作者，Evil Genius

我们马上就要开始培训单细胞空间相关的内容了，课表我已经初步做好，中间我再斟酌一下，过一两天发布，25节课上下。

初步预计2节课讲单细胞（单细胞我们就聊聊核心的分析思路以及大家分析中常见的错误）、8节课讲visium（Stereo-seq bin > 50）、7节课讲HD（Stereo-seq bin < 50）、7节课讲高精度平台（Xenium、CosMx、IMC等）、2-3节课聊聊CODEX（空间蛋白组），正常的话，我们6月21号开始上第一课。

课程很近了，我需要把手上所有的资料，脚本，文献等进行详细的整理以供上课使用，课程上完都要发给学员的，不管怎么说，我自己先全部整理好。

今天我们需要更新一下关于HD细胞分割的内容。

其实对于空间转录组来讲，最核心的目标是：以单细胞分辨率描述体内所有细胞类型的分子特征。

然而，如果不考虑细胞在其微环境中的存在方式，就无法完全理解细胞的功能。

目前高精度技术平台细胞分割的现实挑战：检测到的基因表达与覆盖其上的细胞之间不存在天然对应关系。许多spots并未与细胞对齐，因此不包含或仅含极少转录本。其次，单个细胞的转录本可能分散在多个相邻spot上；反之，单个spot也可能包含来自多个相邻细胞的转录本。现有的高分辨率分割算法通常基于一个前提假设：每个spot仅包含单个细胞的mRNA。

那么实际中spatial HD的细胞分割策略应该是如何的？（Stardist）

目前HD数据分析仍然处于早期的开发阶段，很多内容需要我们摸索，当然了，不成熟就代表了有很多机会。

核心的思路总结就是：将图像分为多个部分。loop表示每个segment的大小。将segmentation循环处理为loop，一次处理一个segmentation，每个相邻segmentation之间留有重叠的间隔大小，以便于校正。

我们来借助tiff图片的力量实现一下。

首先将tiff图片转化成数据文件（即图像格式转变成矩阵格式，一般都很大，需要的时间也比较长）

import tifffile
import numpy as np

image = tifffile.imread('HD.tif')
np.save(''image_to_segmentation.npy', image)
###linux命令  gzip image_to_segmentation.npy

再来分析我们自己的数据