在生命科學(xué)的浩瀚星海中，空間轉(zhuǎn)錄組學(xué)正像一束穿透迷霧的光，把“細(xì)胞在哪里、在做什么、在與誰對(duì)話”從想象變成可測(cè)量的事實(shí)。它讓我們第一次有機(jī)會(huì)把分子表達(dá)、組織結(jié)構(gòu)與細(xì)胞命運(yùn)放在同一張坐標(biāo)系里理解——而這也意味著，真正的挑戰(zhàn)不再是“有沒有數(shù)據(jù)”，而是“能不能把數(shù)據(jù)變成機(jī)制、把機(jī)制變成主圖”。

站在2026新年之際，BioArt攜手戰(zhàn)略合作伙伴，推出專精系列培訓(xùn)之“Nature 單細(xì)胞空間組學(xué)1:1復(fù)現(xiàn)訓(xùn)練營(yíng)”。希望用一場(chǎng)真正“硬核、可落地、可交付”的訓(xùn)練，幫助每一位研究者完成從“會(huì)跑流程”到“會(huì)復(fù)現(xiàn)頂刊、會(huì)遷移到自己課題”的躍遷：不止講概念與工具，更以Nature論文為主線，逐面板拆解、源碼級(jí)精讀。

我們相信，未來的空間組學(xué)競(jìng)爭(zhēng)不在“知道使用哪個(gè)軟件”，而在于誰能更快構(gòu)建可解釋的空間坐標(biāo)系，誰能更穩(wěn)建立“位置—互作—信號(hào)—表型”的證據(jù)鏈，誰能把結(jié)果做成審稿人一眼認(rèn)可的主圖。愿這門課程成為你2026開年的第一份“科研加速器”：讓復(fù)現(xiàn)不再靠運(yùn)氣，讓機(jī)制不再停留在猜想，讓每一次分析都能沉淀為可復(fù)用、可擴(kuò)展、可發(fā)表的能力與作品。

新一年，我們以頂刊為坐標(biāo)、以源碼為橋梁、以主圖為目標(biāo)。歡迎你加入這場(chǎng)空間轉(zhuǎn)錄組的“主圖復(fù)現(xiàn)之旅”，一起把數(shù)據(jù)變成故事，把故事變成成果。

論文介紹

本次復(fù)現(xiàn)的論文如下

https://www.nature.com/articles/s41586-024-08466-x

01

課程特色

1.全流程系統(tǒng)教學(xué)：

從空間轉(zhuǎn)錄組數(shù)據(jù)結(jié)構(gòu)、QC、注釋到出圖全流程，配套“保姆級(jí)”R/Python代碼模板，快速補(bǔ)齊空間數(shù)據(jù)分析底層能力

2.一對(duì)一指導(dǎo) + 包教包會(huì)：

針對(duì)你自己的數(shù)據(jù)（Xenium/VisiumHD/MERFISH等）提供遷移指導(dǎo)：如何選參數(shù)、如何可視化空間結(jié)構(gòu)、如何畫出和論文一樣的圖，確保學(xué)完能直接上手課題，讓你真正學(xué)得會(huì)、用得上、在大數(shù)據(jù)分析的加持下做出更有價(jià)值的科研成果。

3.AI賦能 + Nature正文拆解：

不是單純的跑代碼，更多的是理解代碼背后的生物學(xué)意義。當(dāng)然也不是單純的只講思路，而是直接把 Fig.1–Fig.5 的每個(gè) panel 拆到“輸入→關(guān)鍵參數(shù)→輸出→驗(yàn)收標(biāo)準(zhǔn)”，帶你做出真正對(duì)齊論文的結(jié)果

4.源碼級(jí)系統(tǒng)學(xué)習(xí)：

從“能跑”到“能改”：帶你讀懂作者倉(cāng)庫(kù)結(jié)構(gòu)、figure pipeline、關(guān)鍵函數(shù)與參數(shù)選擇邏輯，學(xué)會(huì)把論文代碼遷移到自己的項(xiàng)目，而不是“抄完就忘”

