编辑推荐：
为解决全切片图像（WSI）与空间转录组学（ST）分析整合难题，研究人员开发 QuST，助力疾病研究。
在生命科学研究的微观世界里，探索疾病发生发展的奥秘一直是科研人员不懈追求的目标。随着科技的进步，全切片图像（Whole Slide Image，WSI）和空间转录组学（Spatial Transcriptomics，ST）技术逐渐崭露头角，为深入了解疾病提供了有力的工具。然而，这两项技术在实际应用中却面临着诸多挑战。
传统的基于深度学习（Deep Learning，DL）的 WSI 分析，虽在数字病理学领域取得了一定进展，但训练模式的创建困难重重。标准的组织染色技术苏木精 - 伊红（Hematoxylin & Eosin，H&E）染色，只能提供组织的结构信息，无法直接呈现基因表达和转录因子等生物学证据，使得 DL - WSI 分析的成功高度依赖人工标注的专业知识。另一方面，ST 技术虽能实现组织切片基因表达特征的可视化和分析，为分子数据提供宝贵的空间背景，在研究细胞 - 细胞相互作用等复杂生物学过程中至关重要，但由于数据格式和分析方法的差异，与 WSI 的整合一直困难重重。
为了攻克这些难题，来自辉瑞公司（Pfizer Inc.）等机构的研究人员开展了一项极具意义的研究。他们开发了 QuST，这是一款 QuPath 的扩展插件，旨在实现 WSI 和 ST 在单细胞水平的整合分析。该研究成果发表在《npj Precision Oncology》杂志上，为疾病生物学的研究开辟了新的道路。
研究人员在开展此项研究时，运用了多种关键技术方法。首先，利用 QuST 加载多种单细胞水平的 ST 数据格式，包括 10x Genomics Xenium、NanoString CosMx 和 10x Genomics Visium 等数据集。针对 ST 数据与 WSI 对齐的难题，借鉴 10x Genomics 的指南，提出了一种坐标对齐方法。此外，通过整合 DBSCAN - CellX 算法，实现了细胞聚类分析；利用 CellTalkDB 数据库，开展细胞 - 细胞相互作用（Cell - Cell Interactions，CCIs）分析；还基于 PyTorch 开发了 DL 能力，用于图像分类和区域分割。
在研究结果方面，QuST 展现出强大的功能。
- 单细胞水平整合分析：QuST 能够有效加载多种单细胞水平的 ST 数据格式，实现 WSI 和 ST 数据的整合。在解决 ST 数据与 WSI 对齐问题上，通过实验验证，采用新的对齐方法后，细胞位移导致的细胞缺失数量显著减少，提升了数据的准确性。
- 细胞空间分析：通过细胞空间剖析（Cellular Spatial Profiling），利用 Delaunay 聚类获取相邻细胞连接性，计算细胞边缘距离，得到细胞在簇中的位置信息。例如，生成的热图可以展示肿瘤上皮细胞到肿瘤边界的距离，有助于探索肿瘤内和肿瘤免疫浸润区域细胞的基因表达差异模式。
- 细胞邻域分析：引入细胞邻域分析（Cellular Neighborhood Analysis，CNA）算法，通过该算法分析细胞邻域，用热图展示细胞周围淋巴细胞的数量，进而判断肿瘤细胞周围存在淋巴细胞的可能性，为研究肿瘤微环境（Tumor Micro - Environment，TME）中细胞间的相互作用提供了新视角。
- 细胞 - 细胞相互作用分析：基于 CellTalkDB 数据库，QuST 利用细胞空间剖析的结果计算 CCI。以 CEACAM6 - EGFR CCI 分析为例，生成的热图可以定量衡量细胞间通信的强度和意义，为研究细胞间的信号传导提供了有力依据。
- 细胞聚类分析：将 DBSCAN - CellX 算法集成到 QuST 中，能够计算细胞的局部密度和位置。实验结果成功识别出淋巴细胞簇，有助于研究人员定量分析淋巴细胞簇，探索与疾病预后相关的成像生物标志物。
- 伪点生成：QuST 可以模拟 Visium 数据集生成伪点，为评估空间单细胞反卷积方法提供了可能，有助于更好地理解组织微环境。
- 基于 DL 的图像分类和分割：QuST 利用转录组数据为 H&E 图像的深度学习目标分类和区域分割提供生物学基础。在单细胞基因型分类实验中，部分细胞类型（如 1 和 10）基于 H&E 图像的预测效果较好，而有些细胞类型（如 4）预测效果较差；在区域分割实验中，对肿瘤、脂肪、坏死、基质和免疫区域的分割表现良好，且支持任意瓦片大小（分辨率）的区域分割。
研究结论表明，QuST 作为一个全面的平台，成功实现了 WSI 和 ST 数据的整合与分析，为空间组学研究提供了更深入的分析手段，包括细胞 - 细胞相互作用、细胞空间剖析和可视化等。它能够基于生物学证据进行图像注释，减少了用户训练模型的工作量。此外，QuST 的应用为肿瘤微环境等复杂生物学过程的研究提供了新的视角和方法，有助于推动精准肿瘤学（Precision Oncology）的发展，在药物研发、疾病研究和个性化医疗等领域具有广阔的应用前景。
总的来说，QuST 的开发是生命科学和医学研究领域的一项重要突破，为解决 WSI 和 ST 整合难题提供了切实可行的方案，为进一步揭示疾病的奥秘奠定了坚实的基础，有望推动相关领域的研究取得新的进展。
