spot 与单细胞

快速概览

spot-based 空间数据与 scRNA-seq 在分辨率、噪声模型与解释上的差异

所属板块 分析方向与案例

把基础对象与算法方法重新放回真实分析任务与工作流。

阅读目标 帮助建立阅读上下文

先判断这页与你当前问题的关系，再决定是否深入展开。

建议前置 先建立相关基础对象与方法直觉

建议先建立相关基础对象与方法直觉，再进入本页。

核心差别

单细胞 RNA-seq（scRNA-seq）与空间转录组（ST）最根本的差别在于基本测量单位的不同：

维度	scRNA-seq	spot-based ST
基本单位	单个细胞（cell）	捕获区域（spot）
测量对象	单个细胞的转录组	局部区域内所有细胞的混合转录组
空间信息	❌ 解离后丢失	✅ 保留二维坐标
分辨率	单细胞	取决于 spot 大小（通常多细胞）

形式化描述

scRNA-seq 输出的表达矩阵：

X^{(sc)} \in \mathbb{R}^{n_{genes} \times n_{cells}}

其中 $X^{(sc)}_{g,c}$ 表示基因 $g$ 在细胞 $c$ 中的表达量。

空间转录组 输出的表达矩阵：

X^{(st)} \in \mathbb{R}^{n_{genes} \times n_{spots}}

其中 $X^{(st)}_{g,s}$ 表示基因 $g$ 在 spot $s$ 中的混合表达量：

X^{(st)}_{g,s} = \sum_{c \in \mathcal{C}_s} w_{c,s} \cdot x_{g,c} + \epsilon_s

$\mathcal{C}_s$ ：覆盖 spot $s$ 的所有细胞集合
$w_{c,s}$ ：细胞 $c$ 对 spot $s$ 的贡献权重（取决于细胞大小、位置、捕获效率）
$\epsilon_s$ ：技术噪声（捕获效率、测序深度等）

为什么要区分 spot 和 cell

混淆这两个概念会导致错误的生物学解释：

错误理解	问题所在	正确理解
”spot A 高表达 marker X，所以 spot A 是细胞类型 X”	spot 含多种细胞，marker 可能来自 minority 细胞类型	需要去卷积推断各细胞类型贡献比例
”空间热点 = 单细胞在该位置的定位”	spot 热点可能是多个细胞共同贡献	热点反映局部区域的整体表达特征
”可以直接把单细胞注释映射到每个 spot”	忽略 spot 的混合性质	需要统计模型整合单细胞参考

信息取舍：分辨率与空间信息的权衡

scRNA-seq 的优势与代价

优势：

单细胞分辨率，可识别稀有细胞类型
检测灵敏度高（通常 2,000–5,000 基因/细胞）
细胞状态（cell state）分析能力强

代价：

组织解离破坏空间上下文
解离过程可能引入应激表达偏差
无法研究空间排布相关的生物学问题

空间转录组的优势与代价

优势：

保留组织空间结构
可研究空间梯度、边界效应、微环境
与组织图像结合进行形态学注释

代价：

分辨率受限（spot 通常包含 1–10 个细胞）
检测灵敏度较低（通常 1,000–3,000 基因/spot）
批次效应与技术噪声更复杂（捕获效率空间异质性）

互补性而非替代性

scRNA-seq          空间转录组
    ↓                    ↓
高分辨率细胞类型图谱    细胞类型的空间分布
    ↘                  ↙
         整合分析
            ↓
    空间分辨的细胞类型注释

为什么两者经常联合分析

空间转录组的分辨率限制可以通过与 scRNA-seq 整合来克服，这已成为标准分析范式：

整合策略

去卷积（Deconvolution）
- 输入：scRNA-seq 参考图谱 + 空间数据
- 输出：每个 spot 的细胞类型组成比例
- 代表工具：RCTD、SPOTlight、cell2location
映射/插值（Mapping/Integration）
- 将单细胞映射到空间位置
- 或学习共享的潜在空间进行联合嵌入
- 代表工具：Tangram、Scanorama、Harmony
空间基因表达重建
- 利用单细胞数据预测未测量空间位置的表达
- 代表工具：SPACEL、DestVI

联合分析的典型流程

scRNA-seq 数据
    ↓
聚类 → 细胞类型注释 → 构建参考表达谱
    ↓                    ↘
                        整合算法
    ↑                       ↓
空间数据                    ↓
    ↘                  空间细胞类型组成
质控过滤 → 预处理           ↓
                      空间可视化 + 下游分析

复杂度与适用前提

联合分析的假设前提

假设	潜在问题	检验方法
scRNA-seq 样本与空间样本来自同一组织/状态	批次效应、组织差异	检查共享 marker 表达一致性
参考图谱包含空间样本中所有细胞类型	缺失细胞类型导致错误分配	留一法验证、novel cell type detection
基因表达在两种技术间可比较	技术偏差、捕获效率差异	标准化策略、平台效应校正

当整合失败时

参考与空间样本组织不匹配：构建特定于该组织的参考图谱
空间数据质量过低：增加测序深度或更换技术平台
存在空间特有的细胞状态：scRNA-seq 可能无法捕获（如特定微环境下的细胞）

参考资料

Andersson et al., 2020. Single-cell and spatial transcriptomics enables probabilistic inference of cell type topography. Communications Biology
Kleshchevnikov et al., 2022. Cell2location maps fine-grained cell types in spatial transcriptomics. Nature Biotechnology
Biancalani et al., 2021. Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram. Nature Methods