六大空间转录组平台的细胞 Niche 分析：前提、技术优势与局限性

作者，Evil Genius

今天我们来汇总一下6大平台Visium、Visium HD、Stereo-seq、Xenium、Atera 与 CosMx分析细胞niche的前提、技术优势与局限性。

我分献给了大家大量的文献，22-26年汇总起来超过600篇，首先来感官总结一下，各大平台分析细胞niche的文献数量（个人总结的情况）

xenium分析细胞niche：文献常用

CosMx分析细胞niche：频率中等

visium分析细胞niche：频率中等

visium HD分析细胞niche（细胞分割前提）：无

stereo-seq分析细胞niche（细胞分割前提）：无

Atera分析细胞niche：理论上更好。

首先需要明确一个核心问题：细胞 Niche（细胞生态位）分析，并不是简单地寻找某个细胞周围有哪些细胞，而是识别特定细胞所处的局部微环境，以及这种微环境如何影响细胞状态、功能和细胞间相互作用。

对于 Visium、Visium HD、Stereo-seq、Xenium、Atera 和 CosMx 六个平台，不能简单地按照检测基因数量或者空间分辨率进行排名。因为细胞 Niche 分析实际上涉及三个不同层次：

1. 空间组成（Spatial composition）：目标细胞周围有哪些细胞？不同细胞的比例、密度和空间分布如何？

2. 空间状态（Spatial state）：这些邻近细胞处于什么转录状态？是否具有特定的活化、抑制、炎症或分化特征？

3. 空间互作（Spatial interaction）：目标细胞与周围细胞之间是否存在配体–受体通讯、信号通路关联或共同的功能状态？

这三个层次对平台的要求并不相同。一个平台可能非常擅长识别细胞空间位置，却不一定能够准确解析邻近细胞的完整转录状态。

原本的细胞niche分析主要是针对空间蛋白组，例如CODEX、IMC等平台，因为这些平台经过细胞分割和蛋白标记细胞类型之后，为了分析细胞之间的空间关系，引入细胞niche的数据分析，到了现在的空间转录组，这个思路一样适用。

一、细胞 Niche 分析的基本前提

1. 首先需要具备可靠的空间定位能力

Niche 分析的基础是空间邻近关系。

例如，以一个肿瘤细胞为中心，分析其周围 50 μm、100 μm 或 200 μm 范围内的细胞组成。

但这里需要注意：

• 必须有可靠的空间坐标。
• 需要明确空间单位是 spot、bin 还是单细胞。
• 需要考虑组织切片中的细胞密度和组织结构。
• 需要排除组织边缘、空白区域和低质量区域带来的偏差。 特别注意：空间距离不等于真实细胞接触。

两个细胞中心相距 20 μm，并不代表它们一定发生了直接接触。对于细胞接触分析，最好进一步结合细胞边界、细胞膜或细胞分割信息。

2. 必须具备可靠的细胞类型注释能力

Niche 分析不仅需要知道细胞在哪里，还需要知道细胞是什么。

例如：

这里有一个重要区别：

• 细胞类型注释：判断细胞属于什么类型。
• 细胞状态注释：判断细胞处于什么功能状态。
• 细胞亚群注释：进一步区分同一种细胞内部的不同转录亚群。

对于 Niche 分析，最好能够达到细胞类型与细胞状态两个层次，而不是仅仅将细胞分为 T cells、B cells、Macrophages 等大类。

3. 必须具备足够的基因表达信息

这是六个平台之间非常重要的区别。

例如，同样是巨噬细胞：

• 一部分可能表达 IL1B、TNF，表现为炎症状态。
• 一部分可能表达 SPP1、APOE，表现为特定组织重塑或免疫调节状态。
• 一部分可能表达 CXCL9、CXCL10，表现为 IFN 响应状态。

