2003 年，人类基因组计划完成了第一张"生命蓝图"——基因组序列。它告诉我们 DNA 写了什么，却无法告诉我们这些指令在何时、何地、哪个细胞里被如何执行。
一张建筑图纸和一座运转中的城市，差距就在这里。
二十年后，单细胞组学和空间转录组学正在试图绘制那座城市本身：每个细胞在哪里、在做什么、彼此如何交流、在疾病中又如何失序。
这不是对人类基因组计划的重复，而是对它的根本性升维。
破除误解：一个"平均基因组"远不够用
传统分子生物学的一个根本限制是"散装细胞"问题。当研究者从肝脏或肿瘤中提取 RNA 测序时，他们得到的是成千上万个细胞的混合信号——平均值掩盖了细胞间的差异。
这个问题的严重性在肿瘤生物学中最为突出。一个肿瘤不是由完全相同的癌细胞组成的，而是一个生态系统：不同基因表达状态的癌细胞亚群、免疫细胞、成纤维细胞、血管内皮细胞……它们相互竞争、相互支持，共同决定了肿瘤的行为和对治疗的反应。用散装测序看肿瘤，就像把整座雨林磨碎后分析土壤成分，然后试图理解这片森林的生态——信息丢失是根本性的。
单细胞 RNA 测序（scRNA-seq）的出现解决了这个问题的第一个维度：它允许研究者在单个细胞层面测量基因表达，区分不同的细胞类型和状态。
空间转录组学（spatial transcriptomics）解决了第二个维度：保留细胞在组织中的位置信息，让研究者知道哪些细胞紧邻、哪些细胞在特定微环境中、哪些细胞与血管或神经相邻。
技术如何工作（不回避细节）
scRNA-seq 的核心步骤是将组织单细胞化（解离成悬浮液），然后用液滴微流控或微孔板技术将每个细胞单独捕获，加入特定的条形码（barcode）标记其来源，再进行 cDNA 合成和高通量测序。
当前主流平台（10x Genomics 的 Chromium 系统）可以在一次实验中处理数万到数十万个细胞，每个细胞检测数千个基因的表达水平。计算分析（降维、聚类、轨迹推断）将这些数据整理成细胞类型图谱。
空间转录组学有多种实现路径：
- 原位测序（FISH-based）：在保留组织切片结构的情况下，用荧光标记探针直接在细胞原位检测特定基因的 mRNA，代表技术包括 seqFISH+、MERFISH 等，可以单分子精度检测数百到数千个基因。
- 基于捕获阵列的方法（Visium，10x Genomics）：将组织切片铺在印有带坐标条形码的 RNA 捕获探针的芯片上，通过测序同时获得基因表达和空间位置信息，空间分辨率约 55μm（一个捕获点可能覆盖数个细胞）。
- 新一代亚细胞分辨率方法（Xenium、CosMx 等）：分辨率持续提升，正在接近单个细胞甚至亚细胞水平。
2018 年，《自然·方法》将空间转录组学选为"年度技术"，标志着该领域正式进入主流视野。
人类细胞图谱（Human Cell Atlas）
2016 年，Aviv Regev 和 Sarah Teichmann 联合发起了人类细胞图谱（Human Cell Atlas，HCA）计划——目标是系统性描绘人体所有细胞类型、状态及其在组织中的分布，构建一份"细胞层面的人类参考图谱"[hca_launch]。
这个愿景的规模感类似于人类基因组计划，但挑战维度更高：人体估计有约 37 万亿个细胞，分属数百种乃至更多细胞类型，且同一细胞在不同发育阶段、健康与疾病状态下会有不同的基因表达状态。
截至 2024-2026 年，HCA 已经完成或正在完成多个主要器官系统的细胞图谱：
| 器官/系统 | 代表性成果 | 关键发现 |
|---|---|---|
| 肺 | 超过 15 万细胞的胎儿肺发育图谱 | 揭示上皮细胞谱系分化的时空动态 |
| 皮肤 | 整合 34 个公共数据集，超过 82 万个细胞 | 统一细胞类型命名，揭示皮肤附属器发育 |
| 视网膜 | 约 22 万个核，14 个胚胎和胎儿样本 | 黄斑与周边视网膜发育差异的分子机制 |
