《Nature Methods》Spotiphy：单细胞空间全转录组学研究的创新突破

为解决空间转录组学（ST）技术难题，研究人员开发 Spotiphy 工具，实现单细胞分辨率全转录组成像，意义重大。

　　

# Spotiphy：解锁单细胞空间全转录组学的新钥匙
在生命科学研究的长河中，探索细胞的奥秘始终是一个核心主题。细胞就像一个个精密的 “小机器”，它们在组织中的位置和相互作用对其功能有着至关重要的影响。空间转录组学（Spatial Transcriptomics，ST）技术的出现，为科学家们打开了一扇新的大门，它能够在整个组织切片中可视化基因表达，帮助我们更好地理解组织区域化。然而，现有的 ST 技术却面临着一个棘手的问题：在不牺牲全基因组覆盖的情况下，很难达到单细胞分辨率。这就好比用一个模糊的放大镜看东西，虽然能看到整体轮廓，但细节却模糊不清。

为了解决这一难题，来自美国圣犹大儿童研究医院（St. Jude Children’s Research Hospital）等机构的研究人员展开了深入研究。他们的研究成果发表在《Nature Methods》上，为单细胞空间全转录组学领域带来了新的突破。

研究人员开发了一种名为 Spotiphy（spot imager with pseudo-single-cell-resolution histology）的计算工具包。这一工具包整合了概率建模、统计测试和计算机视觉技术，旨在解决现有 ST 技术的痛点，实现单细胞分辨率的全转录组成像，为深入研究复杂生物系统提供有力支持。

在研究方法上，Spotiphy 主要依赖于三种关键数据：单细胞 RNA 测序（scRNA-seq）数据、基于测序的 ST 数据和高分辨率组织学图像。通过选择最具信息性的基因生成签名参考，分割组织学图像确定细胞核位置，再将这些信息整合到概率模型中，实现对 ST 数据的解卷积和分解，从而生成细胞类型比例和推断的单细胞 RNA 表达谱（iscRNA 数据）。此外，Spotiphy 还利用高斯过程对非捕获区域的细胞类型比例和 iscRNA 数据进行插补，以弥补信息损失。

研究人员首先对 Spotiphy 的细胞解卷积准确性进行了评估。他们以 Xenium 数据为基准，与其他 13 种方法进行对比。结果显示，Spotiphy 在描绘兴奋性谷氨酸能神经元和抑制性 GABA 能中间神经元的分布时，更接近真实情况，边界也更清晰。对于免疫细胞，如中性粒细胞，大多数方法预测不准确，而 Spotiphy 能够识别出其在脑室周围的特异性富集，与原位杂交（ISH）结果相符。多项指标表明，Spotiphy 在细胞类型解卷积方面表现卓越，其生成的细胞类型比例与真实情况的相关性更高，误差更小。

在对小鼠大脑的研究中，研究人员利用 Spotiphy 分析了不同细胞类型的区域特异性。通过对小鼠大脑 Visium 数据生成的 iscRNA 数据进行无监督聚类，发现星形胶质细胞形成多个亚群，且这些亚群的空间分布与小鼠大脑的经典组织学区域相对应。进一步分析发现，不同区域的星形胶质细胞在基因表达上存在差异，功能也有所不同。例如，大脑皮层（CTX）的星形胶质细胞在神经元分化和细胞命运特化相关通路中富集，而丘脑（TH）的星形胶质细胞则在神经元突触可塑性相关基因上表达更高。

对于微胶质细胞，研究人员同样发现了其区域特异性。在阿尔茨海默病（AD）小鼠大脑中，Spotiphy 识别出与疾病相关的微胶质细胞（DAM）亚群，这些亚群在特定区域（如 C&H 和 TH 区域）的 DAM 评分显著升高，且与 β- 淀粉样蛋白的积累相关。基因集富集分析（GSEA）表明，C&H 区域的 DAM 表现出更强的免疫反应激活，这与 AD 发病机制中免疫反应的重要作用相契合。

在乳腺癌研究方面，研究人员应用 Spotiphy 分析公开的 scRNA-seq 和 Visium 数据集。通过 inferCNV 分析，Spotiphy 成功区分了肿瘤细胞和正常细胞。例如，在乳腺癌样本中，LumHR 和 LumSec 细胞的拷贝数变异（CNV）模式显示出其与肿瘤的相关性。此外，Spotiphy 还揭示了肿瘤 - 肿瘤微环境（TME）相互作用在不同空间域的变化。通过对 LumSec 细胞的分析，发现肿瘤细胞和免疫细胞的相互作用强度在不同空间域存在差异，且某些与细胞迁移相关的信号通路在特定区域上调，这为理解肿瘤进展和免疫逃逸机制提供了新的视角。

在讨论部分，研究人员指出 Spotiphy 将基于测序的 ST 方法的全基因组覆盖与基于图像的方法的单细胞分辨率相结合，具有显著优势。然而，Spotiphy 的性能依赖于输入数据的质量，特别是 scRNA-seq 参考数据。为了应对这一挑战，研究人员预设了多个超参数来确保参考数据的准确性和稳健性。此外，Spotiphy 在识别不在 scRNA-seq 参考中的细胞类型方面存在局限，未来需要进一步改进算法，增加参考数据中的细胞类型，以提高预测的准确性。

展望未来，研究人员提出了 Spotiphy 的几个改进方向。一是利用深度学习的视觉 Transformer 模型，结合组织学图像的额外信息，提高细胞类型分配的准确性；二是通过相邻切片的图像特征相似性，重建组织的三维结构；三是整合 scMultiome 和 Paired-Tag 等多组学数据，更全面地理解细胞状态和调控机制；四是随着 ST 平台分辨率的提高，进一步优化 Spotiphy 的性能，为生命科学研究提供更强大的工具。

总的来说，Spotiphy 的出现为单细胞空间全转录组学研究带来了新的突破。它不仅解决了现有技术的难题，还为我们深入理解细胞的组织、异质性和功能提供了新的视角。相信在未来，随着技术的不断改进和完善，Spotiphy 将在生命科学和健康医学领域发挥更大的作用，为攻克阿尔茨海默病、癌症等重大疾病提供更多的理论支持和研究思路。