S2-omics·基于HE的自动ROI选择以优化空间组学分析

空间组学正在改变组织分析，但ROI选择依赖人工既耗时又不稳定。S2-omics通过H&E图像自动提取组织学特征并聚类选择ROI最大化分子信息，确保实验可重复性并提升下游分析效率，可应用于Visium HD、Xenium和CosMx等多种组织和平台。

主要步骤：

1. 组织学图像特征提取

对相邻的 H&E 染色切片进行分析，保留目标切片的完整性。将图像划分为 8 μm × 8 μm 的超像素，提取全局和局部特征。默认使用 UNI预训练病理图像基础模型，也兼容其他模型。

2. ROI 选择

将组织学特征进行无监督聚类，划分组织为功能多样的区域。对候选 ROI 进行评分，选择能够最大化分子信息内容的区域。

3. 全片分子信息预测（可选）

将实验中获得的 ROI 细胞类型和群落信息，结合组织学特征，传播到未采样区域。提供全片预测结果，用于验证 ROI 选择是否能代表整个组织的分子异质性。

优势：

• 客观和可重复：不依赖人工判断，避免主观性误差。

• 节约成本与时间：自动选择最具信息量的 ROI，减少实验浪费。

• 适用广泛：可应用于多种组织类型（如乳腺、结肠、肾脏、肝脏、胃）和空间组学平台（如 Xenium、Visium HD、CosMx）。

• 信息最大化：ROI 选择能够捕捉组织的分子异质性，匹配或优于病理学家的手动选择。

• 可扩展性和可验证性：可选的全片预测模块可以验证 ROI 代表性，并指导后续实验设计。

参考：Nature Cell Biology, 2025

https://github.com/ddb-qiwang/S2Omics/tree/v1.0.0