空间组学肿瘤异质性解析：精选榜单
肿瘤内部异质性（Intratumor Heterogeneity，ITH）一直是癌症研究中最棘手的问题之一。说白了，同一个肿瘤里，不同区域的癌细胞在基因型、细胞状态甚至微环境生态位上可能天差地别。这种异质性不仅是治疗耐药和疾病进展的主要推手，也直接决定了患者的预后差异。那么，我们究竟该如何系统性地解析这种“一瘤千面”的现象？空间生物学技术的崛起，正在给出答案。
核心问题：肿瘤内异质性 (ITH)
肿瘤本身是长期进化、突变累积和克隆选择的结果。它更像一个动态的、可塑的生态系统，其中混杂着癌细胞、免疫细胞和基质细胞。理解这一点的关键，在于看清这些细胞在空间上是如何“排兵布阵”的。
技术演进：从“打碎”到“原位”
古典病理学最早通过显微镜发现了组织层面的异质性；DNA测序进一步提供了分子层面的ITH线索，帮我们看清了克隆性肿瘤的发生；单细胞基因组学更是以前所未有的粒度识别出新的细胞亚型和状态。但这些方法的共同局限在于——组织必须被解离。一旦解离，细胞之间原本的空间位置信息也就彻底丢失了。而细胞的行为恰恰受到其空间组织的严格控制，于是，空间生物学应运而生。
空间蛋白质组学 (SP)
这类技术的核心原理是“用抗体说话”——类似传统的IHC或IF，但具备了高度多重检测能力，可以同时检测50到100个标记物。根据检测手段的不同，主要分三大类：
多重IHC (mIHC)
通过连续染色、成像、抗体剥离/失活循环来实现（比如MICSSS方法）。优势在于使用标准明场显微镜，兼容FFPE组织；但循环次数有限（约20轮），通量受限。
多重IF (mIF)
分为循环法和一次性法两类。循环法如CyCIF、t-CyCIF、IBEX等，通过迭代染色、成像、失活获取信息；一次性法则使用DNA条形码抗体（如CODEX），通过多轮杂交和成像解码。这类方法能达到单细胞分辨率，多重能力也不错（40-100个蛋白）。代表性仪器有CODEX、Cell DIVE、PhenoCycler、Orion、MACSima、COMET等。
基于质谱 (MS) 的方法
通过金属同位素标签，结合质谱检测（IMC）或离子束成像（MIBI）工作。优点是没有光谱重叠，背景低，分辨率高；但仪器昂贵且需要专业知识，扫描面积和速度有限，通常需要冷冻或固定冷冻组织。具体选哪种，取决于实验需求、组织类型（FFPE还是冷冻）、预算、通量和分辨率要求。
空间转录组学 (ST)
空间转录组面临的核心挑战很直接：如何在检测RNA的同时，不丢掉它原本所在的空间位置。毕竟常规的RNA测序需要先裂解组织。目前主要有四大类别：
显微切割/ROI-based（基于感兴趣区域）
利用激光或光控技术分离特定区域的RNA，代表平台有GeoMx DSP、Light-seq、ZipSeq、TIVA、PIC。特点是非单细胞分辨率，但能提供选定区域内的全转录组或靶向数据。
基于荧光原位杂交 (FISH)
通过多轮荧光探针杂交、成像和剥离来实现RNA解码（如seqFISH、MERFISH）。商业平台有Vizgen MERSCOPE（MERFISH）、Nanostring CosMx（smFISH）。真正实现单细胞/亚细胞分辨率，灵敏度高，但受光学拥挤限制，基因数量目前约1000-6000个，需要预选基因组合。新方法如RAEFISH通过RCA扩增实现全转录组覆盖，但灵敏度可能有折衷；PRISM则利用强度区分条形码，降低设备要求。
基于原位测序 (ISS)
在组织原位直接对RNA进行测序（如STARmap、BaristaSeq、ExSeq、FISSEQ、Xenium）。直接读取序列信息，单细胞/亚细胞分辨率，同样受光学拥挤影响，基因通量有限。
基于空间条形码 (Spatial Barcoding)
使用带有位置条形码的探针阵列捕获mRNA，通过测序将转录本映射回空间位置。代表性平台是10x Genomics Visium。优势在于全转录组覆盖，流程与现有测序兼容，无需专用成像设备；但非单细胞分辨率（每个点可能包含多个细胞），最新版本Visium HD已接近单细胞水平。
