Nat Methods | 高分辨率空间转录组学的细胞分割

高分辨率空间转录组学是一种新兴的技术，可以在单细胞水平上测量基因表达。然而，由于细胞的形态和位置信息丢失，传统的转录组学方法无法对空间转录组数据进行有效的分析。

来自卡内基梅隆大学的研究团队开发了一种名为SCS的新方法，利用深度学习和图像处理技术，从高分辨率空间转录组图像中分割出单个细胞，并为每个细胞分配一个唯一的标识符。SCS不仅可以提高细胞分割的准确性和效率，而且可以为后续的空间转录组数据挖掘和生物学发现提供有价值的信息。该文章于2023年7月在Nature Methods发表，以下是文章的详细解读。

文章题目：SCS: cell segmentation for high-resolution spatial transcriptomics

发表时间：2023-07-10

发表期刊：Nature Methods

主要研究团队：卡内基梅隆大学

影响因子：48.000

DOI：10.1038/s41592-023-01939-3

研究背景

空间转录组是一种新兴的技术，可以同时测量单个细胞的基因表达和空间位置。这种技术可以揭示细胞之间的相互作用和功能，以及组织和器官的结构和功能。然而，空间转录组学的分析面临着一些挑战，如细胞分割、基因定位和空间模式识别，如何将每个spot和具体的单个细胞对应起来是一个有挑战的问题。

迄今为止开发的大多数标准细胞分割方法都依赖于细胞核或膜应变来识别细胞边界。这些方法虽然成功，但没有充分利用空间转录组数据提供的信息，导致结果不太准确。此外，其中大多数需要手动注释来进行模型训练，而在分析新组织时通常不容易获得足够数量的注释。

研究结果

1. SCS:高分辨率空间转录组学的细胞分割

SCS主要分为以下三步：

① 首先通过分割染色图像来识别细胞核（图2a红色）内的spot。

②接下来在这些点和一些背景点上训练transformer，以预测从每个点到其所属细胞中心的梯度方向，以及它是细胞一部分或细胞外基质的一部分的概率。Transformer针对每个输入点预测16个预定义方向从该点到其细胞中心的概率以及该点是细胞一部分的概率。对于每个点，Transformer通过基于点表达式 (x) 和相对位置 (s) 自适应学习权重，聚合来自其 50 个最近相邻点的信息。

③ 然后将transformer应用于所有其他点。用梯度流跟踪算法根据梯度预测对点进行分组来分割细胞。 

图2. SCS方法框架

2. SCS提供了准确的细胞分割

第一个应用是Stereo-seq数据，研究人员将SCS与 Watershed细胞分割以及其他基于深度学习的流行分割方法（包括 Cellpose、DeepCell和 StarDist）进行了比较，比较两种方法（SCS 和另一种方法）一致的区域和不一致的区域的表达。具体来说，对于每个细胞核，使用每种方法的分割来识别细胞掩模，然后计算该核的两个细胞掩模之间的交叉区域和差异区域。

接下来研究人员估计了交叉区域和每个差异区域之间表达谱的相关性。由于交叉区域通常由细胞核主导，所有方法都很容易检测到它（更容易染色），因此将其视为基本事实，并将非交叉区域与交叉区域进行比较。差异区域与相交区域的相关性越高，该方法的分割就越准确。

结果显示，在Stereo-seq数据集上，SCS分割的平均相关性比Watershed的平均相关性高24%，并且比所有其他深度学习分割方法的平均相关性高至少13%，展示出了很好的细胞分割性能。此外，当染色图像中两个细胞的边界不清楚时，基于图像的方法倾向于将它们合并，而SCS可以借助转录组数据对它们进行分割，作者证实了SCS可以帮助从细胞尺寸较小的细胞类型中恢复细胞。

图3. SCS方法框架

3. SCS帮助进行亚细胞水平的分析

高分辨率方法的使用为表征单个细胞内的分子异质性打开了大门，这对于研究RNA动力学和充分了解组织中的细胞变异性非常重要。研究人员使用SCS来研究RNA在细胞内的分布情况，具体来说，将每个细胞分为两个区域，细胞核区域（使用染色图像数据识别）和细胞质区域（通过SCS识别的细胞掩模的其余部分），使用t-test鉴定了RNA在两组区域之间差异定位的基因，实验证明驻留在细胞核或细胞质中的RNA在我们识别的相应区域的 RNA 中显着富集。

例如，Kcnq1ot1基因的lncRNA是一种核转录物，可与染色质相互作用并调节多个基因的转录，Neat1基因的lncRNA是众所周知的核转录本，构成细胞核中细胞器的核心组成部分。在SCS分割中，两种RNA均被鉴定为差异定位于细胞核。相比之下，Rab3a基因和Vamp2基因都编码参与神经递质释放并与细胞质囊泡相关的蛋白质，在SCS分割的细胞质区域中发现它们都具有高表达水平。

图4. SCS对亚细胞水平的分析

评 论

SCS在高分辨率空间转录组学中结合图像与数据，采用Transformer模型和梯度流追踪算法，实现准确的细胞分割。在两个实验中，分别对小鼠脑组织和小鼠肝脏组织进行了验证。对比传统方法和深度学习方法，结果表明SCS在分割准确性、细胞数量和细胞尺寸等方面具有优势。SCS为高质量的细胞分割提供了新的方法，并在实验中取得了良好的结果。

本文转载自：雨话生信 ，作者Lyric

特别关注

为了帮助各位更好地利用生信工具、方法和技术对海量时空/单细胞组学数据进行有效处理、挖掘和分析，《时空云课堂》特推出第二辑“生信专题”。

本辑内容主要包括细胞注释方法和常用数据库讲解、Stereopy功能及使用介绍、StereoCell功能及使用介绍、时空组和单细胞联合分析&空间信息解析等。

本辑生信专题的完整课程，将一次性全部呈现，以便于各位小伙伴灵活安排时间，随时观看、随时学习，随时复习。点击链接直达课程页面开启全新的生信分析之旅吧>>>时空云课堂 | 全套生信分析课程一次放送，马上学习

推荐阅读

联系我们

对时空组学或单细胞组学整体解决方案感兴趣的老师，可选择以下方式和我们联系，我们将及时为您进行详细的介绍：

1. 在公众号留言；

2. 发送信息至邮箱：

[e-mail]；

让我知道你“在看”