DRUGONE
细胞分割是空间转录组学数据分析中的关键步骤,直接影响转录本归属、细胞类型识别、空间组织结构及后续生物学解释。然而,目前不同空间转录组平台采用的分割策略缺乏统一评价标准,现有方法在不同组织和技术条件下的实际表现仍不明确。为解决这一问题,研究人员建立了空间转录组细胞分割基准评估框架,系统比较了11种基于图像、转录组及多模态信息的分割方法。研究涵盖Stereo-seq、Xenium、CosMx、STARmap PLUS和MERFISH五种空间转录组技术产生的15个数据集,涉及人类和小鼠的12种组织类型,累计约230万个细胞。研究人员采用CellSPA评价体系,从细胞检测、转录本回收、细胞形态、表达纯度、细胞组成及空间异质性等多个维度评估分割质量。结果显示,不同算法在分割完整性、表达准确性和生物学可解释性之间存在明显权衡。其中,SAM和SAM2在单细胞转录组信息保留方面表现较好,BIDCell具有较均衡的综合性能,而SCS在空间异质性和形态结构保留方面具有优势。跨平台分析进一步表明,分割方法会显著影响细胞类型特异性表达、转录本污染及配体–受体相互作用推断。研究最终构建了基于Nextflow的统一分析流程,为空间转录组细胞分割方法的标准化评估与合理选择提供了技术基础。

空间转录组学能够在保留组织空间结构的同时检测基因表达,为研究细胞异质性、组织微环境和细胞间相互作用提供重要信息。随着原位杂交、原位测序及高分辨率空间捕获技术的发展,研究人员已经能够在接近单细胞甚至亚细胞尺度上观察转录本的空间分布。然而,将这些空间分布的分子信号准确归属到具体细胞,仍然是数据分析中的重要难题。
细胞分割通常通过识别显微图像中的细胞核或细胞膜边界,为每个细胞建立空间轮廓,再将相应区域中的转录本分配给该细胞。分割准确性直接决定后续表达矩阵的质量。如果细胞边界过小,部分真实转录本可能无法被分配;如果边界过大,则容易混入邻近细胞的转录本,造成错误的细胞类型注释。
近年来,Watershed、Cellpose和Segment Anything Model(SAM)等图像分割方法被广泛用于空间组学分析。与此同时,Baysor、SCS和BIDCell等方法尝试利用转录本空间分布或联合图像与分子信息改善细胞边界识别。
然而,不同方法的设计目标存在明显差异。部分方法强调细胞轮廓的完整性,部分方法侧重转录本归属,还有一些方法优先优化细胞类型的一致性。因此,仅凭图像分割精度或识别细胞数量,很难全面判断一种方法是否适合特定空间转录组实验。
此外,现有基准研究大多依赖少量组织或单一技术平台,缺乏对不同数据来源、组织形态及生物学分析任务的系统比较。空间转录组数据还存在图像格式、坐标系统和表达矩阵不统一的问题,使不同算法难以在相同条件下进行公平评价。
针对这些问题,研究人员构建了统一的基准评估体系,希望回答两个核心问题:不同细胞分割方法在多种空间转录组数据中的性能有何差异,以及分割结果会在多大程度上影响后续生物学结论。
研究方法
研究人员选择11种具有代表性的细胞分割方法,包括Watershed、Cellpose、SAM、SAM2、mSAM、Baysor、BIDCell、SCS、CelloType、Swin-S和Mask R-CNN,并在15个空间转录组数据集上进行评估。数据覆盖Stereo-seq、Xenium、CosMx、STARmap PLUS及MERFISH五种技术,包含脑、乳腺、肺、胰腺、肾脏、结肠等12种组织类型。为保证比较的一致性,研究人员构建基于Nextflow的自动化流程,对不同来源的图像、转录本坐标和细胞注释进行格式转换、空间配准、图像分块及统一预处理,再运行各分割算法并将结果重新映射至原始组织空间。研究采用CellSPA框架计算15项具有生物学意义的评价指标,并进一步归纳为八个评价维度,涵盖细胞分割完整性、转录本和基因回收、细胞形态、细胞组成、表达纯度及空间异质性等。研究还选择由三种不同技术测量的小鼠脑组织数据,比较细胞类型特异性基因表达、转录本错误归属及配体–受体通讯推断,从而评价分割算法与技术平台对生物学分析的共同影响。
研究结果
建立跨平台、跨组织的空间转录组细胞分割基准评估框架
研究人员首先构建了覆盖不同技术平台和组织类型的细胞分割评价体系。15个数据集包含约230万个细胞,单个数据集规模从约700个细胞到接近80万个细胞不等,能够反映当前空间转录组实验在组织结构、数据规模及分子检测能力方面的差异。
为实现统一比较,研究人员设计了基于Nextflow的自动化分析流程,将原始图像和转录组信息转换为标准化输入,并利用分块处理策略解决大规模图像的计算问题。不同算法在相同预处理条件下运行,最终将分割结果还原到原始空间坐标系统中。
与主要依赖图像轮廓重叠度的传统评价不同,研究引入具有生物学意义的CellSPA评价指标。除了统计有效分割细胞数量和转录本分配比例,还重点考察每个细胞中保留的转录本及基因数量、细胞形态合理性、细胞类型组成一致性以及表达特异性。
例如,较高的转录本回收率并不必然意味着分割准确。如果算法通过扩大细胞边界获取更多转录本,虽然能够增加单细胞表达量,却可能同时引入邻近细胞的错误信号。因此,研究将表达纯度和细胞组成等指标纳入评价,以避免单一性能指标带来的偏差。
研究还设计了跨平台对照实验,选择Stereo-seq、STARmap PLUS和MERFISH测量的小鼠脑组织,在相似的生物学背景下分析算法性能,以区分技术平台与分割算法对结果的不同影响。

