Nature Methods
spatialproteomics：一个用于高度多重荧光图像数据分析的互操作工具箱

小赛推荐：

该研究为 肿瘤微环境 研究提供了端到端的成像数据分析解决方案，显著提升了多组学空间数据整合的可操作性与可重复性，对设计高维病理验证实验具有直接指导意义。

 

文献概述

本文《Spatialproteomics: an interoperable toolbox for analyzing highly multiplexed fluorescence image data》，发表于《Nature Methods》杂志，系统探讨了如何在单细胞分辨率下对完整组织切片进行高效、灵活且可扩展的多重荧光图像分析。作者团队针对当前空间蛋白组学数据分析流程中工具碎片化、数据结构不一致及缺乏标准化接口的问题，开发了Python包'spatialproteomics'，实现了从原始图像到细胞表型、空间邻域分析的全流程整合。该工具通过统一的数据表示和函数式编程模式，显著降低了多维图像分析的技术门槛。

背景知识

该研究解决的 淋巴瘤 痛点在于如何系统解析异质性肿瘤微环境（TME）中细胞类型组成与空间组织模式的动态变化，尤其是在区分惰性与侵袭性亚型时缺乏定量、高通量的空间解析手段。目前 PAX5、CD3、Ki67 等经典标志物虽广泛用于免疫分型，但其空间互作网络的量化仍受限于分析工具的灵活性与可扩展性。现有流程常依赖手工拼接多个独立软件模块，导致数据同步困难、可重复性差。选题切入点在于利用xarray构建共享坐标系的数据结构，实现图像、分割掩膜、表达矩阵与细胞表型的自动对齐，从而打通从原始数据到空间统计的完整链条。此外，通过集成scverse生态，使空间蛋白组数据能无缝对接单细胞转录组分析流程，为多组学整合提供新路径。

 

针对B细胞非霍奇金淋巴瘤研究，赛业生物提供基于HUGO-GT®全基因组人源化小鼠模型，可用于模拟人类基因调控和表达模式，支持精准药物临床前研究。该模型适用于阿尔茨海默病、脊髓性肌萎缩等罕见病机制研究，并可进行针对性突变定制，是更贴近真实世界生物机制的疾病模型平台。

了解更多

 

研究方法与核心实验

作者采用了来自132例患者的淋巴结活检样本，包括反应性淋巴结、惰性B细胞非霍奇金淋巴瘤（如FL、MZL）和侵袭性亚型（如DLBCL、PMBCL），使用PhenoCycler Fusion平台获取55-plex抗体标记的多重荧光图像。实验体系涵盖组织微阵列（TMA）核心与全切片图像（WSI），验证了工具在不同尺度下的适用性。关键分析流程包括：使用Cellpose、Mesmer或Stardist进行细胞核/全细胞分割；通过自定义图像处理（如背景校正）提升信噪比；基于荧光强度矩阵进行细胞表型分层门控（如B cell、T cell、myeloid cell）；并利用Delaunay三角剖分计算细胞邻域结构。所有步骤均在spatialproteomics框架内通过函数链式调用完成，确保数据一致性。

关键结论与观点

• spatialproteomics成功实现了超过350万细胞的统一分析，揭示了DLBCL中B细胞比例显著升高且呈扩散性分布，对应更差的组织结构保留——这一发现为后续 肿瘤微环境建模 提供了高维空间特征输入。
• 通过Ripley’s K和邻域富集分析，发现反应性淋巴结中B cell与TFH细胞显著共定位，形成生发中心样结构，而该模式在侵袭性淋巴瘤中消失——提示TFH–B cell互作可作为评估疾病进展的空间生物标志物。
• 工具支持对Gigapixel级WSI的并行处理，结合Dask实现内存外计算，解决了传统方法在处理大图像时的资源瓶颈——这对未来开展全切片数字病理研究具有重要指导意义。
• spatialproteomics与anndata和spatialdata格式兼容，允许直接调用squidpy等下游工具进行空间统计分析——这为整合空间转录组数据提供了标准化接口，推动多组学空间图谱构建。

研究意义与展望

该发现对 药物开发 具有深远影响，例如可通过量化免疫检查点分子（如PD1、TIM3）在特定细胞邻域中的表达模式，评估免疫治疗响应潜力。在临床监测中，基于spatialproteomics建立的空间异质性评分（如Shannon多样性指数、同质性）有望成为独立预后因子，辅助风险分层。此外，该工具支持复杂门控策略（如exhausted T cell定义为PD1+或TIM3+），为构建精准的疾病建模提供了可编程分析框架，尤其适用于需精细解析T细胞耗竭状态的研究。

 

为支持肿瘤免疫治疗研究，赛业生物提供免疫系统人源化小鼠模型，包括huHSC-C-NKG-ProF等品系，可重建T、B、NK及髓系多种人类免疫细胞。该模型适用于免疫检查点抑制剂、CAR-T/NK疗法及肿瘤疫苗研究，助力构建更贴近人类免疫应答的体内评价系统。

了解更多

 

结语

从实验室到临床转化的视角来看，spatialproteomics不仅填补了高度多重成像数据分析中灵活、端到端工具的空白，更通过标准化数据结构和生态互操作性，推动了空间生物学研究的可重复性与规模化。该工具使得研究人员能够在单细胞分辨率下系统解析肿瘤微环境的空间架构，揭示如B cell–TFH共定位丧失等关键病理特征，为淋巴瘤等复杂疾病的机制研究提供了定量依据。其对全切片图像的高效处理能力，使数字病理整合进入主流研究流程成为可能。未来，结合AI驱动的细胞表型识别与spatialproteomics的空间统计模块，有望实现全自动病理报告生成，从而重塑相关疾病的诊断与治疗监测体系，成为精准医学照护的基石工具之一。

 

Matthias Meyer-Bender, Harald Vöhringer, Christina Schniederjohann, Peter-Martin Bruch, and Wolfgang Huber. Spatialproteomics: an interoperable toolbox for analyzing highly multiplexed fluorescence image data. Nature Methods.