非常感谢蓝老师的介绍，以及给我这次机会跟大家交流时空组学。
我个人的背景比较偏向于技术以及发育研究，这是一次非常好的机会，因为我觉得我们做的这个技术，未来在肠道菌群相关的研究当中是有非常大的潜力的。
这个领域可能才刚刚开始，我也给大家简单说一下，我对这个技术未来应用的一些想法。
不同以往的时空组学
今天要介绍的这个技术就是时空组学，从时间和空间的维度，研究细胞以及分子在组织的定位以及相互作用。
大家可能都非常了解单细胞测序，而单细胞多组学、时空组学分别是Nature Methods在2019年和2020年的一个年度技术。作为底层的技术，我相信它未来对于生命科学能够带来很多新的助推作用。
我们为什么要做这个呢？一个主要的原因是，我们人体有37万亿的细胞，其实就像物质是由元素组成的一样，我们的每一个器官是由细胞组成的。
这里有两个非常重要的问题。一个是每个器官包含哪些种类的细胞类型；二是它的结构是什么样子，这些细胞类型是通过什么方式组织形成一个完整的、有功能的器官。
另一个非常重要的问题，我觉得未来值得深入去探索的，就是人体与微生物之间的关系。
在人体的不同部位，包括肠道里有非常多的微生物，这些微生物怎么样维持一个稳态去维持人体的健康，以及这些微生物的组成异常怎么导致疾病。我们未来有没有可能对这些微生物进行比较精准的细胞分辨率定位，我相信这个是非常重要的。
实际上，我们人类对细胞的认知是非常早的。最早是350年前我们第一次通过显微镜观察到生命的基本功能单元——细胞。但是，那个时候只能从细胞的形态角度进行观察。
从有了基因组测序技术一直到现在，我们可以对基因组的序列进行非常系统的解析，让我们看到了细胞内部的生命大分子结构。但是它还不能告诉我们的信息就是，为什么人体有这么多种不同的细胞类型，它们之间的差别是什么。
这也是后来单细胞测序，特别是近一两年来，时空组学测序领域的突破，让我们真正地看到了这些细胞是什么，这些细胞的结构、定位是什么样的。
在华大研究院，我们其实在细胞图谱平台做了一系列部署，包括今天我主要讲的，就是我们研发了高精度、大市场的空间组学技术。
在细胞类型的解析这一块，我们也自主研发了高通量的单细胞多组学技术，跟我们现在的高通量测序仪结合，可以实现大规模的细胞数字化研究。同时，我们有相应的算法团队以及图谱解析团队。
我想说的是，细胞组学的数据体量与过去我们做基因组的数据体量相比的话，有数量级上的一个提升。
所以说，未来这个领域的体量一定是非常超大数据的时代，我相信是需要非常多的科学家共同努力、共同推动，当然对未来资源的消耗也是非常大的。
简单地介绍一下单细胞跟时空组学这两个技术：一个是对细胞类型进行解析，另一个最大的能力就是对细胞的定位进行解析。单细胞测序这一块，我们已有一套高通量的基于液滴的负压介导微流控系统，可以实现比较精准的细胞分类。
然后，我们利用单细胞技术系统地进行了细胞命运的解析。
其中包括今年3月、4月，我们分别在Nature上发的两篇文章。
一个是关于人类全能干细胞的诱导。这个文章更多是通过体外操控细胞命运的技术，就是通过化学小分子将过去能够诱导成功的人类多能干细胞，
这个多能干细胞大概是胚胎发育第5~6天的状态。我们通过一系列的化学药物、小分子进一步诱导到了第3天的状态，这个过程中的效率比较低。
所以我们通过单细胞测序结合化学小分子筛选，找到了一小群细胞，它们具有全能性。我们再把这群细胞进行鉴定以及功能分析，进一步证明了它的全能性。
另外，我们对成年猕猴的成熟器官进行了高通量单细胞测序，共绘制了45个器官，得到了106种主要的细胞亚型和460多种主要的细胞亚类。然后，系统地构建了成年猕猴的整个细胞图谱以及分子特征。
通过这个，我们进一步研究了每个器官潜在的成体干细胞，以及400多种细胞类型跟人类疾病的关联。
时空组学的技术挑战
单细胞测序的主要问题是，在建库过程中丢失了一个非常重要的信息，就是细胞的位置信息。我们知道位置信息是非常重要的，因为它决定了结构以及相应的功能。
其实最早的空间组学的技术是单分子荧光原位杂交（FISH），但是过去只能做单个基因的原位定位。
随着技术的发展，通过更高通量的基因原位检测技术，现已实现了一系列的更高通量的技术，比如容错荧光原位杂交（MERFISH）、顺序荧光原位杂交（seqFISH）。
但是这些技术始终做不到全基因组，所以并不能实现所有基因检测，而且它做什么基因都需要先验知识去指导。
另外，这个技术依赖于拍照。因为拍照的速度是有限的，所以它能够得到的视野大小也是非常有限的。这一两年，大家看到有很多新的基于测序的时空组学技术出现，但目前还存在一些挑战。
基于测序的技术，它会有一张捕获芯片，这个芯片决定了技术的表现。比如芯片上捕获的信号点多大，两个信息点之间的距离有多远，两个参数决定最后这个技术的精度、分辨率到底有多高。
