空間多組學是單細胞組學、空間轉錄組學和空間表型之間的橋梁。整合這些技術的發現提供了對組織微環境分析的創新生物學觀點，使研究人員能夠將他們的轉錄組發現和設想轉化為整個組織，并觀察它們在天然狀態細胞之間的相互作用。這是將RNA 及蛋白與細胞組織和行為聯系起來的關鍵步驟。

在《將單細胞分析置于環境中：空間多組學方法》白皮書中介紹了空間表型分析的優勢，空間多組學分析的意義，整合scRNA-SEQ和空間表型數據的分析框架及整合CITE-SEQ 和空間表型數據的分析框架。

從質譜流式CyTOF到CITE-seq 分析，單細胞多組學方法在持續的改變對生物學的研究，對組織細胞異質性分析提供了新的解讀視角。

盡管這些技術在自動化單細胞分析中發揮了重要作用，但對于研究人員而言分析數據與組織細胞表型之間仍然存在差距。細胞行為、狀態和命運受到空間位置、周圍成分等的極大影響。人們進一步探究發現，細胞命運和行為是細胞生物核心要素（比如DNA、RNA 和蛋白質）和周圍微環境的總和。因此要真正了解細胞功能，就需要在其要素和鄰域的生物環境下對細胞進行研究。

為了解開細胞的復雜性，科學家們并沒有將自己局限于單一分析模式，這就是空間多組學分析的優勢所在。空間多組學是單細胞組學、空間轉錄組學和空間表型之間的橋梁。整合這些技術的發現提供了對組織微環境分析的創新生物學觀點，使研究人員能夠將他們的轉錄組發現和設想轉化為整個組織，并觀察它們在天然狀態細胞之間的相互作用。這是將RNA 及蛋白與細胞組織和行為聯系起來的關鍵步驟。

空間表型分析的優勢：探索組織微環境中的細胞表型與空間鄰域

空間表型分析使用抗體組合在組織樣本的環境中通過功能和狀態來表征細胞。由此產生的細胞生態系統對細胞注釋圖揭示了定位、密度、組織和空間鄰近度或“細胞鄰域”的模式——揭示對發育、分化和反應洞察的空間表型。在腫瘤免疫研究中這些空間表型已被證明可以高度預測疾病治療結果和對免疫治療的反應。

空間多組學：重新定義我們對生物學的理解

空間多組學整合來自各種模式的信息，將分子表達水平與細胞表型聯系起來。這使人們能夠超越轉錄組和蛋白數據，真正了解細胞間信號傳導網絡、細胞激活狀態及其背后的原因等。

Wang等人利用空間多組學方法，使用兩種互補方法研究組織再生和衰老：通過CODEX 和CITE-seq 進行空間表型分析。結合從CODEX 和CITE-seq 獲得的數據，使用空間生物學分析技術，作者將RNA 表達數據映射回組織樣本中的單個細胞。

使用這種方法，他們能夠識別細胞間信號網絡并確定細胞之間的通信是否在空間上受到限制。這表明并非所有具有互補配體和受體的細胞都在組織微環境中發揮交流功能，作者指出“由于生物學空間限制，這些細胞可能永遠不能接觸到彼此”。

Peng等人提出了一種將單細胞轉錄組數據與基于CODEX的全組織細胞圖譜進行結合的新方法，他們稱之為GLUER (single-cell Resolution mUlti-omics integrated anaLysis)。GLUER將兩種分析方法獲得的數據通過聯合非負矩陣分解、相互最近鄰算法和深度學習神經網絡進行整合。

為了演示這一點，他們對使用scRNA-seq 的7097 個小鼠脾臟細胞和使用30個抗體多重成像面板分析的9186 個小鼠脾臟細胞數據進行了排列分析。使用Seurat和LIGER算法創建的UMAP 細胞簇圖顯示出象征性的一致性，細胞類型之間的界限不明顯。當使用GLUER 方法評估這些相同的數據時，細胞類型的排列和聚類變得更加緊密，圖中顯示出區分不同細胞類型的能力得到了提高。由于使用CODEX 系統捕獲的所有細胞都被標記為x-y 坐標，這些發現可以追蹤到組織樣本的特定區域，從而可以對轉錄組數據、細胞結構和功能之間的聯系進行新的理解。

STvEA：整合CITE-SEQ 和空間表型數據的分析框架

Govek等人開發了STvEA方法(Spatially resolved transcriptomics via epitope anchoring)，利用CITE-seq 生成的RNA 測序數據豐富CODEX 全組織、單細胞分析的輸出信息。該分析框架不僅允許作者通過類型和狀態注釋細胞，而且還可以識別空間基因表達和研究細胞群體之間的相互作用。

STvEA通過基于共享抗體面板的CODEX 和CITE-seq 數據集，計算合并相應多重圖像的蛋白表達位置信息。然后確定CITE-seq mRNA 表達數據的最佳聚類，從而將不同的mRNA 序列以單細胞分辨率映射到CODEX圖像中。

在一項對小鼠脾細胞的分析中，Govek等人展示了這種方法如何能夠細化細胞聚類模式，它使不同的、基于細胞簇內基因表達的細微梯度的可識別細胞群數量幾乎翻倍，并突出這些表位水平的變化作為區分具有相似蛋白表達水平細胞的一種方法。

GLUER 和STvEA是研究人員如何將基因表達數據錨定到多重成像中，以研究完整組織中的細胞行為和功能的幾個例子。這個過程揭示了大多數研究人員已經知道的東西，即測序的東西并不總是最終表達的東西；RNA只在影響蛋白合成上起作用，而蛋白的表達決定了表型。將空間表型和單細胞組學結合起來，提供了從基因組到轉錄組到蛋白組，最終到活組織的生物學研究的線索。

空間多組學使這種聯系成為可能，使研究人員能夠將他們在轉錄組學上發現和假設翻譯到整個組織，并觀察它們在細胞的自然狀態下相互作用中的功能。通過鏈接下載完整《將單細胞分析置于環境中：空間多組學方法》白皮書。

可同時了解《空間表型特征：表征實體腫瘤和預測免疫治療反應的新型標志物》白皮書。

掃碼下載完整白皮書

 [參考信息]

1. Method of theYear 2020: spatially resolved transcriptomics. Nat Methods.2021;18(1). https://doi.org/10.1038/s41592-020-01042-x
2. Schürch CM, etal. Coordinated cellular neighborhoods orchestrate antitumoral immunity at the colorectal cancer invasive front. Cell. 2020; 182(5):1341-1359.e19.
3. Wang W, etal. Elucidating multiomics changes in skeletal muscle aging. Stanford University. Webinar. https://www.akoyabio.com/webinar/spatial-multiomics-webinar-series/ 
4. Peng T, et al. GLUER: integrative analysis of single-cell  omics and imaging data by deep neural network. bioRxiv. 2021; 1(25): 427845.
5. Stuart T, et al. Comprehensive integration of single-cell data. Cell. 2019; 177(7): 1888-1902.e21.
6. Welch JD, etal. Single-cellmulti-omic integration compares and contrasts features of brain cell identity. Cell. 2019; 177(7): 1873-1887.e17.
7. Govek KW, et al.  Single-cell  transcriptomic analysis of mIHC images via antigen mapping. Sci Adv. 2021; 7(10): eabc5464.