博文

SpatialBench：利用配对小鼠淋巴组织对高分辨率空间转录组学数据进行跨平台比较测试

已有 253 次阅读 2026-8-23 09:15 |个人分类:科普|系统分类:科普集锦

SpatialBench：利用配对小鼠淋巴组织对高分辨率空间转录组学数据进行跨平台比较测试

空间转录组学将基因表达与组织结构联系起来，从而帮助我们理解那些以空间结构为基础的功能实现机制。这一技术极大地推动了发育、癌症和免疫学领域的研究进展。不过，目前跨平台的严格评估仍然有限。已有许多商业平台可供使用。目前，迫切需要那些能够支持公平的技术比较、可重复的分析结果，并为未来方法的发展提供指导的独立评估工具。

为了满足这一需求，有必要了解当前各种基因组分析平台的现状。这些平台大致可分为基于成像的技术和基于测序的技术。其中，比较著名的基于成像的技术平台包括 Xenium（10x Genomics 公司开发）、MERSCOPE（Vizgen 公司开发，该技术基于多重错误校正荧光原位杂交技术）以及 CosMx（NanoString 公司开发，现归 Bruker Spatial Biology 公司所有）。这些平台利用迭代式原位杂交和成像技术，能够以极高的空间精度和单分子分辨率来识别数百到数千个转录本。虽然这些平台的检测项目可以定制，但其检测范围仍比基于测序的技术有限。另一方面，基于成像的技术能够同时检测 RNA 和蛋白质，还能获取组织的形态学信息，而基于测序的技术则还无法实现这一功能。相比之下，基于测序的技术则存在一定的局限性。基于空间条形码技术的转录组分析方法能够实现近乎全转录组的覆盖范围，不过其空间分辨率通常低于基于成像技术的分析方法。早期的此类技术包括 Slide-seq（使用约 10 微米的微珠）、HDST（使用约 2 微米的条形码阵列）以及 Stereo-seq（使用亚微米级的 DNA 纳米球阵列）。这些技术从技术上讲确实可以实现细胞甚至亚细胞级别的分辨率，但由于捕获效率低、操作流程复杂且难以商业化应用，因此未能得到广泛使用。最初的 Visium 平台（由 10x Genomics 公司开发）成为了最受欢迎的此类技术平台。该平台能够实现全转录组的覆盖，同时以 55 微米的分辨率来整合多个细胞的表达数据。最近推出的 Visium HD 产品，其孔径为 2 微米，有效分辨率为 8 微米。该产品能够以商业上可行的方式实现近乎细胞级别的测序分析，从而缩小了与 iST 技术的差距。这些进展进一步凸显了进行系统性基准测试的必要性，这样才能明确各种技术的优缺点，从而确定每种技术在何种应用场景下最能发挥其作用。

