SpatialCell AI通过形态学引导的增强技术，实现了基于斑点式空间转录组学的无参考单细胞分辨率分析

《Scientific Reports》：SpatialCell AI achieves reference-free single-cell resolution from spot-based spatial transcriptomics through morphology-guided enhancement

　　

摘要

像10x Visium这样的空间转录组学平台能够捕捉全转录组表达信息，但其分辨率仅为斑点级，每次测量实际上是对多个细胞的整合数据。现有的计算反卷积方法需要外部单细胞RNA测序作为参考，而那些基于形态学的分析方法（如iStar、SpaHDmap、GHIST、Thor、PRTS）则分别需要针对特定数据集进行模型训练或配对的单细胞空间数据。在此，我们推出了SpatialCell AI，这是首个无需训练即可运行、无需参考数据即可整合表达信息，同时还能提供单细胞级输出精度的空间转录组学分析框架。我们在经过Visium（55微米）、Visium HD（8微米和16微米）处理以及Xenium（单细胞真实值）分析的结直肠癌样本上对SpatialCell AI进行了验证。在Visium HD 8微米分辨率的输入数据上，SpatialCell AI与Xenium参考数据的表达相关性高达r?=?0.791，这一数值是所有测试方法中的最高值。在针对408个基因的六项基于分布的验证指标中，SpatialCell AI的HD版本在大多数指标上都表现最佳，其他竞争方法则没有一项能胜出。通过严格对比相同区域的数据，可以发现两者在架构上存在明显差异：无需训练的整合方法随着输入分辨率向单细胞级别靠近而表现越来越好，而那些经过训练的基于形态学的方法如iStar和SpaHDmap在所有平台上都只能保持在原始基准水平。SpatialCell AI在Visium HD分辨率的输入数据上表现出最佳性能，它不仅远远优于原始基准数据和其他基于形态学的方法，还能将斑点级数据转化为带有空间坐标和单细胞表达信息的独立细胞记录——这是单纯的斑点级测量数据无法实现的。