时空组学（spatial omics）可以在连续的空间维度对组织和细胞探测生命体多组学的表达和调控特征，近些年来发展迅速，且应用广泛。其中，华大发布的Stereo-seq技术同时具有“纳米级分辨率”和“厘米级全景视场”的优势，可以助力构建生命科学各类器官和组织的空间图谱、挖掘生物体发育和再生的时空景观、揭示疾病发生发展过程中的分子机制等。截至2024年9月，利用Stereo-seq技术发表的研究性论文83篇，综述23篇，预印61篇。

Stereo-seq为深入解析组织结构和功能关系提供了新的视角，但数据的解读十分依赖针对性的方法。从信息维度层面，Stereo-seq可以在延续单细胞测序分析逻辑的同时加入空间坐标维度，能够实现整体和局部空间区域内多种细胞个体及个体之间的关联信息的解读。然而，空间组学的分子检测不以细胞为基本单元，空间转录组数据必须借助算法来生成细胞意义上的转录组信息。华大自主研发的基于Stereo-seq系列的CellBin一站式细胞分割方案，借助同张芯片的图像（ssDNA、DAPI、H&E）信息， 可以直接获得准确的单细胞表达谱信息。

CellBin空间转录组细胞分割原理——以基于ssDNA染色的鼠脑分析为例

CellBin基于华大时空芯片底层设计，利用track线实现1μm内配准精度，将细胞影像图和表达矩阵对齐；利用影像学特征完成高精度的组织分割、细胞核分割以及细胞内分子归类，刻画出单个细胞的分子边界；映射到芯片内，提取分子信息，获得精准的单细胞表达矩阵。

详细步骤及算法原理，可参考预印文章：

https://www.biorxiv.org/content/10.1101/2023.02.28.530414v5.full.pdf

为什么要用CellBin细胞分割？

精确地获取细胞定位和单细胞表达矩阵可以增强时空数据的分析潜力，获得更显著的数据特征分析，完成更准确的细胞类型鉴定，这对于解读细胞间相互作用以及挖掘生物体规律至关重要。

以鼠脑为例，我们采取两种单细胞表达矩阵获取策略：Square Bin20（后文简称Bin20）和CellBin（图2.a）进行下游数据分析。CellBin可以极大程度保证单个细胞表达数据的完整性，避免表达信息的交叉污染以及伪细胞结果的产生。

对比这两种表达矩阵的下游分析，CellBin生成的表达矩阵具有如下优势：

1. 单细胞内基因数、总MID数高于Bin20（图3.a）； 

2. 相同参数下，CellBin数据聚类种类更多，Davies-Bouldin score（DB）更高，且聚类出的皮层分层更加明显，莫兰指数更高（图3）； 

3. 在利用端到端的注释方法（spatialID）时，CellBin数据的注释结果更准确，marker基因的表达更加显著（图4）。

CellBin方案结果展示

CellBin方案已在不同组织样本中进行测试。目前可公布的数据中，CellBin算法模块在多种特异性样本应用中表现优秀，部分可公布物种及样本类型分布如下（图5a）。CellBin方案可以分为自动流程（SAW）和手动介入方式（StereoMap）。SAW自动运行的CellBin分割结果，其成功率主要与拍摄参数、图像质量等因素高度相关。如果您对自动流程的分割效果不满意，可以采用手动介入的方式，配合SAW获取CellBin结果（后续推文将详细介绍如何使用及操作）。

随着空间组学技术的迅猛发展，越来越多的基于测序的空间组学技术被推出，以实现多组学、多模态图像数据采集。华大时空算法团队密切关注空间组学技术算法需求，并致力于融合升级核、膜细胞分割算法，以及进行蛋白质和转录数据的联合分析等工作，为您的科学研究提供强大且易用的分析工具及解决方案。

下一期，我们将会为您带来更多的CellBin的应用场景推荐及StereoMap联动操作演示。敬请期待。

附录

1. SAW及StereoMap获取链接：

https://en.stomics.tech/products/stomics-software/stomics-offline-software/list.html

2. 参考文献

[1] Shen, R., Liu, L., Wu, Z. et al. Spatial-ID: a cell typing method for spatially resolved transcriptomics via transfer learning and spatial embedding. Nat Commun 13, 7640 (2022). https://doi.org/10.1038/s41467-022-35288-0

[2] Zhang B, Li M, Kang Q, Deng Z, Qin H, Su K, Feng X, Chen L, Liu H, Fang S, Zhang Y, Li Y, Brix S, Xu X. Generating single-cell gene expression profiles for high-resolution spatial transcriptomics based on cell boundary images. GigaByte. 2024 Feb 20;2024:gigabyte110. doi: 10.46471/gigabyte.110. PMID: 38434932; PMCID: PMC10905256.

内容 | 李美、张莹、梁漫琪

审核 | 庄雯、郭浩冰、黎晓玲