| 大脑 | 多个皮层区域的单细胞和空间图谱 | 人类特有神经元亚型；精神疾病易感细胞类型 |
| 肿瘤微环境 | 多癌种 scRNA-seq 图谱 | 识别免疫逃逸相关的细胞亚群；耗竭 T 细胞 |
一个具体例子：在癌症免疫治疗领域，单细胞图谱揭示了肿瘤浸润 T 细胞存在"耗竭"亚态（exhausted T cell）——这些 T 细胞虽在肿瘤中，却失去了杀伤能力，且对 PD-1 抑制剂（如 pembrolizumab）的反应性不同。这一发现正在指导组合免疫治疗方案的设计，以及更精确的患者分层。
从描述到因果：轨迹推断与扰动组学
仅仅"知道细胞类型"还不够。研究者正在用单细胞数据回答更深的问题：
轨迹推断（Trajectory Inference）：通过计算分析，从单细胞快照中重建细胞分化的动态路径——细胞沿哪条"轨迹"从干细胞分化为特化细胞？这些轨迹的分叉点在哪里？
扰动组学（Perturb-seq）：将 CRISPR 基因编辑与单细胞测序结合，对成千上万个基因逐一进行干扰（敲除或激活），同时在单细胞水平测量每次干扰对全基因组表达的影响。这是以前所未有的规模构建基因功能图谱的方法——过去一次实验研究一个基因的功能，Perturb-seq 可以在一个实验中同时研究数千个[perturbseq]。
多组学整合：将 scRNA-seq 与 scATAC-seq（染色质可及性）、scProteomics（蛋白质层面）、空间信息整合，试图在单细胞层面同时看到基因、表观基因组、蛋白质和位置的多维状态。
对医学的影响：诊断、治疗与个性化
疾病细胞分型：许多被视为单一疾病的状况，在单细胞图谱下显现出高度的细胞组成异质性。类风湿关节炎、炎症性肠病、特发性肺纤维化……这些疾病的不同"亚型"对应不同的细胞状态组合，可能需要不同的治疗方案。这为精准医疗提供了前所未有的分子基础。
药物靶点发现：单细胞图谱帮助识别疾病相关的特定细胞亚群，这些亚群可能是新药靶点。例如，鉴定出在阿尔茨海默病中积累的特定小胶质细胞状态（DAM，disease-associated microglia），为神经炎症干预提供了候选靶点。
COVID-19 研究：2020-2022 年，单细胞测序被快速应用于解析 SARS-CoV-2 感染中不同细胞类型的病毒易感性和免疫反应，帮助解释为什么同一病毒导致的临床表现差异如此巨大。
代价与争议
数据爆炸与分析挑战：一个大型单细胞项目可能产生 TB 级的数据，分析算法的选择会显著影响细胞类型的鉴定结果。不同实验室使用不同的分析流程，导致对相同数据集的细胞类型注释有时存在分歧。
"细胞类型"的定义问题：随着分辨率的提升，研究者发现细胞类型是一个连续谱系，而非离散类别——同一"类型"内部存在大量状态变异。"细胞类型"究竟是实在的生物学单元，还是方便的分析抽象？这是一个有意思的本体论问题。
批量效应（Batch Effects）：不同实验室、不同处理时间产生的单细胞数据之间存在技术噪声，跨数据集整合分析是当前计算生物学的核心难题之一。
细胞图谱的代表性：大多数 HCA 数据来自欧洲或北美的参与者，非洲和亚洲人群代表性不足。考虑到遗传和表型多样性，这会影响细胞图谱的普适性。
未知的边界
- 发育的"因果地图"：当前的单细胞图谱主要是描述性的。如何从基因表达的相关性数据中推断出真正的因果调控关系（谁控制谁），仍是主要的计算挑战。
- 时间维度的整合：快照数据（单一时间点的单细胞测序）不能完整捕捉基因表达的动态变化。活细胞的实时单细胞测量（live-cell omics）仍处于技术开发早期。
- 蛋白质层面的单细胞分辨率：目前的 scRNA-seq 测量 mRNA，但蛋白质才是直接执行功能的分子。单细胞蛋白质组学（如 scMS、CITE-seq 的蛋白层面）在灵敏度和覆盖范围上仍远落后于转录组学。
- HCA 的"完成标准"在哪里？ 人类有多少种细胞类型？这个数字本身尚无定论，可能在 300 到超过 1000 之间，取决于如何定义"不同类型"。
