空间转录组与空间域

一句话说人话：空间转录组是一种「既能测出每个位置有哪些基因在表达、又能知道这些位置在组织里的具体坐标」的技术；空间域就是组织里「基因表达模式一致、对应某个解剖或功能单元」的一片区域。

一、先说背景：以前的测序技术「丢了位置」

想象你去菜市场买菜，回家后把一桌菜全部倒进一个大锅搅碎，然后化验出这锅里有白菜、萝卜、肉、鱼。你知道「有哪些食材」，但你完全不知道这些食材原本摆在桌上的哪个位置。

传统的单细胞测序就是这么一回事：它能把组织打散成一个个细胞，测出每个细胞表达了哪些基因，但这个过程把细胞从组织里「抠」出来了，空间位置信息全丢了。于是你得到一张「细胞名单」，却不知道谁和谁原来挨在一起。

这对研究组织结构和疾病很要命——因为位置本身就是信息。肿瘤细胞是长在边缘还是长在中心，脑皮层的神经细胞处在第几层，这些都靠位置来定义。位置一丢，很多生物学问题就答不了了。

总结：

单细胞测序：直接测每个细胞的基因表达，再用表达信息推断组织里有哪些细胞类型、各处于什么状态。但它在打散组织时丢失了空间位置，所以不知道哪些细胞原来相邻，也不知道基因表达在空间上如何分布。

表达矩阵 = 细胞 x 基因

空间转录组：在保留组织空间位置的前提下测基因表达，所以不仅能知道组织里有哪些细胞类型、表达了哪些基因，还能知道这些表达信号来自组织切片的哪个位置，从而还原细胞和分子的空间排布。

表达矩阵 = 空间位置 x 基因

反常识：通过测量细胞的基因表达（mRNA），来判断细胞类型

二、空间转录组：把位置补回来

空间转录组（Spatial Transcriptomics，简称 ST）做的事情，用同一个买菜类比：

它不搅碎，而是给整道菜拍一张「俯视图」——每个坐标点（比如菜板上某个小格子）既测出「这里是什么食材」（基因表达），又记录了「这个格子在哪」（空间坐标）。

回到真实技术：空间转录组平台上，组织切片被切成一张网格，每个小格子（叫 spot，空间条形码位点）都挂着一个带位置标签的条形码。测序时，既能读出这个 spot 里有哪些基因在表达，又能读出它的坐标。于是你得到了一张「带地图的基因表达表」：每一行是一个 spot，有它的 (x, y) 坐标 + 一个基因表达向量（比如几千个基因各自表达了多少）。

三、空间域：地图上的「功能区」

有了这张带地图的表达表，下一个自然的问题是：能不能自动把这片组织划分成一块块有意义的区域？

再回到买菜类比，或者换一个更贴的——城市地图：

你手里有整座城市每个街区的数据（人口密度、房价、商铺数量……）。你想自动把城市划分成「商业区、住宅区、工业区、公园」——每一块区域内部数据很相似，块与块之间差别明显。

这些「内部一致、块间有差」的区域，在空间转录组里就叫空间域（Spatial Domain）。

严格一点说：

空间域 = 组织里基因表达模式一致、并且对应某个解剖结构或功能单元的一片区域——它们都在用同一套大致的基因表达程序，整体上属于同一类功能状态。
例子：人类大脑皮层（DLPFC，背外侧前额叶皮层）可以被划分成 6 层（Layer 1～6）和周围的白质（WM）。每一层就是一个空间域——层内的 spot 表达模式像，层与层之间有差异。

划分空间域，本质就是一个聚类任务：把几千上万个 spot 按「表达模式 + 空间位置」分组成 K 个空间域。

空间域划分是聚类，不是找“完全相同”的 spot；
它找的是表达模式相似 + 空间上相邻的一大群 spot；
同一个域 = 这些 spot 在干类似的事，处于类似的功能状态；
但不是每个 spot 表达的基因完全相同

四、这篇论文里它扮演什么角色

在 FPS-MGCN（空间转录组傅里叶多视图聚类）这篇论文里：

输入：每个 spot 的基因表达矩阵（N 个 spot × M 个基因）+ 每个 spot 的空间坐标。
任务：把整张切片划分成若干空间域，也就是给每个 spot 打一个「属于第几块区域」的标签。
评价：用 ARI、NMI 这些聚类评价指标，拿模型划分出的空间域去和专家手工标注的层结构对比，看分得准不准。

所以「空间域」就是这张卷子的标准答案，模型的目标就是把它划出来。

五、为什么论文需要它

一句话：空间域识别就是这篇论文要解决的问题本身。没有「空间域」这个概念，就没有任务，也就没有后面图卷积网络GCN、傅里叶特征映射、多视图学习与多视图聚类这些工具存在的意义。

同时它也引出了核心难点：空间域的边界往往很模糊——因为边界处的基因表达是剧烈跳变的（见低通滤波与高频信号），传统方法很难划准。这正是这篇论文要攻克的地方。

后续联动

概念	关系
图卷积网络GCN	空间转录组的 spot 天然构成一张图，GCN 就是处理这张图的工具
多视图学习与多视图聚类	论文用「多视图」的思路来融合空间 + 表达信息，划分空间域
低通滤波与高频信号	划分空间域的难点：边界是高频信号，而 GCN 天然低通、看不清
傅里叶特征映射	专门为「划准空间域边界」而设计的创新招式