如果仅依靠空间位置和细胞形态，很难准确区分这些状态。

因此，Niche 分析需要考虑：

• 检测基因数量。
• 目标基因是否在检测面板内。
• 单细胞层面的 RNA 检测灵敏度。
• 低表达基因的检出能力。
• 不同细胞类型之间的检测偏差。

全转录组检测的优势在于具有更广泛的基因探索空间；靶向探针平台则需要关注预设基因面板是否覆盖研究问题。

4. 必须具备足够的细胞分割质量

细胞分割是很多 Niche 分析的重要基础。

主要涉及：

• 细胞核识别。
• 细胞边界识别。
• RNA 分子归属。
• 相邻细胞边界区分。
• 多核细胞、细胞重叠和细胞密集区域的处理。

这里需要强调：

有细胞分割结果，不代表每个细胞的表达矩阵都足够准确。

例如，细胞边界识别正确，但部分 RNA 分子可能无法准确归属；或者细胞体积较小，导致检测到的转录本数量较少。

因此，需要同时评估 segmentation QC 和 transcript assignment QC。

5. 必须考虑生物学重复和组织区域差异

Niche 分析很容易出现一个统计学问题：

将数万个细胞当作数万个独立样本。

实际上，同一张切片中的细胞并不是相互独立的。不同患者、不同组织区域之间也存在明显差异。

因此，建议：

• 以患者或组织样本作为生物学重复。
• 以细胞或局部空间区域作为分析单位。
• 在不同样本间比较 Niche 的组成和功能。
• 避免直接将细胞数量当作独立重复数。
• 结合组织病理区域进行分层分析。

二、细胞 Niche 分析的三个主要技术层次

level 1:空间邻域组成分析（Neighborhood Composition）

关注目标细胞周围有哪些细胞，以及不同细胞的数量、比例和距离分布。

常用方法：KNN、Radius-based neighborhood、Cellular neighborhood clustering、Neighborhood enrichment。

level 2 :空间转录状态分析（Neighborhood State）

关注邻近细胞的表达状态，以及局部微环境是否具有炎症、免疫抑制、缺氧、血管生成等特征。

常用方法：RCTD、cell type specific gene scoring、BANKSY、空间差异表达。

level 3 :空间细胞互作分析（Spatial Interaction）

关注相邻细胞之间是否存在潜在的配体–受体通讯，以及通讯是否具有空间特异性。

常用方法：CellChat、LIANA、NicheNet、Giotto、MISTy、空间距离约束的配体–受体分析。

三个层次不是相互替代的关系，而是逐步深入的分析过程。

例如，发现肿瘤细胞周围富集巨噬细胞，只能说明存在巨噬细胞富集型 Niche；进一步发现这些巨噬细胞表达 SPP1，才能进一步描述其功能状态；再结合肿瘤细胞的 CD44 等受体表达及空间邻近关系，才能提出潜在的 SPP1–CD44 互作假设。

需要注意，配体–受体共表达和空间邻近仍然不能单独证明真实的分子结合或因果调控。

三、六大平台的 Niche 分析能力对比

首先按照技术路线划分，六个平台可以分为三类：

其中 Atera 需要单独看待：它采用全探针空间检测路线，不能简单归入 Xenium 5K 这种固定靶标面板的分析模式。但全转录组设计也不意味着所有基因都能在每个细胞中被有效检出。

1. Visium：适合组织区域级 Niche，不适合精确的单细胞邻域分析

技术特点

传统 Visium 的核心空间单位是直径约 55 μm 的 spot。一个 spot 通常包含多个细胞的混合表达信号，而不是一个独立细胞的表达矩阵。

因此，Visium 的 Niche 分析更适合从组织区域和空间表达域出发。

优势

1. 全转录组检测，能够探索未知的疾病相关基因和通路。
2. 适合识别不同组织区域的转录表达特征。
3. 能够结合病理图像识别肿瘤区、间质区、免疫浸润区等组织区域。
4. 可以结合 scRNA-seq 参考数据进行细胞类型去卷积。
5. 可以识别不同组织区域中细胞组成的变化。

短板

1. 一个 spot 内存在多个细胞，无法直接确定每个细胞的空间位置。
2. 不能准确计算某个巨噬细胞周围 20 μm 内有哪些细胞。
3. 不能直接获得可靠的单细胞邻接关系。
4. 细胞类型去卷积得到的是 spot 内细胞组成的估计值，不是真实的单细胞定位。
5. 即使利用 RCTD 等方法识别出细胞组成，也无法恢复原始数据中不存在的细胞边界和精确细胞坐标。

