单细胞转录组（scRNA-seq）与空间转录组（ST）的区别

生信大白记

已于 2025-03-07 16:42:46 修改

阅读量2.4k

点赞数 31

CC 4.0 BY-SA版权

文章标签：单细胞转录组空间转录组生物信息学大数据 big data

于 2025-03-07 16:40:13 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Da_gan/article/details/146099262

单细胞转录组测序（Single-cell RNA sequencing, scRNA-seq）和空间转录组测序（Spatial Transcriptomics, ST）都是解析基因表达的重要技术，但它们在技术原理、分辨率、数据特性、应用场景等方面存在明显区别。

下面从多个维度详细对比这两种技术。

1. 技术原理

🔹 单细胞转录组（scRNA-seq）

核心原理
：将细胞分离成单个细胞，通过高通量测序技术检测每个细胞的mRNA表达情况。
关键步骤
：
1. 组织解离
  ：使用酶或机械方法分离单个细胞。
2. 细胞捕获
  ：利用微流控芯片（如 10x Genomics）、微滴（Drop-seq）、微孔（SMART-seq）等技术对单个细胞进行分离。
3. mRNA 提取与扩增
  ：使用逆转录和PCR技术扩增RNA。
4. 文库构建 & 高通量测序
  ：将cDNA文库进行Illumina测序。
5. 数据分析
  ：利用降维（PCA/t-SNE/UMAP）、聚类、细胞类型注释等方法解析细胞异质性。

🔹 空间转录组（ST）

核心原理
：在组织切片上原位捕获 mRNA，并保留空间信息，通过测序或荧光成像解析基因表达模式。
关键步骤
：
- 条形码探针法（Visium, Slide-seq）
  ：玻片上布满条形码探针，mRNA 与其结合，并进行测序。
- 原位测序法（MERFISH, seqFISH）
  ：荧光标记RNA分子，通过显微成像获取表达数据。
1. 组织切片
  ：组织样本固定后切片，铺在玻片或特殊基质上。
2. mRNA 捕获
  ：
3. 基因表达检测
  ：进行高通量测序或荧光成像。
4. 数据分析
  ：空间基因表达重建、区域聚类、细胞类型鉴定、空间相互作用分析等。

2. 分辨率对比

维度	单细胞转录组（scRNA-seq）	空间转录组（ST）
单细胞分辨率	✅ 能达到单细胞或亚细胞水平	❌ 传统ST技术难以达到单细胞（除MERFISH、seqFISH等）
空间信息	❌ 丢失空间位置信息	✅ 可解析基因的空间分布
细胞类型解析	✅ 能精准区分细胞类型	⚠ 依赖组织区域划分，难以直接分离单个细胞

🔹 单细胞转录组

优势
：可检测单个细胞基因表达，适用于研究细胞异质性、稀有细胞类型、细胞命运轨迹等。
劣势
：缺乏组织空间信息，细胞分离过程可能影响细胞状态。

🔹 空间转录组

优势
：保留细胞在组织中的空间信息，适用于研究组织结构、细胞间相互作用、发育过程等。
劣势
：通常无法达到单细胞分辨率，部分技术（如Visium）每个spot可能包含多个细胞。

3. 数据特性

维度	单细胞转录组（scRNA-seq）	空间转录组（ST）
数据类型	单细胞表达矩阵	空间表达矩阵
分辨率	单细胞级	细胞簇（spot）或高分辨率（MERFISH）
基因覆盖度	依赖文库策略（10x 低覆盖，SMART-seq 高覆盖）	受捕获探针或测序深度限制
噪声水平	高（掉落事件、多重检测）	低（组织切片减少细胞丢失）
样本通量	一次可检测数万细胞	受玻片面积、探针数量限制

单细胞数据：更关注细胞异质性，适合细胞亚群分析。
空间数据：强调基因表达的空间模式，适合研究组织微环境。

4. 主要技术平台对比

技术	单细胞转录组	空间转录组
10x Genomics	Chromium (scRNA-seq)	Visium
Smart-seq	高精度 scRNA-seq	❌（无空间分辨率）
Drop-seq	微滴式单细胞测序	❌
Slide-seq	❌	高分辨率 ST
MERFISH	❌	原位测序 ST
seqFISH+	❌	超高分辨率 ST
Stereo-seq	❌	超高分辨率 ST

5. 适用研究方向

研究领域	单细胞转录组（scRNA-seq）	空间转录组（ST）
细胞类型鉴定	✅ 解析异质性	⚠ 依赖区域划分
肿瘤微环境	✅ 识别肿瘤亚群	✅ 研究细胞空间分布
胚胎发育	✅ 研究细胞分化	✅ 研究组织结构变化
神经科学	✅ 解析神经元亚群	✅ 研究脑区分布
免疫学	✅ 解析免疫细胞谱系	✅ 研究免疫细胞浸润
组织病理学	❌ 丢失空间信息	✅ 结合病理切片

6. 单细胞转录组 & 空间转录组的整合分析

为了同时利用 scRNA-seq 的细胞精度 和 ST 的空间信息，可以进行数据整合：

使用 scRNA-seq 识别细胞类型
。
将单细胞数据映射到空间数据
，推测不同细胞在组织中的分布。
分析空间基因表达模式
，研究细胞间相互作用。

常用整合工具：

Seurat
（单细胞 + 空间数据映射）
SPOTlight
（基于 NMF 解析空间细胞组成）
Cell2location
（贝叶斯模型推测细胞分布）
Tangram
（机器学习模型进行单细胞-空间映射）

7. 总结

对比维度	单细胞转录组（scRNA-seq）	空间转录组（ST）
分辨率	单细胞级	细胞簇（spot）或超高分辨率
空间信息	❌ 无	✅ 有
细胞异质性	✅ 精确识别	⚠ 依赖区域划分
数据降噪	⚠ 需要更强滤噪	✅ 噪声相对低
适用场景	研究细胞类型、发育、癌症	研究组织结构、细胞间通讯

最佳实践

想研究细胞类型？
用 scRNA-seq
想研究组织结构？
用 ST
想结合两者？
用 scRNA + ST 整合分析

未来，单细胞 & 空间转录组的结合 将成为趋势，推动更深入的生物学研究！ 🚀

生信大白记第57记，就到这里，关注我！

下一记，持续更新学习生物信息学的内容！

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。