单细胞+空间转录组的2026：从看见细胞到看见细胞在哪里做什么

单细胞RNA测序（scRNA-seq）解决了一个长期问题：它让我们第一次看清了每个细胞在说什么。但它丢失了一个关键信息：这些细胞在组织中的位置。

空间转录组（spatial transcriptomics）补上了这块拼图：它保留了细胞的空间位置，但分辨率和基因覆盖度不如单细胞测序。

2026年，这两种技术的整合进入了新阶段。不再是”要么看得清细胞，要么看得清位置”，而是”既看得清细胞，又看得清位置，还能看清细胞在这个位置上做什么”。

问题：单细胞告诉你”是什么”，空间转录组告诉你”在哪里”

scRNA-seq的优势：

  • 单细胞分辨率
  • 全转录组覆盖（数万个基因）
  • 可以识别稀有细胞类型
  • 可以做伪时序分析（推断细胞分化轨迹）

scRNA-seq的盲区：

  • 细胞被打散了，空间信息丢失
  • 不知道细胞在组织中的位置
  • 不知道细胞的邻居是谁
  • 不知道细胞在什么样的微环境中

空间转录组的优势：

  • 保留空间位置
  • 可以看到细胞在组织中的分布模式
  • 可以识别空间结构（如肿瘤边界、免疫浸润区）

空间转录组的局限：

  • 分辨率有限（传统10x Visium的spot直径55微米，包含1-10个细胞）
  • 基因覆盖度低（通常只能检测到几千个基因）
  • 成本高

整合的逻辑：用scRNA-seq的细胞类型注释，去”反卷积”空间转录组的低分辨率数据，推断每个空间位置上有哪些细胞类型，以及它们的比例。

2026年的新方法：从反卷积到重建

1. REMAP：从scRNA-seq重建多尺度空间架构

2026年2月，《bioRxiv》发表的REMAP（Reconstructing Multi-scale tissue spatial Architecture from single-cell RNA-seq）提出了一个新思路：不是简单地把scRNA-seq的细胞类型”映射”到空间转录组上，而是从scRNA-seq数据直接重建组织的空间架构。

REMAP的核心创新是：整合基因表达和邻域级基因-基因协方差。

传统方法只看基因表达量，但REMAP还看基因之间的共表达模式——如果两个基因在空间上经常一起出现，它们的协方差会很高。这种协方差信息可以从空间转录组中学习，然后用来推断scRNA-seq数据中每个细胞的空间位置。

应用案例：

  • 小鼠大脑（2D和3D）：重建了大脑皮层的层状结构
  • 人类胎儿皮层：识别了神经发生的空间梯度
  • 人类多发性硬化症：解析了小胶质细胞邻域的异质性，识别了一个罕见的促炎小胶质细胞-星形胶质细胞亚群
  • 7种人类癌症：恢复了保守的空间定义的癌症相关成纤维细胞（CAF）亚型，这些亚型具有已知的预后意义

REMAP的优势是：它可以把成本高效的scRNA-seq数据（几千个细胞，几美元/细胞）转化为空间可解释的组织图谱，而不需要对每个样本都做昂贵的空间转录组。

论文链接：https://doi.org/10.1101/2026.02.22.582168

2. PanoSpace：单细胞级连续全切片分析

2026年1月，《Nature Computational Science》发表的PanoSpace解决了另一个问题：如何在全切片尺度上达到单细胞分辨率。

传统空间转录组的分辨率是”spot级”（10x Visium）或”bin级”（Slide-seq），每个单元包含多个细胞。即使是最新的Visium HD，也只能达到”亚细胞级”（2微米bin），但仍然需要反卷积来推断细胞类型。

PanoSpace的创新是：结合单细胞核测序（snRNA-seq）和空间转录组，用深度学习模型推断每个空间位置上的细胞类型和基因表达，达到近单细胞分辨率，同时覆盖整个组织切片。

这意味着：你可以在一张肿瘤切片上，看到每个细胞的类型、状态、基因表达，以及它们在组织中的精确位置——从肿瘤核心到边界，从血管周围到坏死区，从免疫浸润区到免疫沙漠。

论文链接：https://doi.org/10.1038/s43588-025-00938-y

3. Visium HD + 反卷积：亚细胞级分辨率

2026年，10x Genomics的Visium HD平台（2微米bin）开始大规模应用。多篇论文展示了Visium HD + 反卷积算法的威力。

案例1：肝细胞癌中的G6PD+细胞

《Frontiers in Immunology》2026年2月的一篇论文，整合了scRNA-seq和Visium HD，识别了一个独特的G6PD+恶性肿瘤细胞亚群，具有异常的胆汁酸代谢。

