| 特性维度 | 单细胞测序 (scRNA-seq) | 亚细胞空间转录组学(Subcellular Spatial Transcriptomics, SST) |
|---|---|---|
| 核心信息 | 细胞类型的识别 和 单个细胞的全转录组表达谱 | 基因表达在原始组织空间中的定位 |
| 分辨率 | 细胞级 (单个细胞) | 亚细胞级 (~几个微米，低于单个细胞大小) |
| 位置信息 | 完全丢失。细胞被消化成悬浮液，其原位邻域关系未知。 | 核心价值。完整保留基因表达的空间坐标信息。 |
| 技术流程 | 1. 组织解离成单细胞悬液 2. 分离单个细胞并构建测序文库 3. 高通量测序 4. 生物信息学分析（聚类、降维等） | 1. 组织切片并固定在载玻片上 2. 在组织原位进行mRNA捕获和测序文库构建 3. 高通量测序 4. 生物信息学分析（与空间坐标整合） |
| 主要优势 | • 高细胞通量 • 能够发现稀有细胞类型 • 详细解析细胞异质性 • 可进行细胞轨迹推断（如发育、分化） | • 保留空间背景信息 • 揭示基因表达的空间模式（如梯度、区域特异性） • 可以研究细胞间相互作用的微环境 • 直接关联组织形态学与分子表型 |
| 主要局限 | • 丢失所有空间信息，这是最大的代价 • 组织解离过程可能对某些脆弱细胞类型有偏好性，导致偏差 • 无法获知细胞在原组织中的邻居是谁 | • 技术更复杂、更昂贵 • 通量通常低于单细胞测序 • “多细胞”问题：一个检测点可能包含多个细胞的mRNA，导致细胞边界模糊（尽管亚细胞分辨率正在解决此问题） |
| 典型问题 | 这个组织中有多少种细胞类型？ • A细胞和B细胞在基因表达上有何不同 • 这些细胞是否存在不同的分化状态？ | • 基因X在哪个脑区或肿瘤区域表达？ • 细胞A和细胞B在组织中是否是相邻的？ • 肿瘤边缘的免疫细胞和核心的免疫细胞功能是否不同？ |
这两种技术是互补的，而不是竞争的。最强的研究策略往往是将两者结合：
- 先用 scRNA-seq 对一个组织进行分析，鉴定出所有存在的细胞类型及其标志性基因。
- 然后利用 空间转录组学 进行“测绘”，将第一步鉴定出的细胞类型映射回原始组织中去，看看它们具体分布在什么地方。
通过生物信息学工具（如细胞反卷积技术,scClassify2），甚至可以基于scRNA-seq的数据作为参考，来解析空间数据中每个点位具体由哪些细胞类型构成。
空间转录组学
空间转录组学和亚细胞空间转录组学时不同的概念，对比区别如下：
| 特性维度 | 普通空间转录组学 | 亚细胞空间转录组学 |
|---|---|---|
| 核心分辨率 | 多细胞级 (Multicellular)，通常为 55-100 μm | 亚细胞级 (Subcellular)，通常为 <10 μm，甚至可达 ~1 μm |
| 每个检测单元 | 一个检测点（Spot）包含数十个甚至上百个细胞的混合RNA | 一个检测点（Barcode/像素）可能只包含一个细胞的部分RNA，或来自少量细胞的RNA |
| 能否区分单个细胞 | 不能。一个数据点代表一个细胞群体的“平均”表达谱，细胞边界模糊。 | 可以。通过高分辨率成像和算法，能够精确界定单个细胞的边界并进行分析。 |
| 空间信息价值 | 揭示细胞群体（如肿瘤区域、皮层分层）的宏观分布模式 | 揭示单个细胞内mRNA的分布（如核 vs. 质）、细胞极性、以及微小微环境的精确构成 |
| 技术基础 | 主要基于空间条形码（Spatial Barcoding）：在芯片上捕获RNA | 主要基于原位测序（ISS） 或原位捕获（ISH） 与高分辨率成像结合 |
| 典型应用 | • 组织结构的宏观分区 • 不同功能区域的基因表达差异 • 肿瘤异质性的区域划分 | • 神经元mRNA转运与定位 • 肿瘤微环境中免疫细胞与癌细胞的精确相互作用• 细胞极性（如上皮细胞、干细胞）的研究 • 细胞分裂过程中的mRNA不对称分布 |
| 优势 | • 通量较高，可分析较大组织区域 • 技术相对成熟，商业化平台（如10x Visium）稳定 | • 分辨率极高，无与伦比的定位精度 • 真正实现了单细胞水平下的空间信息保留 • 能发现被低分辨率技术“平均化”掉的稀有信号 |
| 局限 | • “多细胞”问题严重，数据是混合信号，需要算法反卷积 • 会丢失大量细胞异质性信息，尤其是稀有细胞类型 | • 技术更复杂，成本更高 • 通量相对较低，覆盖超大组织面积需要更长时间 • 数据分析计算量巨大，对算法要求极高 |
