病理科老主任有句话我一直记得“食管鳞癌不是突然长出来的它从正常黏膜到异型增生再变成癌中间那几步免疫细胞到底在干什么我们看不清。”以前确实只能靠免疫组化一张一张看难有全局视角。直到我们用DSP空间组学把“生态演变”真正拉成一条连续的时间轴这个课题才找到了突破口。发表在《Cell Reports Medicine》上的研究工作核心就是一件事用DSP空间组学把食管鳞状细胞癌ESCC从癌前病变到浸润癌过程中肿瘤微环境的空间变化一帧帧拆开来看。如果你是做肿瘤微环境、空间转录组或免疫治疗的这篇文章的实验设计思路和分析方法都值得参考。尤其是DSP技术怎么选ROI、怎么处理FFPE老样本、怎么做细胞区室分割这些坑我基本都替你踩了一遍。这篇博文我不打算复述论文里的结果图表而是以第一视角复盘整个项目的设计逻辑、实操要点和数据分析过程把能落地的经验都列出来。1. 为什么在这个课题里必须选DSP空间组学1.1 先搞清楚此DSP非彼DSP看到“DSP”这个词很多做嵌入式硬件的朋友第一反应是TI的DSP 28335、trip zone、EPWM、仿真器驱动安装那一套。这里必须先澄清我们用的DSP全称是Digital Spatial Profiler数字空间 profiling 系统由NanoString公司推出核心玩法是“在组织切片上用UV光把指定区域的RNA或蛋白释放出来再做定量检测”。做电机控制、音频处理、电源管理的那位DSP大哥和咱们做空间组学的基本是两个平行宇宙搜索资料时别被带着跑。这个混淆在课题立项初期确实闹过笑话。组里新来的师弟在查“DSP开发”相关文档越看越懵以为我们要写EPWM输出控制激光器。后来他在组会上问了一句“我们是不是要用28335控制载物台”全场安静了三秒。所以第一篇科普就要做GeoMx DSP是空间组学仪器全自动切片扫描、形态学标记、UV切割、微流控收集一气呵成和数字信号处理器没有任何关系。1.2 空间组学技术选型DSP、Visium与单细胞测序的定位差异既然要研究“生态演变”技术选型是第一个问题。备选项无非三类单细胞测序scRNA-seq、10x Visium空间转录组、NanoString GeoMx DSP。技术分辨率能否保留形态学信息适合回答的问题短板scRNA-seq单细胞否组织解离细胞类型、状态、亚群丢失空间位置解离后基因表达漂移Visium55μm spot弱spot覆盖组织区域转录图谱spot内混合细胞难以直接关联病理结构GeoMx DSP区域级ROI/segment强免疫荧光引导圈选锁定病理感兴趣区域的表达谱不是单细胞分辨率区域边界依赖形态学标记对于ESCC这种有明确“正常→低级别异型增生→高级别异型增生→原位癌→浸润癌”演进路径的肿瘤我们最想知道的是不同病理阶段里肿瘤细胞周围几百微米范围内到底发生了什么。Visium虽然能做全转录组但它的spot直径55微米落在食管黏膜层里经常几个spot都打在同一个间质区域很难精确对应到病理学家圈出的异型增生灶。scRNA-seq能给出细胞类型和状态可是离体解离之后ECM重构、三级淋巴结构、肿瘤-免疫边界的空间关系全丢了。DSP天然适配这个场景。它允许我们在病理切片上直接“圈地”——圈出正常上皮区、低级别病变区、高级别病变区、浸润癌区分别抓取基因表达。切片还是那张切片形态学信息毫发无损。这正是“生态演变”该有的打开方式先看空间再谈分子。1.3 DSP技术原理形态学标记引导UV光“复印”指定区域DSP的核心机制说白了像一台“分子复印机”。组织切片上先做靶向探针杂交RNA或抗体孵育蛋白探针/抗体上带着一段可被UV光切断的DNA标签。之后用免疫荧光标记PanCK上皮/肿瘤标志物、CD45白细胞、αSMA成纤维细胞等系统自动扫描切片生成数字图像你可以在软件里基于荧光信号手动或自动圈选ROI。选定ROI后UV光照射该区域光裂解释放DNA标签微流控通道把释放的标签引导到96孔板再通过nCounter计数或NGS测序读出标签对应的基因/蛋白。整个流程下来每个ROI得到一份独立的表达谱。