课程补充--关于visium HD（Stereo-seq）scNiche与COMMOT的运用

作者，Evil Genius

关于visium HD（Stereo-seq），可能基因检测数量偏低，但是胜在数量多，好好挖掘还是可以做出很多有意义的内容。

我们2026年空间转录组系列课程课堂上讲过很多细节的内容，为什么visium HD（Stereo-seq）要做分子niche，以及为什么visium HD（Stereo-seq）偏向于分子niche，大家看下面的图，立马就可以感觉到差异。

现在大家像发现新的细胞亚群，这个难度非常高，可以说几乎不可能，但是空间上发现新的细胞结构，还是相对容易的，找到目标靶细胞或者靶点，空间角度更加好一点。

课堂上由学员问为什么visium HD（Stereo-seq）不能直接做细胞niche，这个问题在课堂上详细讲过了，完整的视频、脚本、PPT我都发给大家了，大家可以回看一下。

今天我们来分享另外一个分析分子niche的方法，scNiche，同样是结合自身和环境的基因表达分析分子niche，这个在2025年单细胞空间系列课程课程中就已经讲过了，文章如下。

scNiche 是一种从单细胞分辨率空间组学数据中识别和表征细胞生态位的计算框架，其核心创新在于整合细胞的“多视图”特征来定义微环境。

scNiche不像传统方法那样只关注细胞自身的基因表达，而是将细胞自身及其周围邻居的分子特征和细胞类型组成这三个维度的信息（即“三视图”），通过一个深度神经网络模型进行融合，从而更准确地刻画出细胞所处的复杂微环境状态

核心原理：融合“三视图”特征

scNiche分析的基础是将每个细胞的信息分解为三个互补的“视图”：

1. 视图1：细胞自身的分子谱。即细胞自身的基因或蛋白质表达矩阵，反映了细胞的内在状态。
2. 视图2：邻域的分子谱。对细胞周围（通过K近邻算法定义）所有细胞的分子特征进行汇总（如平均表达量），反映了局部的分子环境。
3. 视图3：邻域的细胞组成。即细胞周围不同细胞类型（如T细胞、肿瘤细胞、巨噬细胞）的比例，反映了局部“邻里”的构成。

一个生态位（Niche）并非仅由细胞类型组成决定，处于同一区域的不同细胞，其分子状态可能因微环境压力（如肿瘤-免疫界面）而发生显著改变。scNiche通过同时考虑这三个视图，能捕获这类仅靠细胞组成或自身表达无法发现的生态位。

分析方法：基于图自编码器的深度学习框架

scNiche的分析流程可以概括为以下几个步骤：

1. 数据预处理与邻域定义：首先，通过cal_spatial_neighbors函数，使用K近邻（KNN）算法为每个细胞定义其空间邻居（参数k_cutoff控制邻域大小）。对于空间转录组数据，通常会使用scVI等方法进行降维和批次效应去除，以平衡不同视图的特征维度。
2. 构建多视图图结构：基于上述三个视图的特征，分别为每个视图构建一个图（Graph）。例如，在“细胞组成视图”中，两个细胞如果在它们各自邻域的细胞类型组成上相似，则它们在图中就可能存在一条边。
3. 多视图图自编码器（M-GAE）与图融合网络（GFN）：这是scNiche的核心算法。它将三个视图的图和特征输入到一个多视图图自编码器中。该模型包含一个编码器和一个解码器：

• 编码器：利用注意力机制，自适应地学习每个视图的重要性权重，将三个视图的信息融合成一个统一的、低维的联合表示（joint representation, z）。
• 图融合网络（GFN）：同步学习一个“共识图”，该图整合了来自三个视图的全局节点关系，并反馈回编码器，帮助学习一个更全面的细胞间关系。

1. 多视图互信息最大化（MMIM）：为了提升联合表示的质量，使其更便于后续聚类，scNiche引入了一个MMIM模块。其目标是最大化在任意视图中相似的细胞，其联合表示也应相似，从而让细胞在低维空间中的分布更加紧凑，生态位分界更清晰。
2. 识别与下游分析：模型训练完成后，对学习到的联合表示进行聚类（如K-means），即可得到每个细胞所属的生态位标签。scNiche还提供了一套完整的下游分析工具，用于表征不同生态位，包括差异表达分析、细胞类型富集分析、生存分析等。

💡 主要优势与特点

• 准确性高：在多个模拟和真实数据集（包括乳腺癌、肝衰竭等）上的基准测试中，scNiche的生态位识别准确率（如ARI和F1分数）优于大多数现有方法。
• 灵活可扩展：其“多视图”框架支持灵活替换或增加其他特征（如组织学信息），并且通过批训练策略能高效处理包含数百万细胞的大型数据集。
• 对数据质量有一定鲁棒性：即使在细胞类型注释不完整或存在噪声的情况下，由于其融合了分子谱信息，其性能下降程度也低于仅依赖细胞组成的方法（如CytoCommunity）

跟课堂上一样，分析分子niche也是要纳入多样本进行比较的。

分析结果与我们课堂上部分结果一致，但是课堂会进行很多的扩展。

目前这个方法运用在visium HD上的文章我看到了一篇

接下来补充一下COMMOT，这个方法存在很久了，低精度visium常用，但是在visium HD上的运用，目前也是看到了一篇

COMMOT信号流策略已经讲过很多了，就不过多重复了，但是其用在visium HD上，分析上的细节跟低精度visium 会有一些区别，这个等到我们课堂上再详细讲解。

等到开始xenium、CosMx等高精度，分子niche的基础上还会分析细胞niche，情况会更复杂一点。

生活很好，有你更好。