空间组学平台概览（技术原理和物理机制层面的横向分类）

空间组学平台概览（Spatial Omics Platforms Overview）

空间组学技术在保留组织空间背景下，实现转录组、蛋白组、表观组等多组学信息的原位测量，是理解细胞生态位与组织功能关键工具。主流平台可分为以下几类：

1️⃣ 10x Visium

原理：玻片阵列搭载空间条形码，组织贴附、转录捕获、测序还原空间转录图谱。
特点：55μm/spot 分辨率，支持 H&E/IF 图像，高通量、生态成熟。
优势：使用简便、数据丰富、软件支持广。
局限：非单细胞，精度有限，仅支持 RNA。
应用：肿瘤免疫区分布、小鼠大脑分层表达等。

2️⃣ MERFISH

原理：多轮 FISH 检测，鲁棒编码定位单个 RNA，达亚细胞级分辨率。
特点：高精度、理论支持全转录组。
优势：高度定量、可解析微结构。
局限：流程复杂，设备要求高，图像数据庞大。

3️⃣ seqFISH

原理：序列化探针编码 + 杂交轮回，实现 RNA 定位与条形码解码。
特点：支持上千基因、亚细胞分辨率。
优势：适合全转录组成像，图像清晰。
局限：显微操作依赖强、计算负担重。

4️⃣ Slide-seqV2

原理：组织贴附珠子阵列，mRNA 捕获并空间解码，珠径约 10μm。
特点：高分辨近单细胞，转录组广覆盖。
优势：灵敏度高、分辨率强。
局限：制备复杂、不支持图像联合分析。

5️⃣ MIBI-TOF

原理：金属抗体标记后用离子束扫描，质谱分析蛋白空间表达。
特点：亚细胞分辨，支持 FFPE。
优势：多通量蛋白成像、空间精度高。
局限：仅蛋白、数据标准化待完善。

6️⃣ IMC（成像质谱）

原理：激光消融+质谱读取金属标签，实现多通量蛋白成像。
特点：分辨率高，信息丰富，适用病理样本。
优势：高精度、组织结构保留良好。
局限：仅蛋白、仪器昂贵、通量受限。

7️⃣ NanoString DSP

原理：光控释放条形码探针，定量特定 ROI 的 RNA/蛋白。
特点：ROI 定制，FFPE 兼容。
优势：区域灵活、RNA+蛋白同步。
局限：非单细胞，通量低，偏向定向分析。

8️⃣ 4i Imaging

原理：多轮免疫荧光染色+洗脱成像，构建高维蛋白图谱。
特点：支持 20+ 蛋白目标，亚细胞分辨率。
优势：空间完整性强，分析深度高。
局限：周期长、图像处理复杂。

✅ 平台横向对比总结表

平台名称	检测类型	分辨率	分子通量	是否单细胞	FFPE兼容	应用场景
10x Visium	RNA	55 μm/spot	高	❌	✅	全组织转录组图谱
MERFISH	RNA	亚细胞级	高	✅	❌	细胞生态位解析
seqFISH	RNA	亚细胞级	中高	✅	❌	发育和神经生物学
Slide-seqV2	RNA	10 μm 珠子	高	✅	❌	高分辨肿瘤空间图谱
MIBI-TOF	蛋白	260 nm	中高	✅	✅	组织免疫微环境研究
IMC	蛋白	1 μm	中	✅	✅	肿瘤病理分析
NanoString DSP	蛋白+RNA	ROI级别	中	❌	✅	FFPE病理标本精准分析
4i Imaging	蛋白	亚细胞级	高	✅	✅	蛋白通量可视化