图1. 空间转录组细胞分割基准评估的研究设计、数据集组成及统一计算流程。
不同细胞分割算法在综合性能和转录本回收方面存在明显差异
研究人员首先根据15项评价指标计算各分割方法的综合得分,并比较不同方法在各数据集中的表现。
结果显示,SAM取得最高的未校正综合得分,为0.58,随后依次为SAM2的0.53、BIDCell的0.52和SCS的0.48。Baysor和mSAM均为0.45,Cellpose和CelloType相对较低,Watershed的综合得分仅为0.27。
然而,当研究人员进一步考虑分割细胞数量与参考细胞数量的比例时,算法排名发生变化。SCS获得最高的覆盖率校正综合得分0.34,BIDCell和Baysor均为0.33,说明这些方法能够在细胞分割数量和质量之间取得较好的平衡。
这一差异反映了不同算法的主要优势。SAM和SAM2能够为成功识别的细胞保留较丰富的转录组信息,但识别细胞数量相对有限。例如,SAM的细胞分割完整性得分为0.28,而SAM2仅为0.12,明显低于BIDCell的0.62。
相比之下,BIDCell在保持较高细胞覆盖率的同时,能够较好地恢复参考表达特征,其表达相关性得分达到0.89。
不同算法的性能还受到组织和技术平台影响。例如,BIDCell在部分Stereo-seq和Xenium数据集中识别出较多高质量细胞,而SCS在脑组织MERFISH及胰腺CosMx数据中表现较好。SAM在STARmap PLUS脑组织数据中具有较强的分割能力。
值得注意的是,Watershed虽然在部分数据中能够识别较多细胞,但其转录组质量和其他生物学指标并未同步提高。
这些结果表明,细胞分割数量、单细胞转录本回收及表达准确性并不能相互替代,单纯追求某项指标的最优值可能损害其他方面的分析质量。

