在過去的生物科技研究，無論是 DNA、RNA或者是蛋白質的領域，幾乎都是使用成千上萬個細胞的混合體的萃取物。NGS 和 Digital PCR 相繼問世後，科學家們開始得以探討單一細胞的基因表現。然而，這些細胞在組織原本的位置在哪裡呢?
以前有一種方法，就是利用 laser microdissection microscope 把組織切片上的某一群組織圈選並切下來，然後再去萃取這些”特定”組織細胞的DNA、RNA或者是蛋白質分析。
從此，想要研究的細胞在組織中的原始空間位置就越發重要了。於是產品的開發轉向”定位”基因表現或蛋白質偵測， Spatial Omics 的新紀元就此誕生!
傳統的組學（Omics）研究通常需要將組織磨碎、提取細胞內容物進行分析，這雖然能告訴我們「組織裡有哪些分子」，卻會徹底破壞細胞在組織中的原始空間位置與微環境結構。而「空間質體學／空間組學」的核心精神，就是在保留組織完整三維結構與空間位置的前提下，精準測量並繪製生物分子（如蛋白質、基因、代謝物等）的地圖。
一、 核心特點與優勢
- 保留空間結構：能在顯微鏡級別的解析度下，清楚看到特定的分子究竟位於組織的哪一個細胞、哪一個微環境，或是細胞間的交界處。
- 解析細胞異質性：即使是相鄰的細胞，其分子表現也可能截然不同。空間技術能揭示這種高度的細胞多樣性與差異。
- 原位細胞通訊：能夠研究細胞與細胞之間是如何透過訊號分子進行「對話」與相互作用的。
二、 主要分支技術
- 空間蛋白質體學（Spatial Proteomics）：利用質譜成像（Mass Spectrometry Imaging, MSI）或高解析免疫螢光技術，直接在組織切片上掃描並分析蛋白質的空間分布與豐度。
- 空間轉錄體學（Spatial Transcriptomics）：在地圖上原位捕捉核糖核酸（RNA），了解基因在組織中哪些區域被高度轉錄。
- 空間代謝體學（Spatial Metabolomics）：追蹤組織中各種代謝小分子的空間分布狀況。
三、 主要應用領域
- 癌症研究（腫瘤微環境）：研究免疫細胞是如何浸潤腫瘤組織、腫瘤周邊的微環境如何影響抗藥性，以及不同區域癌細胞的異質性。
- 神經科學：繪製大腦不同腦區的精細分子圖譜，研究阿爾茨海默病等神經退化性疾病中病理蛋白斑塊周邊的分子變化。
- 藥物開發：評估藥物在組織或病灶中的實際滲透率、代謝情況與療效，加速轉譯醫學的發展。
建立空間體學（Spatial Omics）的計算分析流程，需要從數據預處理開始，逐步推推進至空間圖形分析與自動化管線封裝。根據文獻與實務指引，建構一套完整的計算流程可分為以下 9 個關鍵步驟：
1. 數據預處理與影像對齊（Preprocessing & Image Registration）
- 執行原廠上游管線：使用各平台專用工具（如 10x Genomics 的 Space Ranger、NanoString 的 GeoMx NGS Pipeline 或 Xenium/CosMx 內建分析軟體）將原始定序數據（FASTQ）轉換為基因表達矩陣（Count Matrix）。
- 影像對齊與座標校正：將 H&E 染色或螢光顯微影像與空間定序/捕捉點的 2D/3D 座標進行精確對齊，確保空間位置與表達數據匹配。
2. 選擇分析框架與數據容器（Analysis Frameworks）
將資料載入支援空間特徵與多模態資料結構的計算框架中：
- Python 生態系：
Scanpy、Squidpy（專注於空間圖形構建與鄰域分析）以及SpatialData（可統一管理影像、點位、多邊形與表達矩陣的多模態通用框架）。 - R / Bioconductor 生態系：
Seurat（包含空間數據處理與 SCTransform 模組）、Giotto或SpatialExperiment。
3. 質量控制與過濾（Quality Control & Filtering）
- 品質指標評估：計算每個 Spot 或細胞的文庫大小（Library Size）、檢測到的基因數量及粒線體基因比例（Mitochondrial Read Percentage）。
- 空間影像疊加視覺化：將 QC 指標繪製於組織影像上，剔除低品質點與非組織區域（Off-Tissue Spots）。針對不同樣本類型（如 FFPE 臨床切片與鮮凍切片）需彈性調整過濾門檻。
4. 標準化與高變異基因選擇（Normalization & Feature Selection）
- 校正技術偏差：應用變異數穩定標準化演算法（如 Seurat 的
SCTransform或 Log-normalization），消除定序深度與技術雜訊。 - 特徵選擇：篩選出高變異基因（HVGs），作為後續降維與分群的特徵基礎。
5. 降維與空間感知分群（Dimensionality Reduction & Spatial Domain Detection）
- 特徵壓縮：利用 PCA 提取主要變異特徵，再使用 UMAP 或 t-SNE 進行 2D 降維視覺化。
- 空間感知分群：結合基因表達量、物理空間距離及組織學圖像特徵進行微環境分群，常見工具包含圖卷積網路演算法
SpaGCN、貝氏模型BayesSpace或stLearn。
6. 空間變異基因檢測（Spatially Variable Genes, SVGs）
- 識別空間依賴基因：使用
SPARK-X、Squidpy或nnSVG等統計模型，尋找表達量在組織空間中呈現顯著非隨機分佈的基因，用於發現區域 Marker 基因與解剖構造註釋。
7. 細胞類型註釋與單細胞解捲積（Cell Type Mapping & Deconvolution）
- 多細胞 Spot 點解捲積：對於非單細胞解析度的平台（如 Visium），結合匹配的單細胞 RNA 定序（scRNA-seq）參考圖譜，利用
cell2location（貝氏推論模型）、Tangram或RCTD推算每個空間位置的細胞類型組成比例。 - 單細胞/亞細胞解析度平台：如 Xenium 或 CosMx，可透過 Label Transfer 或整合分析將參考圖譜的細胞標籤直接轉移至空間細胞上。
8. 空間微環境與細胞間通訊分析（Niche & Cell-Cell Communication）
- 建構空間鄰接圖：計算細胞間物理鄰近性並定義細胞鄰域（Cellular Neighborhoods）。
- 配體-受體對分析：結合物理空間限制，推算微環境中細胞間的分子通訊網路（如利用
SpaTalk或CellChat）。
9. 打造可重複的自動化管線（Reproducible Pipeline Design）
- 自動化工作流封裝：若需處理多樣本或建立標準化流程，可利用工作流語言（如 Snakemake、Nextflow）或現有管線（如
SpaceSequest、Panpipes、Spacemake或nf-core/spatialvi）進行整合。 - 格式導出與互動式探索：保存為標準 RData 或 Python h5ad/Zarr 格式，並對接互動式視覺化工具（如 Quickomics、Cellxgene VIP）方便後續數據調閱與共享。
