高分辨率空間轉(zhuǎn)錄組學是一種新興的技術(shù)，可以在單細胞水平上測量基因表達。然而，由于細胞的形態(tài)和位置信息丟失，傳統(tǒng)的轉(zhuǎn)錄組學方法無法對空間轉(zhuǎn)錄組數(shù)據(jù)進行有效的分析。

來自卡內(nèi)基梅隆大學的研究團隊開發(fā)了一種名為SCS的新方法，利用深度學習和圖像處理技術(shù)，從高分辨率空間轉(zhuǎn)錄組圖像中分割出單個細胞，并為每個細胞分配一個唯一的標識符。SCS不僅可以提高細胞分割的準確性和效率，而且可以為后續(xù)的空間轉(zhuǎn)錄組數(shù)據(jù)挖掘和生物學發(fā)現(xiàn)提供有價值的信息。該文章于2023年7月在Nature Methods發(fā)表，以下是文章的詳細解讀。

文章題目：SCS: cell segmentation for high-resolution spatial transcriptomics

發(fā)表時間：2023-07-10

發(fā)表期刊：Nature Methods

主要研究團隊：卡內(nèi)基梅隆大學

影響因子：48.000

DOI：10.1038/s41592-023-01939-3

研究背景

空間轉(zhuǎn)錄組是一種新興的技術(shù)，可以同時測量單個細胞的基因表達和空間位置。這種技術(shù)可以揭示細胞之間的相互作用和功能，以及組織和器官的結(jié)構(gòu)和功能。然而，空間轉(zhuǎn)錄組學的分析面臨著一些挑戰(zhàn)，如細胞分割、基因定位和空間模式識別，如何將每個spot和具體的單個細胞對應起來是一個有挑戰(zhàn)的問題。

迄今為止開發(fā)的大多數(shù)標準細胞分割方法都依賴于細胞核或膜應變來識別細胞邊界。這些方法雖然成功，但沒有充分利用空間轉(zhuǎn)錄組數(shù)據(jù)提供的信息，導致結(jié)果不太準確。此外，其中大多數(shù)需要手動注釋來進行模型訓練，而在分析新組織時通常不容易獲得足夠數(shù)量的注釋。

研究結(jié)果

1. SCS:高分辨率空間轉(zhuǎn)錄組學的細胞分割

SCS主要分為以下三步：

①?首先通過分割染色圖像來識別細胞核（圖2a紅色）內(nèi)的spot。

②接下來在這些點和一些背景點上訓練transformer，以預測從每個點到其所屬細胞中心的梯度方向，以及它是細胞一部分或細胞外基質(zhì)的一部分的概率。Transformer針對每個輸入點預測16個預定義方向從該點到其細胞中心的概率以及該點是細胞一部分的概率。對于每個點，Transformer通過基于點表達式 (x) 和相對位置 (s)?自適應學習權(quán)重，聚合來自其 50 個最近相鄰點的信息。

③?然后將transformer應用于所有其他點。用梯度流跟蹤算法根據(jù)梯度預測對點進行分組來分割細胞。?

2. SCS提供了準確的細胞分割

第一個應用是Stereo-seq數(shù)據(jù)，研究人員將SCS與 Watershed細胞分割以及其他基于深度學習的流行分割方法（包括 Cellpose、DeepCell和 StarDist）進行了比較，比較兩種方法（SCS 和另一種方法）一致的區(qū)域和不一致的區(qū)域的表達。具體來說，對于每個細胞核，使用每種方法的分割來識別細胞掩模，然后計算該核的兩個細胞掩模之間的交叉區(qū)域和差異區(qū)域。

接下來研究人員估計了交叉區(qū)域和每個差異區(qū)域之間表達譜的相關性。由于交叉區(qū)域通常由細胞核主導，所有方法都很容易檢測到它（更容易染色），因此將其視為基本事實，并將非交叉區(qū)域與交叉區(qū)域進行比較。差異區(qū)域與相交區(qū)域的相關性越高，該方法的分割就越準確。

結(jié)果顯示，在Stereo-seq數(shù)據(jù)集上，SCS分割的平均相關性比Watershed的平均相關性高24%，并且比所有其他深度學習分割方法的平均相關性高至少13%，展示出了很好的細胞分割性能。此外，當染色圖像中兩個細胞的邊界不清楚時，基于圖像的方法傾向于將它們合并，而SCS可以借助轉(zhuǎn)錄組數(shù)據(jù)對它們進行分割，作者證實了SCS可以幫助從細胞尺寸較小的細胞類型中恢復細胞。

3. SCS幫助進行亞細胞水平的分析

高分辨率方法的使用為表征單個細胞內(nèi)的分子異質(zhì)性打開了大門，這對于研究RNA動力學和充分了解組織中的細胞變異性非常重要。研究人員使用SCS來研究RNA在細胞內(nèi)的分布情況，具體來說，將每個細胞分為兩個區(qū)域，細胞核區(qū)域（使用染色圖像數(shù)據(jù)識別）和細胞質(zhì)區(qū)域（通過SCS識別的細胞掩模的其余部分），使用t-test鑒定了RNA在兩組區(qū)域之間差異定位的基因，實驗證明駐留在細胞核或細胞質(zhì)中的RNA在我們識別的相應區(qū)域的 RNA 中顯著富集。

例如，Kcnq1ot1基因的lncRNA是一種核轉(zhuǎn)錄物，可與染色質(zhì)相互作用并調(diào)節(jié)多個基因的轉(zhuǎn)錄，Neat1基因的lncRNA是眾所周知的核轉(zhuǎn)錄本，構(gòu)成細胞核中細胞器的核心組成部分。在SCS分割中，兩種RNA均被鑒定為差異定位于細胞核。相比之下，Rab3a基因和Vamp2基因都編碼參與神經(jīng)遞質(zhì)釋放并與細胞質(zhì)囊泡相關的蛋白質(zhì)，在SCS分割的細胞質(zhì)區(qū)域中發(fā)現(xiàn)它們都具有高表達水平。

評 論

SCS在高分辨率空間轉(zhuǎn)錄組學中結(jié)合圖像與數(shù)據(jù)，采用Transformer模型和梯度流追蹤算法，實現(xiàn)準確的細胞分割。在兩個實驗中，分別對小鼠腦組織和小鼠肝臟組織進行了驗證。對比傳統(tǒng)方法和深度學習方法，結(jié)果表明SCS在分割準確性、細胞數(shù)量和細胞尺寸等方面具有優(yōu)勢。SCS為高質(zhì)量的細胞分割提供了新的方法，并在實驗中取得了良好的結(jié)果。

本文轉(zhuǎn)載自：雨話生信 ，作者Lyric