Serval：用于解码基于成像的空间转录组数据的模块化框架
Serval: a modular framework for decoding imaging based spatial transcriptomics data.
一句话提出模块化解码框架 Serval 及 CoSiD 算法，支持跨平台基准评测并提高转录本检出。
研究问题
数据与样本
分析流程
- 1构建模块化框架：将关键解码阶段拆分为可独立配置的模块，支持替换和整合不同算法。
- 2开发解码算法：构建 CoSiD，通过优化与已知条形码的余弦相似度提高转录本检出。
- 3开展基准评测：在合成和真实 MERFISH 数据上比较 CoSiD 与基线方法的转录本检出及其与表达参考数据的相关性。
- 4验证跨平台适用性：将框架扩展到 DART-FISH，评估转录本检出、聚类稳定性及复杂生物结构注释。
关键方法与工具
- Serval
- 模块化解码与基准评测
- CoSiD
- 基于余弦相似度解码
- MERFISH
- 提供解码评测数据
- DART-FISH
- 跨平台验证
设计思路
主要发现
- Serval 将关键解码阶段拆分为可独立配置模块，支持整合替代算法及跨平台基准评测。
- 在合成及真实 MERFISH 数据上，CoSiD 相比现有方法获得更高的转录本检出水平及与表达参考数据的相关性。
- 在 DART-FISH 数据上，CoSiD 改善了转录本检出和聚类稳定性，并支持更直接地注释人类初级运动皮层等复杂生物结构。
可借鉴之处
- 比较解码算法时，可借鉴本文将关键阶段模块化的做法，在统一框架内替换算法开展评测。
- 评价空间转录组解码质量时，可同时考察转录本检出、表达参考相关性以及下游聚类和注释表现，而不只关注检出数量。
- 方法验证可借鉴“合成数据、真实数据、另一技术平台”的层次设计，检验算法在不同数据条件下的表现。
数据与代码
摘要（中文翻译）
研究动机：基于成像的空间转录组技术为研究完整组织内的细胞组织结构和基因表达开辟了新途径。然而，下游分析的准确性至关重要地取决于解码步骤，该步骤从荧光模式重建条形码，并将其映射至基因身份。尽管解码方法日益增多，系统性基准评测仍然有限。
结果：在此，我们提出 Serval，这是一个用于在多种空间转录组平台上开发和基准评测解码方法的模块化框架。Serval 将关键解码阶段拆分为可独立配置的模块，从而能够灵活整合替代算法。利用这一框架，我们开发了 CoSiD（Cosine Similarity Decoder），这是一种通过优化与已知条形码的余弦相似度来提高转录本检出的新方法。我们在合成及真实 MERFISH 数据集上评估了 CoSiD 和基线方法，结果显示，与现有方法相比，CoSiD 的转录本检出水平更高，与表达参考数据的相关性也更高。此外，我们证明 Serval 框架可推广至 MERFISH 之外的平台。通过扩展至 DART-FISH 平台，我们发现 CoSiD 提高了转录本检出水平和聚类稳定性，并支持对人类初级运动皮层等复杂生物结构进行更直接的注释。这些结果表明，模块化解码框架有助于开展稳健、不依赖特定平台的基准评测，最终支持对多种生物样本开展更准确的空间转录组分析。
可得性：Serval 和 CoSiD 均为开源软件，可通过 https://github.com/Roth-Lab/serval 公开获取。模拟与分析流程的代码可从数据可得性章节所述的代码仓库获取。
英文原文摘要
Motivation:Imaging-based spatial transcriptomics technologies have opened new avenues for studying cellular organization and gene expression within intact tissues. However, the accuracy of downstream analyses depends critically on the decoding step that reconstructs barcodes from fluorescence patterns and maps them to gene identities. Despite a growing number of decoding methods, systematic benchmarking has been limited.
Results:Here, we introduce Serval, a modular framework for developing and benchmarking decoding methods across diverse spatial transcriptomics platforms. Serval separates key decoding stages into independently configurable modules, enabling flexible integration of alternative algorithms. Using this framework, we develop CoSiD (Cosine Similarity Decoder), a novel method that improves transcript recovery by optimizing cosine similarity to known barcodes. We evaluate CoSiD and baseline methods on synthetic and real MERFISH datasets, showing that CoSiD achieves higher transcript recovery and superior correlation with expression references compared to existing methods. Furthermore, we demonstrate that the Serval framework generalizes beyond MERFISH. By extending to the DART-FISH platform, we show that CoSiD improves transcript recovery, clustering stability and supports more direct annotation of complex biological structures such as the human primary motor cortex. These results establish that modular decoding frameworks facilitate robust, platform-agnostic benchmarking, ultimately supporting more accurate spatial transcriptomics analysis across diverse biological samples.
Availability:Serval and CoSiD are open source and publicly available at https://github.com/Roth-Lab/serval. Code for the simulation and analysis pipelines is available from the repositories described in the Data Availability section.
摘要来自 PubMed。翻译与解读由模型根据摘要生成，可能有误，不构成诊疗建议；数据以原文为准，版权归原出版方所有。