Nat. Comput. Sci. | 融合细胞学图像与空间转录组学的细胞分割方法

DRUGONE

空间转录组技术的快速发展，使研究人员能够在组织原位测量基因表达，并逐步达到亚细胞乃至单细胞分辨率。然而，要将分散在组织空间中的转录本准确归属于单个细胞，首先需要可靠识别每个细胞的边界。不同组织的细胞形态、染色方式、成像质量和转录本密度差异明显，使现有细胞分割算法在复杂组织、密集细胞区域以及跨平台应用中仍存在较大局限。

研究人员提出了DISSECT，一种融合细胞学图像和空间转录组信息的细胞分割模型。DISSECT首先使用预训练深度生成模型对多尺度图像特征进行去噪，再通过具有实例感知能力的检测模块识别细胞位置，最后结合图像和转录组数据产生的梯度场细化细胞边界。该模型可同时用于成像型和测序型空间转录组平台。

在多个空间转录组数据集上的评估显示，DISSECT在平均精度、细胞数量恢复、转录本捕获率以及复杂组织区域的细胞分离方面优于多种现有方法。研究人员还将其应用于三对抗PD-1治疗前后的胃腺癌样本，重建空间单细胞转录组，识别肿瘤细胞、免疫细胞和基质细胞组成及其空间生态位，并发现与免疫治疗反应相关的潜在分子和细胞互作特征。

空间分辨转录组学能够同时保留基因表达和组织位置，是研究组织结构、细胞通信及疾病微环境的重要技术。现有平台大致可分为成像型和测序型两类。成像型技术通常具有很高的空间分辨率，但检测基因数量受到限制；测序型技术能够无偏测量大量转录本，近年来也逐渐达到亚细胞分辨率。

随着空间分辨率提高，一个新的核心问题随之出现：如何将亚细胞尺度上的转录本正确分配给各个细胞。如果细胞边界不准确，来自邻近细胞的转录本就可能被错误合并，进而影响细胞类型注释、空间区域识别、差异表达分析和细胞间通信推断。因此，细胞分割并不仅是图像处理步骤，而是重建空间单细胞转录组的基础。

许多空间转录组实验同时提供DAPI、苏木精—伊红、免疫荧光或单链DNA染色图像。这些图像能够展示细胞核、细胞质和组织形态，因此被广泛用于细胞分割。然而，在细胞密集、边界模糊、染色不均或细胞相互重叠的区域，仅依赖图像往往难以获得可靠结果。另一方面，转录组数据反映了不同细胞之间的分子差异，可为边界识别提供额外信息，但在转录本稀疏区域又可能缺乏足够信号。

现有方法中，一类仅依赖图像，另一类联合使用图像和转录组信息。前者具有较高计算效率，但对成像质量和参数较为敏感；后者虽然利用了多模态信息，却可能计算开销较大，或者难以在不同平台之间泛化。针对这些问题，研究人员开发了DISSECT，希望通过深度生成模型、实例检测和转录组引导的边界优化，实现更准确且具有跨平台适用性的细胞分割。

方法

研究人员构建了由图像特征提取、实例检测和转录组引导边界优化组成的完整流程。首先，原始细胞学图像经过强度归一化、平滑和对比度增强处理，再由特征金字塔网络提取不同尺度的图像特征。模型随后使用去噪扩散隐式模块，在训练过程中向特征加入噪声，并通过条件U-Net恢复干净特征，从而提高模型对染色变化、噪声和成像差异的适应能力。

在实例检测阶段，两个可变形卷积网络根据去噪后的特征，分别预测每个像素属于细胞的概率以及能够区分不同细胞实例的特征表示。随后，基于Transformer的检测解码器利用自注意力和交叉注意力机制，识别每个细胞并生成对应边界框。

对于每个候选细胞区域，DISSECT分别根据图像强度变化和局部基因表达相似性构建梯度场。模型比较两类梯度在相邻空间位置上的方向一致性，并自适应决定转录组信息对边界修正的权重。当图像和转录组信号方向一致时，转录组信息获得更高权重；当二者差异较大时，模型降低其影响。随后，模型沿融合后的梯度方向进行追踪，并结合阈值化和形态学操作生成最终细胞掩膜。完成分割后，掩膜内的转录本被聚合为单细胞表达矩阵，用于后续聚类、细胞类型注释和空间分析。

结果

DISSECT的模型架构与训练

研究人员从Cellpose、DeepCell、TissueNet和StereoCell等数据集中整理了24805张带有细胞或细胞核边界标注的图像，并裁剪为超过11万个标准化图像块进行预训练。训练数据涵盖荧光图像、明场图像、细胞核染色图像及高分辨率空间转录组图像，使模型能够学习多种细胞形态和成像模式。

