★ FEATURED ARTICLE 最近圈子里都在聊第四届单细胞与空间组学技术大会上那台叫 Spatial X 全息蛋白质组学的技术平台还有个“年度技术创新先锋奖”的加持。做组学的朋友应该都清楚这个奖项不是随便发的它往往代表着一项方法学从实验室阶段走向规模化应用的关键信号。这篇文章我就结合空间蛋白质组学的技术脉络把 Spatial X 到底做对了什么、能解决什么问题、科研团队拿到这种技术该怎么用以及在实际项目里会踩哪些坑一次性聊透。适合正在考虑引入空间蛋白组学服务、或者对技术选型还在犹豫的课题组和工业界研发团队参考。1. 从“一锅端”到“原位看”全息蛋白质组学到底做对了什么1.1 传统的蛋白质组学为什么丢掉了空间信息做蛋白质组学的人都知道过去最常规的操作就是把组织样本收下来匀浆、裂解、酶解然后上质谱。这个流程本身没有任何问题结果也非常稳定但它有一个天然缺陷组织里不同细胞、不同区域的信息被完全平均化了。我打个比方你面前有一桌菜有清蒸鱼、有麻辣火锅、还有一盘凉拌青菜你拿一台大功率搅拌机把它们全部打成糊状然后说“我尝到了这桌菜的味道”。你确实测到了所有成分但你完全不知道哪个菜是辣的、哪个菜是甜的更不知道哪道菜配了什么样的蘸料。传统蛋白质组学就是这么一锅端。肿瘤研究里这个矛盾特别突出。一个肿瘤组织切片里癌细胞、免疫细胞、成纤维细胞、血管内皮细胞交织在一起它们各自分泌不同的蛋白执行不同的功能。用组织匀浆测蛋白组相当于把“战斗现场”变成了“阵亡名单”你知道有哪些蛋白存在却不知道它们各自在被谁表达、在哪个区域发挥作用。空间转录组学这几年之所以火就是因为它试图补上“位置”这个维度。但 RNA 水平离功能表型还有一段距离尤其蛋白质的翻译后修饰、降解速率、亚细胞定位这些关键信息RNA 完全体现不出来。大量研究都证实转录本丰度和蛋白丰度之间的相关性通常只有 0.4 到 0.6这就意味着只看 RNA 来猜蛋白功能经常会得出偏差不小的结论。1.2 “全息”怎么理解是信息维度上的完整拼图Spatial X 名字里的“全息”很容易让人联想到光学全息成像但它真正的含义更偏向于“全维度解析”。它要做的不是简简单单给组织切片测几个蛋白而是把空间位置、蛋白质种类、表达丰度、翻译后修饰状态这些信息全部整合到一张组织原位图谱里。和一个新概念打交道我建议先理解它想补齐什么短板。传统空间蛋白组学大多数是抗体依赖的靶向方案一次能看的靶点从几个到几十个不等。这些方案在验证已知机制时很好用但如果你面对的是一个没怎么被研究过的组织类型、疾病状态或者稀有细胞类群你根本不知道该把哪几十个抗体放进去。靶向检测天然有“盲人摸象”的属性抗体列表就像那个“摸”的手哪里先验知识薄弱哪里就是盲区。所以从产品逻辑上讲Spatial X 全息蛋白质组学最重要的特征是从靶向走向非靶向、从几十个蛋白走向数千个蛋白。它把一个组织切片里不同区域的蛋白全谱拿下来再把这些谱投射回组织原位。这时候你看到的不再是几个marker的“定向快照”而是一张完整的、支持未知发现的空间蛋白表达地图。对于做标志物筛选、机制探索、异质性分析的团队来说这个能力是非常关键的。2. 全息蛋白质组学的技术底座从样本到数据的关键闭环2.1 空间坐标系的建立区域划分是核心前提做空间蛋白质组学第一步不是上质谱而是先给组织建立一套“空间坐标系”。组织切片经过染色成像之后你需要借助形态学特征或者参考蛋白标记把不同组织区域圈出来。这一步骤业内常用激光显微切割来操作。简单说就是用激光把目标区域从组织切片上精确切下来切下来的组织直接作为蛋白质组的分析原料。切得越细空间分辨率越高但对应的样本量就越少质谱鉴定深度就相对受限。这是物理定律决定的没办法绕过去。实际操作中区域划分策略直接决定数据质量。我见过不少课题把区域划得又碎又小结果每个区域的蛋白鉴定量掉到几百个根本撑不起后续分析。反过来如果只划两三刀粗犷的区域那跟传统匀浆也没多大差别。所以一个比较好的做法是混合策略全组织层面做一个低分辨率的蛋白全景再针对感兴趣的精细结构做高分辨率的局部深测这样既能顾全大局又能突出重点区域。2.2 微量样本和质谱深度的拉锯战空间蛋白质组学最硬核的技术难点在于样本量极小但你要从里面鉴定出尽量多的蛋白质。一个激光显微切割下来的区域蛋白总量常常只有几百纳克甚至更低这个量放到常规蛋白质组学的流程里可能连一次像样的预分离都撑不过。Spatial X 这类平台能跑通靠的是样本制备、标记策略、质谱采集三端的协同优化。样本制备端要把损失降到最低尽量缩短前处理流程中的转移步骤标记策略上用同位素标记把不同空间区域的样本编码到同一个批次里减少批次间差异质谱采集端则要利用离子迁移谱这类技术把共流出肽段在进入质谱检测器之前再做一次气相的分离相当于在色谱分离之外额外叠加了一维分离能力让低丰度蛋白的肽段有更大机会被采集到。这个逻辑本质上是在跟灵敏度较劲。蛋白质组学的“深度”和“空间分辨率”是一对矛盾你把组织切得越细想看的细胞类型越纯单区域里的蛋白总量就越少鉴定深度就越浅。好的空间蛋白组学平台往往不是某一个指标做到极致而是找到了深度和空间精度之间的最佳平衡点让绝大多数课题都能拿到一个“够用”的数据集。2.3 数据拼回组织的“全息图”数据采集完成后还需要把分散在不同区域的蛋白组数据重新拼接回组织图像上。这个环节我把它理解成“地图映射”。每个组织区域就相当于地图上的一个小区蛋白表达谱是这个小区的“住户名单”通过软件把这些信息按空间坐标排列起来就形成了一张组织的分子图谱。在这张图谱上你可以进一步做无监督聚类把蛋白表达谱相似的空间区域归成同一个类群也可以结合传统病理学 annotation看哪些蛋白和特定的组织结构、病灶区域富集在一起。更进阶一点空间蛋白数据还可以和同一张切片的 HE 图像、相邻切片的转录组数据做多模态整合。业内比较形象的说法是做一个“数据立方体”同一个空间位置拥有形态学信息、转录信息、蛋白信息和修饰信息研究者可以在不同分子层面之间反复交叉验证。这种多维度的 holistic 视角恰恰是传统单组学难以提供的。3. 这台技术真正能落地的研究场景三类值得优先考虑的应用3.1 肿瘤微环境的蛋白空间图谱空间蛋白质组学应用最成熟的场景毫无疑问是肿瘤微环境研究。细胞的组成、空间排列、细胞间通讯这些信息对理解免疫逃逸、耐药机制、治疗响应差异都非常关键。举例来说一项肿瘤研究如果只做传统蛋白组你会发现某些免疫相关蛋白整体表达比较高但不知道它们是弥漫分布在肿瘤间质里还是集中富集在浸润前沿的特定免疫细胞亚群。而这种空间信息往往才是决定生物学意义的关键。有了空间蛋白图谱你可以直接在组织原位看到 PD-L1、CD8、CD68 这些关键蛋白在空间上的共定位关系也可以发现一些全新的趋化因子梯度进而提出新的细胞互作模型。更重要的是空间蛋白数据可以直接支撑数字病理分析。把蛋白表达定量信息和病理学家标注的坏死区、浸润前沿、淋巴聚集区叠加就能得到一张定量的“蛋白作战地图”。这类分析对后续设计多重免疫荧光验证实验、或者筛选候选干预靶点都有直接的指导价值。3.2 翻译后修饰的空间定位从蛋白表型到功能表型Spatial X 这类平台真正拉开和普通空间蛋白组差距的地方在于它可以做翻译后修饰组的空间解析尤其是磷酸化。磷酸化修饰是细胞内信号传导的“开关”响应快、动态范围大传统组织匀浆做磷酸化组学很容易损失空间信息而原位空间磷酸化组学可以把信号通路激活状态直接定位到组织特定区域。比如你可以观察到某个信号通路只在肿瘤前沿区域被异常激活而中心区域并没有。这种信息对判断药物靶点是否“在正确的位置被抑制”非常有价值。组蛋白修饰的空间分布也是一个大热点。同一个组织中不同区域的染色质状态可能完全不同这决定了细胞的命运和可塑性。把这些表观修饰标志物的空间分布画出来等于给组织增加了一层面观遗传学的“地层图”。不过磷酸化修饰组学有一个天然难点修饰肽段的化学计量比很低信号容易被非修饰肽段淹没。所以空间磷酸化项目的成功高度依赖富集效率和起始样本量。做这类课题我建议优先选择临床上已经积累了丰富病理信息的样本类型不要一上来就在一个完全陌生的模型体系里做空间磷酸化验证那很容易被背景噪音干扰。3.3 生物标志物发现和疾病亚型分层生物标志物筛选是空间蛋白质组学应用潜力最大的方向之一。原因很简单标志物最终是要用在临床组织样本上的组织原位的信息天然具有转化优势。传统标志物发现流程常常是组织匀浆蛋白组筛选、细胞实验验证、组织切片验证三步走中间跨了好几个体系候选分子很容易在转化环节失效。空间蛋白质组学可以直接在“临床组织切片”这个最终应用场景里完成筛选和验证大幅压缩了转化链条。你可以在同一张切片上找到区域差异表达的蛋白然后用邻近切片做独立验证再拿另一批独立队列做重复整个流程的连贯性非常好。最近我留意到很多疾病亚型分型和微环境分型的研究也开始引入空间蛋白组学。过去分型主要靠转录组特征打分现在可以加入蛋白层面和空间分布层面的特征。蛋白是功能的直接执行者空间分布是功能发挥的背景这两个维度的加入让分型体系更贴近真实生物学状态。4. 想把这项技术用到自己的课题里样本准备和实验设计避坑指南4.1 样本是第一道生死线选对组织类型和保存方式如果计划做空间蛋白质组学第一优先级是样本质量。这句话我说多少遍都不嫌多。组织离体后的缺血时间、保存方式、包埋介质都会直接影响蛋白组数据和修饰组的可信度。我的建议是优先使用新鲜冷冻组织也就是手术离体后尽快速冻、OCT包埋保存的样本。FFPE组织虽然在病理科海量存在但交联对蛋白提取和质谱鉴定影响很大做空间蛋白组需要专门的抗原修复和解交联流程成功率不如新鲜冷冻组织稳定。切片细节也非常关键。常规切片做染色可能厚一点薄一点都无所谓但空间蛋白组学对切片厚度有明确要求通常需要根据组织类型摸索。切太厚激光切割难度增加、样本纯度下降切太薄蛋白起始量不足。比较稳妥的做法是正式实验前先切几张试片评估一下组织形态完整性和预计可划取区域面积。还有一个容易被忽视的坑OCT 包埋剂残留。OCT 的成分是聚乙烯醇和聚乙二醇这些聚合物在质谱检测里会带来很强的背景信号抑制肽段离子化。所以激光切割后的样本一定要做好 OCT 清洗必要时做额外的纯化步骤。很多人第一批空间蛋白组数据跑出来背景特别高排查到最后基本都是这一步没做好。4.2 空间分辨率、分析区域数量和蛋白深度的取舍实验设计阶段你需要回答三个问题区域的直径或面积控制在什么级别一共分析多少个区域每个区域期望鉴定到多少蛋白这三者本质上是相互制约的。我的实操经验是先明确自己的生物学问题。如果要对比的是不同组织结构比如癌巢和间质那么区域可以切得相对大一些保证每一区域的蛋白鉴定深度如果目标是比较微环境中的细小亚结构比如三级淋巴结构、血管周围龛就必须把区域切小但这时要接受蛋白深度打折的现实。预算充足的情况下建议做梯度设计预实验。拿一片代表性组织分别用不同区域大小切 5 到 10 个区域上机跑一圈看看蛋白鉴定量能稳定在什么水平。用这批数据确定正式实验的区域参数远比直接上来切几十个区域然后踩坑要聪明得多。4.3 数据分析的几个常见坑位人和软件都不能少空间蛋白质组学数据分析容易犯的第一个错误是直接套用转录组空间分析的流程。蛋白组的数据特点不同比如蛋白定量动态范围比转录组更宽、数据缺失值的比例更高、批次效应更敏感。建议在数据预处理阶段花更多时间做缺失值评估和批量校正而不是一上来就扎进聚类。第二个坑是区域细胞构成的差异。激光显微切割的区域通常不是纯的单一细胞类型而是多种细胞的混合。这种“细胞纯度”差异会直接影响蛋白表达谱的解读。分析时最好结合病理学信息清晰标注每个区域的细胞构成特征才不至于把细胞比例的差异误解成蛋白表达水平的差异。第三个坑是区域圈定偏差。同一个组织切片两个人划区域结果可能相差很大。强烈建议区域圈定环节有病理背景的研究者参与或者至少使用标准的形态学参考图谱来对齐。这一环如果地基没打好后续分析做得再漂亮结论也难以站住脚。5. 奖项和行业趋势技术风向标背后的考量逻辑5.1 这类“技术创新奖”到底在评价什么在学术和产业交流大会上像“年度技术创新先锋奖”这一类奖项评判维度通常不是论文数量或影响因子而是三点技术原创性、解决实际痛点的能力、以及从实验室走向产业化的成熟度。Spatial X 能被提名并获奖说明评审方认可它做的事情不是已有技术的简单排列组合而是把空间分辨率、蛋白组深度和修饰组覆盖这三个目标推到了一个新的平衡点。这种“把不可能的三角做成了”的能力是空间组学领域公认的硬核创新。说实话这几年空间组学赛道热度非常高但大量工作集中在空间转录组真正在空间蛋白组层面实现高深度覆盖的技术相对有限。因为蛋白检测的灵敏度瓶颈太高抗体方案又受靶点预设限制。所以谁能在非靶向空间蛋白组上跑得通、跑得稳谁就能拿到下一波技术红利。5.2 对科研用户和下游产业的影响对科研用户来说这类技术从实验室走向标准化服务直接改变了课题设计的上限。过去想做空间蛋白组要么自己搭流程涉及光学显微切割、微量样品制备、高灵敏质谱等多个专业领域门槛极高要么用抗体 Panel 方案但能看的靶点有限。现在有了成熟的全息空间蛋白组产品意味着一个普通课题组也能在一个合理的预算内拿到高质量的空间蛋白数据。这个变化最大的意义不是让某几个头部实验室跑在前面而是把整个领域的起跑线往前推了一大截。空间蛋白组学再也不是“大牛实验室专属”而是可以作为常规技术手段进入更多科研团队的课题设计。在产业端这项技术对标志物开发、药物靶点验证、病理数字化都有直接促进作用。空间蛋白图谱本身就是一种高维度的数字病理数据结合 AI 图像识别和病理信息挖掘很可能成为下一代精准医学基础数据库的组成部分。这里面蕴藏的想象空间比我这里能展开讲的还要大得多。6. 关于这项技术我个人的几条建议最后说几条基于实操经验的建议。第一次尝试空间蛋白质组学不要贪多求全。先把样本质量控制做扎实哪怕少分析几个区域也要保证每一个区域的数据都是可信的。这个领域的容错率不高组织样本是不可再生资源切一次少一次。设计课题时要考虑好验证路径。空间蛋白组学本质上是一个发现工具它给你线索但最终的生物学结论还是需要功能实验来验证。我的习惯是用空间蛋白数据锁定候选蛋白和候选区域然后立刻设计独立的免疫组化或免疫荧光实验在更大的队列里验证再配合细胞实验证明因果关系。做完了这条链路数据的故事才完整。还有一点如果想了解最新的技术动态与其看各种报告不如去和已经跑过真实项目的同行聊。问问他们样本用了什么类型、区域切了多少个、质谱跑的什么梯度、数据里缺失值比例多少。这些真实细节比展台上的宣传页有用得多。一套技术能不能在你的样本上复现只有做过的人最清楚。
阅读完成 · 觉得有帮助？
