空間表達(dá)變異基因識別方法及其在腫瘤異質(zhì)性研究中的應(yīng)用進(jìn)展

關(guān)雙 劉溪 王博 王念 劉駿 王忠

[摘要]?空間表達(dá)變異基因的識別是闡明空間轉(zhuǎn)錄組學(xué)的基礎(chǔ)。空間表達(dá)變異基因的分析需應(yīng)用空間轉(zhuǎn)錄組數(shù)據(jù)相關(guān)公共存儲庫和計算技術(shù)。本文綜述空間轉(zhuǎn)錄組學(xué)應(yīng)用于空間表達(dá)變異基因識別的計算方法，闡述空間表達(dá)變異基因識別在腫瘤異質(zhì)性研究中的應(yīng)用進(jìn)展，以進(jìn)一步理解驅(qū)動腫瘤異質(zhì)性發(fā)生發(fā)展的分子機(jī)制。

[關(guān)鍵詞]?空間轉(zhuǎn)錄組學(xué)；空間表達(dá)變異基因；腫瘤異質(zhì)性

[中圖分類號]?R730????[文獻(xiàn)標(biāo)識碼]?A ????[DOI]?10.3969/j.issn.1673-9701.2024.02.027

人體組織由各種類型的細(xì)胞組成，每種類型的細(xì)胞均執(zhí)行特定的功能，而細(xì)胞行為受組織內(nèi)周圍環(huán)境的影響。了解組織中不同細(xì)胞的相對位置對于理解細(xì)胞類型和疾病機(jī)制至關(guān)重要[1]。腫瘤的空間異質(zhì)性不僅由基因型的多樣性驅(qū)動，還由腫瘤細(xì)胞與構(gòu)成局部腫瘤微環(huán)境的免疫和基質(zhì)細(xì)胞之間的相互作用產(chǎn)生，從而導(dǎo)致腫瘤的不同區(qū)域具有獨特表型，因此了解腫瘤的空間異質(zhì)性在臨床上有重要意義[2-3]。

空間轉(zhuǎn)錄組（spatial?transcriptome，ST）技術(shù)在對轉(zhuǎn)錄組進(jìn)行高通量測序的同時，可保留相關(guān)組織環(huán)境和細(xì)胞的空間信息，彌補(bǔ)單細(xì)胞測序技術(shù)獲取空間信息的不足。生成ST數(shù)據(jù)的常用方法分為兩類，一類方法是基于圖像的原位轉(zhuǎn)錄學(xué)，稱為單分子熒光原位雜交；另一類方法是基于空間條碼的下一代測序技術(shù)，包括空間轉(zhuǎn)錄組學(xué)、Slide-Seq、Slide-Seq2等[4-6]。目前，ST技術(shù)主要應(yīng)用于細(xì)胞類型識別、細(xì)胞-細(xì)胞相互作用關(guān)系計算、基于表達(dá)信息和空間坐標(biāo)的空間模式識別等方面。其中，ST數(shù)據(jù)分析的主要貢獻(xiàn)之一是表征其空間組織方式[7]。近年來，研究者在闡明基因表達(dá)的空間變異方面付出諸多努力[8]。根據(jù)數(shù)據(jù)分析流程，可將上述分析方法分為兩類：第一類是不考慮空間域識別空間表達(dá)變異基因；第二類是利用空間聚類算法識別出的空間域檢測空間表達(dá)變異基因[9]。本文重點闡述用于ST數(shù)據(jù)分析的計算方法，特別強(qiáng)調(diào)如何將空間位置信息與基因表達(dá)聯(lián)合建模應(yīng)用于空間表達(dá)變異基因的識別。

