1. 项目概述：多组学空间技术联用解析肿瘤微环境
肿瘤微环境研究正在经历从"单细胞分辨率"到"空间上下文"的范式转变。最近我在一个肝癌项目中整合了GeoMx DSP、CosMx SMI、Xenium和10x Visium四种空间组学技术，配合传统免疫组化（IHC），成功绘制了肿瘤生态位的多维度特征图谱。这套方法最惊艳之处在于：不仅能定位特定细胞亚群的空间坐标，还能同步获取其转录组、蛋白组信息，甚至追踪细胞间相互作用网络。
2. 技术选型与实验设计
2.1 四大平台技术特性对比
| 技术平台 | 分辨率 | 检测维度 | 通量 | 适用样本类型 |
|---|---|---|---|---|
| GeoMx DSP | 50-100μm | RNA+蛋白 | 18000个ROI | FFPE/新鲜冷冻 |
| CosMx SMI | 单细胞级 | 1000+RNA+64蛋白 | 6000细胞/mm² | FFPE |
| Xenium | 亚细胞级 | 400+RNA | 1cm²/芯片 | 新鲜冷冻 |
| 10x Visium | 55μm | 全转录组 | 5000个spot | FFPE/新鲜冷冻 |
实操建议：GeoMx适合先导性筛查，CosMx/Xenium用于高精度验证，Visium则提供无偏见的全转录组背景
2.2 样本制备关键点
我们在同一肿瘤样本的相邻切片上分别开展实验：
- 第一张切片：H&E染色确定病理区域
- 第二张切片：GeoMx DSP（ROI选择基于H&E）
- 第三张切片：CosMx SMI（与GeoMx区域重叠）
- 第四张切片：Xenium（超微结构解析）
- 第五张切片：Visium（全转录组基准）
所有平台均采用配套的标准化建库流程，但需特别注意：
- FFPE样本需进行45分钟95℃抗原修复
- 新鲜冷冻样本要确保OCT包埋后速冻速度
- 每个平台需要独立的阴性对照实验
3. 生信分析流程搭建
3.1 空间数据预处理
python复制# 以GeoMx数据为例的质控代码
import geopandas as gpd
from spatialOmics import SpatialQC
raw_data = gpd.read_file('GeoMx_counts.gpkg')
qc = SpatialQC(min_genes=10,
min_counts=100,
max_mito=0.2)
qc_data = qc.fit_transform(raw_data)
# 批次校正（当使用多张切片时）
from combat.py import combat
combat_data = combat(qc_data, batch='slide_id')
3.2 多平台数据整合
采用Harmony算法进行跨平台整合：
r复制library(harmony)
library(Seurat)
# 创建Seurat对象列表
obj.list <- list(
CreateSeuratObject(GeoMx_counts),
CreateSeuratObject(CosMx_counts),
CreateSeuratObject(Xenium_counts)
)
# 锚点整合流程
anchors <- FindIntegrationAnchors(obj.list)
integrated <- IntegrateData(anchors)
# 空间信息保留
integrated@images <- c(GeoMx_image, CosMx_image, Xenium_image)
3.3 空间热点分析
使用SPARK-X算法检测空间可变基因：
python复制from sparkx import SparkX
# 输入应为包含空间坐标的AnnData对象
spark = SparkX(n_jobs=8)
results = spark.fit(adata)
sig_genes = results[results.qval < 0.05]
4. 肿瘤生态位特征解析
4.1 免疫微环境制图
通过组合CD45（泛免疫标记）、CD3（T细胞）、CD68（巨噬细胞）等抗体，我们发现：
- 肿瘤核心区存在PD-L1+CD68+巨噬细胞簇
- 侵袭前沿有GranzymeB+CD8+T细胞与癌细胞的直接接触
- 三级淋巴结构（TLS）周围富集CXCL13+CD4+T细胞
4.2 代谢生态位分析
整合空间转录组与IHC数据揭示：
- 糖酵解活跃区域（HK2高表达）与CD31+血管密度呈负相关
- 谷氨酰胺代谢热点（GLS高表达）常出现于缺氧区域边缘
- 脂质代谢相关基因（FABP4等）在肿瘤-脂肪组织界面特异性表达
5. 实操经验与避坑指南
-
平台选择陷阱：
- GeoMx的ROI选择需要病理专家参与
- CosMx在高度异质性区域可能出现信号串扰
- Xenium对样本质量极其敏感
-
生信分析痛点：
- 不同平台基因命名规范不一致（建议使用ENSEMBL ID）
- 空间坐标系统需要统一转换（推荐使用ASAP格式）
- 批次效应可能掩盖真实生物学差异
-
湿实验优化：
- 抗体滴定实验必须每个平台单独进行
- RNAscope与蛋白IHC的共标需要严格的热修复条件优化
- 建议保留10%样本作为技术重复
6. 扩展应用方向
这套方法体系还可用于：
- 治疗响应预测（通过空间耐药特征分析）
- 转移机制研究（循环肿瘤细胞生态位定位）
- 肿瘤-神经交互研究（通过空间共定位分析）
我们在GitHub开源了完整分析流程（包含示例数据）：
https://github.com/[your_repo]/spatial_tme_analysis
关键提示：建议先从小样本量（3-5例）试点开始，熟悉各平台特性后再开展大规模研究