首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >xenium 5k路线之争--单细胞分亚群注释空间还是依据微环境区分空间亚型?

xenium 5k路线之争--单细胞分亚群注释空间还是依据微环境区分空间亚型?

原创
作者头像
追风少年i
发布于 2026-11-19 11:26:25
发布于 2026-11-19 11:26:25
330
举报

作者,Evil Genius

找工作挨打中。。。。

今天不一样,太原这边劳动仲裁的人太多了,今日去仲裁委解决,见到了老板,也基本上了解了公司的来龙去脉。

之前公司请了美国的几位专家(都是中国人),一共5位,没来过公司一天,就是早上9点开半个小时的会议,这五位年薪加起来上千万,但是不干任何事,两年共拿走了公司2000多万,躺着把钱拿走了。老板硬要装,把自己装进去了。

老板们都很贼啊,公司法人找的其他人,太原公司这边的法人是一个60多岁的退休人员,阳泉总公司的法人之前就是个老赖,看来一开始就没打算好好干啊。

愿大家工作上不要经历这些,好了,不说了,进入正题。

虽然没工作在挨打,但是手上还是有项目,做xenium 5k的也是越来越多了,手上有数据该怎么设计思路,进行数据分析,还是需要好好研究研究的。

今天我们要回顾一个点,那就是xenium 5k的分析,到底是应该单细胞定义好亚群联合分析到空间上,然后分析亚群的微环境;还是应该依据细胞微环境细胞组成的不同,区分亚型,然后进行更深入的分析。

之前分享过很多,包括文章和思路,文章目前看到了2篇做空间亚型,属于是方法学增量,这一篇我们来复习一下,说起来很简单,但是做起来不太容易。

共有的地方是大类的注释,就是亚群分析存在差异。

路线一是表达驱动的细胞亚群注释(Expression-driven subpopulation annotation);路线二是空间微环境驱动的细胞亚群注释(Microenvironment-driven subpopulation annotation)。

路线一回答:不同表达状态的细胞,分别处于什么样的空间环境?

路线二回答:同一种细胞类型,因处于不同的空间微环境,能否划分为不同的空间相关亚型?

两条路线都合理,但研究目标、亚群定义依据和最终生物学解释完全不同。

一、两条路线的准确流程

路线一:先定义细胞亚群,再进行单细胞-空间联合

例如,先通过scRNA-seq将CD8 T细胞分为:

  • Naive CD8 T
  • Cytotoxic CD8 T
  • Exhausted CD8 T
  • Proliferating CD8 T

然后联合到Xenium,分析每种亚群:

  • 周围肿瘤细胞的比例。
  • 周围CAF、巨噬细胞、DC的比例。
  • 与肿瘤细胞的最近距离。
  • 与Treg、TAM的共定位情况。
  • 不同亚群的空间分布区域。

本质:亚群是预先定义的,空间信息用于解释亚群所处的环境。

路线二:先定义大类,再根据空间微环境组成划分亚群

这里有一个关键变化:

不再要求CD8 T细胞必须先具有不同的基因表达特征,才可以被划分为不同亚型。

即使两个CD8 T细胞自身表达谱非常接近,只要其周围的细胞组成具有稳定且显著的差异,也可以将其定义为不同的空间相关亚型。

例如:

CD8细胞亚型

周围主要细胞

亚型定义依据

CD8-Niche A

肿瘤细胞

肿瘤细胞富集

CD8-Niche B

CAF、巨噬细胞

基质相关微环境

CD8-Niche C

DC、B细胞、T细胞

免疫细胞富集

CD8-Niche D

正常组织细胞

正常组织相关微环境

本质:亚群不是预先定义的,而是利用空间信息重新划分的。

路线二得到的是空间相关亚型,不应未经表达验证就直接命名为细胞功能亚群。

二、两条路线最核心的差异

比较维度

路线一:单细胞先定义亚群

路线二:空间微环境定义亚群

初始注释

细胞亚群

细胞大类

亚群定义依据

基因表达特征

邻近细胞组成

亚群划分时间

空间联合之前

空间联合之后

空间信息的作用

定位和解释亚群

直接参与亚群划分

亚群的生物学含义

不同转录状态

不同空间生态环境

是否能区分表达相近的细胞

主要依赖表达差异

可以依靠微环境差异

是否能反映微环境异质性

间接

直接

是否能识别同一细胞类型的空间异质性

可以分析,但不参与初始定义

是核心目标

主要研究问题

不同亚群处于什么环境

不同环境中的同类细胞有何区别

主要局限

可能忽略空间环境造成的异质性

可能把空间位置差异误认为细胞亚群差异

路线一:从细胞出发,向空间延伸

先知道细胞是什么,再研究它在哪里、周围有什么。

路线二:从空间出发,重新认识细胞

先知道细胞属于哪个大类,再根据它所处的环境,重新划分空间相关亚型。

三、两条路线各自最容易发现什么?