1??空間表達(dá)變異基因的鑒定

1.1??Trendsceek

Trendsceek利用標(biāo)記點過程理論，以空間位置為點、表達(dá)水平為標(biāo)記，應(yīng)用標(biāo)記點過程對每個基因的空間表達(dá)趨勢重要性進(jìn)行排序和評估[10]。該方法通過將點作為其距離半徑函數(shù)進(jìn)行成對分析，測試點的空間分布及其相關(guān)標(biāo)記之間的相關(guān)性。用于依賴性評估的匯總統(tǒng)計量包括條件均值、條件方差、Stoyan分?jǐn)?shù)相關(guān)性和分?jǐn)?shù)-變異函數(shù)。

1.2??SpatialDE

SpatialDE利用高斯過程回歸將基因表達(dá)變化分解為空間成分和非空間成分[11]。空間差異項通過樣本的成對距離將基因表達(dá)協(xié)方差參數(shù)化，噪聲項模擬非空間可變性。由上述分量解釋的方差比率量化空間方差的分?jǐn)?shù)。通過將上述完整模型與無空間方差分量的模型進(jìn)行比較，可對空間表達(dá)變異基因進(jìn)行識別。

1.3??Spark

與SpatialDE相似，Spark是一種生成模型，其具有10種空間核函數(shù)，包括5個具有不同周期性參數(shù)的周期核函數(shù)及5個具有不同平滑度參數(shù)的高斯核函數(shù)，可檢測空間表達(dá)變異基因[12]。該方法利用具有不同空間核的廣義線性混合模型對ST測序的原始數(shù)據(jù)進(jìn)行建模，通過懲罰擬似然、限制性最大似然估計法對該模型進(jìn)行求解，采用一種新的統(tǒng)計量整合規(guī)則計算統(tǒng)計P值。與SpatialDE不同的是，Spark可直接計算數(shù)據(jù)，并依據(jù)適當(dāng)?shù)慕y(tǒng)計框架獲得校準(zhǔn)P值，但其也導(dǎo)致識別空間表達(dá)變異基因的準(zhǔn)確性降低。

1.4??Spark-X

Spark-X建立在穩(wěn)定的協(xié)方差測試框架基礎(chǔ)上，并將其擴(kuò)展為結(jié)合各種空間核，用于對來自大型空間轉(zhuǎn)錄研究的稀疏計數(shù)數(shù)據(jù)進(jìn)行非參數(shù)空間建模[13]。對于給定的基因，Spark-X首先構(gòu)建基因表達(dá)的協(xié)方差矩陣（Y）和空間坐標(biāo)的協(xié)方差矩陣（S），然后計算測試統(tǒng)計量（T）。測試統(tǒng)計量T實際上是所有位置對上的兩個相似性測量之間的乘積總和。當(dāng)Y和S彼此獨立時，位置對之間關(guān)于基因表達(dá)的相似性度量將不會與位置對之間關(guān)于距離的相似性度量相關(guān)。因此，T值較小。

1.5??GPCounts

GPCounts建模具有負(fù)二項可能性的時間或空間計數(shù)數(shù)據(jù)[14]。使用具有對數(shù)連接函數(shù)的GP模擬計數(shù)數(shù)據(jù)分布在時間或空間平均值的變化。對于空間轉(zhuǎn)錄數(shù)據(jù)，GPCounts遵循兩個測試程序，使用根據(jù)χ2分布估計的P值，還可通過置換測試估計P值。GPcounts可識別執(zhí)行偽時間推斷，識別分支基因并發(fā)現(xiàn)時間軌跡[15]。與大多數(shù)軟件包相比，GPcounts的應(yīng)用范圍更廣。但該方法在應(yīng)用于大型數(shù)據(jù)集時，其計算效率并不明確。

2??空間域的識別

識別空間特征是空間轉(zhuǎn)錄組學(xué)分析中的步驟之一。為識別組織結(jié)構(gòu)，現(xiàn)有算法對轉(zhuǎn)錄組上相似位點或細(xì)胞進(jìn)行分組，以揭示基因表達(dá)的空間模式。較新方法可專職利用空間數(shù)據(jù)識別組織特征，如組織域。在空間表達(dá)變異基因檢測中考慮空間域可確保檢測到的基因在空間域中表現(xiàn)為豐富的表達(dá)模式，這些基因可作為細(xì)胞空間位置的標(biāo)志物[16-17]。

