编者按：随着10X genomics 于2019年11月发布Visium Spatial Gene Expression Solution，空间转录组学（Spatial Transcriptome，ST）研究如火如荼。
2020年8月利用空间转录组研究AD的Cell文章见刊，国内外团队如斯坦福大学Robert Roth等、浙江大学Jie Liao和Xiaohui Fan等对空间转录组学综述文章更是点燃这一领域。

细胞学研究时代
一个多世纪前，现代病理学之父鲁道夫·维乔（Rudolph Virchow）开创了细胞时代，他指出所有疾病都起源于细胞。矛盾的是，尽管人们一致认为细胞是多细胞生物的基本单元，但现代细胞和分子生物学知识主要来源于细胞群体的批量分析，而目前对器官和组织等进行基因表达分析的主流技术依然是批量RNA测序（bulk RNA-seq）。虽然bulk RNA-seq能够全面快速地获得特定细胞或组织在某一状态下几乎所有mRNA的序列和表达信息，但其分辨率低，结果是很多细胞混合后的“平均值”，差异表达基因存在一定假阳性和假阴性，组织异质性被掩盖（图1）。

图1 组织研究的三种技术路线

图1 组织研究的三种技术路线
二 单细胞研究
因此，对组织和器官进行单细胞分辨率研究越来越重要。早期单细胞研究主要使用定量聚合酶链反应（PCR）、荧光活化细胞分选法（FACS）和免疫荧光原位杂交（FISH），只能研究数量有限的基因或蛋白质。随着技术进步，鉴定到基因或蛋白的通量日益增加。现在，质谱流式细胞技术（CyTOF）使用金属结合抗体可同时检测多达40种蛋白质。这些技术有助于描述细胞类型和亚型，但它们依赖于一组预先设计的基因或蛋白，这可能会使研究产生偏倚，并且需要先验知识，比如提前确认细胞表面的关键分子标志物，而这些分子标志物往往是未知的。 相比之下，单细胞基因组学提供了在单细胞水平上以一种无偏倚、高通量方式来分析组织的方法。2009年，汤富酬教授等人提出了第一个基于改进的cDNA扩增的单细胞转录组测序方法（scRNA-seq），在含有裂解缓冲液的Eppendorf管中分离单个卵母细胞（Tang’s Method）。两年后，Navin等人从乳腺癌样本中产生了第一个单细胞基因组。正是这些开创性研究打开了单细胞基因组学新领域大门。近10年来，各种单细胞研究方法层出不穷（见图2和表1），所有步骤都脱胎于bulk RNA-seq protocols。这些scRNA-seq方法都需要解离实体组织以获得单细胞，并对其RNA进行标记和扩增以进行测序，差别主要在于单细胞分离技术。

图2 单细胞转录组测序技术的发展史

目前主流细胞分离技术如下：

1. Micropipetting micromanipulation（口吸管技术）；
2. Laser capture microdissection（激光捕获显微切割技术）；
3. Fluorescence activated Cell Sorting，FACS（流式细胞仪技术）；
4. Microdroplets（微滴技术）；
5. Microfluidics（微流体技术）；

单细胞技术主要应用于以下方向：

1. 研究一个组织中细胞种类；
2. 识别罕见或未知细胞类型或状态；
3. 阐明在分化过程或时间及状态变化中基因表达的改变；
4. 找出在不同条件下（如生理和病理）在某一特定类型细胞中差异表达基因；
5. 探究细胞类型之间基因表达的变化，同时纳入空间、调控和（或）蛋白质信息；

单细胞测序常见分析方法包括：

1. 探究异质性 (Studying heterogeneity)；

2. 谱系路径分析 (Lineage tracing study)；

3. 随机基因表达研究 (Stochastic gene expression study)；

   单细胞测序揭示了过去我们认为透彻研究疾病中存在着未知细胞类型，例如发现肺离子细胞 (ionocyte cells)，这可能与囊性纤维化病理学机制有关。 单细胞方法比批量分析的核心优势在于，保留单细胞信息可以揭示罕见细胞特性和生物学意义上的细胞间异质性。然而，与循环血细胞不同的是，固体组织和器官必须通过机械或酶分解才能进行单细胞分析。这个过程不可避免地会导致位置信息丢失，使得无法评估单细胞基因组和转录组在整个组织中空间组织方式，同时也会在一定程度上改变细胞状态及其基因表达状态。 表1 单细胞测序技术（部分）

