Nat Genet：从脑图谱到肿瘤微环境：同济大学王晨飞/张鹏开发新工具让高分辨率空间转录组“看清每一个细胞”

空间转录组学（ST）的最新进展为在空间背景下解析细胞多样性与细胞间交互作用提供了前所未有的见解。基于条形码技术及成像平台的高分辨率ST技术已实现卓越的亚细胞级分辨率。然而，精确的细胞分割仍是一项重大挑战，限制了有效的单细胞空间分析。现有方法通常具有平台特异性，且难以扩展至大视野数据集。

2026年5月20日，同济大学王晨飞和张鹏共同通讯在

Nature Genetics

在线发表题为

“Accurate, scalable and cross-platform cell identification for high-resolution spatial transcriptomics”

的研究论文。该研究提出了Cellist——一种整合图像与表达信息的新型多模态细胞分割方法，能够实现全面的细胞层面分析。应用于小鼠脑组织Stereo-seq数据时，Cellist相较现有方法提升了细胞内转录组一致性，并进一步增强了空间域识别与细胞类型注释的准确性。

值得注意的是，Cellist兼容包括Seq-Scope、seqFISH+、STARmap及10x Xenium在内的多种ST技术，在不同ST平台及生物系统中均展现出稳健的性能与极高的计算效率。最终，将其应用于新辅助

免疫

治疗后的非小细胞

肺癌

样本分析，揭示了肿瘤克隆的空间异质性，并识别出与治疗应答相关的髓系细胞亚型及结构。这些发现凸显了Cellist在增强高分辨率ST技术表征复杂组织微结构能力方面的潜力。Cellist已公开获取，地址为https://github.com/wanglabtongji/Cellist。

空间转录组学（ST）已成为一项变革性技术，彻底改变了作者在保留关键空间信息的同时测量基因表达的能力。早期平台，如10x Visium和Slide-seq，极大促进了作者对细胞多样性和交互作用的理解，揭示了包括神经系统、器官发育及肿瘤微环境（TME）在内的多种生物系统中的空间调控机制。然而，其有限的分辨率和受限的视野（FOV）限制了更广泛的应用。为克服这些局限，近期ST技术已发展至亚细胞分辨率。其中一大类是基于预设计探针的高多重RNA成像技术，如MERFISH和STARmap。这些技术通过原位杂交或原位测序实现单分子分辨率，并已在包括Vizgen MERSCOPE和10x Xenium在内的商业平台中应用。另一类则采用更密集的分子标识符，以无偏方式在亚细胞水平捕获转录本，例如Seq-scope和Stereo-seq。

尽管取得了进展，高分辨率技术仍带来巨大的计算挑战。每个测得的斑点或像素仅捕获少量转录本，提供的细胞类型来源信息有限。无分割方法通过利用邻域信息将每个像素分配到特定细胞类型来应对这一挑战。然而，这些方法无法探究细胞类型内部的异质性和细胞间交互作用。因此，大量研究致力于基于成像方法的细胞分割，以实现单细胞水平分析。早期方法依赖辅助染色，如DAPI或poly(A)，在不利用表达信息的情况下勾勒细胞边界。较新的方法，如pciSeq、Baysor和Sparcle，将基于染色的细胞分割视为初始细胞近似，并通过模拟转录本的空间分布来细化细胞分割。这些方法在MERFISH或STARmap等基于成像的平台中展现出应用前景。

图1.Stereo-seq数据特征及Cellist工作流程。（摘自

Nature Genetics

）

然而，专为基于成像的ST设计的分割方法通常难以推广至基于条形码的技术。这些模态之间的关键差异包括空间分辨率、转录本扩散和基因面板大小。像Stereo-seq这类基于条形码的技术可分析全转录组，但更容易受到过度转录本扩散的影响，导致细胞边界模糊。此外，基于条形码的平台依赖于预定义的空间网格而非光学成像，引入了独特的噪声和空间分布。这些差异挑战了许多现有方法的基本假设。例如，Baysor通过高斯先验假设椭球形细胞形状——这一假设在基于条形码的数据中往往不成立，因为该数据中细胞形状不规则且转录本分布存在噪声。此外，基于成像的ST方法通常处理较小的FOV和有限的基因面板。当扩展到包含数百万个斑点和数万个基因的大型基于条形码的数据集时，这些方法常常面临难以承受的计算负担。

一些方法试图弥合这些差距。SCS和UCS利用深度学习结合成像和测序数据。然而，由于这些方法强调精确的形态学边界，它们可能无意中包含细胞外或邻近细胞的转录本，导致表达谱混杂或具有生物学误导性。此外，SCS和UCS都需要大量的内存和运行时间，尤其对于具有大FOV的数据集。StereoCell²⁵可扩展至大型基于条形码的ST技术，但仅限于该模态。目前，缺乏一种可扩展且跨平台的解决方案，能够统一跨基于成像和基于条形码的、高分辨率ST数据的分割。

在此，作者提出Cellist，一种整合图像和表达信息以增强高分辨率空间转录组学中细胞分割的新多模态方法。与先前强调精确形态学边界的方法不同，Cellist旨在保留每个分割细胞内转录组的完整性。利用小鼠大脑Stereo-seq数据，作者证明Cellist提高了细胞内表达一致性，从而增强了诸如细胞类型注释等下游单细胞分析。此外，Cellist可推广至Stereo-seq之外，灵活适应其他高分辨率的、基于条形码或基于成像的ST技术，包括Seq-Scope、seqFISH+、STARmap和Xenium。这种多功能性凸显了其在多种生物系统和实验平台中的可扩展性和适用性。最后，作者将Cellist应用于新辅助免疫治疗后的

非小细胞肺癌

（

NSCLC

）样本。该研究为TME内复杂的空间结构和细胞类型提供了宝贵见解，有助于更深入地理解其动态特性及与治疗反应相关的特征。

参考消息：https://www.nature.com/articles/s41588-026-02610-1