2.1??SpaGCN

SpaGCN是一種利用圖卷積網(wǎng)絡(luò)分析ST數(shù)據(jù)，劃分不同組織區(qū)域并尋找區(qū)域富集基因的機(jī)器學(xué)習(xí)算法[18]。首先，建圖表示考慮空間位置和組織學(xué)信息所有點的關(guān)系；其次，利用圖卷積層聚合來自相鄰點基因的表達(dá)信息；第三，使用無監(jiān)督迭代聚類算法對點進(jìn)行聚類。每個集群視為一個空間域，SpaGCN通過差異分析識別區(qū)域中富集的空間表達(dá)變異基因。當(dāng)單個基因無法標(biāo)記一個區(qū)域的表達(dá)模式時，SpaGCN會構(gòu)建一個由多個基因組合形成的元基因，從而代表該區(qū)域的表達(dá)模式。SpaGCN的重點是結(jié)合現(xiàn)有組織學(xué)確定空間域，并確定在空間域之間存在的差異表達(dá)基因。在計算空間表達(dá)變異基因時，SpaGCN未將細(xì)胞類型信息和組織解剖結(jié)構(gòu)納入計算中。

2.2??SOMDE

SOMDE使用自組織映射，在保持原始空間信息的前提下，根據(jù)輸入數(shù)據(jù)的密度和拓?fù)浣Y(jié)構(gòu)構(gòu)造一個節(jié)點數(shù)較少的壓縮映射，應(yīng)用高斯過程檢測空間表達(dá)變異基因[19]。SOMDE的核心思想是構(gòu)造一種精簡的空間轉(zhuǎn)錄數(shù)據(jù)整合策略，既可保留空間表達(dá)變異基因的信息，又可降低下游的計算復(fù)雜度。該方法即使在非常大的數(shù)據(jù)集中也能有效識別空間表達(dá)變異基因，且運行速度快。

2.3??MULTILAYER

MULTILAYER將每個基因的差異表達(dá)水平與整個組織中的平均表達(dá)水平進(jìn)行比較，應(yīng)用層次聚類識別基因表達(dá)模式[20]。這些模式通過圖中節(jié)點進(jìn)行表示，其中邊緣由基因模式的相似性加權(quán)；另有一些示例可利用Markov隨機(jī)字段在執(zhí)行空間聚類時合并空間信息。該方法對空間分辨率低的ST數(shù)據(jù)較為敏感。

2.4??SPADE

SPADE使用成像數(shù)據(jù)和ST數(shù)據(jù)作為輸入，通過卷積神經(jīng)網(wǎng)絡(luò)提取每個點周圍的形態(tài)特征，并將其與基因表達(dá)數(shù)據(jù)相結(jié)合，以識別與空間和形態(tài)異質(zhì)性相關(guān)的關(guān)鍵基因[21]。首先，建立線性模型，將每個空間轉(zhuǎn)錄數(shù)據(jù)集中所有基因的比例基因表達(dá)與圖像潛在特征PC進(jìn)行擬合；其次，根據(jù)回歸系數(shù)或應(yīng)用Benjamini-Hochberg方法校正P值，對基于PC值的線性回歸分析相關(guān)基因并排序，收集在PC機(jī)中錯誤發(fā)現(xiàn)率<0.05、解釋512D圖像特征方差>2%的基因列表，從而選擇SPADE基因；第三，基于上述關(guān)鍵基因進(jìn)行功能分析，以進(jìn)一步闡明負(fù)責(zé)不同形態(tài)特征的生物過程。