它不追求单细胞分辨率但能保证“这个表达谱来自病理学家认定的那块区域”这在研究癌前病变进展时价值极高。标题里《Cell Reports Medicine》之所以接受这篇工作很重要的一点就是我们不仅做了描述性空间图谱还把病变各阶段的微环境变化与潜在治疗靶点联系了起来符合期刊偏重转化医学的定位。2. 实验设计与样本准备从病理切片到空间表达谱的关键前置工作2.1 队列设计与病变梯度划分必须做“连续病变”的采样逻辑研究生态演变队列设计决定上限。我们最初踩过坑一上来就收了30例浸润癌标本结果发现没有早阶段样本演变链条根本拼不完整。后来调整为以手术切除标本为主同时收集中重度异型增生内镜活检样本每个病例尽可能取三个区域距肿瘤边缘3cm以上相对正常黏膜、异型增生灶、浸润癌主体。实际样本量为46例患者共188个ROI。每个ROI内部根据PanCK和CD45信号再分割出肿瘤区PanCK和基质区PanCK−这样得到的segment数超过300个。要注意的是FFPE切片常年存放在室温RNA降解多少都会存在所以入组时优先选择蜡块保存时间不超过3年的病例。我们在项目启动前先抽了10张白片做RNA质量预检DV200低于30%的样本果断换掉不要心疼。2.2 形态学标记组合与ROI圈选策略DSP的ROI圈选依赖荧光形态学标记标记选错了后面全盘皆输。我们试过几组方案最终定下来的是四色组合PanCK绿色勾勒上皮/肿瘤边界CD45红色标注免疫细胞αSMA青色标记肌成纤维细胞和血管平滑肌SYTO13蓝色通用核染用于活性和组织形态参考。这个组合的讲究在于PanCK和αSMA分别定义了上皮区与基质纤维区CD45能让你看清免疫细胞在哪个区室聚集。圈ROI时病理科医生会根据HE形态确定病变级别然后在对应连续切片上把ROI框选到异型增生灶或癌巢周围。每个ROI直径控制在300~600μm之间这样既能捕获足够RNA又不至于把两个不同病变级别混在一个区域里。核心经验是圈ROI之前先切一张连续切片做HE染色让病理科医生直接在扫描图上标记“哪块是低级别、哪块是高级别”再对照到DSP荧光图上。没有这一步你圈的ROI很可能把正常鳞状上皮和异型增生灶缝在一起后续差异表达分析全部失真。2.3 FFPE切片厚度与预处理一个容易忽略但致命的步骤DSP对切片厚度有明确要求4~5μm最佳厚了荧光背景高UV切割效率也受影响。切片时要求用全新的低电荷玻片捞片后60℃烤片1小时。脱蜡必须彻底残余的石蜡会直接抑制探针杂交。这里分享一个细节脱蜡后用100%乙醇再脱一次水可以显著提高RNA探针杂交效率。我们对比过同一个蜡块两组切片乙醇二次脱水的组最终测序文库产量平均高出20%。烤片温度和时间也要控制。有些实验室习惯65℃过夜烤片对DSP来说温度过高会加剧RNA交联损坏。60℃、1小时足以让切片牢固附着又不至于把RNA“烤糊”。如果样本比较老可以在杂交前增加一步抗原修复heat-induced epitope retrievalHIER但要注意HIER时间过久会破坏RNA一般建议100℃、10分钟以内。3. 全流程实操要点从杂交到测序每一步都可能翻车3.1 探针杂交RNA panel选择与杂交条件DSP RNA检测分全转录组WTA和定制panel两种。WTA覆盖约18000个基因数据量大、探索性强定制panel通常500~2000个基因通量需求低但目标明确。这个项目我们选的是WTA原因很简单ESCC生态演变没有现成基因集可以用先用无偏转录组把“底盘”打出来后期再用免疫组化和多重免疫荧光验证关键候选分子。杂交条件严格按试剂盒说明书执行37℃、过夜湿盒内完成。这里最怕的是杂交液挥发导致切片局部干片干片区域的探针结合效率会断崖式下降但表面上看切片还是完整的。我们找了一个解决方案湿盒里放足量水封口膜密封后在杂交炉里平放不要堆叠。另外每次实验必须加一个阳性对照切片已知RNA质量好的扁桃体FFPE用于区分是杂交批次问题还是样本本身问题。3.2 ROI选择、UV切割与微流控收集DSP仪器扫描切片后操作者在软件里圈定ROI并指定区室分割模式。