跳到正文
方法与工具Bioinformatics · 新工具开发与基准评测

STiLE：用于空间转录组学的自动化组织微阵列拆分工具

STiLE: automated tissue microarray dearraying for spatial transcriptomics.

一句话提出仅依赖细胞质心坐标的STiLE，自动将空间转录组组织微阵列中的细胞分配至各组织芯。

研究问题

能否不依赖组织学图像，仅利用细胞质心坐标，将空间转录组组织微阵列中的细胞自动分配至各自的组织芯，并在不同平台及含伪影的数据中保持稳健表现？

数据与样本

验证使用7个公开TMA样本，涉及50-150个组织芯及3个平台；公共数据来自Wang等人的研究，编号为10.5281/zenodo.16847475。系统基准评测使用396个含真实感伪影的合成数据集；本研究未生成新的实验数据。

分析流程

  1. 1输入坐标：读取AnnData或CSV等标准格式中的细胞质心坐标，不依赖组织学图像。
  2. 2检测分量并聚类：结合基于连通性的分量检测与HDBSCAN密度聚类识别细胞空间分组。
  3. 3合并与拆分处理：执行分量引导的聚类合并，并可选用基于网格的峰值检测完成组织芯划分。
  4. 4公开样本验证：在来自3个平台的7个公开TMA样本上，以ARI评价拆分表现。
  5. 5合成数据评测：在396个含真实感伪影的合成数据集上系统评估算法稳健性。
  6. 6交互式检查：通过Streamlit界面调节参数、可视化检查结果，并对大型载玻片进行区域化处理。

关键方法与工具

STiLE
自动分配细胞至组织芯
HDBSCAN
基于密度的细胞聚类
Streamlit
交互调参与可视化检查
ARI
评价阵列拆分表现

设计思路

以细胞质心坐标替代组织学图像作为输入，从设计上避免对染色质量和照明条件的依赖。通过跨3个平台的公开TMA样本检验实际应用表现，再用含真实感伪影的396个合成数据集系统检验稳健性。

主要发现

  • 在7个公开TMA样本（50-150个组织芯、3个平台）上，STiLE达到ARI > 0.99。
  • 在396个含真实感伪影的合成数据集上，平均ARI = 0.992，表现持续稳健。
  • STiLE仅需细胞质心坐标，接受AnnData和CSV格式，支持Vizgen MERSCOPE、10× Xenium和NanoString CosMx等平台。
  • Streamlit界面支持参数调节、可视化检查及大型载玻片的区域化处理。

可借鉴之处

  • 开展空间转录组组织微阵列研究时，可借鉴其仅以细胞坐标完成组织芯分配的思路，减少对组织学图像质量的依赖。
  • 评估自动化分析工具时，可借鉴“跨平台真实样本验证＋含真实感伪影的合成数据基准评测”，分别检查实际适用性与稳健性。
  • 处理大型载玻片时，可借鉴其区域化处理与交互式可视化检查的结合方式，支持结果核查和参数调整。

数据与代码

STiLE软件包见https://pypi.org/project/stile，源代码见https://github.com/Huang-AI4Medicine-Lab/stile；公开验证数据见Zenodo（10.5281/zenodo.16847475），模拟TMA数据及所有公开数据集的STiLE生成组织芯注释见Zenodo（10.5281/zenodo.18880122）。

局限

  • 真实样本验证基于7个公开TMA样本，未生成新的实验数据。

摘要（中文翻译）

概要：组织微阵列（TMAs）可在单张载玻片上对数十个组织芯进行高通量空间转录组分析。然而，现有阵列拆分方法基于组织学图像运行，不支持空间转录组平台输出的坐标数据。因此，将细胞分配至其所属组织芯的任务（阵列拆分）仍是依赖人工操作的瓶颈。我们提出STiLE，这是一款仅基于细胞质心坐标运行的自动化TMA拆分工具。通过消除对图像数据的依赖，STiLE对染色质量变化和照明不均等伪影具有稳健性。该算法结合基于连通性的分量检测、基于密度的聚类（HDBSCAN）、分量引导的聚类合并，以及可选的基于网格的峰值检测。在7个公开TMA样本（50-150个组织芯、3个平台）上的验证取得ARI > 0.99；对396个含真实感伪影的合成数据集进行系统基准评测，也显示出一致的稳健表现（平均ARI = 0.992）。STiLE接受标准格式（AnnData、CSV），且不依赖特定平台，支持Vizgen MERSCOPE、10× Xenium和NanoString CosMx等多种平台。交互式Streamlit界面支持参数调节、可视化检查，以及针对大型载玻片的区域化处理。

可得性与实现：https://pypi.org/project/stile；源代码位于https://github.com/Huang-AI4Medicine-Lab/stile。

英文原文摘要

Summary:Tissue microarrays (TMAs) enable high-throughput spatial transcriptomic profiling of dozens of tissue cores on a single slide. However, existing dearraying methods operate on histological images and do not support the coordinate-based outputs of spatial transcriptomics platforms. Therefore, task of assigning cells to their respective cores (dearraying) remains a manual bottleneck. We present STiLE, a tool for automated TMA dearraying that operates solely on cell centroid coordinates. By eliminating dependence on image data, STiLE is robust to artefacts such as variable staining quality and uneven illumination. The algorithm combines connectivity-based component detection, density-based clustering (HDBSCAN), component-guided cluster merging, and optional grid-based peak detection. Validation on seven public TMA samples (50-150 cores, three platforms) achieved ARI > 0.99, while systematic benchmarking on 396 synthetic datasets with realistic artefacts demonstrated consistently robust performance (mean ARI = 0.992). STiLE accepts standard formats (AnnData, CSV) and is platform-agnostic, supporting diverse platforms including Vizgen MERSCOPE, 10× Xenium, and NanoString CosMx. An interactive Streamlit interface enables parameter tuning, visual inspection, and region-based processing for large slides.

Availability and implementation: https://pypi.org/project/stile; source at https://github.com/Huang-AI4Medicine-Lab/stile.

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。