研究说了什么
空间转录组与普通转录组最大的差别，是每个表达值都带着坐标。基于条形码阵列的平台把切片划分成直径约五十五微米的斑点，每个斑点覆盖一到十个细胞；基于原位杂交与成像的平台则能做到亚细胞分辨率，一次读出三百到五百个基因。研究者因此可以追问一些过去只能靠形态描述的问题：肿瘤与间质的交界处有哪些基因被打开，免疫细胞是停在血管周围还是已经进入癌巢，三级淋巴结构在肿瘤边缘如何组织。乳腺癌导管原位癌与浸润癌的交界区域，是这类研究最常使用的样本，因为形态上的突破点与表达上的改变往往同时发生。分析层面则从差异表达转向空间可变基因、细胞邻域富集与配体受体共定位，常用的工具有 Seurat、Squidpy 与 BayesSpace，数据量通常是常规转录组的数倍，一次实验产生的图像与计数矩阵可达数十到上百吉字节。同一张切片重复染色也会带来信号波动，比较样本前应先确认批次与切片质量，否则空间梯度可能只是技术噪声。对分析人员，空间数据的分辨率与基因数往往不能兼得，选择平台前要先明确要回答的是结构问题还是表达问题，否则容易为用不上的精度付费。
为什么重要
肿瘤分型过去主要看表达量，把整块组织搅匀后算一个比例，结果是同样的免疫浸润评分，可能来自完全不同的空间格局。空间信息把免疫排斥型与炎症型区分开来：前者的 T 细胞堆在间质，后者才真正接触肿瘤细胞，两者对免疫检查点抑制剂的反应差别很大。对病理医生，这相当于在形态学之外多了一张分子地图，可以帮助判断切缘是否干净、浸润前沿在哪里、取样活检有没有取到关键区域。对临床试验，空间标志物还能用来解释为什么同一分型的患者应答不一致，甚至可以在入组前排除免疫细胞根本进不去肿瘤的病例。对药物开发，空间数据能提示联合用药的方向：如果 T 细胞被基质挡在外面，单纯增加检查点抑制剂剂量未必有用，先改造基质可能更合理。需要强调的是，它增加的是解释力，不是新的治疗靶点；在没有对应药物的情况下，更精细的分型未必能改变处理。对多灶性肿瘤，不同病灶的空间格局可能不同，单个活检未必代表全部，制定局部治疗计划时尤其要注意。对免疫治疗，空间格局还能提示联合用药的顺序，先改造基质还是先激活 T 细胞，可能影响最终疗效，这类问题过去很难在人体样本上研究。
证据与边界
目前多数研究是回顾性队列，样本量从几十例到几百例，随访与治疗信息往往不完整。分辨率与基因覆盖之间存在权衡：全转录组平台的空间分辨率较粗，高分辨率平台的基因 panel 又有限，两者结论不能直接互换，同一个基因在不同平台上可能给出相反的梯度。成本是另一道门槛，一个样本的检测与分析费用可达数千到上万元，分析还需要生物信息与病理双方共同参与，一个项目动辄数月。前瞻性验证很少，能证明根据空间分型调整治疗可以改善结局的研究几乎没有，现有证据多停留在与预后相关这一层。样本处理也会引入偏差，切片厚度、固定时间与组织折叠都会改变信号，不同批次之间的归一化方法尚未统一。因此它现阶段更适合作为研究工具与疑难病例的补充说明，而不是独立的分型依据。相关不等于因果：空间格局与预后同时出现，也可能只是肿瘤负荷与分期的伴随现象，报告解读时必须把这一点写清楚。也有研究尝试把空间数据压缩成少数可解释指标，例如免疫细胞到肿瘤边界的平均距离，以便嵌入常规病理流程。对诊断报告，空间结果目前多以补充说明出现，如何在不夸大的前提下传达信息，是对病理医生的新要求，也需要与临床团队约定解读边界。