shù)僅適用于有限范
圍的生物，主要是哺乳動(dòng)物。在這里，作者提出了第一個(gè)可用與植物組織的方法，在空間分辨率的狀態(tài)下來廣泛的解析模
式植物系統(tǒng)。該過程包括高通量的空間轉(zhuǎn)錄組分析，然后是空間基因和通路分析。作者首先從模型被子植物和裸子植物的
顯微切片中生成空間轉(zhuǎn)錄組譜，證明了該技術(shù)的可行性。在擬南芥中，利用空間數(shù)據(jù)分析了 8 個(gè)花序組織結(jié)構(gòu)域中 141 個(gè)
基因和 189 條通路的表達(dá)水平差異。作者通過將空間轉(zhuǎn)錄組學(xué)技術(shù)和功能譜分析技術(shù)相結(jié)合這一新策略，應(yīng)用于廣泛的植
物物種，該技術(shù)將是一種解決發(fā)育和進(jìn)化生物學(xué)基本問題的關(guān)鍵方法。
圖 植物的空間解析轉(zhuǎn)錄組分析
16
七、參考文獻(xiàn)
[1]. St?hl PL, Salmén F, Vickovic S, et al. Visualization and analysis of gene expression in tissue sections by
spatial transcriptomics. Science 2016, 353(6294):78-82.
[2]. Peng G, Suo S, Chen J, et al. Spatial Transcriptome for the Molecular Annotation of Lineage Fates and Cell
Identity in Mid-gastrula Mouse Embryo. Dev Cell 2016, 36(6):681-697.
[3]. https://www.spatialomics.org/SpatialDB/
[4]. Michaela Asp, Stefania Giacomello, et al. A Spatiotemporal Organ-Wide Gene Expression and Cell Atlas of
the Developing Human Heart[J]. Cell, 2019, 179, 1647–1660.
[5]. Maniatis S, ?ij? T, Vickovic S, et al. Spatiotemporal dynamics of molecular pathology in
amyotrophic lateral sclerosis[J]. Science, 2019, 364(6435): 89-93.
[6]. Carlberg K, Korotkova M, Larsson L, Catrina AI, Stahl PL, Malmstrom V. Exploring inflammatory signatures in
arthritic joint biopsies with Spatial Transcriptomics[J]. Scientific reports. 2019,9(1):18975.
[7]. José, Fernández, Navarro, et al. ST viewer: a tool for analysis and visualization of spatial transcriptomics
datasets.[J]. Bioinformatics (Oxford, England), 2019.
[8]. Berglund E , Maaskola J , Schultz N , et al. Spatial maps of prostate cancer transcriptomes reveal an
unexplored landscape of heterogeneity[J]. Nature Communications, 2018, 9(1).
[9]. ST Spot Detector: a web-based application for automatic spot and tissue detection for spatial
Transcriptomics image datasets[J]. Bioinformatics, 2018.
[10]. Anna L , Natalija G , Tove B , et al. Gene expression profiling of periodontitis-affected gingival tissue by
spatial transcriptomics[J]. Scientific Reports, 2018, 8(1):9370.
[11]. Kim T , Hanna E , Jonas M , et al. Spatially resolved transcriptomics enables dissection of genetic
heterogeneity in stage III cutaneous malignant melanoma[J]. Cancer Research, 2018:canres.0747.2018.
[12]. Salmen F, Stahl PL, Mollbrink A, Navarro JF, Vickovic S, Frisen J, et al. Barcoded solid-phase RNA capture
for Spatial Transcriptomics profiling in mammalian tissue sections[J]. Nature protocols. 2018,13(11):2501-34.
[13]. Giacomello S , Fredrik Salmén, Terebieniec B K , et al. Spatially resolved transcriptome profiling in model
plant species[J]. Nature Plants, 2017, 3(6):17061.
[14]. Asp M , Salmén, Fredrik, St?Hl P L , et al. Spatial detection of fetal marker genes expressed at low level in
adult human heart tissue[J]. Scientific Reports, 2017, 7(1):12941.
[15]. Stahl P L , Salmen F , Vickovic S , et al. Visualization and analysis of gene expression in tissue sections by
spatial transcriptomics[J]. Science, 2016, 353(6294):78-82.
[16]. Vickovic S , St?Hl P L , Salmén, Fredrik, et al. Massive and parallel expression profiling using microarrayed
single-cell sequencing[J]. Nature Communications, 2016, 7:13182.
[17]. Anders, Jemt, Fredrik, et al. An automated approach to prepare tissue-derived spatially barcoded RNAsequencing libraries.[J]. Scientific reports, 2016.
[18]. Berglund E , Maaskola J , Schultz N , et al. Spatial maps of prostate cancer transcriptomes reveal an
unexplored landscape of heterogeneity[J]. Nature Communications, 2018, 9(1).
[19]. Chen W T , Lu A , Craessaerts K , et al. Spatial Transcriptomics and In Situ Sequencing to Study Alzheimer's
Disease[J]. Cell, 2020.
[20]. Giacomell S , Fredrik Salmén, Terebieniec B K , et al. Spatially resolved transcriptome profiling in model
plant species[J]. Nature Plants, 2017.
[21]. David Fawkner-Corbett, et al. Spatiotemporal analysis of human intestinal development at single-cell
resolution[J]. Cell. 2021 Feb 4;184(3):810-826.e23. doi: 10.1016/j.cell.2020.12.016. Epub 2021 Jan 5.