研究人员比较了ResNet-50、ResNet-101和Swin Transformer三种主干网络。三者均能稳定收敛，但ResNet-101和Swin Transformer在细胞边界框识别上表现更好。由于ResNet-101对小型细胞的识别略具优势，同时计算效率较高，因此被用于后续实验。

图1: DISSECT整体架构、特征去噪、实例检测及转录组引导边界优化流程。

DISSECT在多平台数据集上提高细胞分割精度

研究人员在包含Visium HD、Stereo-seq、Xenium和CosMx数据的SPATCH基准数据集上，将DISSECT与Cellpose、Mesmer、StarDist等方法进行比较。结果显示，在不同交并比阈值下，DISSECT整体获得更高的平均精度。

在Visium HD的苏木精—伊红染色图像中，DISSECT显著优于其他方法；在Xenium 5k和CosMx 6k等成像型空间转录组数据中，其表现同样稳定。尤其在肿瘤核心等细胞高度密集区域，DISSECT能够更清楚地分离相邻细胞，而其他方法容易遗漏细胞、合并多个细胞或产生不规则边界。

从细胞数量来看，DISSECT预测的细胞数也更加接近人工标注结果。与同时使用图像和转录组信息的BIDCell和SCS相比，DISSECT获得了更高的分割精度和更准确的细胞数量恢复。消融实验进一步证明，加入转录组引导的边界优化后，模型性能高于仅使用图像特征的版本，说明两类信息具有明显互补性。

在外部Xenium 1k、CosMx 1k和Stereo-seq数据上，DISSECT仍保持较好的泛化能力。其获得的细胞形态较为规则，转录本捕获比例较高，每个细胞中检测到的基因数量更多。模型运行时间与常见图像分割工具接近，并低于部分多模态分割方法。

图2: DISSECT与多种细胞分割工具在不同空间转录组平台上的性能比较。

DISSECT改善空间单细胞转录组重建

为评估分割质量对下游分析的影响，研究人员使用DISSECT分析了三名胃腺癌患者抗PD-1治疗前后的配对样本。治疗前样本来源于活检，治疗后样本来源于手术组织，所有样本均采用Stereo-seq进行空间转录组测量，并使用同一组织切片的单链DNA染色图像辅助分割。

基于DISSECT重建的单细胞表达矩阵，研究人员识别出B细胞和浆细胞、成纤维细胞、巨噬细胞、肿瘤相关上皮细胞、T细胞、树突状细胞等主要群体，并进一步划分出多个亚型。

在B细胞和浆细胞中，研究人员发现具有炎症和抗原呈递特征的CD24阳性B细胞，以及代谢和抗体合成活跃的JCHAIN阳性浆细胞。在肿瘤相关上皮细胞中，识别出胃小凹黏液细胞、胃窦腺黏液细胞和肠样肿瘤细胞。不同亚群表现出明显不同的免疫、代谢、糖酵解和上皮—间质转化程序。

与其他分割方法相比，DISSECT重建的单细胞转录组在无监督聚类与自动细胞注释之间具有更高一致性，并更好地保留了细胞类型特异性标志基因。例如，B细胞中的IGHA1和IGKC信号更加集中，恶性上皮细胞也更准确地定位于TFF1和MUC1高表达区域，减少了错误分类。

图3: 基于DISSECT的胃腺癌空间单细胞图谱、细胞亚型及治疗前后空间生态位分析。

抗PD-1治疗相关的肿瘤微环境变化

在癌相关成纤维细胞中，研究人员识别出肌成纤维型、抗原呈递型和炎症型等多个亚群。其中，部分COL1A1阳性肌成纤维细胞富集上皮—间质转化、血管生成、KRAS和MYC相关程序，提示其可能具有细胞外基质重塑和促肿瘤功能。CD74阳性抗原呈递型成纤维细胞则高表达主要组织相容性复合体Ⅱ类基因，表现出更强的免疫调节特征。

巨噬细胞群体中，研究人员识别出CD63、C1QA、C1QB、SPP1和CD74等不同亚群。CD74阳性单核细胞/巨噬细胞高表达抗原呈递相关基因和CXCL9，可能参与局部免疫反应。

治疗前，未响应患者的肿瘤组织中AGR2、TFF1、MUC5AC和CLDN18等胃癌相关基因表达较高；治疗后，这些黏液相关分子仍在未响应患者中保持较高水平。研究人员推测，TFF1与MUC5AC形成的致密黏液屏障可能限制抗体进入肿瘤核心，降低抗PD-1治疗效果。

