近期，《Cancer Cell》在线发表了题名“Spatial oncology: Translating contextual biology to the clinic” 的综述文章，回顾了空间组学技术在肿瘤研究中的应用，并探讨了其在临床中的转化潜能和未来趋势。肿瘤组织的复杂性可能需要对更多的细胞类型和表达谱进行更全面的评估，以实现真正意义上的精确肿瘤学研究。经典的Bulk水平的组学分析虽然可以进行高通量检测，但是很显然无法区分恶性细胞和其他细胞的信号，并且缺失空间信息。虽然单细胞测序技术解决了细胞分辨率的问题，但是需要大量的样本等准备材料，这使得它们在临床转化上难以实践。另外一方面单细胞测序缺乏空间背景信息也会使其难以解释产生的数据集的各个方面，如细胞-细胞通讯和细胞类型的空间关系。

目前我们正处于空间肿瘤学极速发展的时代，能够同时兼顾空间高分辨率和高通量检测的各种空间组学技术已经被开发并且商品化。借助这些空间技术我们可以发现与患者预后和治疗敏感性有关的空间结构特征，革新了我们对肿瘤免疫微环境的认识。目前商品化的空间技术主要分为基于成像和测序两大类，主要以检测RNA和蛋白为主（图1）。

图1 空间组学技术平台

各种空间技术都有各自的优势和不足，这不仅体现在空间分辨率、灵敏性、检测通量上，还包括了成本、实验时长和数据分析的复杂性上。例如相比很早被开发应用的多重免疫组化技术（mIHC），Phenocycler-Fusion (PCF) 空间单细胞蛋白组（原CODEX）可以在单张切片样本上检测多达100多个蛋白靶标。作者总结了常用的几个商品化的空间技术（图2），包括了CosMX（>18,000 RNAs）、 Xenium（5000-plex RNA）、MERSCOPE（1000-plex RNA）、Visium（Unbiased coverage of mRNA）、Stereo-seq（Unbiased coverage of mRNA）、Seeker/Slide-seqV2（Unbiased coverage of mRNA）、GeoMx（>18,000 RNAs/>570 proteins）、PhenoCycler（Up to 103-plex protein）、COMET（Up to 40-plex protein）、MIBIscope（Up to 40-plex protein）和CellScape（Up to 30-plex protein）。

图2 不同的空间技术

作者特别提到了空间数据分析的重点和难点，尤其是细胞分割。对于基于成像的空间技术，可以依据细胞核和细胞膜的染色，借助机器学习的算法实现比较精准的单细胞分割，很多开源的软件可以实现，例如Cellpose、StarDist和DeepCell。另外一种细胞分割方法是像素分割，这种方法的优势可能在于对不规则细胞的分割效果比其他方法更加准确，目前可以借助ilastik和CellProfiler软件共同实现。然而对于基于测序的空间技术，分辨率受到spot大小的限制，有的无法达到单细胞分辨率，即使有的可以达到单细胞或者亚细胞分辨率，因为细胞重叠和转录本弥散等的原因，细胞分割仍然具有很大的挑战性。

作者列举了空间组学技术在肿瘤微环境中的研究应用，其中包括发现新的细胞互作作为治疗靶点（图3）。细胞互作关系上文章讨论了空间技术在肿瘤-间质、肿瘤-免疫、肿瘤-神经互作分析上的应用。例如不同亚型的肿瘤相关成纤维细胞（CAF）和肿瘤相关巨噬细胞（TAM）具有不同的空间定位，与患者预后和治疗响应具有不同的影响。在分析方法上，文章重点突出了细胞邻域的分析。细胞邻域分析是一种用于表征空间定义微环境的细胞组成的方法，可用于研究细胞的空间组织如何导致与疾病进展相关的特性。Giotto和Squidpy两个空间分析软件包中内置邻域分析工具，除此之外很多研究团队也开发了自己的邻域算法。邻域分析超越了只是检测组织相似性和差异性，而是能够详细了解驱动空间邻域的细胞特性以及其中动态的细胞/分子相互作用。例如，Greenwald等人利用PCF空间单细胞蛋白组联合Visium空间转录组通过空间邻域分析揭示了胶质母细胞瘤（GBM）细胞状态的组织结构。从肿瘤核心开始，他们确定了五个不同的细胞状态层：(1)缺氧生态位，(2)缺氧邻近生态位，(3)免疫和血管生成相关生态位，(4)神经发育GBM状态，(5)正常大脑组织。（相关阅读：Cell长文：肿瘤研究中空间单细胞蛋白组技术如何提升10x 空转数据层次）。

图3 空间技术揭示细胞互作关系

空间技术的另外一个应用是发现新的空间标志物，例如预测免疫治疗响应的空间标志物。Phillips等人通过PCF空间单细胞蛋白组检测了免疫治疗前后皮肤T细胞淋巴瘤患者的配对样本，基于每个CD4+ T细胞与其最近的肿瘤细胞相对于其最近的Treg的物理距离之比，开发了皮肤T细胞淋巴瘤的SpatialScore，较低的SpatialScore表明T细胞效应活性较高，较高的SpatialScore表明T细胞抑制增加。这个SpatialScore可以预测anti-PD-1治疗，而其他的检测手段例如IHC、基因表达谱和质谱流式都无法预测皮肤T细胞淋巴瘤的治疗反应。（相关阅读：组织原位空间标志物：“PCF空单蛋“建立预测免疫治疗响应的新型空间评分系统）。除了预测标志物，空间技术发现了很多TAM亚型的空间关系与临床预后显著相关。例如一项利用PCF空间单细胞蛋白组检测乳腺癌和结直肠癌的研究中，细胞邻域分析发现了与浆细胞共定位的FOLFR+ TAMs与患者高生存率有关，而与坏死肿瘤细胞共定位的SPP1+ TAMs与患者差的生存率有关。（相关阅读：巨噬细胞竟然还有这么多亚群？Cancer Discovery发文揭秘巨噬细胞空间异质性与临床意义）。

作者还进一步阐述了空间技术在分析免疫细胞空间结构的应用，例如三级淋巴结构等。最后作者强调了相比其他技术，空间分析可能是唯一适合整合到临床工作流程中的。而要特别注意的，空间分析往往需要针对regions of interest (ROIs) 或者fields of view (FOVs)进行分析，所以病理学家的重要性就要凸显出来，优化选择合适的ROI或者FOV非常关键。最后标准化的空间分析流程也是必需的。尤其是样本准备和组织处理对于获取高质量的空间数据特别重要。例如FFPE样品的转录组学分析，需要额外注意处理的变量，如福尔马林固定时间等，以最充分地保持RNA的完整性，并最大限度地减少分析物的降解或修饰。

图4 临床应用空间分析技术

原位空间分析技术是一种突破性的方法，已经重新定义了如何进行癌症生物学研究。这些技术的持续发展和应用将使生物学现象能够被置于其原位组织环境中。空间分析将能够推断细胞间的相互作用，并导致针对肿瘤微环境的新治疗策略的设计。与任何新的检测方法一样，这些技术现在面临的挑战是在前瞻性研究中证明强大的临床实用性，并进行技术改进，以保证一致的高质量和可解释的数据。此外，支持将这些技术整合到临床研究中的基础设施，包括用于数据存储的安全平台、易于解释的数据分析管道和分析方案的标准化，这些都非常关键。总之，这些新技术将在确定新的治疗干预策略和确定新的空间生物标志物方面发挥重要作用，以塑造未来许多年的精确肿瘤学。

| 空间多组学整合方案

| PCF空间单细胞蛋白组学优势