随着科学技术的不断进步，生物学研究已经逐渐从单个基因或蛋白质的研究转向了对细胞、组织乃至整个生物体内的复杂系统和网络的理解。
这种转变催生了一项新兴的研究领域——多组学（multi-omics），它结合了不同的组学技术，如基因组学、转录组学、蛋白质组学、代谢组学等，来综合分析生物系统的不同层面。
而空间多组学（spatial multi-omics）则是多组学的一个分支，旨在保留并解析样本的空间信息的同时，进行多维度的数据收集与分析。
什么是空间多组学？
空间多组学是一种整合性的实验方法和技术平台，它允许研究人员在保持细胞和组织结构完整性的前提下，同时获取基因表达、蛋白质定位、代谢产物分布等多种分子信息。这种方法不仅能够提供关于细胞内发生过程的详细图谱，还能够揭示细胞间相互作用以及这些相互作用如何影响周围环境。
（图片来源：参考文献【1】）
从早期的原位杂交技术到后来的激光捕获显微切割和单分子荧光原位杂交等技术，空间多组学技术逐渐实现了从低通量到高通量、从单一分子到多组学整合的发展。如今，空间多组学已经成为生物学研究中不可或缺的工具，为我们理解生命现象提供了全新的视角。
空间多组学的关键技术
● 空间转录组学
空间转录组学是一项创新技术，它能够在保持组织结构完整性的同时，精确检测RNA分子的位置和数量。通过结合成像、生物标记、测序及生物信息学等工具对组织切片的基因表达进行空间定位，使得研究人员不仅可以确定哪些基因在特定细胞中活跃表达，还能明确这些细胞在组织中的确切位置。
（图片来源：参考文献【2】）
空间转录组学的方法可以根据其核心技术分为两大类：基于图像的技术（Image-based）和基于测序的技术（Seq-based）。
○ Image-based的空间转录组技术：
ISH 技术（原位杂交）：利用特异性探针直接在组织切片上检测目标RNA分子，提供直观的可视化结果。
原位测序技术（In Situ Sequencing, ISS）：将测序反应直接应用于组织切片，能够在单细胞水平上获取RNA序列信息，同时保留其空间分布。
○ Seq-based 空间转录组技术：
数字空间分析（Digital Spatial Profiling, DSP）：DSP技术具有较强的空间靶向性，适合对局部区域进行精准研究，有助于挖掘深层次的分子机制。它通过对组织预处理并展示其形态学特征，然后根据关注区域选择性地检测蛋白质或RNA表达特征。
10× Genomics Visium：作为完全非靶向的技术平台，Visium针对每个芯片上的每个位置进行无差别捕获，描绘出全局性的基因表达图谱。这种方法非常适合于大规模图谱构建，能够便捷地获取组织不同层次和分区的全基因表达特征。
● 空间蛋白质组学
空间蛋白质组学旨在保留样本的空间结构的同时，解析蛋白质的位置和表达特征。根据定量方法的不同，可以分为三大类：基于荧光成像的空间蛋白组技术、基于质谱的空间蛋白组技术以及基于测序的空间蛋白组技术。
○ 基于荧光成像的空间蛋白质组技术（如CODEX）
CODEX（Co-Detection by indexing）是一种高分辨率的多重免疫荧光成像技术，能够达到单细胞级别的分辨率，适合用于精细组织结构的研究。它可以通过多次循环染色检测多个标记物。
但由于荧光基团和循环效率的限制，通常能检测的靶标蛋白上限在50种左右。并且每次实验需要进行多轮染色和洗涤步骤，增加了操作复杂性和时间成本。
（CODEX技术；图片来源：https://lundberglab.stanford.edu/）
○ 基于质谱的空间蛋白质组技术（如MIBI）
MIBI（Multiplexed Ion Beam Imaging）利用金属同位素标签结合飞行时间二次离子质谱（TOF-SIMS），能够在同一时间内同时检测多达100种靶标蛋白。它的优点是单次实验中可同时分析大量蛋白质，这极大地提高了数据量和信息密度。
但其由于金属同位素标记的成本较高，所需实验设备昂贵，并且对样本处理要求严格，可能不适合所有类型的生物样本，因而限制了应用。
（MIBI技术；图片来源：https://www.ionpath.com/mibi-technology/）
○ 基于测序的空间蛋白质组技术（如DSP）
DSP技术是一种高度灵活的空间蛋白质组学方法，允许研究人员自主选择关注区域，并针对性地检测目标区域内的蛋白表达特征。
