端到端单细胞空间组学数据分析

摘要

空间生物学技术为关联组织组成与功能提供了独特机遇，但量化和解读高度复杂空间数据的分析方法仍较为有限。本文提出CROCHET（组织中细胞异质性表征工具），这是款端到端分析流程，可从覆盖大型样本队列中数百万细胞的原始数据构建空间分辨细胞图谱。其模块化架构支持整合多种数据模态及新颖的图像处理与分割、空间组学量化和下游分析计算方法。CROCHET具备全面、开源、用户友好、交互式的可视化分析模块，旨在向广泛的用户群体普及空间组学技术。

akorkut@mdanderson.org

bbozorgui@mdanderson.org

#CROCHET #空间组学 #单细胞分析 #组织异质性 #自动化流程 #可视化图谱 #模块化架构 #细胞分型 #空间富集分数

正文

图1CROCHET空间组学分析工作流程

分子信号量化模块（左）从原始数据处理开始，包括格式标准化、焦点评估、图像配准、背景估算、细胞分割和特征提取步骤。质量控制与改进模块（中列）自动检测组织芯片中的每个样本、识别丢失 / 损伤组织区域、检测并去除人工信号及数据归一化。基于质控后的数据，下游分析模块（右）采用具有明确细胞类型标志物的层级细胞表型分析方案注释细胞类型，支持空间特征的交互式可视化、局部相互作用和全局邻域水平的单细胞及空间分析，最终利用相邻组织切片数据构建3D组织图谱。

图2空间组学数据的量化与质量控制

A）基于归一化方差统计算法的焦点评估；

B）Mask R-CNN单细胞检测及细胞核与细胞分割算法；

C）分割区域内蛋白质生物标志物平均强度值的直方图；

D）利用HDBSCAN聚类算法进行组织芯片（TMA）核心检测；

E）通过将核染色强度值与第1个周期获得的值进行比较，检测实验周期中的组织丢失；

F）利用不同周期的蛋白质生物标志物表达值检测具有非特异性结合的细胞。

图3空间组学数据的分析与可视化

A）上图：基于Napari的胃肠道肿瘤样本处理数据可视化，不同颜色对应不同生物标志物；

中图：核蛋白的平均蛋白质表达值显示在分割的核区域内，非核蛋白的平均蛋白质表达值显示在分割的细胞质区域内，颜色强度代表表达水平；

下图：分割掩码内蛋白质表达的像素级图像。

B）上图：交互式Flask表型分析应用程序，用于构建和应用细胞类型注释的层级树（展示代表性树）；

中图：细胞类型的空间分布图；

下图：颜色编码的细胞类型可视化，叠加细胞核和细胞分割掩码。

C）基于径向分布函数（RDF）的空间富集分数，捕捉中心细胞附近相邻细胞的表达加权计数；全样本中未进行全局丰度归一化（中图）和进行全局丰度归一化（下图）的蛋白质标志物对空间富集分数热图。

D）全样本中未进行全局丰度归一化（上图）和进行全局丰度归一化（下图）的细胞-细胞相互作用空间富集分数热图。

E）免疫印记量化5例结直肠癌患者邻近细胞上PD1-PDL1的空间相互作用。

F）基于单细胞水平细胞类型空间富集分数的Louvain聚类，将组织邻域映射到细胞-细胞相互作用，并将聚类标识投射到组织坐标；聚类识别具有相似邻域组成和相互作用的肿瘤细胞。

G）通过相邻组织切片的配准和对齐优化构建3D空间图谱。

详细总结

思维导图（mindmap）

CROCHET采用3元模块架构，覆盖数据处理、质控、下游分析全流程，关键功能与参数如下：

核心差异体现在功能覆盖广度、创新分析方法、针对性痛点解决3个方面，适用场景各有侧重，具体对比如下：

参考

bioRxiv[Preprint]. 2026 Mar 17:2026.03.13.711472. doi: 10.64898/2026.03.13.711472.

CROCHET: a versatile pipeline for automated analysis and visual atlas creation from single-cell spatialomic data

260317CROCHET.pdf

注：AI辅助创作，如有错误欢迎指出。内容仅供参考，不构成任何建议。