作者，追风少年i
中秋节刚刚过去，大家过的怎么样？？？朋友圈全是晒结婚照的，晒娃的，😄。
今天我们简单回顾一下空间组学对于研究肿瘤微环境的分析内容，肿瘤微环境（TME）的异质性是阻碍抗癌治疗成功的核心问题之一。了解TME组装的空间结构对于发现肿瘤发生机制和设计新的治疗策略至关重要。
- 空间组学正在系统层面改变我们对癌症生态系统的理解。
- 空间组学和单细胞组学的整合可以从根本上提高我们对肿瘤发生和癌症微环境的理解。
- 跨多个组学和时间尺度生成人类癌症的空间图谱将潜在地开创时空分子医学的革命
空间多组学技术
基于激光捕获显微切割（LCM）的高通量技术可以在细胞水平上量化转录组，但这些技术无法达到更高的分辨率，只能追踪区域位置信息，相关技术包括LCM-seq、TSCS、GEO-seq、Tomo-seq等。
大多数基于图像的原位转录组学技术不能捕获整个转录组的概况，但可以提供组织内单细胞甚至亚细胞的分辨率，因此能够发现癌细胞的复杂细胞状态，相关技术包括smFISH、ExFISH、osmFISH、seqFISH+、MERFISH、STARmap等。
基于空间条形码的转录组学技术使我们在探索细胞器的新功能方面处于独特的地位，相关技术包括Stereo-seq、Visium by 10× Genomics、HDST、Slide-seq等。
空间蛋白组学技术的发展使我们能够在不丢失空间位置的情况下检测几十种蛋白质，相关技术包括MIBI、IMC、CODEX等。
空间代谢组学技术将成为识别新疾病特征的实用工具，相关技术包括MALDI-IMS、DESI-IMS、AFADESI-IMS等。
空间多组学技术联合解析空间的多组学图谱使我们能够重建肿瘤发生的关键过程，相关技术包括DBiT-seq（支持同时记录空间条形码mRNA和感兴趣的蛋白质）、STvEA（可以利用scRNA-seq丰富的多重免疫组化数据，还可以将CODEX成像数据映射到scRNA-seq）
空间组学的计算方法
| Name | Usage | Environment | URL |
|---|---|---|---|
| SCTransform | Data preprocessing | R | https://github.com/ChristophH/sctransform |
| Giotto | Data preprocessing, spatial variable gene identification, cell identity inference, cell–cell crosstalk modelling, clustering analysis | R | http://spatialgiotto.rc.fas.harvard.edu/giotto.html |
| Seurat | Data preprocessing, spatial variable gene identification, cell identity inference, clustering analysis | R | https://satijalab.org/seurat/vignettes.html |
| SpatialDE | Spatial variable gene identification | Python | https://github.com/Teichlab/SpatialDE |
| trendsceek | Spatial variable gene identification | R | https://github.com/edsgard/trendsceek |
| scGCO | Spatial variable gene identification | Python | https://github.com/WangPeng-Lab/scGCO |
| SPARK | Spatial variable gene identification | R | https://github.com/xzhoulab/SPARK |
| SOMDE | Spatial variable gene identification | Python | https://pypi.org/project/somde/ |
| BayesSpace | Clustering analysis | R | http://www.bioconductor.org/packages/release/bioc/html/BayesSpace.html |
| SpatialCPie | Clustering analysis | R | https://www.bioconductor.org/packages/release/bioc/html/SpatialCPie.html |
| SPOTlight | Cell identity inference/deconvolution | R | https://github.com/MarcElosua/SPOTlight |
