撰文丨王聪
编辑丨王多鱼
排版丨水成文‘
在生物医学研究中，空间组学技术正革命性地改变我们理解组织微环境的方式。它能在保留组织原始结构的同时，进行高分辨率分子分析，揭示细胞间的相互作用和疾病机制。
然而，这项技术面临一个关键瓶颈：如何从大片组织切片中选择最具代表性的区域进行昂贵且时间密集的实验？传统的区域选择依赖病理学家手动操作，主观性强、一致性差，且难以重复。
近日，宾夕法尼亚大学李明瑶团队在 Nature 子刊Nature Cell Biology上发表了题为：Smart spatial omics (S2-omics) optimizes region of interest selection to capture molecular heterogeneity in diverse tissues 的研究论文。
该研究提出了智能空间组学（Smart Spatial omics，简称为S2-omics），这是一种全自动工作流程，仅凭 H&E 染色图像就能优化区域选择，最大化分子信息捕获。
空间组学的挑战：为什么需要智能选区？
空间组学平台，例如 Xenium、Visium HD 和 CosMx 能提供单细胞水平的基因表达数据，但成本高昂（每个样本可达 7000 美元），且组织捕获区域有限（例如 Visium HD 仅覆盖 6.5mm×6.5mm）。面对厘米级的组织切片，研究人员必须谨慎选择区域，避免资源浪费。
目前，选区完全依赖病理学家的经验：通过肉眼观察 H&E 图像来识别关键结构。但这个过程劳动密集、主观性强，且易受人为误差影响，导致实验结果在不同实验室间难以比较。
S2-omics 是什么？三步骤实现自动化设计
智能空间组学（S2-omics）的核心思想是利用 AI 模型从 H&E 图像中提取特征，模拟分子异质性，从而指导实验设计。其工作流程分为三个部分：
1、组织图像特征提取：首先，S2-omics 使用预训练的病理基础模型将 H&E 图像分割成 8μm×8μm 的超像素块，提取全局和局部特征。这些特征能捕捉细胞形态和组织架构，类似于 AI “读懂”组织病理。
2、ROI 选择：基于特征，图像被自动聚类成不同组织区域（例如肿瘤、免疫浸润区）。S2-omics 引入一个感兴趣区域（ROI）评分系统，平衡区域覆盖度和簇类多样性，自动选择最能代表整个切片的区域。用户可指定区域大小或数量，系统还能整合先验知识（例如优先关注肿瘤区）。
3、全切片分子信息预测：实验后，S2-omics 能利用选定区域的分子数据训练模型，预测未测量区域的细胞类型和群落标签，提供组织全貌的“虚拟预览”。
这一流程不仅标准化了选区步骤，还大幅提升了可重复性。研究显示，S2-omics 在多个组织和平台上表现优异，甚至超越专家手动选择。
实战验证：从胃癌到肾脏
案例1：胃癌样本的 Xenium 实验
在一个大型胃癌切片（10mm×24mm）中，S2-omics在预算有限（仅一个 4mm×4mm 区域）的情况下，选定的区域覆盖了 7 个关键组织簇（共11个），包括肿瘤区和三级淋巴结构（TLS，与免疫治疗响应相关）。
通过将选定区域的标签广播到整个切片，细胞类型和群落预测准确率分别达 73.8% 和 72.8%。例如，在肿瘤边界和 TLS 区域，预测结果精准还原了分子空间分布。
案例2：结肠癌的 Visium HD 实验
与 10x Genomics 专家手动选区相比，S2-omics 在结肠癌切片上选定的区域覆盖了专家选择 89.3% 的细胞，且减少了空白区域，更平衡地捕获了侵袭性癌区等关键结构。
案例3：肾脏样本的 CosMx 实验
针对 CosMx 平台（需选择多个小视野），S2-omics 能优化视野布局，减少 RNA 降解影响。在健康与糖尿病肾脏样本中，它成功捕获了肾小球等结构，预测标签增强了数据连续性和可解释性。
创新亮点：先验知识整合与自适应选区
S2-omics 的灵活性令人印象深刻。用户可指定“正先验”（例如重点关注肿瘤簇）或“负先验”（例如忽略肌肉区），系统会调整选区策略。例如，在胃癌切片中，通过赋予肿瘤簇更高权重，选区肿瘤含量从 16.1% 提升至 78.1%。
此外，S2-omics 能自动确定最优区域数量。在乳腺癌样本中，它判断两个 2mm×2mm 区域足以捕获原位癌和侵袭癌的异质性，避免过度实验。
空间组学实验设计的“智能导航”
S2-omics 的推出，标志着空间组学实验向标准化、可重复性迈出关键一步。通过 AI 驱动选区，它不仅降低成本和主观偏差，还通过虚拟预测赋能后续实验设计。对于临床和疾病研究，这种工具有望加速生物标志物发现和个性化医疗进展。
论文链接：
https://www.nature.com/articles/s41556-025-01811-w
热门跟贴