新闻详情

新闻详情

首页 / 资讯中心 / 详情

除了细胞聚类,空间转录组高分文章还能做哪些分析?

发布时间:2026/10/25 13:12:38来源:尧图网络
除了细胞聚类,空间转录组高分文章还能做哪些分析?
随着10x、华大Stereo-seq等空间转录组平台的发展以及空转技术的普及空间转录组逐渐成为科学研究的常用工具。以往的单细胞转录组测序是在bulk转录组测序的基础上解决了组织内细胞异质性解析的难题。可以深入研究细胞在组织和器官中的空间分布及其功能。下面小编将结合一些经典文章来分享空转高分文章研究中分析思路帮您在空间转录组研究中取得更多突破。一.细胞分群与注释空间转录组研究的首要环节是细胞群体的精准分群与功能注释目前主要基于已知标记基因的解剖学注释即利用文献报道的细胞特异性marker基因如免疫细胞的 CD45结合组织解剖图谱进行空间区域的细胞类型划分典型展现形式包括细胞聚类 UMAP 图、空间定位热图如不同颜色标注不同细胞群的空间分布、marker基因表达热图、小提琴图、气泡图等。文献案例1:2025年发表在《Neuron》IF14.7上的文章“Molecular pathways and diagnosis in spatially resolved Alzheimer’s hippocampal atlas”利用Stereo-seq技术助力绘制了全球首个阿尔茨海默病海马单细胞分辨率时空图谱该研究发现突触修剪相关基因在AD患者海马伞fimbria区域显著上调同时还观察到CA1区神经元数量显著减少而CA4区神经元相对稳定。这一发现为理解海马在神经退行性疾病中的作用提供了新的视角。图1 人类海马区的脑区空间可视化和海马区亚区域特异性基因的热图展示[1]图2 人类海马区细胞类型的UMAP可视化和标记基因在注释细胞簇中的表达水平气泡图[1]二.组间细胞注释比例变化细胞群体比例的动态变化是揭示生物学过程的关键线索。如疾病进展中的免疫细胞浸润、发育阶段的细胞分化轨迹等。通过比较不同组织或不同时期样本的细胞比例变化有助于解析组织分化的时空规律。文献案例22025年发表在《Neuron》IF14.7上的文章“Single-cell spatial transcriptomic atlas of the whole mouse brain”利用Stereo-seq技术单细胞转录组技术构建了具有单细胞分辨率的成年小鼠完整的大脑图谱科研人员成功识别了具有不同空间分布特征的神经元亚型另外在脑干识别出23个神经细胞簇并发现几种细胞类型在不同区域的偏好。图 308个细胞簇在66个小鼠脑区的分布细胞比率热图[2]三.差异/富集分析和调控网络图构建针对分组样本如野生型与突变体、治疗组与对照组可首先进行差异表达基因DEG分析然后进一步预测调控DEG的转录因子结合基因共表达网络如 WGCNA绘制 TF - 靶基因互作网络图挖掘引起特定细胞群体表达差异的关键基因或转录因子然后通过KEGG/GO富集分析这些关键因子的功能。文献案例32024年发表在《Advanced science》IF14.3上的文章“Cross-Species Insights into Trophoblast Invasion During Placentation Governed by Immune-Featured Trophoblast Cells”通过对猪和小鼠胎盘发育样本利用Stereo-seq进行检测并进行数据分析发现五个不同的非侵入性滋养层细胞亚群中第一型上皮绒毛滋养层细胞亚群Tr1在细胞黏附和迁移中富集主要存在于妊娠第16天参与了猪胚胎的植入过程。研究结果阐明了胎盘滋养层细胞侵入的调控机制。图 小提琴图和热图显示了小鼠iTrophoblast亚群的DEGs和富集GO[3]文献案例4:另外一篇同样2024年发表在《Advanced Science》IF14.3上的文章“Spatial Transcriptome and Single Nucleus Transcriptome Sequencing Reveals Tetrahydroxy Stilbene Glucoside Promotes Ovarian Organoids Development Through the Vegfa-Ephb2 Pair”利用Stereo-seq单细胞转录组技术对卵巢类器官发育过程进行研究主要研究了与卵母细胞、颗粒细胞和卵泡膜细胞等细胞类型相对应的转录调控网络并在每种细胞类型中发现了主要的转录调控子研究增进了我们对卵巢类器官发育机制的理解。图 从四羟基茋葡萄糖苷TSG处理的卵母细胞和对照卵巢类器官中动态表达的TF-基因调控网络[4]四.拟时序分析拟时序分析基于真实的RNA转录动力学对于胚胎发育等方向非常重要的一个分析内容用来推算细胞的分化走向。在空间转录组中可以通过对应细胞类型在空间上的定位来分析基因表达模式和推断组织发育特征。文献案例52025年发表在《Cancer Cell》IF48.4上的文章“Spatial transcriptomics reveals tryptophan metabolism restricting maturation of intratumoral tertiary lymphoid structures”利用Stereo-seq对数据进行拟时序分析在初始B细胞到生发中心B细胞转变过程中发现了一个独特的过渡阶段这一阶段的特点是生发中心B细胞数量急剧增加而细胞多样性减少。研究最终绘制出了肝癌样本中三级淋巴结构TLS的全景发育图谱。图 成熟TLS分化过程的拟时序分析[5]五.