作者，Evil Genius
今天我们轻松一点，分享点科普的内容。
参考文章
肿瘤微环境在肿瘤细胞行为和肿瘤进展中起着至关重要的作用。
肿瘤微环境（TME）是一个高度结构化的生态系统，包含癌细胞，癌细胞被各种非恶性细胞类型包围，共同嵌入改变的血管化细胞外基质（ECM）中。通过多个组分之间复杂的空间相互作用，TME在塑造肿瘤进展、转移和对治疗的反应中起着关键作用。
表征肿瘤内或周围细胞的空间定位、生物标志物表达的空间模式、相邻细胞之间的相互作用以及TME内复发细胞群落的组成可以实现TME的更全面定量并提供关于肿瘤形成的基本信息。
即使在肿瘤内，不同的亚区域也可能表现出不同的细胞组成和分子功能，并且已经在多种癌症中发现，特定细胞类型在空间上聚集到不同的“niche”中可能导致肿瘤内异质性并影响患者结果。特别是，对于免疫细胞，它们的空间组织和浸润模式对于理解组织行为和对免疫疗法的反应至关重要。
空间组学数据的获取与预处理
空间蛋白质组学、转录组学和基因组学技术的本质在于它能够在精确的空间坐标上同时检测分子成分。主要的技术进步包括依赖于基于成像的检测或通过大规模平行测序进行indirect interrogation的方法。
蛋白质组学的空间平台（2024的年度技术）
CODEX,100多抗体。
成像质谱细胞术（IMC）和多路离子束成像（MIBI），每种抗体与不同的金属结合并通过质谱（MS）成像检测。
转录组学的空间平台
荧光原位杂交（FISH），可对组织给定区域中存在的mRNA分子进行计数。
原位测序（ISS）技术。靶向ISS可准确识别特定RNA分子，而非靶向ISS不需要预先设计探针组，可测量剪接异构体、突变和整个转录组。
单分子荧光原位杂交（smFISH）的NanoString CosMx平台，利用多重错误鲁棒荧光原位杂交（MERFISH）的Vizgen MERSCOPE平台和10X Genomics Xenium平台。
55 μm for 10× Visium, 10 μm for Slide-seq and Slide-seqV2, 2 μm for HDST to 500 nm for PIXEL-seq, Seq-Scope and Stereo-seq。
基因组学的空间平台
许多为多重原位杂交开发的方法已经被用于同时鉴定大量染色体位点。
原始数据的预处理
由于基于成像和基于测序的方法生成不同类型的原始数据，因此需要单独讨论工作流程。
基于成像的空间技术（如荧光成像或MS成像）的输出是描绘每个蛋白质或RNA转录物的空间表达模式的多维图像。因此，这些数据集通常跨越数万张图像。这些容易出错的原始数据首先需要经过质量控制和数据校正，如去除噪声、确定点检测的阈值、成像轮次之间的信号配准等。此外，基于图像的数据具有像素信息，并且必须被分割成单个细胞，这一过程可以使用各种已建立的方法来实现。随后对细胞类型的准确注释也是主要挑战之一，尤其是在粒度级别。
基于测序的空间技术生成的原始数据可能受到各种噪声源的影响，并且经常遭受信号损失。在预处理阶段，需要更多地关注噪声处理、数据清洗和归一化过程。一旦原始空间数据经过预处理并转换为带有空间坐标信息的细胞/spot的分子矩阵，就可以揭示一系列有意义的空间特征。
多尺度空间特征
将空间统计分析应用于预处理后的数据，可以进一步挖掘分子和细胞水平的空间特征，当这些计算定义的特征表现出特定的空间分布、细胞或分子组成以及在执行生物功能中的作用时，可以称之为“Spatial Signatures”。
单变量分布模式
分析关注单个变量的空间分布，而不考虑与其他变量的关系。
二元空间关系
双变量关系捕捉了两个不同的生物元素如何在空间上相互关联，如细胞-细胞回避或共定位，配体-受体（LR）对的共表达和空间梯度相关性。
高级结构（niche）
多个变量形成了一个更高阶的组织结构，由这些基因/细胞代表的空间连续区域被组织成“细胞群落”，细胞水平的“niche”或“空间域”。
空间特征的计算方法
单变量分布模式
二元空间关系
Cell-cell colocalization
Gene spatial co-expression
Cellular communication in the spatial context
高级结构
Random field models.
深度学习方法（主要基于GNN）
空间信号的临床意义
当前的挑战
