STP：单细胞分区技术解析亚细胞空间转录组（single-cell partition for subcellular spatially-resolved transcriptomics）—— 从果蝇到小鼠胚胎的跨物种单细胞空间转录组精准解析

为解决亚细胞分辨率空间转录组（SRT）数据中细胞边界划分难题，研究人员开发 STP 方法，整合核染色图像与 SRT 数据，通过模拟退火算法扩展核边界。在果蝇和小鼠胚胎数据中，STP 实现单细胞精准分区，揭示新细胞类型与空间模式，为空间转录组分析提供关键工具。

　　

论文解读

研究背景与科学问题

生命科学的核心目标之一是解析细胞在组织中的空间分布与基因表达的动态关联。空间转录组技术（Spatially-Resolved Transcriptomics, SRT）的出现，让科学家得以在保留组织空间背景的前提下研究基因表达，被誉为 “2020 年度方法”。然而，传统 SRT 技术存在分辨率瓶颈：早期基于 DNA 寡核苷酸阵列的技术（如 Spatial Transcriptomics, ST）斑点直径约 100 μm，每个斑点包含 10-40 个细胞，仅能提供粗粒度的转录组信息，无法达到单细胞水平。

随着技术进步，亚细胞分辨率 SRT（如 Stereo-seq）将斑点直径缩小至 220 nm，实现了亚细胞级别的空间转录组捕获，但也带来新挑战：如何将海量亚细胞斑点准确聚合为单个细胞？现有方法普遍采用预设网格（如 Bin X 策略），将斑点硬性划分为固定大小的 “人造细胞”，严重忽略真实细胞形态和边界，导致大量错误斑点被纳入，影响下游分析的准确性。因此，开发一种基于细胞真实形态的单细胞分区方法，成为亚细胞 SRT 领域亟待解决的关键问题。

为攻克这一难题，来自沙特阿卜杜拉国王科技大学（KAUST）、南方科技大学等机构的研究团队，针对亚细胞 SRT 数据的特点，开发了名为 STP（Single-Cell Partition）的单细胞分区技术，并在果蝇和小鼠胚胎模型中验证了其有效性。该研究成果发表于《Nature Communications》，为空间转录组学向单细胞精度的跨越提供了关键工具。

关键技术方法（约 250 字）

STP 整合多模态数据，核心流程包括核分割与细胞边界扩展两步：

1. 核分割：利用深度学习模型 Cellpose 对核染色图像进行实例分割，生成细胞核掩码，并将其映射到亚细胞 SRT 数据的同一坐标系下，完成斑点与细胞核的初步关联。

2. 细胞边界扩展：基于模拟退火（Simulated Annealing, SA）算法思想，设计能量函数优化细胞扩展过程。能量函数综合考虑细胞大小（Fsize）、** 形状（Fshape）和邻近细胞转录相似性（Fadj）** 三要素，通过迭代扩展核边界，直至能量函数收敛，实现从核到完整细胞的边界推断。
   研究使用果蝇胚胎（E4-8 和 E8-10 阶段）和小鼠胚胎（E14.5）的 Stereo-seq 数据，结合核染色图像，验证 STP 的性能，并与 Bin X、KNN、Voronoi 等传统方法进行对比。

研究结果

1. STP 在果蝇胚胎中实现单细胞精准分区

• 数据概况：分析果蝇胚胎早期（E4-8，17 片）和晚期（E8-10，25 片）的 Stereo-seq 数据，每片平均含 164,884（E4-8）和 126,129（E8-10）个斑点，捕获 7,470-8,404 个基因。

• 分区效果：STP 通过核分割与 SA 扩展，将每个细胞核包含的约 50 个斑点扩展至 100-200 个斑点 / 细胞，形成符合真实细胞大小的分区。下游分析显示，分区细胞的标记基因表达与空间分布高度吻合（如羊膜浆、中枢神经系统 CNS、卵黄等），点双列相关系数（PBCC）验证了其转录模式的准确性。

• 必要性验证：与未扩展的核分割结果相比，STP 分区细胞的熵值显著降低，表明细胞类型的空间分布更有序；消融实验显示，邻近细胞转录相似性（β=0）对分区准确性影响最大，证实能量函数设计的合理性。

2. STP 重构果蝇胚胎细胞类型的三维连续分布

• 跨切片分析：利用 3D 对齐算法 PASTE 整合多切片数据，STP 分区细胞在 UMAP 降维中显示无批次效应，且同一细胞类型在连续切片中呈现空间连续分布（如 CNS、唾液腺）。

• 三维可视化：3D 点云分析表明，E4-8 和 E8-10 胚胎的细胞类型在三维空间中形成连续的组织模式，与胚胎发育中细胞迁移和分化的生物学特性一致。

3. STP 在小鼠胚胎中优化组织识别与细胞类型发现

• 大视野数据分析：分析小鼠 E14.5 胚胎的 7700 万斑点数据，STP 鉴定出 393,555 个细胞，成功划分脑、放射状胶质细胞（Radial Glia）、肌肉、脉络丛等组织，标记基因表达与空间分布高度相关（PBCC 热图验证）。

• 对比传统方法：与 Bin X（X=50）策略相比，STP 准确识别软骨原基（Cartilage Primordium）的精细分布，纠正了 Bin X 将放射状胶质细胞误归为脑实质的错误，揭示其独立的转录特征。与 KNN、Voronoi、分水岭算法等相比，STP 的 PBCC 值更高，且能检测到更多稀有细胞类型。

• 与单细胞测序（scRNA-seq）的一致性：通过 Tangram 算法将 STP 分区细胞与 scRNA-seq 数据匹配，调整兰德指数（ARI）和皮尔逊相关系数（PCC）显示高度一致性，证实其转录组准确性。

研究结论与意义

STP 通过整合核染色图像与亚细胞 SRT 数据，结合模拟退火优化的细胞边界扩展算法，突破了传统网格划分的局限性，为亚细胞分辨率空间转录组数据提供了单细胞水平的精准分区方案。其核心优势包括：

1. 生物学真实性：基于细胞核形态和转录相似性扩展边界，更贴近真实细胞形态，避免 “人造细胞” 的偏差。

2. 跨物种普适性：在果蝇（无脊椎动物）和小鼠（哺乳动物）胚胎中均表现优异，显示其广泛的应用潜力。

3. 发现新生物学 insights：能够识别传统方法遗漏的细胞类型（如小鼠胚胎中的放射状胶质细胞），并揭示组织发育的精细空间模式。

尽管 STP 依赖核染色质量和参数优化，且受限于当前 SRT 技术的捕获效率，但该方法为空间转录组学向单细胞精度的发展奠定了基础。未来结合更高分辨率的成像技术和自动化参数调优，STP 有望推动发育生物学、肿瘤微环境等领域的研究，实现从 “空间基因表达观察” 到 “单细胞空间动态解析” 的跨越，为疾病诊断和治疗靶点发现提供全新视角。