Nature Methods
ResolVI 解决空间转录组数据中的噪声与偏差问题
小赛推荐：
本研究为 空间转录组 数据分析提供了关键的校正工具，显著提升了 细胞类型 鉴定的准确性，对于依赖高分辨率 组织切片 数据的 肿瘤微环境 研究具有直接的实验设计启发。
文献概述
本文《ResolVI: addressing noise and bias in spatial transcriptomics》，发表于《Nature Methods》杂志，系统探讨了如何利用概率模型解决空间转录组技术中普遍存在的分子错误分配问题。文章指出，尽管空间转录组技术能揭示细胞通讯与组织功能，但在亚细胞分辨率下，由于细胞分割算法的局限性，导致分子被错误分配至邻近细胞或背景中，严重干扰了 细胞状态 的识别与 基因表达 的量化。作者开发了 resolVI 模型，该模型位于分割算法下游，能够校正分子分配错误、批次效应及其他干扰因素，从而生成更准确的细胞概率表示。背景知识
空间转录组（ST）技术的核心挑战在于如何从组织图像中准确界定 细胞边界。目前主流的分割算法在处理高细胞密度、弱染色信号或形状不规则的 细胞 时表现不佳，导致大量 RNA 分子被错误归属。这种“扩散现象”不仅源于组织处理过程中的泄漏，也源于细胞在三维空间中的重叠，使得原本属于 神经元 或 免疫细胞 的特异性标记基因出现在错误的细胞类型中。此外，非特异性的 背景信号 进一步混淆了真实的 基因表达 谱。现有的校正方法往往将分割与量化耦合，难以彻底解决这些偏差。因此，开发一种能够独立于分割算法、专门针对量化误差进行概率建模的工具，成为突破 复杂组织 分析瓶颈的关键切入点。
研究方法与核心实验
作者构建了一个基于变分自编码器（VAE）的概率框架 resolVI，其输入为任何分割算法生成的细胞 基因表达 矩阵及空间位置信息。该模型将观测到的分子计数分解为三个部分：细胞真实的 基因表达、来自邻近细胞的扩散信号以及非特异性背景信号。通过优化证据下界（ELBO），模型利用神经网络分别估计细胞状态、扩散权重和背景水平。在实验验证中，研究团队首先利用 小鼠脑 组织的 10x Xenium 数据集，对比了原始分割数据与 resolVI 校正后的结果。结果显示，resolVI 显著减少了 小胶质细胞 中错误表达的 神经元 标记基因（如 Slc17a6），同时保留了真实的共表达模式。随后，研究在 肝脏癌症 活检样本（Vizgen MERSCOPE 平台）和 结肠炎 模型（MERFISH 平台）中进行了验证，涵盖了从测序到成像的多种技术平台。关键结论与观点
研究意义与展望
该研究对 药物开发 中的靶点验证具有重要意义，因为准确的 细胞状态 鉴定是发现新型 治疗靶点 的前提。在 临床监测 方面，resolVI 提供的校正数据能更真实地反映 肿瘤微环境 中的细胞互作，有助于评估免疫治疗的响应。对于 疾病建模，该工具使得研究人员能够利用现有的空间转录组数据重新挖掘被噪声掩盖的 细胞通讯 机制，特别是在 炎症性肠病 和 神经退行性疾病 等复杂病理过程中，能够更精细地解析组织修复与损伤的动态变化。
结语
ResolVI 的提出标志着空间转录组数据分析从单纯的“分割与计数”迈向了“概率校正与重构”的新阶段。在从实验室研究向临床转化跨越的过程中，数据的准确性直接决定了 生物标志物 发现的可靠性。该研究通过解决分子错误分配这一核心痛点，为解析 复杂疾病 如 癌症、自身免疫病 和 神经疾病 的组织异质性提供了坚实的工具基础。它不仅提升了 细胞图谱 构建的精度，更为理解 细胞微环境 中的动态互作机制打开了新的窗口，是未来构建高精度 疾病模型 和开发精准 治疗方案 不可或缺的基石。
