细胞分割是空间转录组学（spatial transcriptomics）中关键却缺乏标准化的步骤，直接影响细胞身份指派、空间组织解析与下游生物学解读。针对跨平台、跨生物情境下分割方法系统评估不足的问题，研究人员在《Nature Methods》发表研究，对5种空间转录组技术、15个数据集、12类组织中的11种图像型、转录组型与多模态分割方法进行基准测试，并提出兼具生物学意义的评价体系。该研究揭示分割方法在选择上存在完整性、转录保真度与可解释性之间的权衡，并发布统一Nextflow流程，为标准化评估与工具选型提供可扩展基础。
编辑推荐：
细胞分割（cell segmentation）是空间转录组学（spatial transcriptomics）中关键且尚未标准化的步骤，直接决定细胞身份指派、空间组织表征与下游生物学解释质量。尽管空间转录组技术快速发展，跨平台与跨生物情境下分割方法的系统评估仍
细胞分割（cell segmentation）是空间转录组学（spatial transcriptomics）中关键且尚未标准化的步骤，直接决定细胞身份指派、空间组织表征与下游生物学解释质量。尽管空间转录组技术快速发展，跨平台与跨生物情境下分割方法的系统评估仍十分有限。研究人员对11种基于图像、基于转录组及多模态分割方法展开基准测试，覆盖5种空间转录组技术生成的15个数据集，涵盖人与小鼠共12类组织。研究人员引入具有生物学信息的评估指标，量化分割质量、转录恢复（transcript recovery）、细胞组成、形态学、表达纯度（expression purity）与空间组织特征。基准测试显示，不同数据集、技术与评价准则下方法表现差异显著，揭示分割完整性、转录保真度与生物学可解释性之间存在权衡。跨技术分析进一步表明，分割策略选择会关键影响细胞类型特异性、转录本污染（transcript contamination）及配体-受体（ligand–receptor）推断等下游分析。研究所提出的统一Nextflow流程为空间转录组分割的标准化评估与工具选型提供可扩展基础。
《Nature Methods》刊发的研究围绕空间转录组学（spatial transcriptomics，指在组织原位保留空间坐标的转录组测序分析）中细胞分割（cell segmentation，将图像像素与转录本归属到单个细胞的边界划分）这一关键环节展开。研究背景在于，空间转录组技术虽能解析组织转录景观，但分析流程中分割步骤最易出错且最缺乏标准；现有基准测试多仅基于图像，忽略转录组上下文，且缺乏统一流程与生物学相关指标，导致用户在工具选型上高度不确定。为此，研究人员开展了一项大规模基准测试与流程建设：在5种技术、15个数据集、12类组织中系统评估11种分割方法，并建立可复用的评价框架。
为开展研究，作者采用几个关键技术方法：构建统一Nextflow流程，将转录本与图像输入标准化、对齐至共同坐标空间、做分块（patchify）处理，再并行运行各类分割算法；评估端基于CellSPA指标套件，设15项指标归为8类，覆盖分割细胞数、转录分配比例、每细胞转录与基因丰度、形态保真、细胞组成相似性、表达纯度、空间多样性与低维嵌入轮廓系数；跨技术验证选取小鼠脑的Stereo-seq、STARmap PLUS与MERFISH可比数据集，并做配体-受体推断。样本队列均来自公开数据集，涵盖人鼠多组织。
研究结果按原文小标题归纳如下。
基准方法与平台、数据集及评估指标：研究人员在15个数据集上运行11种方法，用CellSPA的15项指标评估。结果显示不同方法在覆盖度与转录丰富度上分化明显，且需同时考虑分割完整性与质量。
分割方法性能随数据集与指标变化：未调整总分行中SAM居首，覆盖度调整后SCS、BIDCell与Baysor更平衡。BIDCell在多个数据集胜出，SAM类转录丰富度高但覆盖低，Watershed整体偏弱。
评估指标收敛为宏观生物类别：8类聚合指标显示SAM2在细胞与基因水平质控强，BIDCell在整体特征与轮廓得分高，SCS在空间多样性与结构保留好，证明无单一方法全维度最优。
指标类别间存在权衡：表达纯度与其他指标低相关，优化纯度可能牺牲覆盖或转录回收；细胞水平、基因水平与组成相似性指标冗余，降维后排名趋势仍稳定。
空间转录组技术影响分割结果：在小鼠脑跨平台比较中，STARmap PLUS与Stereo-seq细胞类型特异性更强、污染更低，MERFISH背景高且错配多；分割工具进一步放大或缓解污染，并改变配体-受体推断结论。
Nextflow统一流程：分为预处理、分割执行与评估三大模块，支持异构格式、分块并行与容器化，可扩展至新工具与技术。
实用选型指导：依组织均质性、图像质量、是否含转录信息及计算成本给出决策树，图像清晰选SAM类，均匀组织选SCS，需兼顾覆盖与保真选BIDCell或Baysor。
讨论部分总结：研究人员指出分割不确定性是空间生物学中被低估的变异来源，其影响不亚于下游分析选择。不存在通用最优分割器，表现取决于算法设计、数据模态、组织架构与平台属性。评价不能只看全局分，需覆盖度感知与质量导向并重。跨技术比较表明分割须与实验平台协同设计。多模态整合图像与分子信息的方法更具前景，统一流程为未来基准测试提供基础设施。
研究结论翻译：分割是空间生物学中最大的隐性不确定来源之一，其质量设定了所有下游表示学习的上限。空间生物学正迈向参考图谱构建、细胞互作推断与基础模型训练，这些分析本质上受限于底层分割的质量与假设。分割性能源于方法设计、数据模态、组织架构、计算开销与平台特性的交互。标准化、生物学驱动的评估框架，是将数据生成进展转化为可靠生物学发现的必要条件；多模态方法未来优势不只在图像处理，而在形态与分子信息的审慎融合。
你想先把这套评审解读压缩成会议海报摘要，还是期刊审稿意见草稿？
