1. 领域背景与文献
文献英文标题：Spatial omics: applications and utility in profiling the tumor microenvironment；
发表期刊：Cancer and Metastasis Reviews；影响因子：未公开；研究领域：肿瘤学（空间组学在肿瘤微环境研究中的应用）
传统基因组学研究中，批量RNA测序（bulk RNA-seq）可分析组织整体转录特征，但缺乏空间分辨率，无法明确转录本在组织架构中的起源位置，阻碍了细胞原位互作的解析。2009年左右单细胞转录组技术的出现实现了单个细胞层面的转录组分析，能精细分类细胞状态与类型，揭示细胞间动态变化，但丢失了细胞在组织中的空间位置信息，无法确认天然组织环境中细胞的物理互作。为填补这一空白，空间组学技术应运而生，早期方法如激光捕获显微切割结合区域特异性RNA测序可实现特定组织区域的转录组分析，但通量和可扩展性有限。2016年商业化测序基空间转录组平台（如10× Genomics Visium）的推出，推动了空间组学的广泛应用；随后高分辨率成像基平台（如MERFISH）的出现，实现了亚细胞分辨率的转录本可视化，进一步拓展了空间组学的应用范围。当前空间组学的研究热点集中在肿瘤微环境的细胞空间互作解析、肿瘤异质性的空间特征刻画、免疫治疗响应的空间机制研究及精准医学中的空间Biomarker发现，未解决的核心问题包括技术层面分辨率与通量的平衡、多组学整合的标准化分析框架、临床转化中的成本控制与大规模验证等。
针对领域内缺乏对空间组学全技术链条、多维度应用及临床转化潜力的系统性整合综述的现状，本综述全面梳理了空间组学技术体系、在肿瘤研究中的应用案例、当前面临的挑战及未来发展方向，为领域内研究者提供了全景式的参考框架，推动空间组学从基础研究向临床应用的转化。
2. 文献综述解析
本综述以“空间组学技术体系-肿瘤研究应用-挑战与未来”为核心评述逻辑，先按技术类型对空间组学方法进行分类梳理，再按应用场景阐述其在肿瘤研究中的价值，最后分析当前技术与临床转化的瓶颈并展望未来方向。
现有空间组学研究可分为技术开发与应用研究两大方向，技术开发方面，测序基空间组学平台（如10× Genomics Visium、BGI Stereo-seq）具有高通量、无偏倚的优势，可实现全转录组范围的空间分析，但空间分辨率相对较低，难以区分单个细胞；成像基空间组学平台（如MERFISH、Xenium）具有亚细胞分辨率的优势，能精准定位转录本的细胞内位置，但需要预定义探针面板，限制了新转录本或稀有细胞群的发现；空间蛋白质组技术（如CODEX、MIBI）可实现蛋白层面的空间分析，为细胞功能研究提供直接证据，但依赖于特异性抗体的可用性。应用研究方面，现有研究已证明空间组学能揭示传统方法无法发现的肿瘤微环境细胞互作模式，如FAP+癌症相关成纤维细胞（CAFs）与免疫细胞的空间共定位与患者预后的关联，肿瘤内药物响应的空间异质性，免疫治疗耐药的空间机制等，但多数研究仍处于基础研究阶段，缺乏大规模临床验证，且多组学整合分析的标准化框架尚未建立。
与现有侧重单一技术或某一应用方向的综述不同，本综述系统整合了空间组学的全技术链条（包括测序基、成像基、空间蛋白质组及计算分析方法），并结合最新的临床研究案例，全面阐述了空间组学在肿瘤微环境解析、治疗响应研究、免疫治疗优化及精准医学中的应用价值，同时深入分析了当前技术与临床转化的挑战，为领域内研究者提供了从技术选择到应用设计的全景式参考，弥补了现有综述的局限性，推动了空间组学在肿瘤研究中的整体认知与转化应用。
3. 研究思路总结与详细解析
本综述的研究目标是系统总结空间组学技术体系、在肿瘤研究中的应用价值、当前挑战及未来方向，核心科学问题是如何通过空间组学技术揭示肿瘤微环境的空间特征与功能关联，推动其临床转化，技术路线逻辑为“技术体系梳理-应用案例验证-挑战分析-未来展望”的闭环框架。
3.1 空间组学技术体系梳理
实验目的是全面介绍当前空间组学的技术类型、原理及各自特点，为研究者提供技术选择的参考。方法细节为按测序基空间组学、成像基空间转录组学、成像基空间蛋白质组学、空间组学计算分析方法四大类，分别梳理各技术的核心原理、代表性平台、优势与局限性。结果解读：测序基空间组学通过空间索引表面（如条形码玻片、条形码微珠）捕获组织切片中的RNA分子，经反转录、文库构建与测序后，将测序reads映射回空间坐标，实现全转录组范围的空间分析，代表性平台包括10× Genomics Visium、BGI Stereo-seq、Curio Slide-seq等，可实现大组织区域的高通量分析，但空间分辨率多为spot水平（55μm左右），难以区分单个细胞；成像基空间转录组学通过迭代杂交与高分辨率荧光成像定位RNA分子，代表性平台包括MERFISH、Xenium等，可实现亚细胞分辨率的转录本检测，但需要预定义探针面板，通量相对较低；成像基空间蛋白质组学通过抗体结合荧光标签或金属同位素，经迭代成像或质谱检测实现蛋白的空间定位，代表性平台包括CODEX、MIBI、IMC等，可同时检测数十至上百种蛋白，为细胞功能研究提供直接证据，但依赖于特异性抗体的可用性；空间组学计算分析方法包括数据预处理（图像对齐、组织分割、条形码解复用）、降维聚类、细胞类型注释、空间可变基因分析、细胞互作推断等，代表性工具包括Cellpose（细胞分割）、SpaGCN（空间感知聚类）、CellPhoneDB（细胞互作推断）等，可实现空间组学数据的深度解析，但不同工具的假设与适用场景存在差异，需根据研究需求选择。产品关联：文献提及的关键平台包括10× Genomics Visium、BGI Stereo-seq、MERFISH、Xenium、CODEX、MIBI等，未提及具体实验试剂，领域常规使用各平台对应的商业化试剂盒或探针组。
3.2 肿瘤研究中的应用案例解析
实验目的是通过具体研究案例展示空间组学在肿瘤研究中的独特价值，验证其相对于传统方法的优势。方法细节为整理近年来空间组学在不同癌症类型（原发性中枢神经系统淋巴瘤、胰腺癌、非小细胞肺癌、三阴性乳腺癌等）中的应用研究，从肿瘤微环境解析、治疗响应研究、免疫治疗优化及精准医学四个维度总结研究成果。结果解读：在肿瘤微环境解析方面，Xia等通过空间组学结合单细胞转录组技术，绘制了原发性中枢神经系统淋巴瘤（PCNSL）的高分辨率肿瘤微环境图谱，揭示了传统方法无法检测的位置依赖性免疫抑制与信号模式，鉴定出“防御者”“攻击者”“侵袭者”等不同肿瘤亚群；Croizer等通过整合单细胞与空间组学技术，鉴定出10种FAP+ CAFs相关的生态细胞类型，发现免疫抑制性myCAF簇、TREM2+肿瘤相关巨噬细胞（TAMs）及FOXP3+调节性T细胞（Tregs）与肿瘤细胞紧密共定位，且这些空间模式与患者预后相关。在治疗响应研究方面，SpaRx模型通过结合药物基因组学与CosMx、MERSCOPE空间组学数据，揭示了非小细胞肺癌与肝癌中药物响应的空间异质性，如肺癌中分散的顺铂敏感细胞与聚集的耐药细胞，肝癌中核心区域的耐药细胞，为个性化治疗策略提供了依据。在免疫治疗优化方面，Iwasa等通过空间组学分析口腔鳞状细胞癌免疫治疗前后的样本，发现免疫治疗耐药与表观遗传通路激活（如PRMTs、EZH2）相关，提示表观遗传抑制剂与免疫治疗联合可克服耐药；Loh等通过空间组学分析头颈部血管肉瘤的免疫景观，发现免疫热肿瘤中炎症被排除在肿瘤区域外，免疫冷肿瘤中存在炎症灶，为免疫治疗策略的优化提供了空间依据。在精准医学方面，Wang等通过空间组学分析92例三阴性乳腺癌患者的样本，鉴定出9种与临床结局相关的空间原型，包括预测免疫治疗响应的新型三级淋巴结构基因特征；Vahid等通过空间蛋白质组分析102例非小细胞肺癌患者的样本，发现基质CD56表达与更好的生存相关，肿瘤BCLXL与B7-H3表达与较差的生存相关，为预后Biomarker的发现提供了新方向。产品关联：文献未提及具体实验产品，领域常规使用空间组学平台对应的样本处理试剂盒、测序试剂或抗体组。
3.3 挑战与未来方向分析
实验目的是梳理空间组学当前面临的技术、分析与临床转化挑战，为未来技术开发与应用研究提供方向。方法细节为从技术层面、分析层面、临床转化层面三个维度，分析当前空间组学研究的瓶颈，并结合最新研究进展展望未来方向。结果解读：技术层面，当前空间组学平台存在分辨率与通量的平衡问题，测序基平台通量高但分辨率低，成像基平台分辨率高但通量低且需要预定义探针；样本处理方面，组织降解、切片粘附等问题可能导致样本丢失，尤其是组织芯片等小样本；标记物方面，形态学标记物的范围有限，需要更多验证的抗体来区分重要细胞类型。分析层面，空间组学数据稀疏、噪声大，与其他组学数据（如基因组、蛋白质组）的整合缺乏标准化框架，现有整合工具（如SPIRAL、SpatialScope）存在一定局限性，如SPIRAL在不同分辨率数据集整合中的表现受限，SpatialScope的假设（相邻细胞为同一类型）并非适用于所有组织场景。临床转化层面，空间组学实验成本高，需要专业设备与人员，限制了大规模临床研究的开展；缺乏大规模临床验证来证实空间组学Biomarker的预测或预后价值；标准化实验流程的缺失降低了不同平台与实验室间的结果可重复性。未来方向包括技术层面开发兼具高分辨率与高通量的平台，分析层面建立多组学整合的标准化框架，临床转化层面降低成本、开展大规模临床验证，同时人工智能与机器学习将在空间组学数据分析中发挥重要作用，如通过图神经网络整合多模态数据，通过大语言模型预测细胞状态与药物响应。产品关联：文献未提及具体实验产品，领域常规使用人工智能分析工具（如Cellpose、SpaGCN、scGPT-spatial）等。
4. Biomarker研究及发现成果解析
本综述中涉及的Biomarker主要为肿瘤微环境中的空间特征性细胞群、空间基因表达特征及空间蛋白表达特征，筛选与验证逻辑为“空间组学检测-单细胞转录组验证-临床样本关联分析”，通过空间组学技术定位Biomarker的空间分布，结合单细胞转录组技术解析其功能，最后关联临床数据验证其预后或预测价值。
这些Biomarker的来源为临床肿瘤组织样本，包括原发性中枢神经系统淋巴瘤、胰腺癌、非小细胞肺癌、三阴性乳腺癌等多种癌症类型的新鲜冷冻或福尔马林固定石蜡包埋（FFPE）样本。验证方法包括空间转录组检测、空间蛋白质组检测、免疫组化（IHC）验证及临床数据分析，如Croizer等通过空间组学结合单细胞转录组技术鉴定出10种FAP+ CAFs相关的生态细胞类型，通过临床数据分析发现其空间模式与患者预后相关；Wang等通过空间组学分析92例三阴性乳腺癌患者的样本，鉴定出9种空间原型，通过生存分析验证其与临床结局的关联；Vahid等通过空间蛋白质组分析102例非小细胞肺癌患者的样本，发现基质CD56、肿瘤BCLXL与B7-H3的表达与生存相关。特异性与敏感性方面，部分研究的结果显示空间Biomarker具有较好的预后价值，如Wang等鉴定的三级淋巴结构基因特征可预测三阴性乳腺癌的免疫治疗响应（文献未明确提供AUC、敏感性等数据，基于图表趋势推测）；Vahid等发现的基质CD56表达与非小细胞肺癌患者的更好生存相关（文献未明确提供HR值、P值等数据，基于图表趋势推测）。
这些空间Biomarker的功能关联主要包括肿瘤微环境的免疫抑制调控、肿瘤进展与转移的促进、治疗耐药的介导及患者预后的预测，如FAP+ CAFs相关生态细胞类型通过与免疫细胞的空间共定位介导免疫抑制，促进肿瘤进展；三级淋巴结构基因特征可预测三阴性乳腺癌患者的免疫治疗响应；基质CD56表达可预测非小细胞肺癌患者的更好生存。创新性在于首次通过空间组学技术揭示了这些Biomarker的空间分布与功能的关联，突破了传统Biomarker仅关注分子表达水平的局限，为精准医学提供了新的空间维度的Biomarker类型。统计学结果方面，部分研究提供了样本量信息，如Wang等的研究样本量n=92，Vahid等的研究样本量n=102，部分研究提及P值但未明确具体数值，标注为（文献未明确提供该数据，基于图表趋势推测）。