Nature Methods
空间转录组细胞分割方法的基准评估与标准化框架

小赛推荐：

本研究为 空间转录组 数据分析提供了关键的标准化评估体系，直接指导 目标基因 表达图谱构建中的实验策略选择，避免因分割算法偏差导致的 细胞类型 误判。

 

文献概述

本文《Benchmarking segmentation methods for spatial transcriptomics》，发表于《Nature Methods》杂志，系统探讨了空间转录组技术中细胞分割这一关键步骤的标准化评估问题。文章指出，尽管空间转录组技术快速发展，但缺乏对分割方法在不同平台和生物背景下的系统性评价，导致下游分析如细胞身份分配和空间组织解读存在巨大不确定性。研究通过构建统一框架，评估了多种分割算法在真实生物数据中的表现，揭示了不同方法间的性能权衡。

背景知识

空间转录组学旨在解析组织微环境中的 细胞异质性，其核心挑战在于如何精准界定 细胞边界 并将 目标基因 转录本准确分配至对应细胞。目前，疾病 机制研究（如肿瘤微环境分析）常因分割误差导致 细胞类型 比例失真或 配体-受体 相互作用推断错误。现有的分割工具多基于单一图像信息，缺乏对转录组信息的整合，且缺乏统一的评估指标。本研究切入点在于引入生物学感知的评估指标，涵盖转录本回收率、形态学保真度及空间组织完整性，旨在解决 靶点 验证中因数据预处理不当引发的系统性偏差，为 疾病建模 提供更可靠的数据基础。

 

基因敲除小鼠模型定制服务：针对空间转录组研究中关键 [[靶点]] 的功能验证，提供完全性或条件性基因敲除小鼠，助力解析 [[疾病]] 发生机制中的基因功能缺失效应，支持从模型构建到表型分析的全流程研究。

了解更多

 

研究方法与核心实验

作者构建了一个统一的 Nextflow 分析流程，评估了 11 种分割方法（包括 Watershed, Cellpose, SAM, BIDCell 等）在 15 个数据集上的表现。这些数据集涵盖 5 种主流空间转录组技术（Stereo-seq, Xenium, CosMx, STARmap PLUS, MERFISH），涉及 12 种人鼠组织类型。实验采用了 15 项生物学指标，分为 8 个类别，包括细胞检测完整性、转录本分配比例、基因表达纯度及空间多样性等。关键证据显示，不同算法在 动物模型（如小鼠脑组织）中的表现差异显著，且平台选择直接影响下游生物学推断。

关键结论与观点

• 不同分割方法在性能上存在显著权衡：SAM 和 SAM2 在转录组保真度（每细胞转录本数）上表现优异，但细胞分割覆盖率较低；而 BIDCell 和 SCS 在整体性能与覆盖率之间取得了更好的平衡。
• 平台选择对生物学结论有决定性影响：在 小鼠脑 组织分析中，STARmap PLUS 和 Stereo-seq 能更准确地识别 星形胶质细胞 和 小胶质细胞 的特异性标记，而 MERFISH 在某些条件下表现出较高的背景噪声和转录本错误分配，导致 配体-受体 相互作用推断偏差。
• 评估指标间的独立性：研究发现“表达纯度”指标与其他指标相关性低，是评估分割质量的关键独立维度，优化纯度可能以牺牲部分分割覆盖率为代价，提示在 药物开发 中需根据具体科学问题选择算法。
• 统一框架的价值：提出的 CellSPA 评估体系能有效量化分割质量，指导研究人员在 疾病机制 研究中选择最适合的 动物模型 数据处理策略，避免假阳性结果。

研究意义与展望

该研究对 药物开发 中的靶点验证具有深远影响，通过标准化分割评估，可显著提高 肿瘤微环境 中免疫细胞浸润分析的准确性。在 临床监测 方面，精准的细胞分割有助于识别早期 疾病 标志物的空间分布特征。此外，该框架为未来 疾病建模 提供了可复现的标准，确保不同实验室间数据的可比性，推动空间多组学技术向临床转化迈进。

 

肿瘤药效评价服务：基于精准 [[细胞模型]] 与体内药效评估，支持肿瘤微环境分析及 [[配体-受体]] 相互作用研究，提供从细胞系构建到原位成瘤模型的一站式服务，加速抗肿瘤药物研发进程。

了解更多

 

结语

本研究通过大规模基准测试，揭示了空间转录组数据分析中细胞分割步骤的复杂性与关键性。它强调了在从实验室数据生成到临床转化过程中，选择合适的分割算法和评估标准对于准确解析 细胞类型 功能及 目标基因 表达模式至关重要。该工作不仅填补了当前方法学评估的空白，更为 相关疾病（如癌症、神经退行性疾病）的精准诊疗提供了坚实的数据处理基石。通过统一的标准，研究人员能够更可靠地构建 疾病模型，从而加速从基础发现到临床应用的转化进程，确保生物学结论的稳健性与可重复性。

 

Xabier Martínez-de-Morentin, Sumeer A Khan, Alberto Maillo, David Gomez-Cabrero, and Jesper Tegner. Benchmarking segmentation methods for spatial transcriptomics. Nature Methods.