Niche 分析评价

组织区域级为主

Visium 更适合研究：

• 肿瘤区域与免疫浸润区域的空间关系。
• 肿瘤组织与间质组织之间的表达差异。
• 免疫细胞富集区域。
• 组织区域之间的功能通路差异。

不建议将传统 Visium 的 spot 共定位直接解释为单细胞邻域关系。

2. Visium HD：具备细胞级空间分析的潜力，但细胞表达矩阵依赖计算重建

技术特点

Visium HD 的原始空间数据采用 2 μm × 2 μm 的空间 bin。

这与传统 Visium 的 55 μm spot 有明显区别。

但需要特别强调：

2 μm bin 并不等于一个细胞。

实际分析时，可以选择：

• 2 μm bin：保留更细的空间表达信息。
• 8 μm 或 16 μm bin：聚合表达信号，便于分析。
• 细胞分割：根据细胞核和组织图像，将空间 bin 中的表达信号归入推断的细胞区域。 10x 官方分析指南也明确区分了原始 bin、聚合 bin 和细胞分割后的表达数据。

优势

1. 全转录组检测，具有较好的未知基因探索能力。
2. 2 μm 空间采样可以提供较细致的组织表达分布。
3. 可以结合 H&E、DAPI 等图像进行细胞分割。
4. 细胞分割后可以构建细胞坐标和表达矩阵。
5. 可以开展空间细胞类型注释、细胞邻域聚类及组织微环境分析。

短板

这里有三个关键问题。

第一：细胞分割依赖图像推断。

原始数据不是直接按照真实细胞边界获得的。需要通过细胞核识别、边界扩展和 bin 聚合来重建细胞表达矩阵。

如果细胞边界不准确，就可能造成相邻细胞的 RNA 错误归属。

第二：细胞级表达灵敏度存在限制。

虽然 Visium HD 覆盖的基因范围广，但细胞分割后的有效基因数量仍受到捕获效率、测序深度、细胞大小和 RNA 归属准确性的影响。

尤其是一些低表达的配体、受体和转录因子，可能难以在单个细胞中稳定检出。

第三：细胞邻域准确性受到分割质量影响。

例如，真实存在两个相邻巨噬细胞，但算法将其分割成一个细胞，或者把一个细胞分成两个区域，都会影响邻域统计。

Niche 分析评价

可以进行细胞级分析，但需要严格 QC

Visium HD 可以开展：

• 细胞类型空间分布。
• 细胞邻域组成分析。
• 组织微环境分区。
• 基于细胞分割结果的配体–受体分析。
• 局部空间基因表达分析。

但是，在细胞级 Niche 分析中，不能只看空间分辨率，还必须验证分割后的 Median genes/cell、Median UMI/cell、有效细胞比例以及 RNA 归属情况。

3. Stereo-seq：空间覆盖范围和全转录组探索能力突出，但需要解决细胞归属问题

技术特点

Stereo-seq 采用高密度空间条码阵列进行全转录组空间捕获。

其空间采样颗粒度可以达到亚微米级，但这不代表每个空间坐标都对应一个真实细胞。

这是分析 Stereo-seq 时必须区分的概念：

• 空间采样分辨率。
• 实际转录本捕获效率。
• 细胞分割准确性。
• 细胞分割后的有效表达量。 这四个指标不能相互替代。

优势

1. 全转录组检测，适合发现未知细胞状态。
2. 能够保留非常精细的空间表达梯度。
3. 适合大范围组织结构和微环境研究。
4. 对于细胞密集、组织结构复杂的样本，可以研究不同空间区域的表达差异。
5. 可以利用空间 bin 聚合、细胞核分割及其他计算方法建立细胞级表达矩阵。

短板

1. 原始空间坐标并不天然等于单细胞。
2. 细胞分割和 RNA 归属需要额外计算处理。
3. 组织内 RNA 扩散和细胞边界识别会影响邻域准确性。
4. 高密度空间数据带来较大的计算和存储压力。
5. 对低表达配体、受体进行细胞级分析时，仍然需要关注检测灵敏度。
6. 不同组织、不同分割方法可能产生不同的细胞表达矩阵。