我们用的是“segment”模式每个ROI内根据PanCK信号将组织分割成PanCK的上皮层和PanCK−的基质层分别独立收集。这样一次性就能拿到同一个病变区域内肿瘤细胞和基质细胞两个表达谱做细胞通讯分析非常方便。UV切割过程看似自动化但有一个常见坑ROI之间距离太近UV光散射可能导致相邻区域标签串扰。实际操作时ROI间隔至少留100μm以上。切割顺序上先切信号弱的区域如低级别病变再切信号强的如浸润癌可以降低交叉污染概率。96孔板的收集效率一般在60%~80%收完后立刻用qPCR做文库产量预检产量过低如小于5ng的ROI要考虑重做或剔除。3.3 文库构建与测序读长和深度怎么定DSP WTA文库构建与常规RNA-seq接近但起始量低PCR扩增循环数要适当增加。我们在实际操作中发现18个循环比较合适产物浓度可达20nM以上同时不会明显放大duplicate率。测序用Illumina NovaSeq 6000 PE150每个ROI建议至少5~8M readssegment数量多的样本可以按总reads池均摊。有一个容易忽略的问题DSP标签的文库index设计比较特殊测序下机后需要用NanoString官方Cloud进行DCC文件格式转换和demultiplex直接拿常规RNA-seq流程处理会报错。如果实验室之前没跑过DSP数据建议先用官方示例数据跑通整个分析流程再处理真实样本否则很容易在bam文件解析阶段卡住一周。3.4 数据QC从DCC文件到表达矩阵的清洗逻辑DSP数据下机后Nanostring Cloud会自动输出DCC文件。QC核心指标有四个测序饱和度、阴性探针背景、阳性对照探针/RNA spike-in、内参基因稳定性。我们实际标准是每个ROI测序reads数不小于5000阴性探针均值比例低背景扣除后阳性基因数为20%以上内参基因如GAPDH、ACTB在90%以上ROI中检出。背景扣除方法是“negative probe mean 2SD”。扣除背景后做log2转换再用Q3归一化芯片所有基因表达值的第三个四分位数作为归一化因子。Q3归一化比CPM更稳健因为它不受极高表达基因的影响。批次效应处理是另一个重点。我们整个项目分了三批跑完虽然试剂是同一批切片和操作也由同一人执行但还是要用limma的removeBatchEffect做校正。批次信息用“玻片编号run日期”组合定义。这里提醒一句批次效应校正不能掩盖真实生物学差异如果校正后本来明显的ESCC vs normal差异消失了那是过校正要调整模型。4. 数据分析从表达矩阵到“生态演变”空间图谱4.1 差异表达与趋势分析沿着病理阶段序列看基因动态拿到clean表达矩阵之后我们按照“Normal → LGIN → HGIN → ESCC”四阶段做差异表达分析。每个ROI的病理阶段归属由病理科医生根据HE和PanCK形态判定以此作为分组标签。第一阶段比较用limma的trend分析拟合连续梯度趋势。结果最明显的是ECM重塑基因COL1A1、COL1A2、SPARC从HGIN阶段开始上扬到ESCC达到峰值。免疫相关基因则出现两极分化IFNG、CXCL13、CD8A在HGIN阶段短暂升高到ESCC某些区域反而下降而TGFB1、PDCD1LG2PD-L2、CTLA4在ESCC中持续升高。这个模式就是我们常说的“免疫微环境从热变冷/耗竭”的空间证据。这里特别推荐一个分析思路把趋势基因做unsupervised hierarchical clustering可以找到三四个有明显阶段特征的基因模块。比如模块A是正常黏膜分化基因KRT13、KRT4、SPRR1A模块B是早期炎症基因CCL20、CXCL1、IL1B模块C是晚期基质重构基因。模块之间的转换关系正好对应组织学上的病变演进节点。4.2 细胞类型反卷积没有单细胞数据也能估计免疫细胞比例DSP的ROI不是单细胞分辨率但我们可以用标记基因集评估不同细胞类型的相对丰度。这里强烈推荐MCPcounter和CIBERSORTx前者不需要单细胞参考数据适合DSP这种低解像度数据后者如果手头有匹配的scRNA-seq参考可以更精确。