✅ 多平台统一使用策略

平台	适配模块	推荐工具链
10x	`scanpy + squidpy`	`sc.pl.spatial`, `sq.pl.spatial_scatter`
MERFISH	`squidpy`	`sq.gr.moran`, `sq.gr.nhood_enrichment`
seqFISH	`squidpy`	`sq.gr.ripley`, `sq.pl.spatial`
Slide-seq	`scanpy + squidpy`	`sc.pp.neighbors`, `sq.gr.spatial_neighbors`
MIBI-TOF	`squidpy.im`	`sq.im.extract_features()`
IMC	`squidpy.im`	`segmentation + feature extraction`
DSP	`scanpy`	`PCA`, `UMAP`, `ROI 分组分析`
4i	`squidpy.im`	`ImageContainer`, `crop + segment`

✅ 未来趋势与发展建议

多组学融合：如 RNA + 蛋白 + 表观的空间层叠。
分辨率与通量平衡优化：Slide-seqV3 和 Visium HD 将填补单细胞高通量空缺。
软件生态协同：如 Squidpy、Tangram、Cellpose 对多个平台兼容解析支持。
AI深度学习分析：图像分割、ROI提取、空间预测模型日益依赖神经网络框架。

以下是为八个主流空间组学平台配套的：
✅ 示例代码（基于 Python/Squidpy/Scanpy）
✅ 原始数据链接（官方/公开）
✅ 推荐可视化方法（图函数 + 图例说明）
✅ 交互流程图构建建议（如 Napari 使用）

✅ 1. 10x Visium

🔗 原始数据

示例数据（Human Lymph Node）：
https://support.10xgenomics.com/spatial-gene-expression/datasets/1.1.0/V1_Human_Lymph_Node

Squidpy 预加载数据：

import squidpy as sq
adata = sq.datasets.visium_hne_adata()
img = sq.datasets.visium_hne_image()

💻 示例代码

import scanpy as sc
import squidpy as sq

sc.pp.normalize_total(adata)
sc.pp.log1p(adata)
sc.tl.pca(adata)
sc.pp.neighbors(adata)
sc.tl.leiden(adata)

sq.gr.spatial_neighbors(adata)
sq.pl.spatial_scatter(adata, color="leiden")

📊 可视化模板

sc.pl.spatial(adata, color="leiden", frameon=False)

🧭 交互流程图建议（Napari）

viewer = img.interactive(adata)

✅ 2. MERFISH

🔗 原始数据

Vizgen MERFISH Mouse Liver Dataset:
https://info.vizgen.com/mouse-liver-access
教程数据文件：
- cell_by_gene.csv
- meta_cell.csv

💻 示例代码（Squidpy 教程）

import squidpy as sq
adata = sq.datasets.merfish()  # or load from file

sq.gr.spatial_neighbors(adata)
sq.gr.nhood_enrichment(adata)
sq.pl.nhood_enrichment(adata)

📊 可视化模板

sc.pl.spatial(adata, color="cell_type", frameon=False)

✅ 3. seqFISH

🔗 原始数据

Allen Institute or UCLA developmental brain datasets
参考文献：
https://science.sciencemag.org/content/361/6400/1383

💻 示例代码

import squidpy as sq
adata = sq.datasets.seqfish()

sq.gr.spatial_neighbors(adata)
sq.gr.ripley(adata)
sq.pl.ripley(adata, cluster_key="cell_type")

📊 可视化模板

sq.pl.spatial_scatter(adata, color="leiden", shape=None)

✅ 4. Slide-seqV2

🔗 原始数据

Slide-seqV2 cerebellum: https://singlecell.broadinstitute.org/single_cell/study/SCP815/
Gene Expression Omnibus (GEO): GSE174332

💻 示例代码（需预处理）

adata = sc.read_visium(path_to_slideseq_data)
sc.pp.highly_variable_genes(adata)
sq.gr.moran(adata)
sq.pl.spatial_autocorr(adata, mode="moran")

📊 可视化模板

sc.pl.spatial(adata, color=["geneA", "geneB"], cmap="viridis")

✅ 5. MIBI-TOF

🔗 原始数据

数据示例和 .h5ad 文件：Squidpy 包内
```
adata = sq.datasets.mibitof()
```

💻 示例代码

sc.pl.spatial(adata, color="CD45", cmap="viridis")

sq.im.calculate_image_features(adata, img, features="summary")
sc.pl.spatial(sq.pl.extract(adata, "summary_features"), color="summary_ch-0_mean")

✅ 6. IMC（Imaging Mass Cytometry）

🔗 原始数据

Human FFPE breast cancer tissues:
https://data.mendeley.com/datasets/9t9z7c8s96/1

💻 示例代码（预处理后）

adata = sc.read("imc_data.h5ad")
sq.im.calculate_image_features(adata, img, features="segmentation")
sc.pl.spatial(sq.pl.extract(adata, "segmentation_features"), color="segmentation_area")

✅ 7. NanoString DSP

🔗 原始数据

GeoMx DSP demo dataset:
https://nanostring.com/products/geomx-digital-spatial-profiler/datasets/

💻 示例代码

（注意：GeoMx 数据格式需转换为 Anndata）

adata = ad.AnnData(X=dsp_matrix, obs=dsp_meta)
sc.pp.pca(adata)
sc.pl.pca(adata, color="ROI_type")

📊 可视化模板

sc.pl.violin(adata, keys="target_gene", groupby="ROI")

✅ 8. 4i Imaging

🔗 原始数据

官方网站或公开 FFPE 图像数据（部分需授权）
Allen Cell Image Database 可用于参考：https://www.allencell.org/

💻 示例代码（图像多轮染色）

img = sq.im.ImageContainer(multi_round_image_stack)
img = img.process(layer="img", method="smooth")
img = img.segment(layer="img", method="watershed", thresh=80)

📊 可视化模板

img.show(layer="img", segmentation_layer="seg", segmentation_alpha=0.5)

✅ 总结建议：多平台统一使用策略

平台	适配模块	推荐工具链
10x	`scanpy + squidpy`	`sc.pl.spatial`, `sq.pl.spatial_scatter`
MERFISH	`squidpy`	`sq.gr.moran`, `sq.gr.nhood_enrichment`
seqFISH	`squidpy`	`sq.gr.ripley`, `sq.pl.spatial`
Slide-seq	`scanpy + squidpy`	`sc.pp.neighbors`, `sq.gr.spatial_neighbors`
MIBI-TOF	`squidpy.im`	`sq.im.extract_features()`
IMC	`squidpy.im`	`segmentation + feature extraction`
DSP	`scanpy`	`PCA`, `UMAP`, `ROI 分组分析`
4i	`squidpy.im`	`ImageContainer`, `crop + segment`

✅ 1. 10x Genomics Visium

🧩 模块流程图建议（逻辑顺序）：

下载数据 → Scanpy预处理 → Squidpy建图 → 图像挂载 → 特征提取 → 可视化 → Napari交互

💻 封装代码模块：

def visium_pipeline(path):
    import scanpy as sc, squidpy as sq
    adata = sc.read_visium(path)
    sq.gr.spatial_neighbors(adata)
    sc.tl.leiden(adata)
    sq.pl.spatial_scatter(adata, color="leiden")
    return adata

📂 数据建议：

使用 Space Ranger 输出的 filtered_feature_bc_matrix.h5, spatial/ 图像和位置

🧠 联合分析：

sq.im.calculate_image_features(adata, img, features="summary")
sc.pl.spatial(sq.pl.extract(adata, "summary_features"), color="summary_ch-0_mean")

✅ 2. MERFISH (Vizgen)

🧩 流程图建议：

下载 gene/cell metadata → Scanpy构建AnnData → 空间邻居图 → Cluster注释 → 基因空间自相关分析

💻 封装代码模块：

def merfish_pipeline(csv_gene, csv_meta):
    import pandas as pd, scanpy as sc, anndata as ad
    X = pd.read_csv(csv_gene, index_col=0)
    obs = pd.read_csv(csv_meta, index_col=0)
    adata = ad.AnnData(X.values, obs=obs)
    adata.obsm["spatial"] = obs[["x", "y"]].values
    return adata

📂 数据建议：

获取 Vizgen Liver MERFISH 数据 → 下载 https://info.vizgen.com/mouse-liver-access

🧠 联合分析：

sq.gr.moran(adata)
sq.pl.spatial_autocorr(adata, mode="moran", genes=["Albumin", "Cyp2e1"])

✅ 3. seqFISH

🧩 流程图建议：

原始基因表达 → 坐标对齐 → 图构建 → Ripley's L 统计 → 聚类 + 核定位 → 多轮序列解码

💻 核心模块：

sq.gr.ripley(adata, cluster_key="cell_type")
sq.pl.ripley(adata, cluster_key="cell_type")

📂 数据建议：

Allen Institute 或 Linnarsson 实验室公开小鼠胚胎发育数据集

🧠 联合分析：

结合 RNA 条形码和图像层：

img = sq.im.ImageContainer(image)
img.segment(layer="img", method="watershed", thresh=85)

✅ 4. Slide-seqV2

🧩 流程图建议：

raw_feature_bc_matrix → Visium格式转化 → H&E图挂载 → 自相关 + 配体受体 → 图谱构建

💻 模板封装：

def slideseq_pipeline(path):
    adata = sc.read_visium(path)
    sq.gr.spatial_neighbors(adata)
    sq.gr.nhood_enrichment(adata)
    return adata

📂 数据建议：

下载 Slide-seqV2 cerebellum GSE174332 公开数据

🧠 联合分析：

sq.gr.co_occurrence(adata)
sq.pl.co_occurrence(adata, cluster_key="cell_type")

✅ 5. MIBI-TOF

🧩 流程图建议：

.tiff / h5ad 图像导入 → 细胞分割 → 核密度图 → 分子特征提取 → cluster空间交互

💻 模块化封装：

img = sq.datasets.mibitof_image()
adata = sq.datasets.mibitof()
sq.im.calculate_image_features(adata, img, features="segmentation")

📂 数据建议：

官方公开数据：ImmunoAtlas、Nature Methods 补充材料中

🧠 联合分析：

sc.pl.spatial(sq.pl.extract(adata, "segmentation_features"), color="segmentation_area")

✅ 6. IMC (Imaging Mass Cytometry)

🧩 流程图建议：

图像→图层初始化→细胞分割→特征提取→Spot叠加→按Cluster回溯图像

💻 示例代码片段：

img = sq.im.ImageContainer(imc_img)
img.segment(method="watershed", layer="img")
img.show("img", segmentation_layer="seg", segmentation_alpha=0.5)

📂 数据建议：

下载 breast cancer FFPE from Mendeley IMC breast

🧠 联合分析：

sq.im.calculate_image_features(adata, img, features="summary")

✅ 7. NanoString DSP

🧩 流程图建议：

ROI文件处理 → barcoded count ↔ ROI label映射 → PCA/UMAP → 区域聚类 → 组间差异

💻 模板代码：

adata = sc.AnnData(X=dsp_matrix, obs=dsp_meta)
sc.tl.rank_genes_groups(adata, groupby="ROI_label")
sc.pl.rank_genes_groups(adata)

📂 数据建议：

官方：NanoString DSP

🧠 联合分析：

聚焦 ROI：

sc.pl.umap(adata, color="ROI_type")

✅ 8. 4i Imaging（Iterative Indirect Immunofluorescence Imaging）

🧩 流程图建议：

多轮染色图 → channel 配置 → Napari 可视 → 分割 → Feature提取 → cluster映射

💻 模板代码：

img = sq.im.ImageContainer(multi_round_image)
img = img.process(method="smooth")
img = img.segment(method="watershed", thresh=80)

📂 数据建议：

可参考 Allen Cell 或 Human Protein Atlas Imaging Resources

🧠 联合分析：

sq.im.calculate_image_features(adata, img, features="texture")

✅ Napari交互图像分析统一调用方式：

viewer = img.interactive(adata)
# shift + E 可标记 ROI

posted @ 2025-05-22 23:56 tomorgen 阅读(183) 评论(0) 收藏举报

刷新页面返回顶部