Nature methods
引人注目的研究揭示iSCALE在大规模组织分析中的突破性潜力
小赛推荐：
该研究介绍了iSCALE，一种创新的机器学习框架，用于从大规模组织样本中无偏注释、解析细胞类型组成、映射细胞微环境并揭示传统分析难以检测的空间特征。通过综合评估、免疫组化染色和病理学家手动注释，研究证明了iSCALE在多发性硬化症脑组织分析中的卓越性能。
文献概述
本文《Scaling up spatial transcriptomics for large-sized tissues: uncovering cellular-level tissue architecture beyond conventional platforms with iSCALE》，发表于《Nature methods》杂志，回顾并总结了空间转录组（ST）技术的局限性，并介绍了一种新的计算框架iSCALE，该框架能够从大规模组织切片中重建超分辨率基因表达图谱并自动注释细胞水平的组织结构。研究展示了iSCALE在胃癌和多发性硬化症脑样本中的应用，强调其在疾病研究中的广泛潜力。
背景知识
空间转录组技术使研究人员能够在保留组织空间信息的同时进行基因表达谱分析，为理解组织结构、疾病机制和细胞功能提供了重要工具。然而，现有平台存在高成本、低分辨率和组织捕获区域有限等问题，限制了其在大规模组织研究中的应用。本研究提出iSCALE，利用H&E染色图像和少量ST数据，实现对大规模组织的超分辨率基因表达预测和细胞注释，突破了传统平台的限制。研究团队通过胃癌和多发性硬化症脑样本的实证分析，验证了iSCALE的准确性与实用性，为未来大规模空间转录组研究提供了新方法。
研究方法与实验
iSCALE的核心在于整合多个ST捕获区域（称为“daughter captures”）的信息，并将其映射到整个大规模组织图像（“mother image”）上。该方法首先使用空间聚类分析指导daughter capture与mother image之间的比对，通过半自动流程实现高精度的图像配准。随后，iSCALE利用卷积神经网络从mother图像中提取全局和局部组织结构特征，并与ST数据结合，训练基因表达预测模型。最终，该模型可预测每个8μm × 8μm超像素的基因表达，并进行细胞类型注释，从而构建高分辨率组织图谱。
关键结论与观点
研究意义与展望
iSCALE为大规模组织的空间转录组分析提供了新的计算工具，突破了现有ST平台在组织尺寸、分辨率和覆盖基因数量方面的限制。该方法可广泛应用于癌症、神经退行性疾病、免疫疾病等研究，尤其在多发性硬化症等复杂组织结构分析中展现出卓越性能。未来，随着更多ST数据的积累，iSCALE有望进一步优化，实现更高效、更低成本的大规模空间基因表达研究。
结语
iSCALE 的提出为大规模组织的空间转录组分析提供了全新的解决方案，尤其在细胞类型识别、基因表达预测和组织结构注释方面展现出显著优势。该方法通过整合H&E染色图像与少量ST数据，能够实现高分辨率、全组织范围的基因表达图谱绘制，解决了传统平台在组织大小、分辨率和覆盖范围方面的瓶颈问题。研究在胃癌和多发性硬化症样本中的应用进一步验证了iSCALE的准确性与生物学相关性，为病理学家和基因组研究人员提供了一种强大且灵活的分析工具。未来，随着更多数据和优化策略的引入，iSCALE有望成为空间转录组研究的重要支柱。