图2. 11种细胞分割方法在不同空间转录组数据集中的综合性能及多指标排名。
不同算法在八类生物学评价维度上表现出互补优势
考虑到15项评价指标之间存在一定重叠,研究人员进一步将其归纳为八个具有明确生物学意义的评价类别,包括整体分割特征、细胞水平质量、基因水平质量、形态学特征、细胞组成一致性、表达纯度、空间多样性及低维表达结构保留。
研究发现,不同分割方法在这些评价类别中的表现并不一致,说明不存在能够同时满足所有分析需求的通用最优算法。
SAM2在细胞水平和基因水平质量控制方面表现突出,两个维度的得分分别达到0.73和0.75,表明其能够在成功分割的细胞中保留较高质量的转录组信息。然而,其细胞覆盖率相对较低,限制了在完整组织图谱构建中的适用性。
BIDCell在整体分割特征方面获得0.61的得分,并在低维表达结构保留方面取得0.64的得分,说明其能够较好地维持组织细胞群体的表达特征。该方法在多个数据集中表现稳定,也是获得最多单数据集优势次数的方法之一。
SCS则在空间多样性和表达结构保留方面表现较强,两个指标分别达到0.61和0.75,说明其能够较好地保留组织空间异质性和不同细胞群的转录组结构。
Baysor在细胞分割覆盖率受到重视时具有一定优势,而mSAM在多数评价维度中表现相对均衡。相比之下,Watershed和CelloType在多个维度上的得分普遍较低。
进一步分析表明,基于图像的算法与利用转录组信息的算法具有不同优势。图像驱动方法更容易保留形态明显的细胞轮廓,而多模态方法能够利用转录本空间分布改善细胞身份识别。
因此,研究人员认为,细胞分割算法的选择应当根据具体研究目标进行调整,而不能仅依据综合排名。

图3. 不同细胞分割方法在八类生物学评价维度上的性能分布与比较。
评价指标之间存在相关性及不可忽视的性能权衡
研究人员进一步分析八类评价指标之间的相关关系,以确定哪些指标反映相似的信息,哪些指标能够提供独立的生物学评价。
结果显示,细胞水平质量控制、基因水平质量控制和细胞组成一致性在多个数据集中具有较高相关性。这说明能够保留较多有效转录本的分割方法,通常也更容易恢复预期的细胞表达结构。
然而,表达纯度与其他指标之间的相关性普遍较低。表达纯度主要反映转录本是否被准确归属于对应细胞,而这一特征无法通过细胞数量、基因回收率或形态学指标可靠推断。
研究还观察到,部分评价维度之间存在负相关。例如,扩大细胞边界可以提高转录本分配比例,却可能增加错误归属,导致表达纯度下降。相反,采用严格的细胞边界虽然能够减少污染,但也可能使更多真实转录本无法分配到细胞。
在部分数据集中,表达纯度内部的不同指标同样存在负相关,进一步说明细胞分割质量具有多维特征。
为了检验指标冗余是否影响总体排名,研究人员将高度相关的评价类别合并,并重新计算综合得分。结果显示,主要算法的性能趋势基本保持一致,BIDCell、SAM及SCS仍然处于较高水平。
这一发现说明,虽然部分指标可以适当简化,但表达纯度等具有独立生物学意义的维度不能被其他指标替代。
对于以细胞类型识别、细胞通讯及稀有细胞发现为目标的研究,准确的转录本归属可能比单纯提高细胞数量更加重要。因此,多维评价能够帮助研究人员理解不同算法的实际性能边界。

图4. 空间转录组细胞分割评价指标之间的相关性及不同性能维度的权衡关系。
分割方法与技术平台共同影响细胞类型识别及细胞通讯分析
为了评价细胞分割对后续生物学结论的影响,研究人员选取由Stereo-seq、STARmap PLUS和MERFISH测量的小鼠脑组织数据,重点分析星形胶质细胞、内皮细胞和小胶质细胞三类主要细胞群。
首先,研究人员比较了三种平台对相同基因的检测能力。结果发现,Stereo-seq和STARmap PLUS具有较多共同检测基因,而MERFISH的检测基因组成存在更明显差异,说明技术平台本身会影响可用于细胞类型识别的分子信息。
进一步分析细胞类型特异性标记基因发现,不同平台及分割算法产生的表达分布存在明显差异。
Stereo-seq能够较好地保留星形胶质细胞相关标记,而STARmap PLUS在内皮细胞标记基因识别方面表现较强。MERFISH虽然能够检测多种细胞类型,却在部分分析条件下出现较高的非特异性表达。
研究人员通过检测阴性标记基因,进一步评价转录本错误归属。例如,当星形胶质细胞特异性基因被错误分配给内皮细胞时,说明细胞边界可能引入了邻近细胞的表达信号。
结果显示,部分分割方法能够有效降低此类污染,而在某些平台和算法组合中,错误标记表达可影响约10%–15%的细胞。
这种误差进一步影响细胞间通讯推断。研究人员分析Pdgfc–Pdgfra、Prok2–Prokr2和Vip–Vipr2等具有已知生物学意义的配体–受体信号通路,发现不同技术平台和分割方法可能将相同的配体–受体关系归属于不同细胞群。
其中,STARmap PLUS和Stereo-seq通常能够更准确地恢复预期的细胞通讯关系,而MERFISH在部分情况下表现出较明显的错误归属。
这些结果说明,细胞分割并非仅影响图像质量,还可能改变研究人员对细胞身份、细胞相互作用和组织功能的判断。因此,分割算法与技术平台需要作为相互联系的因素共同评价。