DSP技术单个区域内的分辨率可以低至5-10个细胞，适合局部区域的深度研究；同时DSP技术的蛋白靶标数量同样可达100种以上，能够提供丰富的分子信息；并且具有较强的空间靶向性，适用于探索特定组织微环境或细胞群。
其局限性在于，相对于前面两种技术，DSP技术可能需要更复杂的前期样本准备和数据分析过程。
(图片来源：
GeoMx DSP Spatial Genomics Overview | NanoString
）
● 空间代谢组学
空间代谢组学能够在保留组织结构完整性的前提下，绘制出小分子代谢物的空间分布图。这对于理解细胞和组织内的代谢路径、生物化学反应网络及其在健康与疾病状态下的变化至关重要。通过结合先进的成像技术和高灵敏度的分析工具，如液相色谱-质谱联用（LC-MS）、基质辅助激光解吸/电离飞行时间质谱（MALDI-TOF MS）等，空间代谢组学提供了对代谢活动前所未有的洞察。
（图片来源：参考文献【3】）
○ 液相色谱-质谱联用（LC-MS）：
LC-MS是空间代谢组学中常用的技术之一，它结合了液相色谱的分离能力和质谱的高度特异性检测能力。高分辨率和高灵敏度，使其可以检测到低浓度的小分子。适用于定量分析复杂的代谢物混合物，能够识别并定量多种类型的代谢产物，包括氨基酸、脂类、糖类等。
○ 基质辅助激光解吸/电离飞行时间质谱（MALDI-TOF MS）：
MALDI-TOF MS是一种直接从组织切片上获取代谢物信息的技术，无需复杂的样本预处理步骤。它能够提供高分辨率的空间代谢物图像，直观展示代谢物的位置。对于脂类和其他大分子代谢物尤其有效。特别适合于保持原位代谢物分布的研究，广泛应用于病理学、药理学等领域。
● 多模态数据整合
多模态数据整合是指通过开发先进的算法和计算模型，将来自不同技术平台（如转录组学、蛋白质组学、代谢组学等）的海量、异质性数据进行融合分析，以构建更加完整和准确的生物系统模型。
这一过程不仅克服了单一数据类型的局限性，还能够揭示复杂的生物机制。通过标准化处理、机器学习、统计建模及可视化工具的应用，多模态数据整合使得研究人员可以从多个角度全面理解生物系统的运作。
小结
空间多组学是现代生物学研究的一个重要方向，它为科学家们提供了前所未有的能力去探索生命现象背后复杂的机制。相信随着相关技术和分析方法的发展，我们可以期待更多令人兴奋的技术涌现，从而推动生物医学领域的进步。
【1】High-Spatial-Resolution Multi-Omics Atlas Sequencing of Mouse Embryos via Deterministic Barcoding in TissueYang Liu, Mingyu Yang, Yanxiang Deng, Graham Su, Archibald Enninful, Cindy C. Guo, Toma Tebaldi, Di Zhang, Dongjoo Kim, Zhiliang Bai, Eileen Norris, Alisia Pan, Jiatong Li, Yang Xiao, Stephanie Halene, Rong Fan
bioRxiv 788992; doi: https://doi.org/10.1101/788992
【2】Luo J, Fu J, Lu Z, Tu J. Deep learning in integrating spatial transcriptomics with other modalities. Brief Bioinform. 2024 Nov 22;26(1):bbae719. doi: 10.1093/bib/bbae719. PMID: 39800876; PMCID: PMC11725393.
【3】Hu, T., Allam, M., Cai, S. et al. Single-cell spatial metabolomics with cell-type specific protein profiling for tissue systems biology. Nat Commun 14, 8260 (2023). https://doi.org/10.1038/s41467-023-43917-5