再有，芯片的大小，决定最后捕获到的组织能够有多大。到底是捕获很小的一个区域，比如大脑里很小的脑区，还是能够把整个大脑进行解析，对芯片大小的要求是不一样的。
虽然有些技术发表了，但是要么在分辨率，要么在视野，或者说两个方面都存在缺陷。
我今天要讲就是基于华大的一个自主技术，就是DNA纳米球技术，过去是用于测序的。这里面列的芯片是测序仪DNBSEQ-T测序系统的一张芯片，大小大概5厘米×6厘米，有效面积大概是这么大。
这是一张测序芯片，但是这个测序芯片非常有意思，它有密密麻麻的信号点，这张5厘米X6厘米的芯片上面大概有10个亿的信号点。
在测序过程中，我们是把DNA经过信号放大扩增变成一个长链单链DNA，它会自发形成毛线球一样的结构，我们就把它叫DNA纳米球。
然后把它加载到芯片上，能够保证95%~99%以上的信号点，每一个信号点有且仅有一个DNA纳米球。纳米球之间的距离是500纳米，纳米球大小是220纳米。
如果把DNA放上去，我们通过DNA纳米球技术就可以做DNA测序，但是我们如果把组织铺上去是不是就可以进行组织的原位捕获？
带着这个思路，我们研发团队进一步研发，最后实现了组织的原位捕获技术。
这个芯片的好处就是，一方面信号密度是极高的；另外一方面芯片非常大，5厘米×6厘米，最大还有13厘米×13厘米的芯片。
这是一个直接的比较。相比同行的技术，我们的技术在分辨率、视野大小上都远远优于目前的其他同类技术。
时空组学实现分子级数字化生命
这个技术可以做什么？这是一个非常直观的比较。
我们知道传统HE染色技术，这是对一个胚胎染出来的结果。同样的胚胎切片，完成时空组学测序的结果，可以对整个胚胎范围内的所有基因进行分析，我们能够获得非常多的基因表达信息。
通过这个技术，我们可以做到什么？它可以实现单细胞分辨率的全组织尺度的细胞定位。
这是我们在大脑做的结果，这是染色的数据，这是测序的数据，每个点代表一个转录本。我们可以看到非常清晰的转录本聚集的现象，通过转录本的聚集可以把一个细胞圈出来，进行空间细胞定位。
通过这个技术，首先我们构建了小鼠胚胎发育的时空转录组图谱。9.5~16.5天的胚胎，每个阶段都进行了多张切片捕获，这个图谱做到了真正的单细胞分辨率。
我们把一个胚胎拿出来，一张胚胎切片上有32万个细胞，我们分割出来进行空间定位，可以非常清晰地得到每种细胞类型以及各细胞类型的空间定位，包括不同细胞类型在胚胎的不同位置，可能存在的不同特征或者不同成熟程度。
我们可以在胚胎上进行系统描绘。
除了小胚胎发育，我们也系统构建了斑马鱼的胚胎发育，包括斑马鱼早期发育24小时以内，它的细胞去向、空间分化以及空间定位的改变。
我们同时构建了另外一个重要模式生物——果蝇的胚胎发育。我们把果蝇的胚胎进行全面3D重构，最后得到了果蝇胚胎每个过程的分子和细胞3D图谱。
我们有一个做植物的团队，在植物领域做了初步尝试，给拟南芥叶片做了空间组图谱。
过去在单细胞领域没有做太多的植物研究，主要原因是细胞壁在细胞解离过程中成为很大的阻碍。但在空间组，我们发现细胞壁不仅不是缺点，还是很大的优点。因为细胞壁的染色可以告诉你细胞边界在哪里，天然地就可以进行细胞分割。
时间组学应用于疾病研究
结直肠癌是一个重要的肠道恶性肿瘤，我们通过时空组学技术也进行了研究。
我们对肿瘤组织进行测序，通过空间捕获的转录本数据，直接把基因组变化进行精确的空间组定位。
比如，我们发现结直肠癌存在不同的区域，有一个黏膜上皮细胞的相关基因，拷贝数变得非常多。在结直肠癌，它是定位在一个非常特异的局部区域。
在这个局部区域，免疫反应非常活跃，我们能看到抗原呈递分子、免疫趋化因子的高表达。我们也看到，这种情况跟患者的良好预后是有关系的。这可以作为一个概念验证。
我相信，时空组是能够大大地促进我们对肠道肿瘤的理解。
对于肠道菌群的未来研究，目前时空组学基本上还没有相关的文章出现。
首先，它表达的转录组丰度比较低。另外，我们现在可能更多依赖多聚腺苷（polyA）捕获转录本，但肠道微生物的很多转录本都是非polyA的。当然，我们也非常关心肠道微生物的基因组，基因组的捕获现在也是一个问题。
这个技术才刚刚开始，我相信随着技术的进步，未来非常有潜力能够进行肠道微生态的直接捕获。所以，未来这个技术能够帮助我们解决肠道微生态的组成分布，以及肠道微生物跟宿主的关系。
我们非常关心的另一个新领域，是脑部疾病与肠道菌群的关联。对于肠-脑轴的研究，未来我们需要回答怎样通过肠道微生物分泌的因子，去跟脑细胞或者神经系统细胞进行互作。
我相信这也是一个非常有意思的未来研究方向。
为了推动这个领域，我们组建了时空组学联盟。最近在Cell上发布了这个联盟，也吸引了来自全世界20多个国家、90个团队的参与。
它主要是聚焦于生理学、发育与衰老、疾病、演化四大方向，进行全面的研究。
这是我们最近在Cell发表的这个联盟的首批成果，有几篇是正式发表的，另有几篇可能会陆陆续续地正式发表。
非常感谢大家，也感谢我们的技术研发团队以及合作伙伴。