图5. 不同空间转录组技术及细胞分割算法对细胞类型特异性表达、转录本污染和配体–受体通讯推断的影响。
建立统一计算流程及面向实际研究的分割方法选择策略
为提高基准评估的可重复性,研究人员基于Nextflow建立了统一的空间转录组细胞分割计算流程,并将不同算法的预处理、执行及评价步骤整合到标准化环境中。
该流程包括数据预处理、算法运行和结果评价三个主要环节。首先统一图像与转录本文件格式,调整坐标系统并完成图像分块;随后运行不同分割算法;最后将分块结果重新整合到原始组织空间,并计算CellSPA评价指标。
通过模块化设计,该流程能够支持不同计算环境及未来新增的分割算法,也为大规模数据的并行处理提供了基础。
研究人员进一步根据基准结果提出实际方法选择建议。对于具有明显细胞形态特征的图像,SAM等方法能够提供较好的分割质量;对于形态相对一致的细胞群,SCS可能更适合保持空间结构和分割稳定性。
当研究重点是尽可能恢复完整细胞图谱时,应更加关注BIDCell、Baysor等在细胞覆盖率方面具有优势的方法。如果研究目标是获得高置信度的单细胞表达谱,则SAM和SAM2在转录组信息保留方面的特点可能更有价值。
研究还强调,技术平台的选择同样应当根据具体生物学问题决定。对于需要准确识别复杂细胞群及推断细胞间通讯的研究,平台的基因检测能力、空间分辨率及转录本背景噪声都可能影响结果。
此外,计算成本也是实际应用的重要因素。整合转录组信息的分割方法通常需要更长的运行时间,而纯图像方法在部分大规模数据处理中具有更好的计算效率。
因此,研究人员最终提出基于数据类型、细胞形态、分割质量、细胞覆盖率及用户技术能力的决策流程,帮助研究者根据实验条件和分析目标选择合适的细胞分割策略。

图6. 面向不同数据类型、组织特征及研究需求的空间转录组细胞分割方法选择流程。
讨论与结论
本研究通过跨平台、跨组织的系统比较,揭示了空间转录组细胞分割方法在分割完整性、转录本回收、表达纯度和生物学解释方面的显著差异。结果表明,不存在适用于所有组织和技术平台的通用最优算法,分割策略需要根据研究目标和数据特征进行选择。
研究的重要贡献在于建立了兼顾计算性能与生物学意义的多维评价体系,并证明分割误差能够进一步影响细胞类型识别和细胞间通讯推断。因此,细胞分割不应仅被视为图像预处理步骤,而应作为决定空间转录组分析可靠性的关键环节。
不过,当前研究尚未覆盖所有空间转录组平台及算法参数组合,不同数据集之间的组织组成、测量技术和图像质量差异也限制了部分比较的直接解释。未来仍需在匹配组织样本和更多实验条件下开展验证。
总体而言,该研究为评估空间转录组细胞分割方法提供了统一、可扩展的技术框架,也为研究人员合理选择分割算法、提高空间组学分析的可重复性和生物学可信度提供了重要依据。
整理 | DrugOne团队
参考资料
Martínez-de-Morentin, X., Khan, S.A., Maillo, A. et al. Benchmarking segmentation methods for spatial transcriptomics. Nat Methods (2026).
https://doi.org/10.1038/s41592-026-03272-x

内容为【DrugOne】公众号原创|转载请注明来源
内容中包含的图片若涉及版权问题,请及时与我们联系删除



评论
沙发等你来抢