细胞通讯细胞间通讯是生命体内各种生物过程的重要基础其通过不同的方式和机制使细胞能够相互交流从而协调生理活动、维持稳态和应对外部环境的变化。该分析可以通过空间转录组数据定位肿瘤细胞与基质细胞的邻域关系构建 “肿瘤-免疫” 通讯网络揭示化疗耐药相关的分泌信号如成纤维细胞分泌 TGF-β 促进肿瘤细胞上皮 - 间质转化。文献案例62024年发表在《Cell Discovery》IF13上的文章“Single-cell spatiotemporal analysis reveals alveolar dendritic cell–T cell immunity hubs defending against pulmonary infection”对仓鼠肺组织利用空间转录组单细胞转录组检测并进行细胞通讯分析Cd160Cd8 T 细胞、Tnfrsf4Cd4 T细胞与Ccr7Ido1 DCs通过趋化因子、共刺激因子和粘附分子显示出潜在的细胞间相互作用研究揭示了肺泡树突状细胞-T细胞免疫中枢抵御肺部感染能力。图 免疫枢纽的三种关键细胞类型的受体-配体对预测分析[6]凌恩生物联合华大基因时空组学平台推出全新一代空间转录组解决方案——Stereo-seqspatial enhanced resoluton omics-sequencing技术以“纳米级精度全场景覆盖”为核心精确定位基因表达的空间位置提供传统转录组学无法企及的空间维度信息更能揭示组织中不同细胞类型和亚类型之间的复杂相互作用和空间分布。此外凌恩也提供优秀的一站式本地化服务团队助力您的科研突破生物学认知边界参考文献[1] Wang P, et al. Molecular pathways and diagnosis in spatially resolved Alzheimers hippocampal atlas. Neuron. 2025 Mar 26:S0896-6273(25)00174-6. doi: 10.1016/j.neuron.2025.03.002.[2] Han L, et al. Single-cell spatial transcriptomic atlas of the whole mouse brain. Neuron. 2025 Mar 20:S0896-6273(25)00133-3. doi: 10.1016/j.neuron.2025.02.015..[3] Zang X, et al. Cross-Species Insights into Trophoblast Invasion During Placentation Governed by Immune-Featured Trophoblast Cells. Adv Sci (Weinh). 2024 Nov;11(42):e2407221. doi: 10.1002/advs.202407221.[4] Mu C, et al. Spatial Transcriptome and Single Nucleus Transcriptome Sequencing Reveals Tetrahydroxy Stilbene Glucoside Promotes Ovarian Organoids Development Through the Vegfa-Ephb2 Pair. Adv Sci (Weinh). 2025 Jan;12(4):e2410098. doi: 10.1002/advs.202410098.[5] Tang Z, et al. Spatial transcriptomics reveals tryptophan metabolism restricting maturation of intratumoral tertiary lymphoid structures. Cancer Cell. 2025 Jun 9;43(6):1025-1044.e14. doi: 10.1016/j.ccell.2025.03.011.[6] Cong B, et al. Single-cell spatiotemporal analysis reveals alveolar dendritic cell-T cell immunity hubs defending against pulmonary infection. Cell Discov. 2024 Oct 16;10(1):103. doi: 10.1038/s41421-024-00733-5.
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/25 3:20:41

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/25 3:43:49

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/25 4:02:17

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/25 5:03:13

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/25 3:54:32

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/25 5:32:24

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