| RCTD | Cell identity inference/deconvolution | R | https://github.com/dmcable/RCTD |
| stereoscope | Cell identity inference/deconvolution | Python | https://github.com/almaan/stereoscope |
| DSTG | Cell identity inference/deconvolution | Python | https://github.com/Su-informatics-lab/DSTG |
| STUtility | Data preprocessing, spatial variable gene identification, clustering analysis, tissue segmentation, image processing | R | https://ludvigla.github.io/STUtility_web_site/index.html |
| Squidpy | Data preprocessing, spatial variable gene identification, cell identity inference, cell–cell crosstalk modelling, clustering analysis, tissue segmentation | Python | https://github.com/theislab/squidpy |
| Baysor | Tissue segmentation | Linux | https://github.com/kharchenkolab/Baysor |
| SPATA | Tissue segmentation, trajectory modelling | R | https://themilolab.github.io/SPATA/index.html |
| stLearn | Trajectory modelling; cell–cell crosstalk modelling | Python | https://stlearn.readthedocs.io/en/latest/ |
| GCNG | Cell–cell crosstalk modelling | Python | https://github.com/xiaoyeye/GCNG |
| SpaOTsc | Cell–cell crosstalk modelling | Python | https://github.com/zcang/SpaOTsc |
| MISTy | Cell–cell crosstalk modelling | R | https://github.com/saezlab/mistyR |
癌症研究中的空间组学
TME异质性的空间解码
现有的单细胞组学技术已经在系统水平上解码了肿瘤内的异质性，然而，这种方法不能保留每个细胞的空间坐标。2018年，Lun-deberg’s实验室首次利用ST探索癌症研究中前列腺TME的多样性。
肿瘤生态学研究的另一个重大挑战是免疫细胞的空间量化。本文作者的研究团队最近报道了结肠癌肝转移的时空免疫特征，并观察到转移部位MRC1+CCL18+巨噬细胞浸润增加。目前基于ST的肿瘤生态学研究，其不能直接分析单个免疫细胞的转录组，而是癌症/免疫细胞混合物的组合分析。未来，高分辨率空间组学（例如DBiT-seq）产生的更多数据将确定不同细胞类型组成之间共享的机制，并将有助于开发针对空间TME组织的新治疗方法。
肿瘤浸润边缘：抗击癌症的主战场？
位于边界或核心区域的癌细胞，它们表现出不同的表型状态和不同的微环境特征。以前基于免疫组化的低通量研究在很大程度上依赖于对感兴趣区域的选择和对蛋白panels的设计。相比之下，空间多组学技术允许无偏倚地发现控制肿瘤发生命运的关键细胞类型和基因，例如通过整合ST和多路离子束成像，研究人员确定肿瘤特异性角质形成细胞（TSK）位于前缘的纤维血管微环境中。这种TSK与免疫细胞的高密度细胞间串扰有关。有趣的是，该细胞群具有共享 HDAC1 和 ETS1 激活的致癌转录程序，表明潜在的表观遗传学重编程位于前缘区域。另一项基于斑马鱼的研究也表明，黑色素瘤边缘独特的边缘细胞状态与ETS家族转录因子活性上调有关。所有这些证据都将关注点放在了：肿瘤边缘区，并自然提出了一个假设：TME条件（即肿瘤边界屏障与肿瘤核心）可能在空间上不同。
支持肿瘤生长的 TME 隔间
