UCS:一种用于亚细胞空间转录组学的统一细胞分割方法

UCS: A Unified Approach to Cell Segmentation for Subcellular Spatial Transcriptomics.

作者信息Yuheng Chen, Xin Xu, Xiaomeng Wan, Jiashun Xiao, Can Yang
PMID39763408
发布时间2025-05
DOI10.1002/smtd.202400975

实验完整度

中

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。

主要模型

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

重点核对

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

摘要

亚细胞空间转录组学(SST)代表了一项创新技术,使研究人员能够在组织内亚细胞水平上研究基因表达。为了理解给定组织的空间结构,细胞分割在将测量的转录本分配给单个细胞方面起着至关重要的作用。然而,由于SST技术的特性各异,现有的SST数据集细胞分割方法在准确区分细胞边界方面仍面临挑战。本研究提出了一种统一细胞分割方法(UCS),专门针对来自不同平台(包括10X Xenium、NanoString CosMx、MERSCOPE和Stereo-seq)的SST数据设计。UCS利用深度学习技术,通过整合来自细胞核染色的细胞核分割和转录本数据,实现高精度的细胞分割。与当前方法相比,UCS不仅能为单个细胞提供更精确的转录本分配,还为大规模SST数据分析提供了计算优势。UCS的分析输出进一步支持多种下游分析,如亚细胞基因分类和缺失细胞检测。通过使用UCS,研究人员能够在细胞和亚细胞水平上表征基因表达模式,从而更深入地理解组织结构与功能。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
如何开发一种适用于多种SST平台、能准确区分细胞边界并提升下游分析质量的统一细胞分割方法。
核心机制
UCS通过两个卷积神经网络实现分割:第一个网络基于转录本密度预测候选细胞前景区域;第二个网络将细胞核分割掩码转换为软掩码,与前景特征结合以确定精确细胞边界。
主要证据
在10X Xenium、NanoString CosMx、MERSCOPE和Stereo-seq等多平台数据集上,UCS分割结果与HE染色一致性高,转录本覆盖率和F1分数优于或 comparable 于10X、BIDCell、Baysor、SCS等方法,并支持亚细胞基因分类和缺失细胞检测。
研究意义
UCS为跨平台SST数据提供准确、高效且用户友好的细胞分割工具,支持细胞和亚细胞水平的基因表达模式表征,有助于深入理解组织结构和功能。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

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)。

2

UCS模型构建与训练

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。

3

跨平台分割性能评估

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。

4

下游分析验证

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。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
Cellpose----
StarDist----
Watershed----
Bento----
SCVI----
Scanpy----
Squidpy----
py-clesperantoclEsperanto--

关键环节

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