用同一个CD8 T细胞作为例子。

1. 路线一更容易发现:同一空间区域内,不同细胞状态的差异

假设单细胞参考数据已经定义了:

  • CD8 Naive
  • CD8 Cytotoxic
  • CD8 Exhausted

映射到Xenium后,可能发现:

在同一个肿瘤区域内:

  • CD8 Cytotoxic和CD8 Exhausted可能同时存在。
  • CD8 Exhausted更接近某些肿瘤区域。
  • CD8 Cytotoxic与DC的空间邻近程度更高。

这条路线的优势是可以比较明确地回答:

不同转录状态的CD8 T细胞,是否具有不同的空间分布和微环境偏好?

它尤其适合研究:

  • 细胞分化状态。
  • 细胞活化与耗竭。
  • 免疫细胞功能异质性。
  • 已知细胞亚群的空间定位。

2. 路线二更容易发现:相同细胞类型在不同微环境中的异质性

假设最初只把细胞注释为CD8 T细胞,不再预先划分Naive、Cytotoxic和Exhausted。

然后依据邻域细胞组成,将CD8 T细胞划分为:

  • Tumor-associated CD8
  • CAF-associated CD8
  • Immune-enriched CD8

接下来再反过来分析这些亚型自身的基因表达。

这条路线真正想回答的是:

同一种细胞类型,处于不同空间微环境时,是否呈现不同的转录功能状态?

它尤其适合研究:

  • 肿瘤免疫微环境异质性。
  • 基质相关免疫抑制。
  • 细胞与微环境之间的关联。
  • 特定空间生态位中的细胞功能差异。

需要注意,路线二得到的不同空间亚型不一定对应不同的细胞分化状态。它们可能只是同一种细胞处于不同组织环境中的表现。

四、路线二是否真的比路线一更有优势?

我认为路线二有一个路线一难以直接实现的优势:

它允许空间信息参与细胞亚群的定义,而不是只把空间信息当作亚群定义后的补充信息。

但是路线二也有三个非常实际的问题。

问题1:空间微环境差异不一定代表细胞本身存在差异

例如:

两个CD8 T细胞:

  • 一个位于肿瘤边缘。
  • 一个位于肿瘤内部。

由于周围细胞组成不同,它们被划分为两个空间亚型。

但是,它们自身的基因表达可能完全相似。

这种情况下,可以认为它们具有不同的空间生态位,但不能直接认为它们具有不同的细胞功能。

所以路线二后面必须增加表达验证:

  • 差异基因分析。
  • 功能评分。
  • 通路富集。
  • 转录状态比较。

如果没有这些证据,最终结果只是空间环境分型。

问题2:空间邻域聚类可能只是组织区域聚类

例如,肿瘤边缘CAF较多,肿瘤中心肿瘤细胞较多。

那么CD8细胞根据邻域组成聚类,很可能只是把肿瘤边缘和肿瘤中心区分开。

这并不一定发现了新的生物学亚型。

因此需要进一步验证:

  • 不同Niche是否在多个患者中重复出现?
  • 是否超越简单的肿瘤核心区、边缘区差异?
  • 控制局部细胞密度后,Niche是否仍然稳定?
  • 更换20、50、100 μm邻域范围后,结果是否具有一致性?

问题3:空间亚型可能受到初始细胞注释准确性的影响

路线二虽然只需要先定义大类,但如果CD8 T细胞中混入了NK细胞或者其他T细胞,邻域聚类就可能受到影响。

因此,初始大类注释仍然非常重要。

五、更推荐的实际研究策略

如果是我来设计Xenium 5K的分析体系,我会这样安排:

推荐:两条路线并行,而不是相互替代

共同基础

scRNA-seq + Xenium 5K联合注释

完成细胞大类注释,确保细胞身份可靠。

路线一

细胞大类 → 单细胞亚群 → 空间映射 → 微环境分析

研究转录亚群的空间分布和微环境偏好

路线二

细胞大类 → 空间邻域 → 微环境聚类 → 空间相关亚型

研究相同细胞类型的空间异质性

最终联合分析

转录亚群 × 空间相关亚型

研究不同转录状态在不同微环境中的分布,以及相同空间亚型内部是否存在不同转录状态。

最后这一步尤其重要。

这样可以同时回答两个问题:

  1. 同一种转录亚群,在不同微环境中是否表现不同?
  2. 同一种空间微环境中,是否存在不同转录状态的细胞?