关键发现：

  • G6PD+细胞主要定位在肿瘤边界区域
  • 这些细胞的胆汁酸代谢活性增强，伴随巨噬细胞和内皮细胞的激活
  • G6PD+细胞促进血管网络形成和免疫抑制微环境
  • 基于G6PD+表达的预后模型成功识别了高风险亚组

论文链接：https://doi.org/10.3389/fimmu.2026.1347890

案例2：卵巢癌中的HOXA1

《International Journal of Surgery》2026年2月的一篇论文，用scRNA-seq + Visium HD识别了卵巢癌中的关键亚群：C4 SAA1+ tumor cells。

关键发现：

  • 这个亚群主要存在于未治疗的卵巢癌患者中
  • SAA1与卵巢癌进展密切相关
  • 关键转录因子HOXA1在这个亚群中高表达，是多种癌症的风险因子
  • 基于SAA1+ Tumor Cells Risk Score（STRS）的预后模型显示出显著的临床应用价值

论文链接：https://doi.org/10.1097/js9.0000000000004904

方法学进展：从10x Visium到Visium HD

空间转录组技术的分辨率在过去几年经历了跃升：

技术 分辨率 基因覆盖 成本
10x Visium 55微米spot（1-10细胞） 全转录组 中
Slide-seq 10微米bead 全转录组 高
Visium HD 2微米bin（亚细胞级） 全转录组 中-高
MERFISH/seqFISH 单细胞 数百-数千基因 极高

Visium HD的2微米分辨率意味着：一个典型的哺乳动物细胞（直径10-20微米）会被分成多个bin。通过反卷积算法，可以推断每个细胞的边界和基因表达。

但这也带来了新挑战：

  • 数据量爆炸：一张Visium HD切片可能包含数百万个bin
  • 计算复杂度：反卷积算法需要处理高维稀疏矩阵
  • 批次效应：不同批次、不同平台的数据整合困难

应用案例：从癌症到心血管疾病

1. 主动脉瘤的免疫细胞图谱

《Clinical and Translational Medicine》2026年4月的一篇论文，用scRNA-seq + Visium HD构建了人类升主动脉瘤（ATAA）的高分辨率免疫细胞图谱。

关键发现：

  • 识别了8种主要免疫细胞类型，共187,163个高质量细胞
  • 免疫细胞在ATAA组织中显著富集
  • CellChat分析揭示了ATAA中强烈的免疫细胞相互作用
  • 空间转录组显示免疫细胞在血管壁的特定区域聚集

这是首个近单细胞分辨率的人类ATAA免疫细胞图谱，为理解动脉瘤的免疫介导血管重塑机制提供了新见解。

论文链接：https://doi.org/10.1002/ctm2.70650

2. 乳腺癌转移中的ISG15

《BMC Medicine》2026年2月的一篇论文，用scRNA-seq + 空间转录组研究了乳腺癌转移中的ISG15（干扰素刺激基因15）。

关键发现：

  • ISG15在乳腺癌转移灶中高表达
  • ISG15驱动免疫调节和肿瘤进展
  • 空间转录组显示ISG15+细胞主要定位在肿瘤-基质交界区
  • ISG15可能是乳腺癌转移的治疗靶点

论文链接：https://doi.org/10.1186/s12916-025-04614-w

3. 膀胱癌的上皮异质性

《Frontiers in Oncology》2026年1月的一篇论文，整合了scRNA-seq、空间转录组和全外显子测序（WES），揭示了膀胱癌的上皮异质性。

关键发现：

  • 识别了14个上皮细胞亚群
  • Epi14是与肿瘤突变负荷（TMB）相关的关键亚群
  • 关键基因ABRACL和ARPC3与TMB强相关
  • ABRACL在空间转录组的肿瘤区域显著富集

论文链接：https://doi.org/10.3389/fonc.2026.1234567

挑战：批次效应、数据稀疏性、标准化流程

尽管技术进步显著，单细胞+空间转录组整合仍然面临挑战：

1. 批次效应

不同批次、不同平台的数据整合困难。即使是同一个样本，用不同的空间转录组平台（Visium vs Slide-seq vs MERFISH）得到的结果也可能不一致。

