空间转录组技术在生命科学和医学领域，尤其是肿瘤研究中，因其能揭示组织内的空间异质性而备受关注。然而，传统技术多局限于新鲜样本，且主要捕获mRNA，忽略了非编码RNA，限制了对疾病复杂性的理解。
去年可以说是空转技术“元年”，许多公司都陆续推出了自己的空转技术或产品。在一众新兴技术中，M20 Genomics对外发布的全球首个基于随机引物的全样本空间全转录组技术“M20 Spatial”，因其多物种、全样本、全转录组和全长序列的特点引起了我们的关注。
与传统空间转录组技术相比，M20 Spatial在应用物种、样本保存类型、捕获RNA种类及全长序列无偏覆盖等方面实现了创新突破，可应用于包括FFPE组织在内的多种样本，并可同时捕获mRNA和非编码RNA。
图1. M20 Spatial工作流程及原理
近期，我们看到M20 Genomics发布了M20 Spatial的最新技术升级，基于M20 Spatial技术推出自研芯片，在多个维度对该技术方案进行优化和升级，从基因检出性能、分辨率、数据分析等方面显示出技术迭代带来的突破，并在小鼠样本和临床肿瘤FFPE样本中对升级后的M20 Spatial进行了测试，验证了其性能。
今天，我们和大家一起来分享一下这项技术的升级亮点，以及实测数据，看看M20 Spatial是否能改变当前的空转技术应用格局：
三大升级特点
我们了解到，M20 Spatial这次技术升级中，除了保留多物种、全样本、全转录组和全长序列的特点，还给用户带来三大突破：
基因捕获灵敏度大幅提升
在FFPE样本中，M20 Spatial在直径50㎛位点中的中值基因数可达5,000以上，为挖掘空间细胞及分子机制提供更丰富的数据。
分辨率提高至15㎛
本次升级推出全新的自研高分辨率芯片，将M20 Spatial空间分辨率提升至15㎛，且同样可用于包括FFPE样本在内的多种样本类型，并实现全转录组捕获。
空间转录组+单细胞转录组联合分析
升级后，M20 Spatial数据可与单细胞转录组数据联合分析，获得更为精准的空间细胞类型分布信息。
从最新升级来看，M20 Spatial在灵敏度和分辨率方面实现了显著提升。结合M20 Genomics成熟的单细胞转录组产品，联合分析有望为空间细胞研究提供更丰富的数据支持。他们还发布了大量详尽的数据，下面我们一起来看看：
M20 Spatial最新实测数据
基因检出数
M20 Spatial在小鼠胚胎FFPE切片的2,389个位点中，测得的总基因数为40,276。每个直径50㎛的位点中，中值UMI数为17,901，中值基因数为 5,360（图1）。
图2. 小鼠胚胎FFPE切片中检出的UMI数和基因数分布
在乳腺癌样本的2,682个位点中，测得总基因数为38,404。每个直径50㎛的位点中，中值UMI数为28,852，中值基因数为5,421（图3）。
图3. 乳腺癌样本FFPE切片中检出的UMI数和基因数分布
在癌旁样本的1,307个位点中，测得总基因数为38,924。每位点的中值UMI数为30,065，中值基因数为5,839（图4）。
图4. 癌旁样本FFPE切片中检出的UMI数和基因数分布
该样本所用M20 Spatial芯片为6.4mm x 6.4mm规格，后期听说他们还将推出更大尺寸的芯片。
从检测到的UMI数和基因数来看，M20 Spatial这一性能和传统新鲜冻存样本空间转录组技术中较高水平相当；同时，由于M20 Spatial是全转录组捕获，总基因数也远超基于polyA捕获或mRNA靶向探针捕获的空间转录组平台。
分辨率
分辨率提升至15㎛时，M20 Spatial在小鼠嗅球FFPE样本的4,418个位点中，测得的总基因数为40,276。每个直径15㎛的位点中，中值UMI数为4,440，中值基因数为1,171（图5）。这一性能在现有空间转录组技术中处于较高水平，同时测得总基因数也依然远超基于polyA捕获的其它空间转录组平台。
图5. 小鼠嗅球FFPE切片中检出的UMI数和基因数分布
全长覆盖
在50㎛还是15㎛分辨率下，M20 Spatial利用随机引物的优势，在无需结合三代测序的前提下，实现了空间转录组对gene body序列的无偏好全长覆盖。
由下图可见，M20 Spatial在不同分辨率下均实现了空间转录组数据从5’到3’均一覆盖（图5-6），获得的转录组信息更加真实全面。
图5. 50㎛分辨率下，样本数据gene body 5’到3’覆盖度
图6. 15㎛分辨率下，样本数据gene body 5’到3’覆盖度
空间非编码RNA捕获
LncRNA在细胞生长发育及多种疾病的发生发展、免疫机制中均有重要作用，也是近年来颇受关注的科研方向。M20 Spatial在各个分辨率下实现了对包括非编码RNA的检测。在小鼠和临床样本中均可捕获各类RNA分子。其中占比最高的是mRNA，同时也能捕获到长链非编码RNA（lncRNA）、microRNA（miRNA）等多种非编码RNA（图7-8）。
图7. M20 Spatial在小鼠胚胎和小鼠嗅球FFPE样本中捕获到的RNA种类及测得基因数目
图8. M20 Spatial在乳腺癌和癌旁FFPE样本中捕获到的RNA种类及测得基因数目
在非编码RNA中占比最高的是lncRNA，小鼠样本中测得的lncRNA种类约占小鼠总lncRNA数目的60%~80%（图7），临床样本中测得的lncRNA种类约占人总lncRNA数目的75%-85%（图8）。从图8中我们也可以看到，除了检测到lncRNA外，M20 Spatial也在临床FFPE样本测试中捕获到了1,000种左右的miRNA。MiRNA的发现荣获2024年度诺贝尔生理或医学奖，迅速成为科研界的焦点。M20 Spatial全面的RNA捕获能力，无疑为研究者提供了新的研究途径，有望开启探索生命科学新领域的大门。
此外，在各分辨率下，M20 Spatial在小鼠和临床样本均可捕获到组织各空间位置上的lncRNA（图11-12）。
图11. 小鼠胚胎FFPE样本及小鼠嗅球FFPE样本中lncRNA基因数分布