这比单独使用任意一条路线,能够提供更完整的生物学解释。

六、两条路线的最终定位

研究目的

更推荐的路线

识别细胞分化及功能状态

路线一

研究已知细胞亚群的空间定位

路线一

研究同类细胞的微环境异质性

路线二

研究微环境相关的细胞状态差异

路线二

建立空间相关细胞亚型

路线二

研究细胞状态与空间环境的交互关系

两者结合

我的最终判断:

如果只是做常规Xenium 5K注释,路线一更加稳妥,因为5K靶向面板对细胞内在亚群的独立解析能力受到基因覆盖限制,利用全转录组scRNA-seq参考进行亚群映射具有实际优势。

但如果想开发一套区别于常规单细胞注释的空间分析方法,我认为路线二值得重点研究。

它不是简单地分析某个亚群周围有什么细胞,而是让空间微环境直接参与亚型的定义。

不过,路线二得到的结果严格称为 Spatially defined cell subtypes(空间定义的细胞亚型),再通过表达分析判断它们是否同时具有不同的内在功能状态。

最值得进一步探索的研究方向是:能否利用空间邻域组成识别传统scRNA-seq亚群注释无法识别的细胞异质性,并通过Xenium自身的表达数据验证这些空间亚型是否具有独立的转录特征。 这才是路线二相对于路线一真正可能产生方法学增量的地方。

生活很好,有你更好。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 作者,Evil Genius
  • 找工作挨打中。。。。
  • 今天不一样,太原这边劳动仲裁的人太多了,今日去仲裁委解决,见到了老板,也基本上了解了公司的来龙去脉。
  • 之前公司请了美国的几位专家(都是中国人),一共5位,没来过公司一天,就是早上9点开半个小时的会议,这五位年薪加起来上千万,但是不干任何事,两年共拿走了公司2000多万,躺着把钱拿走了。老板硬要装,把自己装进去了。
  • 老板们都很贼啊,公司法人找的其他人,太原公司这边的法人是一个60多岁的退休人员,阳泉总公司的法人之前就是个老赖,看来一开始就没打算好好干啊。
  • 愿大家工作上不要经历这些,好了,不说了,进入正题。
  • 虽然没工作在挨打,但是手上还是有项目,做xenium 5k的也是越来越多了,手上有数据该怎么设计思路,进行数据分析,还是需要好好研究研究的。
  • 今天我们要回顾一个点,那就是xenium 5k的分析,到底是应该单细胞定义好亚群联合分析到空间上,然后分析亚群的微环境;还是应该依据细胞微环境细胞组成的不同,区分亚型,然后进行更深入的分析。
  • 之前分享过很多,包括文章和思路,文章目前看到了2篇做空间亚型,属于是方法学增量,这一篇我们来复习一下,说起来很简单,但是做起来不太容易。
  • 共有的地方是大类的注释,就是亚群分析存在差异。
  • 路线一回答:不同表达状态的细胞,分别处于什么样的空间环境?
  • 路线二回答:同一种细胞类型,因处于不同的空间微环境,能否划分为不同的空间相关亚型?
  • 两条路线都合理,但研究目标、亚群定义依据和最终生物学解释完全不同。
  • 一、两条路线的准确流程
    • 路线一:先定义细胞亚群,再进行单细胞-空间联合
    • 例如,先通过scRNA-seq将CD8 T细胞分为:
    • 然后联合到Xenium,分析每种亚群:
    • 路线二:先定义大类,再根据空间微环境组成划分亚群
    • 这里有一个关键变化:
    • 不再要求CD8 T细胞必须先具有不同的基因表达特征,才可以被划分为不同亚型。
    • 即使两个CD8 T细胞自身表达谱非常接近,只要其周围的细胞组成具有稳定且显著的差异,也可以将其定义为不同的空间相关亚型。
  • 二、两条路线最核心的差异
  • 三、两条路线各自最容易发现什么?
    • 1. 路线一更容易发现:同一空间区域内,不同细胞状态的差异
    • 这条路线的优势是可以比较明确地回答:
    • 它尤其适合研究:
    • 2. 路线二更容易发现:相同细胞类型在不同微环境中的异质性
    • 它尤其适合研究:
  • 四、路线二是否真的比路线一更有优势?
    • 问题1:空间微环境差异不一定代表细胞本身存在差异
    • 所以路线二后面必须增加表达验证:
    • 如果没有这些证据,最终结果只是空间环境分型。
    • 问题2:空间邻域聚类可能只是组织区域聚类
    • 这并不一定发现了新的生物学亚型。
    • 问题3:空间亚型可能受到初始细胞注释准确性的影响
  • 五、更推荐的实际研究策略
  • 推荐:两条路线并行,而不是相互替代
  • 六、两条路线的最终定位
    • 如果只是做常规Xenium 5K注释,路线一更加稳妥,因为5K靶向面板对细胞内在亚群的独立解析能力受到基因覆盖限制,利用全转录组scRNA-seq参考进行亚群映射具有实际优势。
    • 但如果想开发一套区别于常规单细胞注释的空间分析方法,我认为路线二值得重点研究。
    • 它不是简单地分析某个亚群周围有什么细胞,而是让空间微环境直接参与亚型的定义。
    • 生活很好,有你更好。
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档