最近的基准测试研究对 sST 和 iST 技术进行了评估。研究结果表明，这两种技术在平台性能上存在一定的权衡关系。同时，也在组织多样性、实验设计以及跨平台可比性方面发现了不足之处。You 等人进行的测序相关研究比较了 11 种空间分析方法，包括 Visium、Slide-seq、HDST 和 Stereo-seq。他们在多种小鼠组织中进行了测试，发现这些方法在捕获效率、转录本分布情况以及空间分辨率方面存在显著差异。他们还建立了 cadasSTre 参考数据集，以便于进行可重复的跨平台分析。基于成像技术的基准测试研究也在同步进行中。对大脑和肿瘤模型的分析表明，iST 技术在解析解剖结构方面具有更高的空间精度，但在检测效率、细胞类型识别以及避免转录本错误分配方面则存在不足。不过，这些比较主要依赖于独立的研究结果。由于需要使用相同的组织样本，这限制了不同检测平台的比较。不过，通过对比相同类型的组织样本，可以克服这一限制。例如，Cook 等人发现，在前列腺腺癌的检测中，Xenium 的灵敏度和动态范围优于 CosMx，而 CosMx 在图像分割方面的表现则更出色。Cervilla 等人则对六种不同类型的癌症进行了比较，发现 Visium CytAssist 的数据质量优于手动操作方式，Xenium 的特异性则高于 CosMx。此外，Visium HD 则兼具全转录组检测范围和接近细胞级别的分辨率。通过对更多组织的检测，人们进一步了解了不同检测平台之间的性能差异。 Wang等人使用了 Xenium、MERSCOPE 和 CosMx 三种技术，对 17 种肿瘤组织和 16 种正常组织类型进行了分析。这些正常组织包括脾脏和扁桃体等淋巴组织。研究结果揭示了在灵敏度、特异性和生物学分辨率方面的差异。其他研究也表明，不同分析平台在转录本识别精度和细胞边界划分方面存在差异。这与最佳实践分析结果一致，即不同组织类型对分割性能和质量控制的要求各不相同。最近的多平台比较进一步强调了使用匹配的多组学参考数据的重要性。Ren等人对四种亚细胞分辨率分析技术进行了对比测试：Stereo-seq、Visium HD、CosMx 和 Xenium），并发布了 SPATCH 资源。该资源将 ST 技术与 CODEX 蛋白质成像技术以及 scRNA-seq 技术相结合，可作为计算性能测试的参考标准。

这些研究共同表明了不同平台在性能上的优缺点：iST 平台在空间分辨率和图像分割精度方面表现优异；而 sST 则能够覆盖更广泛的转录组范围，但相应的检测效率较低，且存在更多的技术噪声。因此，需要依赖复杂的计算方法来区分不同的细胞类型和空间区域。不过，目前仍存在三个主要局限性。首先，大多数研究都集中在大脑和实体瘤组织上，而免疫淋巴器官则被忽视了，尽管它们其实是非常理想的测试对象。淋巴组织具有明确的空间结构，比如生发中心的不同区域，同时免疫细胞的状态也极其复杂。这要求相关平台能够同时处理结构化的架构以及那些细微的空间变化。在现有的研究中，对多组织样本中的小范围区域进行分析时，所使用的检测方法往往并不适合免疫生物学研究，因此无法对淋巴组织的结构及免疫细胞的空间分布进行系统的评估。其次，那些能够作为基准的、基于生物学原理设计的实验条件很少被纳入研究之中。第三，即便有跨平台的比较研究，这些研究通常也依赖于 FFPE 肿瘤样本或不同的基因检测方法，这就限制了跨平台的直接比较。尽管最近人们努力开发出各种匹配的多组学分析资源，但这些努力仍不足以弥补上述不足。要解决这些问题，就需要利用经过生物学验证的实验体系，结合匹配的组织样本和统一的技术标准来进行评估。

Solano等人介绍了 SpatialBench 这一多平台测试工具（图1，），用于评估免疫组织中高分辨率 ST 技术的性能。该工具是SpatialBenchVisium 研究基础上开发的。后者通过 Visium 检测方法，为研究疟疾感染后的脾脏提供了标准化的分析框架。此次扩展后的数据集包含了 27 份来自野生型小鼠、对照组小鼠以及 B 细胞特异性 T-bet 基因敲除小鼠的新鲜冷冻脾脏样本。这些样本均来自被疟疾感染后、在组织采集前经过药物处理的小鼠。这些样本分别使用了 Visium HD、Xenium 和 MERSCOPE 等设备进行了分析。该模型为免疫学研究提供了良好的参考框架：在该模型中，负责抗体成熟的生发中心在空间上被划分为增殖区与选择区。在成熟 B 细胞中条件性删除 T-bet 基因后，生发中心的转录模式和结构会发生变化。这一生物学现象可以用来评估不同测试平台的性能。该设计使得能够系统地比较不同平台在转录组覆盖范围、灵敏度、背景信号以及细胞分割性能方面的表现。通过并行差异表达分析，可以评估各平台对那些依赖于 T-bet 因子的基因表达模式的检测能力，而空间分析则有助于评估各平台在区分基因组中的 GC 区域方面的能力。依托于可控的生物系统，SpatialBench 为跨平台比较提供了标准化的参考数据集，同时也为研究基因组的空间结构提供了宝贵的资源。