   
   
   表1 单细胞测序技术（部分）

三 空间转录组研究 空间异质性是器官功能的一个重要特征。人体组织是高度复杂系统，由多达数万亿个细胞组成，这些细胞在种类、时间和空间上各不相同，但它们相互协调，形成独特微环境，以维持器官功能和处理信息，进而决定细胞特性。在哺乳动物器官中，具有不同功能类型和发育（时间）和区域（空间）差异的无数细胞构成了大多数转录异质性。虽然高通量单细胞RNA测序（scRNA-seq）在推断细胞类型和轨迹方面取得了相当大成功。目前一些策略已经应用于揭示细胞命运决定（cell fate decisions）、细胞谱系（cell lineages）和发育轨迹（developmental trajectories），如伪时间分析（pseudotemporal analysis）、可标记细胞来源的内源性条形码（endogenous barcoding）、以及在特定时间间隔内连续取样（continuous sampling）。然而，空间异质性仍然是一个棘手问题，因为细胞一旦在悬浮液中分离，就会丢失其位置信息。 因此，几十年来，在空间水平研究组织基因表达的技术层出不穷（图3）。从早期使用荧光原位杂交（FISH）到目前单细胞分辨率下空间转录组，以及最近的multiplexed error robust FISH（MERFISH）。

image.gif

图3 空间转录组方法的细胞和基因的分辨率。这里把不同方法根据其类别用不同形状、符号和大小显示。缩写：ExFISH, expansion FISH; FISH, fluorescence in situ hybridization; FISSEQ, fluorescence in situ sequencing; GEO-seq, geographical position sequencing; HDST, high-definition spatial transcriptomics; ISS, in situ sequencing; LCM, laser capture microdissection; MERFISH, multiplexed error-robust FISH; MAPseq, multiplexed analysis of projections by sequencing; osmFISH, ouroboros single-molecule FISH; PLISH, proximity ligation in situ hybridization; secFISH, sequential FISH; smHCR, single-molecule hybridization chain reaction; SRM, super resolution microscopy; STARmap, spatially-resolved transcript amplicon readout mapping; TIVA, transcriptome in vivo analysis; TSCS, topographic single-cell sequencing. 现有空间转录组方法可分为四类：

1. 基于计算策略和组学实验相结合的空间重建方法；

2. 基于激光捕获显微切割（laser capture microdissection，LCM）与NGS相结合的直接测量法；

3. 基于成像的原位转录组学；

4. 基于寡核苷酸空间条形码和NGS的方法；

   每种方法都有其优缺点，比如基因概况（即检测到基因种类数）和细胞数（即一次分析细胞个数）的差异，图3和表2显示了用于解码空间异构性的不同方法的通量。 表2 空间转录组技术特点介绍（部分）

image.gif

1，计算策略的空间转录组
由于基于流式细胞的scRNA-seq丢失了细胞坐标信息，而RNA-staining方法只检测了总转录物的一部分，因此，计算生物学通过整合多尺度数据来重建组织的空间转录组。例如，Satija等提出了Seurat（图4A），这是一个R包，通过结合scRNA-seq数据和marker基因的in situhybridizations来推断细胞定位。比如，通过SMART-seq获得斑马鱼胚胎发育过程中851个细胞的单细胞基因表达，后续分析将细胞分为不同类型，并为每种细胞类型生成landmark基因。然后，landmark基因的FISH数据提供了这些表达模式的空间分布，产生了landmark基因在整个组织中的表达密度。最后根据marker基因的表达谱和标记基因的表达密度可以对单个细胞进行定位。最近，这个小组发布了Seurat第三个版本，用于跨数据集的单细胞信息综合集成。类似地，Achim等提出了一种方法，通过比较scRNA-seq数据和从单个基因表达图谱中获得的空间基因表达（positional gene expression）来定位单个细胞。 此外，Durruthy-Durruthy等建立了一个使用单细胞基因表达数据的空心球形态学来实现组织3D重建的标准方法。这种计算方法在单个细胞的大量转录组数据中，充分利用其内在基因表达模式或共表达趋势，从而获得细胞间的context；然而，这些演绎方法在某些情况下是受限的，只呈现特定组织的空间趋势或总体布局。因此，需要更深入的分析，才能实现对组织中实际的单细胞转录本的更精确定位。2，基于LCM的方法 获取携带精确位置信息转录本的另一种策略是使用LCM从组织切片中分离单个细胞或整个目标区域，LCM是一种显微镜引导的强大切割系统，将紫外光作为无接触和无污染的刀片。目标细胞被切割并收集在不同容器中以尽量减少空间信息丢失。随后，细胞可以通过直接RNA-seq或预先设计的空间条形码来标记等多步骤过程来获得其表达谱。 LCM-seq（图4B）旨在为基于LCM的直接scRNA-seq提供标准方法。例如，使用LCM与smart-seq2结合，对小鼠运动神经元和人类死后组织进行精确空间转录组分析。研究表明，scRNA-seq是可行的，基于LCM-seq的成功率为62%，在不同情况下表现出相当的便利性。此外，2016年中科院分子细胞科学卓越创新中心景乃禾****&中科院广州生物医药与健康研究院彭广敦开发了geographical position sequencing (GEO-seq），该方法实现了对少量细胞的整个转录本进行分析的同时，利用某些特定关键基因（zip-code基因）将细胞映射回其原始位置，因此保留了细胞原始空间位置信息（图4B） 此外，Casasent等开发了一种基于LCM方法，称为topographic single cell sequencing（TSCS），以比较原位导管癌（DCIS）区域和浸润性导管癌（IDC）区域细胞之间基因组变异。将组织切片放在载玻片上，用苏木精和伊红（H&E）染色，以便在显微镜下识别单个细胞核（图4B）。然后使用LCM系统从组织切片中捕捉单个细胞，同时记录每组坐标。接下来，将细胞分离到一个预先编码的缓冲液中，在缓冲液中进行裂解和全基因组扩增（WGA）。最后，对所有cDNA的NGS建库测序。通过LCM总共分离到1293个单细胞，随后进行单核测序（SNS）。 基于LCM的转录组学或基因组学成功地获得了单个细胞的空间转录本，尽管其通量很低，然而，在新技术（即可以标记出成千上万个单一的特定位置细胞的空间条形码技术）出现之前，它可以粗略地将少数细胞的数据整合到构成器官的巨大背景中，就像向海洋中注入水滴一样有用。

image.gif

图4 四种空间转录组的技术示意图3，基于成像的In Situ转录组学** 基于成像的原位转录组学使得细胞通量不再是个问题。早期能够检测单个转录本方法被称为单分子FISH（smFISH），它使用FISH以亚细胞分辨率同时测量一到多个（通常为3或4个）mRNA。随后，人们致力于用多通路smFISH以增加每个细胞位点可检测的mRNA种类。Expansion FISH（ExFISH）可以从数十个培养细胞中研究7个靶基因，而proximity ligation in situhybridization（PLISH）可检测固定组织中8个基因。随后的osmFISH能够同时从组织切片中鉴定数千个细胞的33个基因。Sequential FISH（seqFISH）是另一种通过多轮杂交来编码单个细胞内不同转录本方法。随着这项技术进步，检测能力已从固定细胞（fixed cells）中12个基因增加到组织切片中10000多个基因。 类似地，另一种MERFISH方法可以显著增加单个细胞中可测量数量，高达1000个mRNA（图4C）。MERFISH不是设计一个独特探针靶向特定mRNA，而是整合一个框架，将每个RNA原位转化为一个独特N位字符（N-bit word）。通过靶向特定RNA集合的子集，如果观察点上存在荧光点，则输出结果为1，否则为0。经过N轮杂交后，理论上可以探测到2^N-1 种RNA。然而，随着N轮的增加，检测错误率逐渐增加，导致可检测mRNA种类缩小到1000个。对N位字符进行解码后，可以将相应mRNA映射到它们的空间位置。值得注意的是，近年来MERFISH在分析超过100万个细胞和靶向10000个mRNA这两个方向上得到了极大改进。 18年斯坦福大学Karl Deisseroth教授新开发的STARmap（spatially-resolved transcript amplicon readout mapping），可直接靶向1000多个基因。与其他基于成像的方法相似，水凝胶-组织化学使得组织内每个细胞成为RNA成像的可观察的理想容器（图4C）。一个巧妙的挂锁系统（padlock system）设计，由一对引物和一对挂锁探针组成，通过分子内交联（specific amplification of nucleic acids via intramolecular ligation，SNAIL）对核酸进行特异性扩增。值得注意的是，只有当两个引物都与同一个mRNA对齐时，挂锁探针才能进行滚圈扩增并产生一个称为扩增子的DNA纳米球。每个挂锁探针都有一个5位碱基条形码（库容量为1024），作为基因特异性标识符。为降低单碱基测序的错误率，与传统仅编码单个碱基方法相比，本研究定制了一种称为动态退火和交联以减少错误的测序方法（sequencing with error-reduction by dynamic annealing and ligation，SEDAL），将两个连续碱基编码为一种颜色。经过六轮测序后，每个条形码都被解码并注释到特定mRNA上。使用这种方法，可以评估细胞类型的空间分布，并获得完整组织的三维视图。相比之下，有两种与STARmap原理相似的早期方法，称为原位测序（in situsequencing，ISS）和荧光原位测序（fluorescence in situ sequencing，FISSEQ）。ISS是一种比STARmap靶向mRNA数目更少和探测准确性更低的靶向检测方法。FISSEQ通过读取每个转录本的27个碱基，能够在培养的成纤维细胞中非特异性检测到超过8000多种RNA。然而，由于难以在原位生成长片段reads，因此无法应用于组织切片。最近，Fürth等提出一种新方法，即原位转录组可及性测序（in situ transcriptome accessibility sequencing，INSTA-seq），允许对目前基于杂交的方法或受限于短片段的原位测序无法区分的小调控变体（small regulatory variants）进行无偏研究。 基于成像的原位转录组学在很大程度上增加了可检测区域，但也带来了一些挑战性问题。例如，一些smFISH方法可以在整个组织中实现定量mRNA成像。然而，单个细胞很难从复杂背景（包括信号干扰、转录物积累和细胞拥挤）中提取出来。此外，与RNA-seq相比，这些靶向方法有较高错误率并需要预选基因。当使用一组探针作为诱饵来获取特定RNA全部信息时，很容易出现错误。与RNA-seq另一个主要区别是，靶向方法不能检测新序列或小序列变体。4，空间条形码结合NGS 考虑到使用探针来原位靶向检测RNA方法的缺点，人们对直接原位测序或对组织切片进行空间标记的兴趣越来越大。 空间转录组学（Spatial transcriptomics，ST）（图4D）通过一种具有大量分散分布100μm大小微孔的特制载玻片来捕获mRNAs。每个孔都覆盖一或多个寡核苷酸链，该寡核苷酸链包含一段每个微孔特异性的空间条形码，和一个与poly A互补以捕获mRNA的poly T尾巴。在一个6 mm×6 mm正方形捕获区域中，总共产生了1007个条形码微孔。经过酶透化后，组织切片中mRNAs从细胞中释放到玻片上，被微孔内寡核苷酸捕获。在载玻片上进行cDNA合成。随后利用NGS进行RNA-seq，基于空间条形码获取其原始空间位置信息。最近，高分辨率空间转录组学（high-definition spatial transcriptomics，HDST）已经被开发出来，它使用分割池方法（split-pool approach）产生高分辨率（2μm）、高密度（数百万）微珠阵列。与ST相比，HDST明显提高了空间分辨率，但HDST平均每个微孔（well）有7个唯一分子标识符（unique molecular identifiers，UMI），严重限制了其测量高丰度基因能力。 为了给高通量实验提供足够空间信息，Slide-seq（图4D）应运而生。在Slide-seq中，首先在涂有橡胶的玻璃盖玻片表面填充一层10 μm的特异性条形码微珠（beads）。与其他高通量scRNA-seq方法中使用的微珠类似，每个微珠上条形码是随机分布的。因此，先对每个微珠上寡核苷酸条形码进行识别，再进行混合测序。为解决这一问题，Slide-seq后续利用SOLiD化学技术（sequencing by oligonucleotide ligation and detection）来读取每个柱子上不同条形码。先识别每个10 μm捕获点（spot）中特异性空间标识符，再行RNA-seq，因此寡核苷酸捕获的mRNAs可以映射回它们的原始空间坐标。Slide-seq以单细胞分辨率对150万个捕获点进行测序。不幸的是，与Drop-seq相比，Slide-seq每个微珠的UMI更少。 一旦转录水平和空间位置有一一对应关系，空间条形码结合NGS技术构成了一个直观概念来定位大量单点。因此有两种方法，一是合成足够多特异性条形码并将其分配给特定捕获点，二是增加一个测序步骤以定位每个编码的微珠。然而，这两种方法都很昂贵，而且都不能在单个细胞中获得转录本。 基于条形码和NGS的空间转录组，近几年有了新突破。2016年，瑞典皇家理工学院Joakim Lundeberg（瑞典Spatial Transcriptomics公司联合创始人）在Science上发文，利用基因芯片技术将位置信息保留在芯片上，再利用二代测序技术对组织中RNA进行测序，从而生成组织切片上完整的基因表达图像。2018年底，10X Genomics宣布收购Spatial Transcriptomics，并于2019年11月发布Visium空间基因表达解决方案（Visium Spatial Gene Expression Solution）。