跨域连接
- 基因测序：散装测序把上万个细胞磨成一份平均信号，单细胞测序给每个细胞贴上条形码分别读取——测量分辨率从"群落平均"升到"个体"。推论：稀有亚群在平均中必然被淹没——肿瘤里失去杀伤能力的耗竭T细胞亚态只有单细胞分辨率下才可见，而这个亚态恰恰决定患者对免疫治疗的反应。
- 机器学习：数十万个细胞、每个数千个基因的矩阵，必须靠降维、聚类与轨迹推断才能变成图谱——算法选择直接参与"细胞类型"的定义。推论：换一套分析流程，同一数据集的注释可能不同；因此"细胞类型"一半来自数据、一半来自模型，跨实验室可重复性理应成为图谱发布的硬指标。
- 统计学："平均细胞"的陷阱本质是聚合偏差——混合信号可以给出与任何一个真实亚群都不相符的平均值。推论：凡基于散装测序得出的差异表达结论，在单细胞层面复检时应有一批被推翻或重新归因；这正是"平均值不可靠"这一断言的可检验版本。
- 免疫系统：肿瘤不是同质细胞团，而是癌细胞、免疫细胞与基质细胞组成的生态系统——耗竭T细胞亚态对PD-1抑制剂的反应截然不同。推论：按细胞组成而非器官来源对患者分层，应能更好预测免疫治疗应答；组合疗法的设计正在按这个逻辑重写。
- 涌现：细胞图谱把身体还原到单个细胞的表达谱，但组织与器官的功能是从细胞的集体行为中涌现的——还原得越细，越需要回答"如何重新组装"。推论：若功能真为涌现，仅凭单细胞快照应无法完全预测组织行为；预测失效的那部分差距，恰好量化了涌现所占的份额。
参考文献
- Regev, A. et al. (HCA Consortium). "The Human Cell Atlas." eLife 6, e27041 (2017). DOI: 10.7554/eLife.27041.（HCA 计划的愿景论文）
- Macosko, E.Z. et al. "Highly parallel genome-wide expression profiling of individual cells using nanoliter droplets." Cell 161, 1202–1214 (2015). DOI: 10.1016/j.cell.2015.05.002.（Drop-seq，单细胞液滴测序先驱）
- Ståhl, P.L. et al. "Visualization and analysis of gene expression in tissue sections by spatial transcriptomics." Science 353, 78–82 (2016). DOI: 10.1126/science.aaf2403.（空间转录组学奠基论文，2018 年《自然·方法》年度技术）
- Replogle, J.M. et al. "Mapping information-rich genotype-phenotype landscapes with genome-scale Perturb-seq." Cell 185, 2559–2575 (2022). DOI: 10.1016/j.cell.2022.05.013.（全基因组 Perturb-seq 在大规模基因功能图谱中的应用）
- Rozenblatt-Rosen, O. et al. (HCA Consortium). "The Human Cell Atlas: from vision to reality." Nature 550, 451–453 (2017). DOI: 10.1038/550451a.
- Moses, L. & Pachter, L. "Museum of spatial transcriptomics." Nature Methods 19, 534–546 (2022). DOI: 10.1038/s41592-022-01409-2.（空间转录组学技术综述）