空间功能基因组学
这个方向的目的是将基因型（扰动）与表型（空间位置）直接挂钩，实现反向遗传学——从基因到功能。核心思路是将CRISPR筛选与空间读数结合起来。
基于蛋白质读数 (SP-readout)
使用蛋白条形码（如Pro-Codes、EpicTag、EPICode）标记携带特定sgRNA的细胞，再通过抗体染色检测条形码和表型标记物。代表性方法是Perturb-map。应用上已经发现了TGFBR2缺失、IL-4、CCL7、PAI1/2等基因在肿瘤微环境重塑和免疫逃逸中的作用。
基于转录组读数 (ST-readout)
在空间转录组平台上直接检测sgRNA或扰动引起的转录组变化。关键方法包括Perturb-FISH (MERFISH)、Perturb-Multi (CROPseq-multi + MERFISH/ISS)、CRISPRmap (seqFISH)、PerturbView (ISS)、Perturb-CAST (Visium)、Perturb-DBiT (DBiT-seq) 等。
空间克隆追踪
重建肿瘤内不同克隆谱系的进化历史和空间分布，是理解ITH动态演变的另一把钥匙。方法主要有两类：
利用内源性体细胞突变
通过显微切割+测序、Slide-DNA-seq、Slide-tags等方法实现。优势在于适用于人类临床样本，无需工程改造。其中Slide-tags能做到单细胞核分辨率的空间转录组/表观基因组分析。
利用工程化条形码
包括整合酶系统（如intMEMOIR，通过DNA重组记录谱系，可结合FISH）、慢病毒条形码（TREX、SpaceBar，随机序列标记细胞，可结合ST），以及更主流的CRISPR诱导“疤痕”方法。后者通过诱导Cas9在条形码上产生随机插入/缺失突变，形成独特标识。代表方法有scGESTALT、ScarTrace、LINNAEUS、macsGESTALT、iTracer、Zombie等。
一个关键应用案例是macsGESTALT在胰腺癌中的发现：大多数克隆不转移，而获得杂交EMT状态且表达S100基因的罕见克隆才具有转移能力。综合模型如KP-Tracer（CRISPR疤痕+ST）则用于研究肺癌进展中的空间群落和克隆动态。
整合多组学与计算挑战
未来方向必然是多模态整合——结合空间蛋白质组、转录组、功能基因组学、克隆追踪，甚至表观基因组学和代谢组学。新兴技术如spatial-CITE-seq（RNA+蛋白）、SPOTS（RNA+蛋白）、空间表观-转录组共测序等已经出现。
但随之而来的计算挑战同样严峻：数据稀疏性高、噪声大、平台间批次效应明显；细胞分割（识别细胞边界）困难；数据整合和空间统计分析复杂。对应的解决方案是开发和采用开放、可扩展的分析框架，如SquidPy、SCIMAP、Giotto、SpatialData、Seurat。人工智能的介入也正在加速模式识别、数据插补等工作，甚至可以从H&E染色直接预测空间转录组数据。
临床转化与未来展望
当前的临床生物标志物（如常规IHC检测PD-L1）在预测免疫治疗反应方面能力有限。而空间生物标志物的潜力已经初露锋芒：例如巨噬细胞PD-L1表达比肿瘤细胞PD-L1更能预测ICI反应；特定的免疫细胞三合会（CXCL13+ Th细胞、PD-1hi 祖CD8 T细胞、成熟DCs）与治疗响应相关；特定细胞的空间邻近性直接影响患者生存；特定的巨噬细胞状态（IL4I1+有利，SPP1+不利）以及三级淋巴结构（TLS）都是重要的预后/预测指标。
当然，临床转化仍然面临不少现实障碍：仪器和试剂昂贵，需要大规模数据存储与计算能力，缺乏生物信息学专业人才，通量与分辨率之间的权衡，以及不同平台和实验室间的标准化问题。不过可以确定的是，随着技术变得更便宜、更易用、分辨率更高，并与AI深度融合，未来有望在临床实践中通过AI分析H&E染色结合低多重空间蛋白检测来更精准地指导治疗。这条路虽然不长，但每一步都需要扎实的基础和跨学科的协作。