Nature Methods
解析Xenium空间转录组中的敏感性、特异性和信号污染
小赛推荐：
该研究为空间转录组技术的应用提供了关键的质量控制基准，并提出了有效的信号去噪策略，对肿瘤微环境研究的实验设计具有直接指导意义。
文献概述
本文《Resolving sensitivity, specificity and signal contamination in Xenium spatial transcriptomics》，发表于《Nature Methods》杂志，系统探讨了Xenium平台在乳腺癌和非小细胞肺癌样本中的数据质量、技术噪声及信号污染问题。研究团队构建了迄今为止最全面的Xenium数据集，涵盖41个组织切片，系统评估了不同基因面板（靶向面板 vs. 5K PRIME面板）的性能差异，并深入剖析了转录本溢出（transcript spillover）对细胞类型注释和生物学信号解读的影响。通过整合单核RNA测序（snRNA-seq）参考图谱，作者开发了SPLIT方法以有效分离混合的转录信号，显著提升细胞类型分辨率和信号纯度。背景知识
空间转录组技术近年来迅速发展，使得在完整组织切片中实现高分辨率基因表达图谱成为可能。然而，尽管Xenium等成像型平台已被广泛采用，其数据特性、技术变异来源及信号污染机制仍缺乏系统性评估。当前肿瘤微环境研究面临的关键痛点是如何准确解析细胞间相互作用，而信号溢出导致的假阳性共定位可能严重干扰对T细胞耗竭、免疫检查点表达等关键免疫表型的判断。现有方法多依赖复杂的计算模型或启发式规则，缺乏可解释性和泛化能力。本研究的切入点在于利用匹配的snRNA-seq数据作为分子参考，量化污染程度并开发可扩展的去噪策略，从而解决空间组学中普遍存在的信号模糊问题。该方法尤其适用于实体瘤研究中对稀有免疫细胞亚群的精确识别。
研究方法与核心实验
作者采用Xenium平台对来自27名患者的41个福尔马林固定石蜡包埋（FFPE）组织切片进行空间转录组测序，包括乳腺癌和非小细胞肺癌样本，使用多种基因面板（如靶向乳腺/肺面板、定制IO面板、5K PRIME面板）。同时，对部分样本进行了匹配的snRNA-seq和多重免疫组化（IHC）分析，以提供独立的细胞类型注释和蛋白水平验证。通过Robust Cell Type Decomposition（RCTD）方法将snRNA-seq参考图谱映射到Xenium数据，实现细胞类型注释，并利用其双态模型量化每个细胞中“主要”与“次要”细胞类型的贡献，从而评估转录本溢出程度。此外，开发了SPLIT（Spatial Purification of Layered Intracellular Transcripts）方法，基于RCTD的分解结果，将混合信号分配回其最可能的细胞来源，实现信号净化。关键结论与观点
研究意义与展望
该研究为Xenium平台的合理应用提供了重要指南，建议在敏感性与基因覆盖之间权衡，优先选择靶向面板以获得更可靠的定量结果。SPLIT方法的提出填补了空间转录组数据预处理中缺乏简单有效去噪工具的空白，其基于参考的分解策略具有良好的可解释性和兼容性，适用于多种组织类型和疾病模型。
从科研视角看，该工作强调了在进行细胞互作或微环境分析前进行信号净化的必要性，避免因技术假象导致错误结论。未来在免疫治疗响应预测、肿瘤异质性解析等研究中，应用SPLIT可提升生物标志物发现的准确性。
结语
本研究系统评估了Xenium空间转录组技术的数据质量，揭示了转录本溢出作为主要技术噪声源的普遍性及其对免疫细胞表型误判的影响。通过整合snRNA-seq参考图谱，作者开发了SPLIT方法，实现了对混合信号的有效分离，显著提升了细胞类型分辨率和生物学信号的可信度。该方法不仅为当前空间组学研究提供了实用的去噪工具，也为未来多组学整合分析设定了新的质量标准。从实验室到临床转化的视角，SPLIT有助于更准确地描绘肿瘤免疫微环境，识别真正的T细胞耗竭状态，从而为免疫检查点抑制剂疗效预测和新型治疗靶点发现提供更坚实的证据基础。该研究标志着空间转录组数据分析向更高精度和可解释性迈出了关键一步，对实体瘤精准医疗的推进具有基石作用。