5.直播授課 + 錄屏回看 + 長(zhǎng)期答疑：

直播帶跑、課后錄屏反復(fù)看，資料包（代碼/講義/驗(yàn)收清單/出圖模板）全配齊；課程結(jié)束答疑不結(jié)束，后續(xù)自己數(shù)據(jù)分析過程中遇到問題也是一對(duì)一指導(dǎo)答疑，真正做到包教包會(huì)，學(xué)有所用做出更有價(jià)值的研究成果。

02

課程時(shí)間

第一期 · 新年開講

一個(gè)月系統(tǒng)教學(xué)，實(shí)打?qū)嵃贪鼤?huì)

每周五、周六、周日晚19:00-22:00

共十三節(jié)課

九節(jié)課程精講，四節(jié)課答疑和總結(jié)

03

課程核心模塊

第一節(jié)課：AI+Nature文章思路解讀：從“圖的堆疊”到“機(jī)制證據(jù)鏈”

基于Deepseek高效閱讀Nature多組學(xué)生信文章和評(píng)價(jià)文章思路的創(chuàng)新性

Deepseek對(duì) 論文敘事框架拆解：開篇提出科學(xué)問題 → 提出方法框架 → 在小鼠數(shù)據(jù)證明 → 用互作/信號(hào)建立機(jī)制 → 用空間擾動(dòng)給因果 → 人類回譯驗(yàn)證

ChatGPT：如何把這篇Nature論文的范式遷移到自己的課題研究中

第二節(jié)課：Nature文章中VisiumHD Xenium MERFISH 數(shù)據(jù)全流程處理（一）

數(shù)據(jù)讀入多種方法和質(zhì)量控制 QC（細(xì)胞層面）

基礎(chǔ)可視化與區(qū)域裁剪

過濾 + 歸一化 + 降維聚類

構(gòu)建空間鄰接圖

第三節(jié)課：Nature文章中VisiumHD Xenium MERFISH 數(shù)據(jù)全流程處理（二）

空間統(tǒng)計(jì)（組織結(jié)構(gòu)/鄰域關(guān)系）

鄰域富集 nhood_enrichment

共現(xiàn) co-occurrence

空間自相關(guān) Moran’s I

第四節(jié)課：細(xì)胞分割

神經(jīng)網(wǎng)絡(luò)模型StarDist定位圖像中的星形細(xì)胞

基于深度學(xué)習(xí)Cellpose高質(zhì)量的細(xì)胞分割

第五節(jié)課：Fig. 1 復(fù)現(xiàn)：通過小鼠小腸的空間轉(zhuǎn)錄組統(tǒng)刻畫CD8 T 細(xì)胞在組織空間定位及其轉(zhuǎn)錄狀態(tài)的動(dòng)態(tài)變化。

5.1 將免疫熒光測(cè)得的 細(xì)胞位置投影到 IMAP 上，按核密度著色展示感染后不同時(shí)間點(diǎn)的定位變化。

5.2Xenium 空間轉(zhuǎn)錄組數(shù)據(jù)的多模態(tài)結(jié)構(gòu)與對(duì)應(yīng)關(guān)系（H&E、IF、DAPI 分割、Leiden 聚類）及局部放大中轉(zhuǎn)錄本與標(biāo)記基因（如 Cd8a/Cd8b/Gzmb/Xist）的空間疊加

5.3 概覽處理后的多個(gè)時(shí)間點(diǎn) Xenium 數(shù)據(jù)：聯(lián)合 MDE 嵌入與原位空間分布，并在局部放大中突出 P14 細(xì)胞/簇及 Leiden 聚類隨時(shí)間的變化

第六節(jié)課：Fig. 2 復(fù)現(xiàn)：不同空間生態(tài)位驅(qū)動(dòng)

6.1 umap圖與原位空間圖在多個(gè)時(shí)間點(diǎn)同時(shí)展示了小腸組織在空間中的梯度分布

6.2 計(jì)算每個(gè)基因的 Spearman 相關(guān)并以散點(diǎn)圖呈現(xiàn)，篩出與空間定位正/負(fù)相關(guān)的標(biāo)志基因