2.5??Sepal

Sepal模擬基因表達(dá)在空間域中的擴(kuò)散，并應(yīng)用Fick第二定律模擬表達(dá)擴(kuò)散，測量收斂時間[22]。Sepal假設(shè)具有空間模式的基因表現(xiàn)為較低程度的隨機(jī)性擴(kuò)散且具有較高程度的結(jié)構(gòu)。因此，與在不同空間位置具有統(tǒng)一模式的基因相比，遵循結(jié)構(gòu)化模式的轉(zhuǎn)錄本需要更多的迭代才能使梯度算法收斂，且系統(tǒng)的長收斂時間表明存在結(jié)構(gòu)化的空間模式。Sepal可檢測不規(guī)則空間模式的基因。

2.6??ScGCO

ScGCO基于圖切割和高斯混合模型識別空間基因[23]。首先，對細(xì)胞的空間坐標(biāo)進(jìn)行Delaunay三角剖分以生成細(xì)胞位置稀疏圖形；其次，通過圖切割算法分析該圖，以識別最小化基礎(chǔ)馬爾可夫隨機(jī)場的能量切割，其中得到的子圖對應(yīng)于具有相似表達(dá)值的細(xì)胞集群；第三，通過Voronoi鑲嵌可視化識別空間模式，且可使用齊次空間泊松過程評估所識別空間基因的統(tǒng)計學(xué)意義。該方法會對每個基因的表達(dá)進(jìn)行分類，以更準(zhǔn)確地區(qū)分細(xì)胞類型。

2.7??GLISS

GLISS將細(xì)胞位置作為連續(xù)變量進(jìn)行處理，包括原則性的和可推廣的空間變化基因選擇過程：使用基于圖形的相關(guān)性度量，自動選擇多變量空間變量和基因表達(dá)信息之間的單調(diào)和非單調(diào)關(guān)聯(lián)。該過程是無模型的：GLISS不對SGE或scRNA-seq數(shù)據(jù)的數(shù)據(jù)生成過程進(jìn)行分布假設(shè)。此外，GLISS的非參數(shù)統(tǒng)計程序在經(jīng)驗上是強(qiáng)大的，具有錯誤發(fā)現(xiàn)保證，這對推廣和重復(fù)性至關(guān)重要。

3??ST技術(shù)在腫瘤異質(zhì)性研究中的應(yīng)用

異質(zhì)性是惡性腫瘤的主要特征之一，其與腫瘤的發(fā)生、發(fā)展、轉(zhuǎn)移、侵襲及預(yù)后等密切相關(guān)。ST技術(shù)可直接檢測不同組織區(qū)域基因表達(dá)的異質(zhì)性，適用于腫瘤組織的異質(zhì)性研究。例如，同一腫瘤中不同部位腫瘤細(xì)胞的轉(zhuǎn)錄組水平存在顯著差異，大規(guī)模的組織區(qū)域分析可以使學(xué)者對腫瘤微環(huán)境中基因差異表達(dá)有更深入的了解，從而在解析腫瘤細(xì)胞空間分布中發(fā)揮重要作用[24]。

3.1??乳腺癌

在女性中，乳腺癌是發(fā)病率最高的腫瘤。明確乳腺癌的腫瘤異質(zhì)性對于確定特定疾病狀態(tài)、采取合適的治療方法至關(guān)重要。SpatialDE確定115個空間表達(dá)變異基因，其中有7個與乳腺癌相關(guān)并清楚地將脂肪細(xì)胞與組織的較密集區(qū)域分開[11]。Spark發(fā)現(xiàn)290個空間表達(dá)變異基因，其中10個與乳腺癌相關(guān)，大多數(shù)基因與細(xì)胞外基質(zhì)和免疫反應(yīng)有關(guān)[12]。Trendsceek發(fā)現(xiàn)14個空間表達(dá)變異基因，涉及乳腺癌的基因具有顯著的空間模式，包括轉(zhuǎn)錄因子KLF6、跨膜蛋白PMEPA1及12個與細(xì)胞外基質(zhì)相關(guān)的基因[10]。ScGCO發(fā)現(xiàn)118個空間表達(dá)變異基因，其中有具有較低百分比的不可復(fù)制基因[23]。MULTLAYER鑒定112個空間表達(dá)變異基因[20]。上述研究有助于確定乳腺癌相關(guān)生物標(biāo)志物。