image

1. 样本制备（Sample Preparation，SP）。新鲜组织样本进行异戊烷固定、液氮速冻和OCT包埋；随后用冷冻切片机进行切片，准备5~10张切片提取RNA并进行质量评估（要求RIN值>7.0）；

2. 组织透化（Tissue Optimization，TO）。将切片放置在TO玻片上，用不同时间梯度的透化剂处理组织，使细胞中mRNA落入玻片并与玻片上寡核苷酸标签结合后，进行cDNA合成，荧光成像，以确定最佳透化时间。随后取切片在文库制备（LP）玻片上进行正式透化实验。

3. cDNA合成和文库制备（cDNA generation & Library Preparation）。mRNA的poly A尾巴与探针标签poly T互补，并合成cDNA，构建10x Visium文库 。

4. 测序和分析（Sequencing & Data Visualization）。进行PE150测序，并使用相关工具比如Space Ranger和Loupe Browser 等软件进行可视化分析。

   10X Visium空间基因表达解决方案技术核心在于2种载玻片，1种是组织优化玻片，包含8个捕获区域，其中6个区域分别设置6个不同透化时间，另外两个区域1个为不加透化剂的阴性对照，另1个为阳性对照，不放组织切片，而是直接加入RNA。其实验流程为：固定→染色→明场拍照→组织透化→荧光cDNA合成→组织移除→荧光扫描，根据荧光强度判断最优透化时间。1****种是文库制备玻片（图****6****），上有4个捕获区域（6.5x6.5mm，图6中4个小方框），每个捕获区域含4992个用条形码编码的捕获点（barcoded spots，图6中彩色圆点），直径为55μm，两个spot中心的间距为100μm，每个spot都有数百万条寡核苷酸标签，每个spot上所有寡核苷酸标签的Spatial Barcode序列都是相同的，而不同spot之间Spatial Barcode是不同的，根据mRNA对应的Spatial Barcode（spot的位置信息）就可以获取其空间位置信息。

   image

图6 10X Visium空间转录组文库制备玻片 10X Visium空间转录组，无需解离单细胞来制备单细胞悬液，与其它方法相比，实验流程非常简单，只需提供H&E染色切片，就可得到切片相应位置基因表达信息，将传统组织学技术的优势与RNA测序的高通量特点相结合，在组织中呈现基因表达空间分辨率水平的可视化信息。除切片机和显微镜外无需额外购买昂贵硬件设备，可以实现相对低成本、一次获取5000~10000个细胞和几乎全部转录本，通量相对较高，主要缺陷是没有达到单细胞分辨率（每个spot中有1-10个细胞）。四 空间转录组应用 虽然目前空间转录组学技术尚不完善，但已广泛应用于临床和生物学研究中。1，发现疾病的空间异质性 基因表达在许多生物过程中呈现空间模式。然而这些模式很少是通过传统bulk RNA-seq或经典scRNA-seq发现的。在疾病发生发展中，空间异质性至关重要。同时研究病变组织中细胞类型及其定位迫切需要空间转录组。例如，在小鼠阿尔茨海默病（AD）模型中使用scRNA-seq，发现一种新的小胶质细胞类型与神经退行性疾病相关。为了定位这些小胶质细胞，作者鉴定了标记物并使用smFISH来“照亮”它们。在该研究中，这些被激活的小胶质细胞特异性定位在AD斑块附近，这表明这种细胞类型可能与AD起源密切相关，并为开发小胶质细胞激活药物作为靶向治疗策略提供了新思路。此外，在与大量表型变化相关疾病中，如癌症，不同细胞的基因表达可能会有明显差异以适应各自微环境。例如，Little等在病理标本中使用详细的多色FISH技术研究胶质母细胞瘤，在几乎没有血管的区域观察到癌细胞。而且这些细胞表现出表皮生长因子受体的转录扩增，而血小板衍生生长因子受体基因扩增的癌细胞则在内皮细胞附近富集。相比之下，基于LCM的方法适合于小样本（如临床样本）和全转录组或基因组分析，因为其细胞吞吐量低，但它能实现全基因覆盖和无偏见的细胞分离。2，构建空间转录组图谱 利用空间分辨的单细胞转录组学，在分子水平研究生命体结构的重要步骤是构建图谱。因此美国国立卫生研究院（NIH）将在未来7年内投入大量精力，开发一套史无前例的人类生物分子图谱。美国国立卫生研究院共同基金人类生物分子图谱计划（Human Biomolecular Atlas Program，HuBMAP）旨在通过支持技术开发、数据采集和精细空间定位，建立一个单细胞分辨率开放式图谱框架。在小鼠中，除了基于MERFISH从小鼠大脑中下丘脑视前区110万个细胞中绘制了转录组图景外，Deisseroth等扩展了他们的STARmap方法，在6层完整的小鼠初级视觉皮层的30000多个细胞中研究了23个细胞类型marker的表达谱，以进一步研究完整大脑的三维复杂性。Zeisel等结合scRNA-seq和FISH揭示了小鼠神经系统的分子结构。他们绘制了大脑各个区域的细胞图谱，并提供了一个按区域划分的基因表达图景和一个用于下一步研究的参考图谱。Asp等利用ST来研究人类心脏发育过程的时空基因表达谱。因此建立了一个跨越时间和空间的人类心脏发育图谱。只有通过这些技术整合，提高细胞和基因的检测通量，同时保留细胞空间环境信息，才有可能建立一个完整生命体结构的空间转录组图谱。 3，描绘胚胎发育和空间蓝图 胚胎发育是一个复杂过程，其分子水平动态变化非常迅速。解析这种时间和空间维度的微变化一直是个挑战。利用空间转录组技术有望实现构建胚胎发育的空间表达蓝图。在黑腹果蝇（D.melanogaster）与拟果蝇（D.Simulansbias）杂交胚胎发育过程中，即使与几乎同一物种相比其基因调控也表现出空间差异。空间转录组学技术用于发现受空间调控的不同基因，最后分别鉴定了84个和39个具有黑腹果蝇和拟果蝇偏好的特异性表达的等位基因。此外，单个细胞内在的基因调控网络可以与空间环境相互作用，从而确定细胞特性。例如，Zhu等开发了一种基于全局基因表达方法，能够区分小鼠视皮层区域的细胞类型和空间域相关异质性。根据该方法，在谷氨酸能神经元和星形胶质细胞小室中发现了明显的空间相关而与细胞类型无关的信号。Shinozaki等利用LCM以及手动切割结合RNA-seq，确定了不同区域和不同成熟度番茄基因表达模式的空间差异。peng等通过整合时空信息，研究了小鼠早期胚胎中谱系分配（lineage allocation）和组织结构化（tissue organization）的分子架构，全面描绘了小鼠胚胎发育早期关键调控网络。五 未来展望 虽然空间转录组学在发现疾病因子、构建空间图谱和绘制空间蓝图方面得到广泛应用和推广，但其潜力远不止于此。例如在细胞间通讯研究中，不同细胞类型的环境相关互作是基于转录组数据和已知的配体-受体复合物推断而来的。然而细胞之间正在进行的相互作用很难被瞬时捕捉。无论是在组织还是在培养环境中，紧密空间中细胞更容易相互作用，这正是空间转录组学的应用领域。将空间分辨转录组学引入细胞间通讯研究中非常值得期待。一些优雅的实验显示了缺血神经元的体细胞线粒体和轴突线粒体在单细胞尺度上的通讯。此外，scRNA-seq技术在许多方面促进了空间转录组学发展，例如提供细胞分型标记基因，这反过来又帮助scRNA-seq通过基因空间分布来区分亚群。此外，由于基于成像的方法，如seqFISH+、MERFISH和STARmap可以提供观察单个细胞内分子行为的亚细胞视图，因此分析基因间相互作用组、基因调控网络和多模式组学成为可能。研究表明，DNA变异与mRNA表达有关，因此检测分子的同时获取其原始坐标可加深我们对转录因子如何激活基因表达、基因间如何相互沟通以及细胞如何运作的理解。突破这些瓶颈（悬而未决的问题）已成为未来前进方向。下期预告：小编解析2020年8月20日发表于Cell的空间转录组研究阿尔兹海默症（AD）文章。添加小编（小爱同学）微信，获取最新空间转录组资料。

image.gif

参考文献

1. Crosetto N, Bienko M, Van Oudenaarden A. Spatially resolved transcriptomics and beyond[J]. Nature Reviews Genetics, 2015, 16(1): 57-66.
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[J]. Developmental cell, 2016, 36(6): 681-697.
3. Stahl P L, Salmén F, Vickovic S, et al. Visualization and analysis of gene expression in tissue sections by spatial transcriptomics[J]. Science, 2016, 353(6294): 78-82.
4. Chen J, Suo S, Tam P P L, et al. Spatial transcriptomic analysis of cryosectioned tissue samples with Geo-seq[J]. Nature protocols, 2017, 12(3): 566-580.
5. Chen X, Teichmann S A, Meyer K B. From tissues to cell types and back: single-cell gene expression analysis of tissue architecture[J]. Annual Review of Biomedical Data Science, 2018.
6. Thrane K, Eriksson H, Maaskola J, et al. Spatially resolved transcriptomics enables dissection of genetic heterogeneity in stage III cutaneous malignant melanoma[J]. Cancer research, 2018, 78(20): 5970-5979.
7. Peng G, Suo S, Cui G, et al. Molecular architecture of lineage allocation and tissue organization in early mouse embryo[J]. Nature, 2019, 572(7770): 528-532.
8. Stark R, Grzelak M, Hadfield J. RNA sequencing: the teenage years[J]. Nature Reviews Genetics, 2019, 20(11): 631-656.
9. Zhou Y, Jia E, Pan M, et al. Encoding Method of Single-cell Spatial Transcriptomics Sequencing[J]. International Journal of Biological Sciences, 2020, 16(14): 2663.
10. Moris N, Anlas K, van den Brink S C, et al. An in vitro model of early anteroposterior organization during human development[J]. Nature, 2020: 1-6.
11. Moor A E, Itzkovitz S. Spatial transcriptomics: paving the way for tissue-level systems biology[J]. Current opinion in biotechnology, 2017, 46: 126-133.
12. Ortiz C, Navarro J F, Jurek A, et al. Molecular atlas of the adult mouse brain[J]. Science Advances, 2020, 6(26): eabb3446.
13. Roth R, Kim S, Kim J, et al. Single-cell and spatial transcriptomics approaches of cardiovascular development and disease[J]. BMB reports, 2020.
14. Bingham G C, Lee F, Naba A, et al. Spatial-omics: Novel Approaches to Probe Cell Heterogeneity and Extracellular Matrix Biology[J]. Matrix Biology, 2020.
15. Lein E, Borm L E, Linnarsson S. The promise of spatial transcriptomics for neuroscience in the era of molecular cell typing[J]. Science, 2017, 358(6359): 64-69.
16. Saviano A, Henderson N C, Baumert T F. Single-cell genomics and spatial transcriptomics: discovery of novel cell states and cellular interactions in liver physiology and disease biology[J]. Journal of Hepatology, 2020.
17. Chen W T, Lu A, Craessaerts K, et al. Spatial Transcriptomics and In Situ Sequencing to Study Alzheimer’s Disease[J]. Cell, 2020.
18. Peng G, Cui G, Ke J, et al. Using Single-Cell and Spatial Transcriptomes to Understand Stem Cell Lineage Specification During Early Embryo Development[J]. Annual Review of Genomics and Human Genetics, 2020, 21.
19. Liao J, Lu X, Shao X, et al. Uncovering an Organ’s Molecular Architecture at Single-Cell Resolution by Spatially Resolved Transcriptomics[J]. Trends in Biotechnology, 2020.