6.3 對(duì)基因表達(dá)做卷積平滑并在各時(shí)間點(diǎn)繪制熱圖，揭示細(xì)胞在上皮區(qū)室梯度上的轉(zhuǎn)錄變化。

6.4 代表性基因（如 Gzma/Gzmb/Itgae/Tcf7） 按表達(dá)加權(quán)的核密度圖，直觀展示在不同門控區(qū)域的富集位置

第七節(jié)課：Fig.3 復(fù)現(xiàn)：空間互作網(wǎng)絡(luò) + 細(xì)胞因子梯度 + CellChat 機(jī)制整合

7.1 單細(xì)胞分辨率繪制細(xì)胞亞群“連接 connectome ，顯示不同細(xì)胞類型之間的空間相互作用網(wǎng)絡(luò)。

7.2 Squidpy 相互作用分?jǐn)?shù)網(wǎng)絡(luò)圖（節(jié)點(diǎn)為細(xì)胞亞群、邊為強(qiáng)相互作用），展示不同模塊隨時(shí)間的網(wǎng)絡(luò)結(jié)構(gòu)變化

7.3 用熱圖匯總細(xì)胞亞群與 P14 細(xì)胞 在不同組織生態(tài)位的鄰域分析

7.4 TGFβ 隨數(shù)據(jù)的表達(dá)趨勢(shì) 變化 ，并用空間圖展示其在絨毛中的實(shí)際定位分布。

7.5 熱圖展示了CellChat 計(jì)算三個(gè)區(qū)域的主要“入向信號(hào)通路”強(qiáng)度，指出不同生態(tài)位驅(qū)動(dòng)的關(guān)鍵信號(hào)來源差異。

7.6 熱圖描繪小腸軸向上的“細(xì)胞因子梯度景觀”

第八節(jié)課：Fig.4 復(fù)現(xiàn)：CRISPR擾動(dòng)驗(yàn)證解析 CXCR3 決定絨毛分布機(jī)制

8.1 氣泡圖比較未感染與感染時(shí)間序列中各細(xì)胞類型對(duì)Cxcl9/Cxcl10的表達(dá)水平與表達(dá)細(xì)胞比例

8.2Cxcl9/Cxcl10在不同時(shí)間點(diǎn)的表達(dá)趨勢(shì)曲線，并用空間散點(diǎn)展示其在絨毛中的實(shí)際富集位置。

8.3 CD8 T 細(xì)胞在組織中的精確位置與細(xì)胞核分割及關(guān)鍵轉(zhuǎn)錄本信號(hào)疊加展示，從而驗(yàn)證基因擾動(dòng)細(xì)胞可在單細(xì)胞尺度被空間定位與識(shí)別

8.4 柱狀圖展示 目標(biāo)基因（Thy1、Cxcr3）的表達(dá)差異，確認(rèn)基因擾動(dòng)有效

8.5 核密度圖 量化Cxcr3缺失對(duì)定位分布的影響

第九節(jié)課：Fig.5 復(fù)現(xiàn)：使用人類回腸 Xenium數(shù)據(jù)進(jìn)行跨物種驗(yàn)證與細(xì)胞互作

9.1 最小失真嵌入圖展示不同細(xì)胞類型在轉(zhuǎn)錄空間中的分離關(guān)系。

9.2 比例圖展示了各細(xì)胞類型在所有切片中的平均相對(duì)豐度

9.3 從組織到細(xì)胞的多尺度展示：在回腸切片上展示細(xì)胞分割與細(xì)胞類型/Leiden 聚類，并結(jié)合 H&E、DAPI 與轉(zhuǎn)錄本疊加。說明 Xenium 數(shù)據(jù)如何映射到隱窩–絨毛軸與上皮軸。

9.4 核密度展示signature基因集變化

9.5 卷積平滑熱圖展示 隨空間梯度變化的基因表達(dá)程序變化

9.6 關(guān)鍵基因表達(dá)與不同細(xì)胞類型的距離的 Spearman 相關(guān)

9.7 CellChat 匯總不同免疫細(xì)胞群接收的主要信號(hào)通路強(qiáng)度

04

課程費(fèi)用

• 課程費(fèi)用3880元/人，含直播授課+課程錄屏反復(fù)回看和一對(duì)一指導(dǎo)答疑，含 講義、代碼、數(shù)據(jù)等完整資料包。