图1 . 高分辨率空间转录组学研究的 SpatialBench 研究设计概览。A. 本研究所使用的三种空间转录组学分析平台的示意图。这些平台包括基于测序的方法(sST)和基于成像的方法(iST)。Visium HD（10x Genomics）属于 sST 平台，该平台能够捕获带有空间编码信息的多聚腺苷酸化转录本，随后进行 cDNA 文库的制备和测序。MERSCOPE（Vizgen）和 Xenium（10x Genomics）则属于 iST 平台，它们利用多重荧光成像技术来检测细胞内的转录本。其中，MERSCOPE 依赖于直接荧光探针的杂交技术。而 Xenium 则使用锁链式扩增技术，再通过反复的成像、信号处理和重新杂交的步骤来解析转录本信息。B. SpatialBench 研究的实验设计：该研究使用了感染了疟疾的小鼠以及已康复的小鼠的脾脏样本。这些小鼠分别来自野生型(WT)组、对照组(CTRL, Tbx21Cd23)和 B 组。细胞特异性的条件性 Tbx21 基因敲除（KO）基因型。新鲜冷冻的脾脏样本通过 Visium HD、MERSCOPE 和 Xenium 进行分析。从经过福尔马林固定、石蜡包埋的野生型脾脏样本中，获得了相应的单核 RNA 测序数据。C. SpatialBench 数据集的样本构成。不同颜色代表不同的分析平台：MERSCOPE 为洋红色，Xenium 为蓝色，Visium HD 为绿色，单核 RNA 测序数据为黄色。星号表示经过多模式染色的 Xenium 分析结果。D. 样本数量、空间分辨率的总结，以及各分析平台之间共有基因的维恩图。E. 分组后的 ST 数据统计结果，其中 8 微米和 16 微米大小的样本组分别显示在上下两行。各柱状图分别显示了各组的总数、转录本数量、90 个共有基因的转录本数量、数据的稀疏程度，以及不同平台间共有基因的稀疏程度。各点代表单个样本，条形图和误差条则分别表示平均值及平均值的标准误差。F 图展示了 snRNA-seq 与 ST 平台之间基因表达的总体皮尔逊相关性。密度等高线图则显示了 Visium HD（绿色，左侧）、MERSCOPE（洋红色，中间）和 Xenium（蓝色，右侧）平台上的基因表达数据与 snRNA-seq 数据的关联程度。基因计数是通过对野生型样本进行平均处理后得到的，数值以每百万个细胞中的转录本数量来表示，并进行了对数转换。密度等高线反映了基因的分布情况，颜色越深，表示该区域的基因密度越高。对角线（斜率=1）表示完全一致的情况。图中还列出了 ST 平台与 snRNA-seq 之间的皮尔逊相关系数(R)以及共有基因的数量(n)。G SpatialBench 的计算流程包括预处理、质量控制、标准化、降维以及后续分析等步骤。各处理步骤所对应的平台以不同的颜色进行标记

参考文献

[1] Ashleigh Solano, Raymond K. H. Yip, Changqing Wang, Daniela Amann-Zalcenstein, Pradeep Rajasekhar, Ishrat Zaman, Allan Motyer, Marek Cmero, Yang Xu, Yining Pan, Casey J. A. Anttila, Stephanie I. Studniberg, Peter F. Hickey, Layla Wang, Callum J. Sargeant, Ling Ling, Yunshun Chen, Ruvimbo D. Mishi, Lisa J. Ioannidis, Kim L. Good-Jacobson, Hamish W. King, Kelly L. Rogers, Diana S. Hansen, Rory Bowden, Matthew E. Ritchie. SpatialBench: Comparative cross-platform benchmarking of high-resolution spatial transcriptomics using matched mouse lymphoid tissue bioRxiv 2026.04.29.721531; doi: https://doi.org/10.64898/2026.04.29.721531

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC