做空间转录组的小伙伴，大概率都见过这套“神仙宣传”： 近单细胞精度、亚细胞级分辨率、nm级空间分辨能力、超高精细空间图谱等等。看到这些抓眼的词汇，让人下意识觉得：空间转录组似乎已经跨过了单细胞门槛，能精准抓到每一个细胞的专属转录组信息。

但空间转录组里的“看得细”和“分得清”，其实是两件事。

这有点像手机相机：一亿像素可以把画面切得很细，却不能保证每个像素都获得足够的光，也不能保证对焦一定准确。空间转录组也是如此：芯片上的“格子”做得越小，组织就能被切分得越细，却未必能在每个小区域里捕获足够的 RNA，更未必能毫无争议地判断这些 RNA 究竟属于哪个细胞。

所以，评价一项空间转录组技术，不能只盯着产品参数表上最小的那个数字，还要继续追问：它切得有多细？收到了多少有效信号？最后又能在生物学水平上解释到什么程度？

在这篇文章中，就让我们关于空间转录组的分辨率做一些冷静的思考。

一、先把尺子摆正：spot、bin 和细胞不是一回事

讨论“分辨率”之前，我们先要解决一个看似简单的问题：大家使用的，究竟是不是同一把尺子？空间转录组资料里经常出现 spot、feature、pitch、bin、cell 等词。它们都能配上“多少微米”，但其数字含义完全不同。

l spot或 feature 尺寸：芯片上最小的条码捕获单元有多大；

l pitch：相邻捕获点的中心间距；

l bin：分析时把多少个底层捕获点合并成一个统计单位；

l cell：真实细胞或算法重建出的细胞区域。

多数哺乳动物细胞的典型尺度大致在十几到几十微米，但细胞并不是统一规格的玻璃珠。淋巴细胞较小，神经元胞体较大；同一个细胞在切片中被切到中央还是边缘，看起来也不一样。

图1  spot尺寸与细胞尺寸示意图

以经典 Visium 为例，其圆形 spot 直径为 55 μm，中心距为 100 μm。如果拿直径30 μm的圆形细胞粗略比较，55 μm spot的面积约为其3.4倍。真实组织中的细胞彼此紧密排列，因此一个spot同时收到多个细胞的RNA并不意外，常见估计约为1—10个细胞。如果把spot 想成一张渔网：网口决定你从多大范围捞取 RNA，但捞上来的是一条鱼，还是几条鱼挤在一起，是来自一家的还是几家的？

物理学上的空间分辨率和生物学上的细胞分辨率是两码事。

二、测序型平台：网格足够细，RNA 却未必够用

测序型空间转录组Visium和Stereo-seq等平台的基本思路，是让组织中的 RNA 落到带有空间条码的捕获阵列上，再通过二代测序复原“哪些 RNA 出现在哪里”。这类平台的优势通常拥有较广的基因覆盖面，并通过缩小、加密捕获单元spot来提升空间采样能力。但参数表里的最小尺寸，描述的往往只是底层物理采样精度，并不等于最终用于聚类、注释和生物学解释的数据尺度。

原因很简单：捕获单元越小，单个单元获得的RNA通常越少。为了提高信号量和分析稳定性，研究者常把相邻单元合并成更大的bin；如果进一步输出“细胞级”结果，还需要借助组织图像、细胞分割或单细胞参考数据。于是，结果会从直接捕获逐步进入计算聚合与推断。

这类平台的关键矛盾，不在于某个捕获点究竟是500 nm还是2 μm，而在于三个尺度是否被清楚区分：芯片采样有多细、实际分析单位有多大、最终结论能解释到哪一层。一个平台可以在物理上达到亚细胞尺度，但在实际分析中仍需合并至接近细胞甚至多细胞的范围；反过来，基于图像得到的细胞轮廓，也不代表每条RNA从实验开始就被独立捕获。

因此评价测序型平台，不要只问“最小点有多小”，还要看“最后用了多大的数据单位，以及其中有多少有效信号”。

三、成像型平台：分子看见了，但剧本只读了一部分

Xenium、CosMx和MERFISH等成像型技术，通过多轮杂交、成像与解码，直接定位组织中的单个RNA分子。从物理精度上看，它们确实更进一步：研究者可以在显微镜下看到RNA分子出现在哪个细胞、甚至哪个细胞区室。

但这种“看得见”，有一个很少被写进标题的前提：你能看到哪些基因，通常由预先设计的panel决定。目前常见商业方案中，Xenium可覆盖约5000个基因，CosMx的高通量靶向面板可达到约6000个基因。相比早期数百基因的方案，这已经是很大的进步；但与人类约20000个蛋白质编码基因相比，它们仍是一组经过筛选的目标，而不是完整、无偏的全转录组。