• 團(tuán)體報(bào)名享優(yōu)惠，請(qǐng)聯(lián)系培訓(xùn)助手咨詢。

• 七名全職的答疑助理，從早上八點(diǎn)到晚上十二點(diǎn)全天在線 ，365天全年無休的一對(duì)一答疑，實(shí)打?qū)嵄ＷC一對(duì)一指導(dǎo)的學(xué)習(xí)效率。

立即掃碼，鎖定席位

05

合作機(jī)構(gòu)

華哥科研平臺(tái)

授課理念：將生信內(nèi)容全部學(xué)懂（理解）、學(xué)會(huì)（會(huì)敲代碼分析）、學(xué)透徹（站在課題頂層設(shè)計(jì)角度理解）、學(xué)以致用（用到自己的標(biāo)書申請(qǐng)和文章發(fā)表中）。

主講老師

張振華，中山大學(xué)博士，目前在東京大學(xué)從事醫(yī)學(xué)人工智能研究。深耕單細(xì)胞多組學(xué)、空間轉(zhuǎn)錄組與機(jī)器學(xué)習(xí)領(lǐng)域6年，培養(yǎng)學(xué)員3萬余人 ; 指導(dǎo)學(xué)員發(fā)表CNS主刊文章15篇、一區(qū)及子刊90余篇 ; 參與國(guó)自然重點(diǎn)、國(guó)家重大專項(xiàng)、孔雀計(jì)劃等項(xiàng)目申報(bào);合作院士團(tuán)隊(duì)及國(guó)際頂尖實(shí)驗(yàn)室，發(fā)表SCI論文24篇（Mol Cell、PNAS、Cell Rep Med、JACS、Mol Cancer、EMBO Mol Med等頂刊）。

06

課程收獲

從“看懂論文”到“復(fù)現(xiàn)到一模一樣”

將親手完成Nature 正文 每一個(gè) panel 的 1:1 復(fù)現(xiàn)，不是“跑個(gè)大概”，而是對(duì)齊到坐標(biāo)范圍、統(tǒng)計(jì)口徑、顏色映射、點(diǎn)大小透明度、圖例與標(biāo)尺等細(xì)節(jié)。

學(xué)完你能做到：看到一張頂刊空間主圖，知道它的輸入數(shù)據(jù)是什么、關(guān)鍵步驟在哪里、怎么跑出來、怎么驗(yàn)收對(duì)齊。

真正掌握“空間轉(zhuǎn)錄組的頂刊核心方法體系”

從形態(tài)學(xué)或空間幾何出發(fā)構(gòu)建可計(jì)算坐標(biāo)系，把組織結(jié)構(gòu)變成可解釋的“分區(qū)”

KDE 加權(quán)的“轉(zhuǎn)錄/signature”：把基因/簽名投影成空間密度圖

卷積表達(dá)和空間信號(hào)推斷

空間互作網(wǎng)絡(luò)：互作強(qiáng)度→篩邊→布局→可視化

空間擾動(dòng)/因果驗(yàn)證思路：sgRNA 細(xì)胞定位→分區(qū)比例變化→表達(dá)改變→統(tǒng)計(jì)檢驗(yàn)閉環(huán)

讓自己的空間數(shù)據(jù)真正“畫得出來、講得清楚、發(fā)得出去”

很多人做空間轉(zhuǎn)錄組卡在兩件事：圖做不出論文質(zhì)感、結(jié)果講不成機(jī)制鏈條。
這門課會(huì)讓學(xué)員把自己的樣本（腫瘤/炎癥/感染/治療前后等）真正用起來：

學(xué)會(huì)建立組織結(jié)構(gòu)坐標(biāo)系，把空間異質(zhì)性從“散點(diǎn)”變成“可解釋的梯度”

學(xué)會(huì)把“空間位置→細(xì)胞互作→信號(hào)通路→表型變化”的鏈條做成主圖級(jí)證據(jù)

07

部分代碼實(shí)戰(zhàn)展示