多平台SST数据预处理
将不同平台SST数据转换为统一格式的转录本图和细胞核分割掩码,供UCS模型输入。
将带空间位置的转录本转换为三维数组转录本图G∈RN×H×W;细胞核分割采用平台自带结果(如10X Xenium、Vizgen MERSCOPE)或Cellpose算法分割细胞核染色;将分割掩码调整至与转录本图一致的空间分辨率(Stereo-seq和CosMx为0.5 µm,10X Xenium和Vizgen MERSCOPE为1 µm)。
UCS: A Unified Approach to Cell Segmentation for Subcellular Spatial Transcriptomics.
提出深度学习模型UCS,在多个公开SST数据集上对比分割性能并做下游分析,但无湿实验验证。
10X Xenium 人乳腺癌数据集 10X Xenium 小鼠脑数据集 Stereo-seq 小鼠脑数据集 NanoString CosMx 人胰腺数据集
Xenium乳腺癌数据集转录本按80%、40%、20%比例随机抽样模拟不同信号水平,以100%转录本原始数据集为ground truth Xenium 2.0人肺癌数据集使用10X Multimodel结果作为基准计算F1分数 以HE染色图像视觉比对评估分割边界一致性 与配对scRNA-seq参考数据集计算细胞类型平均表达Pearson相关系数 细胞核分割质量消融:比较Cellpose v1/v2/v3、StarDist、Watershed等提供的细胞核分割输入对UCS性能的影响
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
将不同平台SST数据转换为统一格式的转录本图和细胞核分割掩码,供UCS模型输入。
将带空间位置的转录本转换为三维数组转录本图G∈RN×H×W;细胞核分割采用平台自带结果(如10X Xenium、Vizgen MERSCOPE)或Cellpose算法分割细胞核染色;将分割掩码调整至与转录本图一致的空间分辨率(Stereo-seq和CosMx为0.5 µm,10X Xenium和Vizgen MERSCOPE为1 µm)。
训练两个卷积神经网络分别预测细胞前景区域和精确细胞边界。
Foreground Predict Net以转录本图patch为输入,经特征提取、编码器和分类器输出前景概率;将细胞核分割掩码转换为软掩码;Cell Predict Net结合前景特征和软掩码输出每个细胞的分割概率。使用加权交叉熵损失训练,Adam优化器。
验证UCS在多种SST数据集上的分割准确性和鲁棒性。
在Xenium小鼠脑、Xenium人乳腺癌、Xenium 2.0人肺癌、CosMx人胰腺、Stereo-seq小鼠脑、Vizgen小鼠脑等数据集上,将UCS与10X官方流程、BIDCell、Baysor、SCS等方法进行视觉和定量比较;在Xenium乳腺癌数据集上按80%、40%、20%比例随机抽样转录本评估噪声下性能。
评估UCS分割结果对细胞类型注释、基因表达谱一致性、亚细胞基因分类和缺失细胞检测的改善。
使用SCVI将scRNA-seq标签转移至SST分割细胞;Scanpy和Squidpy进行细胞水平分析;Bento进行亚细胞基因分类;计算分割细胞与scRNA-seq参考的Pearson相关系数;利用UCS两阶段策略检测缺失细胞。
按研究目的归类文中使用的方法,便于定位所需技术。
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| UCS模型训练 | 优化器类型、学习率、β1、β2、权重衰减、加权参数w1-w4、patch大小、背景定义膨胀核大小和迭代次数 阅读提示:Experimental Section中Training Details—Other Details及Training Objective小节 |
| 数据预处理 | 不同平台分割掩码重采样分辨率(Stereo-seq/CosMx为0.5 µm,10X Xenium/Vizgen MERSCOPE为1 µm) 阅读提示:Experimental Section中Preprocess SST Dataset from Different Platform小节 |
| 跨平台分割性能评估 | 转录本抽样比例(80%、40%、20%)、ground truth定义、对比方法及其参数设置 阅读提示:Results 2.2节及Figure 3图注;Experimental Section中Parameter Setting for Method Comparison小节 |
| 缺失细胞检测 | 前景概率阈值(推荐大于0.95)、形态学操作参数、重叠区域排除规则 阅读提示:Experimental Section中Identifying Missing Cells小节 |
| 高变基因选择 | 过滤对照基因后选取top 1000高变基因;Stereo-seq和CosMx按1200×1200像素或每个FOV分别训练模型 阅读提示:Experimental Section中Addressing Gene Variability and Tuning the Hyperparameters小节 |