这并不意味着靶向方案价值有限。对于细胞分型、通路验证和细胞互作研究，一套设计合理的panel可能比盲目追求更多基因更有效。但panel越大，也不代表每个基因都能获得同样稳定的检测效果；探针性能、表达丰度和信号拥挤都会影响最终结果。随着panel越大，每个基因能分到的检测“注意力”就越少——一个5K基因panel里每个基因的平均转录本检出数，会显著低于一个377基因panel。

此外，显微镜直接看到的是RNA分子的坐标，而这些分子究竟属于哪个细胞，仍需依赖细胞边界识别与转录本归属算法。

四、为什么spot越细，数据反而可能越“空”？

串联前面的内容，会看到空间转录组中一个根本问题：分析单元覆盖的组织范围越小，平均分配到每个单元的mRNA通常越少，数据也越容易表现出稀疏性。如果捕获效率、测序深度或信号放大能力没有同步提高，“更小的格子”就可能只带来更多噪音，而不是更多可靠信息。

2025年发表于《BMC Genomics》的一篇平台选择指南，将细胞分辨率、检测灵敏度、基因覆盖和通量列为选择空间转录组技术时需要综合权衡的关键指标。相关跨平台研究也指出：全转录组覆盖与亚细胞空间精度往往由不同技术路线实现，平台选择不能只比较最小尺寸，还要看基因广度、检测效率和最终分析方式。

这不是某一家平台独有的技术缺陷。对于依赖阵列捕获和空间分箱的测序型方法，首先是一种采样约束：格子画得越小，平均落入每个格子的分子就越少。对于成像型方法，同样的取舍则更多表现为面板规模、检测灵敏度、成像通量和信号拥挤之间的平衡。

空间分辨率决定地图被切得多细，分子检出能力决定每一格里究竟有多少可读信息。两者都高，才是真的“看的见，分得清”。

五、下次看到“空间组分辨率”的相关描述，先思考这6点

1. 分辨率指什么？ 是捕获点直径、中心距、bin边长、分子定位精度，还是最终细胞单位？

2. 实际分析尺度多大？ 用的是原始feature、规则bin，还是cell bin？

3. 每个单位有多少信息？ UMI数、基因数、空值比例、测序饱和度和过滤比例。

4. “单细胞”怎样得到？ 是直接测量、图像分割、转录本聚类，还是反卷积？

5. 分割是否验证？ 是否有细胞膜标记、人工标注、误归属率或多算法比较？

6. 平台选择是否匹配研究问题？ 看组织区室未必需要亚微米采样，研究细胞内RNA定位则不能满足于几十微米spot。

“看得细，不等于分得清”，不是说高分辨率没有价值，它真正提醒我们的是：分辨率只有与信号质量、分析方法和研究问题放在一起，才有完整意义。

空间转录组的价值不在于它能否达到某个分辨率数字，而在于它能否回答以前无法回答的生物学问题。如果你想看的是肿瘤边界处免疫细胞的浸润模式，55微米的空间分辨率可能已经足够，因为这个问题在组织区域尺度上就有意义。如果需要知道的是同一个细胞内不同转录本的亚细胞定位，那确实需要成像型平台——但你必须接受预先选定的那几千个基因是否符合所需。

成熟的技术选择，不是先问“谁的数字最小”，而是先问：

l 我的科学问题发生在组织区域、细胞邻域、单细胞还是亚细胞尺度？

l 为了获得这个尺度，需要牺牲多少覆盖度、灵敏度、样本面积或预算？

l 最终结论中，哪些是直接观测，哪些是计算推断？

下一次看到“单细胞级空间转录组”时，不妨先问一句：究竟在哪个环节看得更细？又是否提供了足够的信息，让我们真正看的见又分得清？能不能满足生物学的研究需求？

乱花渐欲迷人眼，如何才能露马蹄？

参考文献

Winchester EW, et al. Multimodal spatiotemporal transcriptomic resolution of embryonic palate osteogenesis. Nature Communications, 2023.

DeepSpot2Cell: Predicting Virtual Single-Cell Spatial Transcriptomics from H&E images using Spot-Level Supervision. bioRxiv, 2025. 

Akter S, et al. A High-Resolution Stereo-Seq Spatial Transcriptomic Resource for Adult Holstein Cattle Liver. International Journal of Molecular Sciences, 2026.

10x Genomics. Nuclei Segmentation and Custom Binning of Visium HD Gene Expression Data. 分析指南, 2025.

Resolving sensitivity, specificity and signal contamination in Xenium spatial transcriptomics. Nature Methods, 2026.

From Transcripts to Cells: Dissecting Sensitivity, Signal Contamination, and Specificity in Xenium Spatial Transcriptomics. bioRxiv, 2026.

https://cf.10xgenomics.com/samples/spatial exp/3.0.0/Visium_HD_Human_Lung_Cancer/Visium_HD_Human_Lung_Cancer_web_summary.html

Lim HJ, et al. A practical guide for choosing an optimal spatial transcriptomics technology. BMC Genomics. 2025.

A technical comparison of spatial transcriptomics platforms across six cancer types. Genome Biology. 2026.