Niche 分析评价

适合全局空间结构和细胞邻域探索 Stereo-seq 并不是做不了细胞 Niche。

它的主要问题不是空间坐标不够精细，而是如何将空间捕获的 RNA 信号可靠地归属于具体细胞。

对于大组织范围的空间微环境研究，Stereo-seq 有明显价值；但对于要求精确判断某个细胞与相邻细胞之间的关系，必须对细胞分割和表达归属进行严格验证。

4. Xenium：细胞级空间定位明确，适合精细 Niche 分析，但受到探针面板限制

技术特点

Xenium 是原位空间分子检测平台。

与 Visium HD、Stereo-seq 不同，它直接检测预先设计的目标 RNA 分子，并保留分子的空间坐标。

结合细胞核、细胞内部和细胞边界染色，可以将转录本分配到相应细胞。

10x 官方的细胞分割流程包括多模态图像分割和核扩展等方法，具体结果取决于是否使用细胞分割染色。

优势

1. 直接获得目标 RNA 分子的空间位置。
2. 可以建立单细胞表达矩阵。
3. 可以利用细胞边界构建细胞邻接关系。
4. 能够精确分析目标细胞周围的细胞类型组成。
5. 可以进一步分析邻近细胞的基因表达和功能状态。
6. 适合研究免疫细胞浸润、肿瘤细胞与巨噬细胞互作、细胞接触等问题。
7. 能够在细胞和亚细胞尺度观察特定基因的空间分布。

短板

Xenium 最大的限制是预设探针面板。

例如 Xenium Prime 5K，虽然覆盖了大量研究相关基因，但它依然不是完整的无偏全转录组检测。

具体会产生三个影响：

• 面板之外的未知基因无法直接检测。
• 如果某个研究相关配体、受体或功能基因没有纳入面板，就无法直接分析。
• 如果目标细胞亚群依赖面板中未覆盖的标志基因，也可能影响亚群识别。 另外，单细胞定位精细不代表每个低表达基因都能被检测到。仍然需要评估每个细胞的有效转录本数、基因检出数和阴性背景。

Niche 分析评价

精细单细胞 Niche 分析的优势平台

Xenium 特别适合：

• 肿瘤细胞周围的免疫细胞组成。
• 巨噬细胞亚群的局部富集。
• Treg 与 CD8 T 细胞的空间关系。
• 特定配体–受体的空间共表达。
• 细胞邻接、细胞接触和局部免疫抑制环境。
• 目标细胞在不同微环境中的转录状态差异。

需要注意，Xenium 的优势是预设目标范围内的精细检测，不是无边界的基因探索。

5. CosMx：细胞和亚细胞定位能力突出，适合多细胞空间互作分析

技术特点

CosMx 同样属于原位成像型空间分子检测平台。

它通过多轮分子检测和成像，获得 RNA 分子的空间位置，并结合形态学染色完成细胞分割。

其 RNA 检测面板和蛋白检测能力会随具体 assay 版本而变化。公开资料中既有 RNA 与蛋白联合检测方案，也有更广泛的全转录组方案，因此不能把所有 CosMx 数据都简单理解为固定 6K 面板。

优势

1. 单细胞及亚细胞空间定位能力。
2. 能够结合细胞形态和分子表达信息。
3. 适合细胞类型及细胞状态识别。
4. 可以构建细胞邻域和空间互作网络。
5. 部分方案可以联合 RNA 和蛋白信息，增加细胞状态注释维度。
6. 适合分析复杂肿瘤微环境中不同细胞亚群的空间分布。
7. 可以研究局部细胞组成与信号通路的关系。

短板

1. 仍然受到具体 RNA 检测面板覆盖范围的影响。
2. 不能因为总检测分子数量较高，就认定每个细胞的基因检出能力一定更强。
3. 细胞分割质量受到组织形态、细胞密度和染色质量影响。
4. 不同 RNA 探针的检测效率可能存在差异。
5. 大规模数据的处理、可视化和存储需要较高计算资源。
6. 不同 assay 版本的数据不能简单按照总基因数进行横向比较。

Niche 分析评价

精细细胞邻域分析的优势平台 CosMx 的优势在于同时具备细胞定位、表达检测和形态学信息。

尤其在以下问题上有较好的应用价值：

• 免疫细胞与肿瘤细胞之间的空间关系。
• 细胞接触与局部通讯分析。
• 免疫抑制型 Niche。
• 不同巨噬细胞状态的空间分布。
• RNA 与蛋白联合分析。
• 肿瘤组织内不同细胞群的微环境差异。

对于 RNA–蛋白联合分析，需要注意蛋白检测面板和 RNA 检测面板并不相同，不能直接将蛋白结果当作完整的转录组信息。

6. Atera：全转录组与细胞级空间分析结合，具有较大潜力，但需要独立性能验证

技术特点

Atera 应当与 Xenium 5K 区分开来。

按照全探针路线，它的核心价值在于将较广泛的全转录组检测与细胞级空间定位结合起来，而不是仅仅检测预先选择的有限基因集合。

这意味着它在理论上能够同时满足两个需求：

• 发现新的细胞状态和未知疾病相关基因。
• 将这些基因表达信息放回具体细胞和组织微环境中。

优势

1. 全转录组覆盖思路，有利于发现未知细胞亚群。
2. 能够结合细胞分割结果建立细胞级表达矩阵。
3. 可以利用空间坐标构建细胞邻域。
4. 可以分析邻近细胞的基因表达及功能状态。
5. 理论上更适合探索尚未明确标志基因的细胞亚群。
6. 能够将细胞类型识别、细胞状态识别和空间 Niche 研究结合起来。