空间组学技术的发展有助于打开TME的黑匣子。例如，前列腺癌组织可分为具有不同基因表达谱和通路活性的隔间。一部分基质细胞对附近的癌细胞有特异性反应，而另一部分则表现出炎症特征。在胰腺癌样本的TME中，基质的结构也是高度有序的。特别是，炎症成纤维细胞和内皮细胞共同定位于该区域。至于免疫细胞，它们的分布与隔间区密切相关。结合scRNA-seq和ST揭示了胰腺癌亚型特异性的区室重编程对新辅助化疗的反应。总的来说，这些数据解释了TME隔间的解剖学分子特征如何决定肿瘤发生的命运，以及癌细胞如何在空间上对治疗作出反应。
追踪癌细胞的时空演化
进化是癌细胞抵抗或转移的驱动力。以前的研究主要依赖于多区域样本收集，直接逐个细胞地建立空间进化路线的模型是远远不适用的。在空间组学的帮助下，使在不同空间坐标和细胞中追踪癌症的进化成为可能。例如研究人员利用NanoString转录组流程发现附近的淋巴结转移可能起源于原发癌细胞的较深亚区域；另一个研究小组报告，转移性肿瘤没有免疫细胞浸润，但却有免疫检查点（B7-H3、TIM-3等）的高表达；有趣的是，上皮-间质转化（EMT）梯度在转移性肿瘤中特别丰富，但在原发性肿瘤中不明显....这些结果强调了癌症进化过程中的空间重排，进一步的多维空间分析将解决广泛的时空分子医学问题。
空间组学离临床应用还远吗？
初步数据显示，与现有的方法（即PD-L1表达、免疫组化、TMB和大量基因表达谱）相比，通过mIHC量化的TME空间排列在预测免疫治疗反应方面表现更好。这些观察结果表明，空间组学技术有可能为设计精准医疗战略提供创新解决方案。另一项对黑色素瘤临床队列的空间分析显示，PD-1/PD-L1和IDO-1/HLA-DR之间的空间互动与抗PD-1临床反应紧密相关。所有这些数据显示，对TME结构的空间量化可能比现有的生物标志物具有更好的预后能力。这种技术可能完全适合于发现TME在治疗过程中的演变，并有可能揭示可靶向结构。然而，目前仍缺乏来自回顾性/前瞻性临床队列的数据。
空间组学可以为临床病理学的精确性铺平道路。使用机器学习或深度学习算法将病理图像与空间基因表达谱联系起来，使基于H&E染色切片的转录组学特征预测成为可能，其表现可能优于现有的生物标记物。因此，生成大样本肿瘤的空间图谱不仅将揭示改善患者预后的新方法，还将为时空分子医学研究奠定基础。
空间肿瘤生态学：一种新的研究模式
建立生态学和肿瘤学之间的跨学科联系
癌症微环境类似于一个生态系统，是一个具有不同细胞群体和物种的混合物。例如，物种丰富度（也可以指肿瘤内的异质性）可能与免疫治疗的稳定性和患者的长期预后有关。免疫细胞和癌细胞之间的代谢竞争，可以称为种间竞争，也是癌症进展的关键决定因素。微环境种群的行为和TME的结构可以用生态学理论来解释，但需要更多的高维数据。
边缘效应指的是栖息地边界处群落有更大的多样性。特别是在TME中，边缘效应发生在肿瘤-正常边界，在那里两个不同的系统相遇并交融。癌症交错带的形成是否有助于或防止癌症的侵袭？过渡区是如何与免疫系统相互作用并形成冷或热肿瘤的？利用空间测序技术对癌症生态区的研究仍处于起步阶段。癌症交错带的多模式和系统级空间图谱可能从根本上提高我们对癌症生态学的认识，并有助于设计新的抗癌策略。
patch–corridor–matrix是描述生态景观空间异质性的重要理论。patch是指与周围环境有明显特征且具有一定内部同质性的空间单元；corridor是指连接不同空间单元的线性结构；而matrix是指空间中连续且广泛分布的空间。最近公布的ST数据显示，组织结构可能与该模型一致。在肿瘤学背景下，TME及其邻近组织的结构符合patch-matrix模式。我们假设血管结构符合连接patch（TME）和matrix（相邻正常组织）的corridor。在肿瘤内部，肿瘤干细胞生态位的形成可能存在于TME中，类似于patch-matrix模型。因此，在patch–corridor–matrix的基础上对TME进行系统建模，可以为在微观尺度上理解肿瘤的大小、形状、含量和结构提供科学依据。
生物多样性最初指的是地球上生物的多样性。同样，癌症微环境的多样性也是药物反应和患者结局的关键因素。为了准确追踪TME多样性，需要统计模型来量化给定空间组学数据的生物多样性。一个广泛使用的方程是α、β和γ多样性。另一个评估生物多样性的指数是Shannon熵指数。同样，Simpson指数和Gini系数也代表物种丰富度和均匀度。借助这些生物多样性量化指数，可以将生物多样性与空间癌症表型（如免疫排斥）联系起来。
现在正处于时空分子医学研究的黄金时代。通过提供系统层面的细胞和分子图谱的精确空间坐标，空间组学正在改变我们对癌症环境的理解。同时，现有方法对优化目前方案和扩大这些模型的范围提出了实验和计算上的挑战。如何将生物学数据和数学模型整合到同一个框架中，建立生态学和肿瘤学之间的跨学科联系，利用蓬勃发展的空间组学数据，开发复杂的分析算法仍然是一个挑战。实现这些目标对于解开TME的生物学问题以及建立一个解释恶性细胞攻击性特征的框架具有特殊的意义。生成跨越多个组学和时间尺度的人类癌症空间图谱可以从根本上提高我们对肿瘤发生的理解，开创医学研究模式的革命，并最终促进将来先进治疗策略的设计。
生活很好，有你更好