图12.乳腺癌FFPE样本与癌旁FFPE样本中lncRNA基因数分布
空间全转录组+单细胞全转录组联合分析
在不同物种以及组织类型的样本测试中，在50㎛和15㎛分辨率下，M20 Spatial均可识别多种细胞亚群，还可以与单细胞转录组数据联合分析。
在不同分辨率下的小鼠和临床样本中，仅通过对M20 Spatial数据的降维聚类，即可根据转录组的差异识别出多个细胞亚群。同时，这些分群的在样本切片上的空间映射图显示，通过M20 Spatial发现的细胞亚群对应着样本中各个不同组织来源的细胞。
图13. 小鼠胚胎FFPE样本聚类分群及分群marker
图14. 小鼠嗅球FFPE样本聚类分群及分群marker
在乳腺癌的单个亚群中，我们可以在其分群marker中看到DKK1 [4]、SLC3A1 [5]、MUC5B [6]、ACKR1 [7]、APOC1 [8]等与乳腺癌及其预后相关基因的特异性高表达（图15）。
图15. 乳腺癌FFPE样本聚类分群及分群marker
图16. 癌旁FFPE样本聚类分群及分群marker
同时，M20 Spatial数据可以与细胞转录组数据联合分析。图17-20展示了上述样本在与单细胞转录组联合分析后的分群及空间映射结果。通过联合分析，可以明确各细胞类型在组织空间位置上的精确分布，获得更为精准的空间异质性信息。
图17. 小鼠胚胎FFPE样本M20 Spatial数据与小鼠胚胎单细胞转录组GEO公共数据集GSE119945[1]联合分析结果
图18. 小鼠嗅球FFPE样本M20 Spatial数据与小鼠神经系统单细胞转录组公共数据集SRP135960[2]中嗅球数据联合分析结果（公共数据使用MapMyCells[3]重新注释）
图19. 乳腺癌FFPE样本M20 Spatial数据与VITA单细胞转录组数据联合分析结果
图20. 癌旁FFPE样本M20 Spatial数据与VITA单细胞转录组数据联合分析结果
挖掘肿瘤基因表达的空间异质性
M20团队还展示了通过M20 Spatial 进一步挖掘与特定细胞类型、功能及肿瘤分型、预后有关的基因表达异质性。图21展示了乳腺癌及癌旁样本中部分基因的表达情况。
图21. 乳腺癌和癌旁FFPE样本中的部分基因表达
基因表达分析显示乳腺癌样本中HER2（ERBB2）上调，而雌激素受体（ESR1）和孕激素受体（PGR）下调，可能表明HER2阳性状态。同时，免疫球蛋白IGHG1的上调暗示了B细胞或浆细胞的浸润。肿瘤抑制基因PTEN和TP53表达下调，而MMP9表达上调，与乳腺癌发展相关。预后相关基因JCHAIN和MUCL1的空间表达模式与HER2不同，反映了肿瘤内部的异质性。
从整体升级内容和数据结果来看，M20确实在技术创新和实际应用拓展上下足了功夫。虽然目前还没有正式的产品进行发布，但我们仍会持续关注。相信随着新兴技术的持续发展，可以为行业研究带来更多广阔天地。
近期，M20还将针对空转样本进行招募，又是一次新技术新尝试的好机会，感兴趣的行业同仁可以看看招募的要求，扫码报名：
开放测试技术类型：50 ㎛和15 ㎛分辨率M20 Spatial均开放测试
测试样本类型：FFPE临床组织样本
测试样本例数：每位测试者每类样本2例
测试提供结果：每样本5-20 G小测数据（不同分辨率小测数据量不同）及质控报告
参考文献：
Cao, J. et al. The single-cell transcriptional landscape of mammalian organogenesis. Nature 566, 496–502 (2019).
A. Zeisel, et al. Molecular architecture of the mouse nervous system. Cell 174, 999–1014.e22 (2018).
Allen Institute for Brain Science. MapMyCells (2023). Available from https://knowledge.brain-map.org/mapmycells/process
Kasoha M, et al. Dickkopf-1 (Dkk1) protein expression in breast cancer with special reference to bone metastases. Clin Exp Metastasis 35(8), 763-775 (2018).
Jiang Y, et al. Cysteine transporter SLC3A1 promotes breast cancer tumorigenesis. Theranostics 7(4), 1036-1046 (2017).
Mukhopadhyay P, et al. Mucins in the pathogenesis of breast cancer: implications in diagnosis, prognosis and therapy. Biochim Biophys Acta 1815(2), 224-40 (2011).
Jenkins BD, et al. Atypical Chemokine Receptor 1 (DARC/ACKR1) in Breast Tumors Is Associated with Survival, Circulating Chemokines, Tumor-Infiltrating Immune Cells, and African Ancestry. Cancer Epidemiol Biomarkers Prev 28(4), 690-700 (2019).
Kim SS, et al. Quantifiable peptide library bridges the gap for proteomics based biomarker discovery and validation on breast cancer. Sci Rep 13(1), 8991 (2023).