3.2??胰腺癌

胰腺癌是一種難治性惡性腫瘤，目前無有效治療方法以改善其預(yù)后。SpaGCN在人胰腺癌中識別??3個空間域，分別確定每個空間域的特征基因；以空間域2為例，發(fā)現(xiàn)meta基因組（KRT17+MMP11-?SERPINA1）更能表征空間域2，KRT17在胰腺癌中可作為腫瘤促進(jìn)劑并調(diào)節(jié)增殖，而MMP11是胰腺癌預(yù)后的生物標(biāo)志物[15]。

3.3??黑色素瘤

黑色素瘤多發(fā)生于皮膚，是一種高度惡性腫瘤。除早期手術(shù)切除外，無特效方法且預(yù)后較差。因此，尋找黑色素瘤的早期診斷、治療及預(yù)后相關(guān)的生物標(biāo)志物極為重要。Sepal識別出黑色素瘤的4個家族。其中，家族1與黑色素瘤相關(guān)；家族2、家族4與免疫相關(guān)；家族3與細(xì)胞外基質(zhì)相關(guān)[22]。

4??小結(jié)與展望

空間轉(zhuǎn)錄組學(xué)提供了一個空間視角，從全新角度探索生物學(xué)研究的不同領(lǐng)域，幫助了解復(fù)雜疾病的起源、發(fā)育和進(jìn)展軌跡。大量富含空間信息的轉(zhuǎn)錄組數(shù)據(jù)為科學(xué)研究指明新的方向。例如，基于測序技術(shù)的ST技術(shù)可展現(xiàn)人心臟發(fā)育過程中的基因空間、時間序列表達(dá)模式[25]。Maniatis等[26]研究肌萎縮側(cè)索硬化癥的進(jìn)展。Chen等[27]確定阿爾茨海默病淀粉樣斑塊周圍組織域的轉(zhuǎn)錄變化。空間轉(zhuǎn)錄組學(xué)還被用于研究各種類型腫瘤的異質(zhì)性[28-32]。鑒定空間表達(dá)變異基因有助于進(jìn)一步理解驅(qū)動腫瘤發(fā)生發(fā)展的分子機(jī)制，探索腫瘤微環(huán)境，解析腫瘤異質(zhì)性；有助于發(fā)現(xiàn)腫瘤治療、預(yù)后相關(guān)標(biāo)志物。與此同時，對基于具有空間表達(dá)模式的基因進(jìn)行功能分析，可進(jìn)一步闡明腫瘤異質(zhì)性發(fā)生發(fā)展的生物學(xué)過程。治療方面，通過分析不同腫瘤患者空間位置差異、癌組織與癌旁正常組織差異及免疫細(xì)胞的分布差異，指導(dǎo)腫瘤的臨床用藥。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻(xiàn)]

[1] HU?J，?SCHROEDER?A，?COLEMAN?K，?et?al.?Statistical?and?machine?learning?methods?for?spatially?resolved?transcriptomics?with?histology[J].?Comput?Struct?Biotechnol?J，?2021，?19：?3829–3841.

[2] MANIATIS?S，?PETRESCU?J，?PHATNANI?H.?Spatially?resolved?transcriptomics?and?its?applications?in?cancer[J].?Curr?Opin?Genet?Dev，?2021，?66：?70–77.

[3] ZHENG?B，?FANG?L.?Spatially?resolved?transcriptomics?provide?a?new?method?for?cancer?research[J].?J?Exp?Clin?Cancer?Res，?2022，?41（1）：?179.

[4] ST?HL?P?L，?SALMéN?F，?VICKOVIC?S，?et?al.?Visualization?and?analysis?of?gene?expression?in?tissue?sections?by?spatial?transcriptomics[J].?Science，?2016，?353（6294）：?78–82.