短板与需要验证的地方

Atera 最大的价值是全转录组空间检测潜力，但不能因此直接认定它在所有指标上优于 Xenium、CosMx 或 Visium HD。

需要重点验证：

1. 实际检测灵敏度：设计覆盖的基因数量，不等于每个细胞实际检出的基因数量。
2. Median genes/cell：需要观察不同组织和细胞类型的实际检出情况。
3. 低表达基因检出：特别是细胞因子、趋化因子、配体和受体。
4. 细胞分割准确性：尤其是细胞密集、边界不清晰的组织。
5. RNA 归属准确性：需要明确转录本分配到细胞的可靠程度。
6. 软件和分析生态：是否能方便导出原始表达矩阵、细胞坐标、转录本坐标和分割结果，直接影响下游分析自由度。
7. 第三方验证：需要同组织、同样本或相邻切片的对照数据，避免仅依据厂商提供的性能参数判断。

Niche 分析评价

全转录组细胞级 Niche 的潜力路线 如果实际数据同时具有较好的单细胞表达灵敏度、分割质量和空间坐标，那么 Atera 对于复杂细胞微环境研究会具有很大吸引力。

特别是：

• 未知细胞亚群发现。
• 巨噬细胞、成纤维细胞等复杂亚群识别。
• 细胞状态与局部微环境联合聚类。
• 细胞邻域依赖的功能状态分析。
• 全转录组范围的配体–受体候选筛选。

但目前不建议仅凭技术路线就给 Atera 一个已经全面超过其他平台的结论。尤其是它的细胞级灵敏度和不同组织中的实际表现，需要更多公开、独立的横向数据支持。

四、六大平台细胞 Niche 分析能力汇总

四、如果真正开展细胞 Niche 分析，应该使用哪些方法？

1. 细胞邻域构建

主要解决：谁是目标细胞的邻居？

常用策略：

建议是：最好同时使用 Radius 和 KNN。

因为两者代表不同的生物学概念：

• Radius：固定物理距离内的微环境。
• KNN：固定邻居数量下的局部细胞生态。

例如，肿瘤边缘细胞密度低，肿瘤内部细胞密度高。如果仅使用 KNN，两个区域的实际邻域半径可能差别很大。

2. 细胞邻域组成分析

建议构建细胞邻域组成矩阵：

实际分析时可以将比例、细胞密度和距离分布分别计算，而不是只保留一个细胞数量。

可以使用：

• Squidpy：邻域图、空间共现、邻域富集。
• Giotto：空间细胞邻域及组织结构分析。
• Seurat：空间表达和细胞注释整合。
• Milo：如果要分析不同条件下局部细胞状态的丰度变化，可借鉴其邻域差异丰度思路，但需要适配空间数据设计。

3. 依据细胞状态划分 Niche

传统 Niche 分析通常只考虑细胞组成：

例如：

• CD8 T cell-rich niche。
• Macrophage-rich niche。
• Fibroblast-rich niche。 但这些分类有一个问题：

相同的细胞组成，不一定意味着相同的微环境功能。

例如两个肿瘤区域都有大量巨噬细胞：

• 区域 A：巨噬细胞主要表达 IL1B、TNF。
• 区域 B：巨噬细胞主要表达 SPP1、APOE。 虽然细胞组成相似，但两种 Niche 的生物学功能可能完全不同。

因此，建议引入细胞表达状态：

• Cell type：细胞类型。
• Cell state：细胞状态。
• Neighborhood composition：邻域组成。
• Neighborhood expression：邻域表达特征。 这里可以重点考虑 BANKSY。

BANKSY 的一个重要特点，是将细胞自身的表达特征与邻域表达特征结合起来，在同一分析框架中进行细胞类型和组织空间域识别。其研究已经展示了空间微环境依赖的细胞状态。

这也是将传统细胞亚群分析与空间 Niche 分析联系起来的一个很好的思路。

生活很好，有你更好。