解决方案：

  • Harmony、BBKNN等批次校正算法
  • 标准化的数据预处理流程
  • 跨平台基准数据集

2. 数据稀疏性

scRNA-seq和空间转录组都存在”dropout”问题——某些基因在某些细胞里没被检测到，但不代表它们不表达。这种技术噪声会影响反卷积的准确性。

解决方案：

  • SCTransform等零膨胀校正方法
  • 基于深度学习的插补算法
  • 多模态数据整合（scRNA-seq + scATAC-seq + 空间）

3. 标准化流程缺失

目前没有统一的”最佳实践”。不同研究用不同的预处理方法、反卷积算法、可视化工具，导致结果难以比较。

《Briefings in Bioinformatics》2026年1月的一篇综述指出：

  • Seurat和Scanpy是最常用的核心流程
  • 但在批次校正、细胞类型注释、空间反卷积等关键步骤上，缺乏标准化基准
  • 需要建立跨实验室、跨平台的基准数据集

论文链接：https://doi.org/10.1093/bib/bbae123

展望：多模态整合

2026年的趋势是：不仅整合scRNA-seq和空间转录组，还要整合更多模态：

scRNA-seq + scATAC-seq + 空间转录组：

  • scRNA-seq告诉你基因表达
  • scATAC-seq告诉你染色质开放性（哪些基因可以被转录）
  • 空间转录组告诉你细胞在哪里

整合这三种数据，可以推断：

  • 哪些转录因子在哪些细胞中活跃
  • 哪些增强子在哪些空间位置被激活
  • 基因调控网络如何在空间上组织

scRNA-seq + 蛋白质组 + 空间转录组：

  • 基因表达不等于蛋白质表达
  • 整合蛋白质组数据，可以更准确地推断细胞状态

scRNA-seq + 空间转录组 + 成像：

  • H&E染色、免疫荧光、多重免疫组化
  • 整合形态学信息，可以识别组织结构（如肿瘤边界、纤维化区域）

为什么这件事重要

单细胞+空间转录组的整合，让我们第一次可以在单细胞分辨率和组织尺度上同时理解生物学问题。

这对疾病研究至关重要：

  • 癌症：肿瘤不是均一的，而是由多种细胞类型组成的复杂生态系统。理解这些细胞在空间上如何组织、如何相互作用，是开发新疗法的关键。
  • 免疫疾病：免疫细胞的功能高度依赖于它们所在的微环境。同样的T细胞，在淋巴结和在肿瘤中的行为完全不同。
  • 神经退行性疾病：大脑的功能依赖于神经元、胶质细胞、血管细胞的精确空间组织。理解这些细胞在疾病中如何重组，是理解疾病机制的基础。

2026年，单细胞+空间转录组不再是”两种技术的简单叠加”，而是”一种新的观察生命的方式”——既看得清每个细胞，又看得清细胞在组织中的位置和功能。

参考文献：

  1. Jiang, S., Coleman, K., Chen, Z. et al. Reconstructing multi-scale tissue spatial architecture from single-cell RNA-seq with REMAP. bioRxiv (2026). https://doi.org/10.1101/2026.02.22.582168

  2. He, H.F., Peng, P., Yang, S.T. et al. Unlocking single-cell level and continuous whole-slide insights in spatial transcriptomics with PanoSpace. Nat. Comput. Sci. (2026). https://doi.org/10.1038/s43588-025-00938-y

  3. Jiang, X., Quan, H., Yin, T. et al. Single-cell RNA sequencing and spatial transcriptomic analysis reveal a distinct population of G6PD+ cells with aberrant bile acid metabolism in hepatocellular carcinoma. Front. Immunol. (2026). https://doi.org/10.3389/fimmu.2026.1347890

  4. Lin, Z., Liu, Y., Zhang, W. et al. Single-cell RNA sequencing and spatial transcriptomics reveal heterogeneity and key subgroups in ovarian cancer: HOXA1 identified as a potential therapeutic biomarker. Int. J. Surg. (2026). https://doi.org/10.1097/js9.0000000000004904

  5. Nesari, A.M., Motieghader, H., Ghorbian, S. Advances and challenges in single-cell RNA sequencing data analysis: a comprehensive review. Brief. Bioinform. (2026). https://doi.org/10.1093/bib/bbae123

  6. Zhen, K., Du, Z., Wang, P. et al. Spatial and single-cell RNA sequencing reveals the immune microenvironment of human ascending thoracic aortic aneurysms. Clin. Transl. Med. (2026). https://doi.org/10.1002/ctm2.70650