[5] RODRIQUES?S?G，?STICKELS?R?R，?GOEVA?A，?et?al.?Slide-seq：?A?scalable?technology?for?measuring?genome-?wide?expression?at?high?spatial?resolution[J].?Science，?2019，?363（6434）：?1463–1467.

[6] STICKELS?R?R，?MURRAY?E，?KUMAR?P，?et?al.?Highly?sensitive?spatial?transcriptomics?at?near-cellular?resolution?with?Slide-seqV2[J].?Nat?Biotechnol，?2021，?39（3）：?313–319.

[7] DRIES?R，?CHEN?J，?DEL?ROSSI?N，?et?al.?Advances?in?spatial?transcriptomic?data?analysis[J].?Genome?Res，?2021，?31（10）：?1706–1718.

[8] LI?K，?YAN?C，?LI?C，?et?al.?Computational?elucidation?of?spatial?gene?expression?variation?from?spatially?resolved?transcriptomics?data[J].?Mol?Ther?Nucleic?Acids，?2021，?27：?404–411.

[9] ZENG?Z，?LI?Y，?LI?Y，?et?al.?Statistical?and?machine?learning?methods?for?spatially?resolved?transcriptomics?data?analysis[J].?Genome?Biol，?2022，?23（1）：?83.

[10] EDSG?RD?D，?JOHNSSON?P，?SANDBERG?R.?Identification?of?spatial?expression?trends?in?single-cell?gene?expression?data[J].?Nat?Methods，?2018，?15（5）：?339–342.

[11] SVENSSON?V，?TEICHMANN?S?A，?STEGLE?O.?SpatialDE：?Identification?of?spatially?variable?genes[J].?Nat?Methods，?2018，?15（5）：?343–346.

[12] SUN?S，?ZHU?J，?ZHOU?X.?Statistical?analysis?of?spatial?expression?patterns?for?spatially?resolved?transcriptomic?studies[J].?Nat?Methods，?2020，?17（2）：?193–200.

[13] ZHU?J，?SUN?S，?ZHOU?X.?SPARK-X：?Non-parametric?modeling?enables?scalable?and?robust?detection?of&nbsp;spatial?expression?patterns?for?large?spatial?transcriptomic?studies[J].?Genome?Biol，?2021，?22（1）：?184.

[14] BINTAYYASH?N，?GEORGAKA?S，?JOHN?S?T，?et?al.?Non-parametric?modelling?of?temporal?and?spatial?counts?data?from?RNA-seq?experiments[J].?Bioinformatics，?2021，?37（21）：?3788–3795.

[15] CHARITAKIS?N，?RAMIALISON?M，?NIM?H?T.?Comparative?analysis?of?packages?and?algorithms?for?the?analysis?of?spatially?resolved?transcriptomics?data[J/OL].?ArXiv，?2021.?（2021-08-03）[2023-12-12].?https：//arxiv.?org/ftp/arxiv/papers/2108/2108.01304.pdf.

[16] SATIJA?R，?FARRELL?J?A，?GENNERT?D，?et?al.?Spatial?reconstruction?of?single-cell?gene?expression?data[J].?Nat?Biotechnol，?2015，?33（5）：?495–502.

[17] ACHIM?K，?PETTIT?J?B，?SARAIVA?L?R，?et?al.?High-throughput?spatial?mapping?of?single-cell?RNA-?seq?data?to?tissue?of?origin[J].?Nat?Biotechnol，?2015，?33（5）：?503–509.

[18] HU?J，?LI?X，?COLEMAN?K，?et?al.?SpaGCN：?Integrating?gene?expression，?spatial?location?and?histology?to?identify?spatial?domains?and?spatially?variable?genes?by?graph?convolutional?network[J].?Nat?Methods，?2021，?18（11）：?1342–1351.