空间生态位分析显示，许多区域由恶性黏液细胞、B细胞或浆细胞以及巨噬细胞共同组成。治疗后，成纤维细胞相关生态位更常见。在治疗响应患者中，部分区域由COL1A1和COL1A2高表达的成纤维细胞主导，并伴随恶性细胞减少，可能反映治疗后肿瘤组织结构的重塑。

空间位置与免疫信号通路相关

研究人员进一步分析细胞空间距离和功能通路之间的关系。富含巨噬细胞和癌相关成纤维细胞的生态位中，抗原加工与呈递、B细胞受体、趋化因子、NF-κB、IL-17和MAPK等通路显著活跃。

治疗前，响应患者中的巨噬细胞和B细胞或浆细胞距离T细胞更近，这种空间邻近可能有利于抗肿瘤免疫启动。治疗后，未响应患者中的巨噬细胞和B细胞或浆细胞更接近恶性细胞，提示肿瘤相关免疫生态位仍然存在。

研究人员还发现，巨噬细胞与T细胞和树突状细胞的空间关系与HIF-1信号有关，成纤维细胞与中性粒细胞及恶性细胞之间的距离与TNF等炎症通路相关，而B细胞和浆细胞的空间分布则与趋化因子和HIF-1信号相关。这些结果说明，肿瘤微环境中的功能状态与细胞空间组织密切相连。

图4: 与抗PD-1治疗反应相关的空间生态位、通路富集及细胞距离关系。

VSIR可能参与胃癌免疫抑制

细胞间通信分析发现，胃癌相关上皮细胞上的VSIR可能与其他细胞表达的主要组织相容性复合体Ⅰ类分子形成互作。VSIR是一种具有免疫抑制功能的检查点分子，可抑制T细胞活化。

进一步分析大规模泛癌单细胞数据后，研究人员发现VSIR在巨噬细胞和单核细胞中也具有较高表达，尤其在部分炎症型巨噬细胞中更为明显。这提示VSIR可能同时参与肿瘤细胞和髓系免疫细胞介导的免疫抑制。胃癌细胞可能通过提高VSIR表达，削弱局部抗肿瘤免疫反应，从而帮助肿瘤逃避免疫清除。

图5: 胃癌空间生态位中的细胞间通信及VSIR表达特征。

讨论

研究人员提出的DISSECT证明，联合利用细胞学图像和空间转录组信息，可以显著改善空间单细胞分割。图像提供细胞形态和组织结构，转录组则提供分子层面的空间差异。通过在每个候选细胞区域内自适应融合两类梯度场，DISSECT能够在细胞密集或边界模糊区域更准确地区分相邻细胞。

该研究还强调，评价细胞分割方法不能仅依赖图像重叠精度。分割误差会直接传播到转录本归属、细胞聚类、类型注释、空间生态位和细胞通信分析，因此还应考察模型是否能够重建生物学上合理的单细胞表达谱。DISSECT在细胞类型标志基因保留、聚类一致性和空间组织恢复方面的优势，说明其改进不仅体现在图像层面，也能提升后续生物学解释。

不过，不同空间转录组平台在基因覆盖、转录本密度、染色方式和空间分辨率方面差异较大，这仍可能影响模型表现。尤其在测序型平台中，亚细胞尺度的转录本可能十分稀疏，限制转录组对边界优化的贡献。此外，目前具有高质量人工细胞边界的空间转录组数据仍然有限，不同数据集标注的可能是细胞核、细胞膜或完整细胞，导致模型之间的统一比较较为困难。

高分辨率空间转录组数据往往覆盖大面积组织，并包含数百万空间坐标，像素级边界修正会带来较大计算压力。未来可通过分布式计算、由粗到细的层次化分割和稀疏处理提高扩展性。研究中的胃腺癌队列规模也较小，因此关于免疫治疗响应、黏液屏障、成纤维细胞生态位和VSIR的发现仍需在更大样本中验证。

总体而言，DISSECT为跨平台空间转录组细胞分割提供了一种有效的多模态框架。它连接了细胞图像、空间基因表达和组织生物学解释，为构建更准确的空间单细胞图谱以及研究肿瘤微环境和治疗反应提供了新的技术基础。

整理 | DrugOne团队

参考资料

He, Y., Zhao, Y., Zhang, R. et al. Integrating cytological images and spatial transcriptomics for cell segmentation with DISSECT. Nat Comput Sci (2026).

https://doi.org/10.1038/s43588-026-01020-x