我们另外用BulletPoints的思路做了区室富集分析每个segment里根据已知细胞类型marker评分得到免疫细胞、成纤维细胞、内皮细胞的比例。PanCK−区室里的CD3E、CD8A、GZMB评分就是“肿瘤浸润淋巴细胞”的代理指标。结果显示一个非常有意思的现象CD8T细胞密度在HGIN阶段最高到了ESCC阶段肿瘤核心区反而下降但基质边缘区仍然较高。也就是说T细胞被“挡”在了纤维化包膜之外。这个结果靠传统IHC也能看出来但DSP给出的是定量且多基因的证据置信度完全不同。4.3 配受体分析与三级淋巴结构TLS评分生态演变不能只看细胞密度还得看细胞间通讯。我们用CellChat的ligand-receptor数据库自定义了一个DSP适配分析流程以segment为单位分别计算配体在基质区的表达、受体在肿瘤区的表达然后用条件相关性识别显著互作。结果发现HGIN阶段CXCL13-CXCR5、CCL19-CCR7显著上调提示早期就存在TLS样结构的聚集趋势而ESCC阶段则以TGFB1-TGFBR2、PDGFB-PDGFRB为主反映促纤维化信号占据主导。TLS评分用一个精简基因集CD3D、CD8A、CXCL13、CCL19、CCL21、CD79A、MS4A1、CR2、DC-LAMPLAMP3。评分用GSVA的ssGSEA实现。有意思的是LAMP3成熟树突状细胞标志在HGIN阶段显著上升在ESCC中下降提示树突状细胞的成熟过程可能被肿瘤微环境干扰。这一条线后来做了多重免疫荧光验证DC-Lamp dendritiform cells确实聚集在高级别病变间质。4.4 空间共定位与区域异质性量化DSP有一个Visium难以替代的优势你能明确知道每个segment在组织里的病理位置。因此可以计算“免疫细胞在肿瘤区与基质区的密度差异比”Tumor/Stroma ratio。我们定义了免疫排斥指数 CD8在基质区的ssGSEA评分 / CD8在肿瘤区的评分。浸润癌组的排斥指数显著高于HGIN组这个指数后来在独立验证集里与患者总生存显著相关。异质性方面每个病例的多个ROI计算组内相关系数ICC用来判断“肿瘤内部是均质还是异质”。结果显示ESCC的免疫评分ICC只有0.32远低于正常黏膜的0.71。这说明当肿瘤演进到浸润癌阶段微环境的空间异质性显著增加。这一点对临床有直接启示单点活检评估免疫状态可能不够需要多区域采样。5. ESCC生态演变的核心发现与生物学解读5.1 免疫微环境的“三阶段”演变从免疫监视到免疫逃逸把DSP空间图谱按病理阶段排开ESCC的生态演变可以概括为三步。第一步正常黏膜和低级别病变中存在大量γδT细胞、巨噬细胞和少量CD8T细胞整体处于免疫监视状态第二步高级别异型增生阶段出现“炎症爆发”——CD8T细胞、NK细胞、DC细胞浸润显著增加同时PD-L1也开始上调第三步浸润癌阶段形成免疫排斥与免疫耗竭并存的空间格局——T细胞聚集在纤维化包膜外侧肿瘤核心的T细胞则高表达PD-1、TIM-3、LAG3。这个三阶段模型回答了老主任那个问题免疫细胞不是挡不住癌细胞而是从“看得到”到“被拦在外面”再到“看见了也没脾气”。从治疗角度看HGIN阶段或许是免疫干预的“机会窗口”——此时肿瘤尚未形成密集ECM屏障PD-L1已经上调如果在这个阶段介入免疫调节可能比等到浸润癌再处理更有效。当然这还需要前瞻性临床试验验证但空间数据至少给了我们一个明确的方向。5.2 成纤维细胞从“旁观者”到“同谋者”的空间转变DSP数据里另一个惊艳结果来自αSMA区室。正常黏膜的间质成纤维细胞高表达肌分化标志ACTA2低表达炎症因子HGIN阶段冒出一群炎症性成纤维细胞iCAF表达PDGFRA、PTGS2、CXCL12ESCC阶段这群细胞逐渐过渡为肌成纤维细胞myCAF表达ACTA2、TAGLN、COL1A1。myCAF在空间上紧贴着肿瘤巢边缘形成了一个“成纤维细胞环”。我们用距离分析发现CD8T细胞密度与myCAF距离呈显著负相关myCAF越厚T细胞越难靠近肿瘤巢。这为免疫排斥指数提供了结构基础。