[19] HAO?M，?HUA?K，?ZHANG?X.?SOMDE：?A?scalable?method?for?identifying?spatially?variable?genes?with?self-organizing?map[J].?Bioinformatics，?2021，?37（23）：?4392–4398.

[20] MOEHLIN?J，?MOLLET?B，?COLOMBO?B?M，?et?al.?Inferring?biologically?relevant?molecular?tissue?substructures?by?agglomerative?clustering?of?digitized?spatial?transcriptomes?with?multilayer[J].?Cell?Syst，?2021，?12（7）：?694–705.

[21] BAE?S，?CHOI?H，?LEE?D?S.?Discovery?of?molecular?features?underlying?the?morphological?landscape?by?integrating?spatial?transcriptomic?data?with?deep?features?of?tissue?images[J].?Nucleic?Acids?Res，?2021，?49（10）：?e55.

[22] ANDERSON?A，?LUNDEBERG?J.?Sepal：?Identifying?transcript?profiles?with?spatial?patterns?by?diffusion-?based?modeling[J].?Bioinformatics，?2021，?37（17）：?2644–2650.

[23] ZHANG?K，?FENG?W，?WANG?P.?Identification?of?spatially?variable?genes?with?graph?cuts[J].?Nat?Commun，?2022，?13（1）：?5488.

[24] 趙宇豪，?李永盛，?央茂，?等.?空間轉(zhuǎn)錄組測序技術(shù)在腫瘤發(fā)生發(fā)展機(jī)制中的應(yīng)用及前景[J].?中華醫(yī)學(xué)雜志，?2022，?102（20）：?1551–1554.

[25] ASP?M，?GIACOMELLO?S，?LARSSON?L，?et?al.?A?spatiotemporal?organ-wide?gene?expression?and?cell?atlas?of?the?developing?human?heart[J].?Cell，?2019，?179（7）：?1647–1660.

[26] MANIATIS?S，??IJ??T，?VICKOVIC?S，?et?al.?Spatiotemporal?dynamics?of?molecular?pathology?in?amyotrophic?lateral?sclerosis[J].?Science，?2019，?364（6435）：?89–93.

[27] CHEN?W?T，?LU?A，?CRAESSAERTS?K，?et?al.?Spatial?transcriptomics?and?in?situ?sequencing?to?study?Alzheimer's?disease[J].?Cell，?2020，?182（4）：?976–991.

[28] BERGLUND?E，?MAASKOLA?J，?SCHULTZ?N，?et?al.?Spatial?maps?of?prostate?cancer?transcriptomes?reveal?an?unexplored?landscape?of?heterogeneity[J].?Nat?Commun，?2018，?9（1）：?2419.

[29] THRANE?K，?ERIKSSON?H，?MAASKOLA&nbsp;J，?et?al.?Spatially?resolved?transcriptomics?enables?dissection?of?genetic?heterogeneity?in?stage?Ⅲ?cutaneous?malignant?melanoma[J].?Cancer?Res，?2018，?78：?5970–?5979.

[30] YOOSUF?N，?NAVARRO?J?F，?SALMéN?F，?et?al.?Identification?and?transfer?of?spatial?transcriptomics?signatures?for?cancer?diagnosis[J].?Breast?Cancer?Res，?2020，?22（1）：?6.

[31] MONCADA?R，?BARKLEY?D，?WAGNER?F，?et?al.?Integrating?microarray-based?spatial?transcriptomics?and?single-cell?RNA-seq?reveals?tissue?architecture?in?pancreatic?ductal?adenocarcinomas[J].?Nat?Biotechnol，?2020，?38（3）：?333–342.

[32] JI?A?L，?RUBIN?A?J，?THRANE?K，?et?al.?Multimodal?analysis?of?composition?and?spatial?architecture?in?human?squamous?cell?carcinoma[J].?Cell，?2020，?182（6）：?1661–1662.

（收稿日期：2022–12–24）

（修回日期：2023–11–24）