IF36.1｜Spotiphy实现全切片单细胞空间全转录组

Spotiphy将测序型空间转录组提升至单细胞分辨率，同时保留全基因组覆盖。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

空间转录组技术分为测序型和成像型两类。测序型如Visium、Slide-seq等能提供全基因组表达谱，但分辨率受限于捕获点，每个点包含多个异质细胞，且点间区域信息丢失。成像型如Xenium、CosMx等虽达到单细胞分辨率，但仅能检测数百至一千个预设基因。因此，领域内一直存在基因覆盖度与分辨率之间的权衡。已有多种解卷积方法尝试从测序型数据中解析细胞组成，但均无法在保持空间基因表达变化的同时获得单细胞水平的数据。

科学问题

卡在哪里： 现有解卷积方法只能估计每个点的细胞类型比例，不能将点的表达谱分解到单个细胞，也无法填补点间非捕获区域的信息。此外，成像型方法受限于低基因通量，难以用于数据驱动的发现。因此，缺乏一种能同时实现全转录组覆盖和单细胞分辨率的空间转录组分析工具。

本文要回答： 开发一个计算工具，将测序型空间转录组数据转化为单细胞分辨率的全转录组图像，并验证其在多种组织中的生物学有效性。

技术路线

作者主要用了：scRNA-seq、空间转录组、组织学图像、生成式建模、高斯过程。

Spotiphy整合scRNA-seq参考、测序型空间转录组数据和H&E染色图像。首先从scRNA-seq中筛选每种细胞类型的标记基因，构建特征参考矩阵；然后利用深度学习模型分割H&E图像中的细胞核，确定每个捕获点内的细胞数量；接着通过概率生成模型同时估计细胞类型比例并分解每个点的基因表达到单个细胞；最后利用高斯过程对非捕获区域的细胞类型比例和表达进行插补，生成全切片的伪单细胞分辨率图像。该流程允许用户自定义超参数以适应不同数据质量。

图 1　Fig. 1。图1展示了Spotiphy的整体工作流程，包括输入数据（scRNA-seq、ST数据、H&E图像）和五个主要步骤：参考构建、细胞核分割、生成建模、插补和伪单细胞图像生成。同时展示了用于构建小鼠脑参考的scRNA-seq数据UMAP，以及匹配的Visium、Xenium和CosMx数据示例。

核心亮点

亮点 1｜解卷积精度超越13种方法

在AD小鼠脑的Xenium数据作为基准的评估中，Spotiphy在13种解卷积方法中总体Pearson相关系数最高，细胞类型比例与真实值最接近。对于稀有细胞类型如中性粒细胞，Spotiphy准确识别出其在脑室周围的富集，而其他方法大多预测随机或错误分类。在模拟Visium数据集和8个配对scRNA-Visium人类组织数据集上，Spotiphy也持续排名前列，且计算时间显著低于其他方法。

图 2　Fig. 2。图2对比了Spotiphy与13种方法在AD小鼠脑样本上的细胞类型比例估计。热图显示Spotiphy对兴奋性神经元、抑制性神经元和中性粒细胞的空间分布与Xenium或ISH基准最接近。定量指标（Pearson相关、余弦相似度等）表明Spotiphy整体表现最佳。

亮点 2｜揭示星形胶质细胞区域特化

对Spotiphy生成的iscRNA数据进行无监督聚类，发现星形胶质细胞形成多个亚群，其空间分布与小鼠脑经典组织学区域（CTX、HPF、TH等）完美对应。通过NetBID2鉴定CTX和TH星形胶质细胞的差异表达基因，定义区域签名分数，在WT和AD样本中均得到验证。CosMx数据作为独立验证也支持该区域特化。模拟数据中未出现此类亚群，排除了算法伪影的可能。

图 3　Fig. 3。图3展示了从Spotiphy生成的iscRNA数据中提取的星形胶质细胞UMAP，显示多个亚群对应不同脑区。将亚群颜色映射回Visium空间位置，可见清晰的区域分布。CTX和TH星形胶质细胞的签名分数在WT和AD样本中均呈现区域特异性，CosMx数据验证了这一发现。

亮点 3｜发现AD相关小胶质细胞区域特化

小胶质细胞在iscRNA数据中形成五个亚群，其中C&H和TH亚群主要来自AD样本。这些亚群高表达DAM标记基因，且DAM签名分数在AD脑中显著升高，尤其在C&H和TH区域。CosMx数据验证了DAM标记基因在相应区域的信号增强。β-淀粉样蛋白染色显示AD脑中C&H、FT和TH区域有更高的淀粉样蛋白沉积，与DAM分布一致。进一步分析发现C&H DAM和TH DAM之间存在区域特化，C&H DAM表现出更强的免疫激活。

图 4　Fig. 4。图4展示了小胶质细胞的UMAP和空间分布，显示C&H和TH亚群主要来自AD样本。DAM签名分数在AD脑中显著升高，尤其在C&H和TH区域。CosMx数据验证了DAM标记基因的表达增强。进一步分析显示C&H DAM和TH DAM之间存在区域特化。

亮点 4｜绘制乳腺癌肿瘤-TME空间域

在人类乳腺癌Visium数据上，Spotiphy生成的iscRNA数据通过inferCNV分析准确区分了肿瘤细胞和正常细胞，与原始研究结论一致。对LumSec肿瘤细胞亚群进行空间定位，定义了外层、中层和内层三个空间域。细胞类型比例随空间域变化，肿瘤细胞向中心增多，免疫细胞减少。CellChat分析显示肿瘤-TME互作模式在不同空间域存在显著差异，且互作强度并不总是与免疫细胞比例一致。例如，在BC1160920F中，中层域的免疫反应最强，而非外层域。

图 5　Fig. 5。图5展示了人类乳腺癌数据的分析结果。iscRNA数据UMAP显示LumSec和LumHR细胞存在多个亚群。inferCNV分析识别出肿瘤细胞。空间域划分显示肿瘤细胞亚群从外层到内层的分布变化。CellChat分析揭示了不同空间域中肿瘤-TME互作模式的差异。

亮点 5｜填补非捕获区域信息

在Visium数据中，仅约34%的细胞位于捕获点内，导致大量信息丢失。Spotiphy利用高斯过程对非捕获区域的细胞类型比例和表达进行插补。通过与匹配的Xenium数据比较，Spotiphy对非捕获区域的细胞类型比例估计甚至比Tangram和CytoSPACE对捕获点内的估计更接近真实值。此外，Spotiphy还能恢复Slide-tags数据中丢失的细胞核信息，增加细胞数量以提升下游分析统计功效。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： scRNA-seq、空间转录组、组织学图像、生成式建模、高斯过程
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事空间转录组数据分析、单细胞多组学整合以及肿瘤微环境研究的生物信息学人员。

带走一句

Spotiphy为测序型空间转录组数据提供了单细胞分辨率的全转录组视图，可直接用于下游分析，弥补了现有解卷积方法的不足。