基于原位测序或多重RNA荧光杂交的单分子空间转录组学方案可以揭示详细的组织结构。然而，在这些数据中区分单个细胞的边界是具有挑战性的，并可能会阻碍下游分析。目前的方法通常使用细胞核染色法来近似确定细胞位置。基于此，来自美国的研究团队开发了一种分割方法：Baysor。其可以仅使用分子位置数据或结合辅助染色的证据进行分割，从而提高分割质量，增加细胞和分割分子的数量。相关研究结果已在《Nature Biotechnology》发表。
Baysor是什么？
空间转录组学中的许多分析都可以被表述为标签分配问题。例如，细胞分割是将细胞标签分配给观察到的分子。细胞间背景的分离是一个将分子标记为“信号”与“背景”的问题。这些问题的显著特点是，标签往往表现出强烈的空间聚集性。从数学角度来看，这种空间聚类趋势可以在简单的细分图上使用马尔可夫随机场（MRF）预设来捕捉，不同的标签问题可以通过选择适当的标签概率模型和可观察数据来解决。
Baysor是一个基于MRF分割思想的算法，其考虑到转录组成和细胞形态的联合可能性，优化了二维（2D）或三维（3D）细胞的边界。其不仅考虑到基于共染的分割，也可以单独根据检测到的转录物进行分割。
Baysor可用于分析来自各种实验方案的数据（如上图），并且可以单独使用分子位置或通过合并附加信息进行细胞分割。该方法将每个细胞建模为一个分布，结合每个分子的空间位置和基因特性。因此，整个数据集被视为此类细胞特定分布的混合。然后，Baysor使用贝叶斯混合模型 (BMM) 来分离混合物。优化依赖于MRF先验预测以确保细胞的空间可分离性并编码有关分子空间关系的附加信息
Baysor的性能评估
为了评估性能，研究人员扩展了MERFISH，用于纳入细胞边界的免疫染色。使用这个和其他基准，研究表明Baysor分割在某些情况下可以比现有工具多出近一倍的细胞数量，同时减少分割的伪影。同时，研究人员还证明了Baysor在使用五种不同方案获得的数据上表现良好，使其成为分析基于成像的空间转录组学的有力通用工具。
Baysor和其他分割方法在使用五种不同方案产生数据集上的表现：在检查汇总统计数据时，发现Baysor报告的细胞包含的分子数量和面积与最初发表的（"论文"）分割结果大致相同；与其他分割方法相比，Baysor报告了更多的细胞数量和更高的分子比例。
研究人员开发了将泛细胞型细胞表面标记物Na+/K+-ATPase的免疫荧光(IF)与MERFISH结合的方案，并在小鼠小肠中使用这种方案以提供具有定义细胞边界的额外基准数据集。该模型数据集为将Baysor扩展到致密和复杂的组织类型提供了有利的设置。研究团队量化了Baysor分割以及其他方法的分割与IF膜信号一致的程度，总体而言Baysor优于其他方法。
Baysor的核心依赖于基于MRF的通用方法，该方法可用于解决空间数据上的其他标记问题，如背景分子分离或聚类。尽管Baysor算法在大多数已发表的方案中表现良好，但仍可引入一些潜在的改进，如改进细胞形状的建模。通过扩展分层贝叶斯模型以引入细胞类型的形状和组成特征，最好是纳入细胞类型特定的转录物分隔结构的明确模型，可以获得进一步的改进。
辅助染色在解决疑难案件中非常有价值。因此，最佳分割可能依赖于转录成分信号和来自辅助染色剂信息的组合。由于Baysor可以利用不确定的先验预测，概率性的辅助图像分割方法将在这方面提供一个优势。
Baysor软件包可通过Github获取：https://github.com/kharchenkolab/Baysor
重现结果的代码见如下链接：
https://github.com/kharchenkolab/ BaysorAnalysis/
MERFISH探针设计和分析软件可在如下链接获取：
https://github.com/ZhuangLab/ MERFISH_analysis
首发公号：国家基因库大数据平台
参考文献
Petukhov V, Xu R J, Soldatov R A, et al. Cell segmentation in imaging-based spatial transcriptomics[J]. Nature Biotechnology, 2021: 1-10.
图片来源于Nature Biotechnology官网和参考文献，如有侵权请联系删除。