后续体外实验验证了myCAF培养上清能显著抑制T细胞迁移关键因子指向CXCL12和TGF-β。DSP空间数据帮助我们把“空间现象”转化成了“分子靶点”。5.3 三级淋巴结构与免疫治疗响应潜力的关联TLS在ESCC中的作用一直有争议但我们的DSP数据显示HGIN阶段TLS已开始形成CXCL13、CCL19、LAMP3上调浸润癌阶段成熟的TLS含生发中心B细胞出现在癌周间质。更重要的是TLS评分高的病例肿瘤核心的PD-1T细胞耗竭评分相对更低肿瘤区CD8A与LAMP3的共表达比例更高。这部分推测TLS可能是维持局部抗肿瘤免疫的“根据地”而DSP的空间数据首次在ESCC癌前病变中把这个过程定量描述出来。虽然没有直接的治疗响应数据但这为以后把TLS作为免疫治疗生物标志物提供了重要的空间证据。审稿人对这部分很感兴趣追问了TLS评分算法与验证细节我们补充了CD3/CD23/CD21三重免疫荧光数据后顺利过关。6. 技术陷阱、排查实录与个人心得6.1 常见问题速查表从样本到数据现象可能原因排查与解决文库产量极低切片太厚或烤片过度严格控制在4~5μm60℃烤1h不用65℃过夜背景信号高抗体非特异结合或切片自发荧光增加封闭时间用IgG对照选自发荧光低的荧光通道ROl间信号串扰UV光散射ROI间距至少100μm先切弱信号区批次效应明显不同玻片/日子操作差异统一操作人随机化样本分布limma批次校正基因检出率低旧蜡块RNA降解DV200预检优先挑选保存3年的蜡块细胞分割不准PanCK与CD45信号重叠调整分割阈值必要时手动修正segment边界数据量看似大但差异不显著ROI数不足至少保证每个阶段有30个以上segment6.2 我做这个课题踩过的三个坑第一个坑是样本选型。最初纳入的“正常黏膜”取的是食管切缘近端但术后患者往往有新辅助治疗史切缘区域的表达谱已经扭曲。后面我们严格规定正常对照样本必须来自未经过新辅助治疗的患者且镜下确认无炎性反应。这一改正常黏膜的baseline立刻干净很多。第二个坑是R package版本。NanoString的DSP分析包升级频繁早期我们用旧版GeoMxTools跑QC算出来的阴性背景阈值与新版本差了近一倍。后来统一锁定到官方推荐的docker镜像再没出过版本性错误。如果你不是生信主力建议直接用NanoString Cloud分析再导出不要在自己电脑上折腾环境和依赖。第三个坑是时间成本。DSP做一批32张切片从杂交到测序顺利的话要5~7天中途失败一次就要重来一周。我们项目最终做了三批才凑齐样本量。这里给出一个务实的建议正式实验前先拿2~3张切片跑一次“迷你批次”把杂交、UV切割、建库全流程走通确认每个环节产量符合预期再放量为上。6.3 如果重新做一次我会怎么优化如果时间倒流我会从一开始就加入同一批样本的Visium全转录组作为补充。DSP的优势是病理区域精确定位Visium的优势是高密度无偏空间覆盖两者结合能更好理解ROI之间的过渡区域。另外蛋白与RNA同时检测有必要尝试。DSP支持同一张切片先做蛋白panel再做RNA panel我们当时因为预算只做了RNA如果能在同一ROI拿到PD-L1蛋白和CD8A RNA免疫排斥结论的说服力会更强。数据分析层面现在后悔没有一开始就用伪时间分析工具把四阶段连成轨迹。扩散伪时间计算可以把每个ROI映射到一条“生态演变轴”上而不是简单四组比较。这样能更好地识别中间过渡态的分子特征比如“免疫激活到免疫抑制”的关键转换点基因。我们有部分结果是用趋势分析补的效果尚可但伪时间会更优雅。回到开头老主任的问题。DSP空间组学给出的不是一张静态的图而是一段有因果逻辑的动画正常黏膜里免疫细胞在岗异型增生里免疫细胞集结癌变后它们被成纤维细胞屏障隔开剩下的少数T细胞也逐渐精疲力竭。技术本身没有思维但它把病理学家的空间直觉变成了大规模的分子证据。这大概就是空间组学最迷人的地方——很多年前我们只能看着HE切片猜现在可以让切片自己开口说话。做这个项目最大的体会是空间组学不是替代病理学而是逼着生信的人去补病理课、逼着病理的人去理解表达矩阵这种交叉带来的碰撞远比数据本身有意思。
