摘要：想象一下，如果你是一位地图绘制师，你的任务是描绘一片广袤而神秘的新大陆。然而，你手中唯一的工具，是一架视野极其狭窄的望远镜。你只能透过它，一次观察一小块区域。你或许能看到一座雄伟的山峰，或是一片宁静的湖泊，但你很难将这些零散的景象拼接成一幅完整的、能揭示大陆全
想象一下，如果你是一位地图绘制师，你的任务是描绘一片广袤而神秘的新大陆。然而，你手中唯一的工具，是一架视野极其狭窄的望远镜。你只能透过它，一次观察一小块区域。你或许能看到一座雄伟的山峰，或是一片宁静的湖泊，但你很难将这些零散的景象拼接成一幅完整的、能揭示大陆全貌的宏伟地图。
长久以来，研究人员在探索组织和器官的微观世界时，就面临着类似的“钥匙孔困境 (keyhole problem)”。我们渴望理解一个肿瘤的完整结构，或是一个大脑病灶的全貌，但我们的技术手段，就像那架视野狭窄的望远镜。
空间转录组学 (Spatial Transcriptomics, ST) 技术的诞生，无疑是这个领域的一场革命。它让我们第一次能够在保留组织空间位置信息的前提下，读取其中成千上万个基因的表达信息。这就像是为生命地图添加了“居民信息”，我们不仅知道城市里有哪些建筑（细胞类型），还知道每个建筑里住着谁（基因表达）。然而，即便是最先进的商业化空间转录组学平台，其组织捕获区域 (capture area) 也非常有限，通常只有几毫米见方。对于人类的许多组织样本，比如一个完整的肿瘤切片，或是一个多发性硬化症 (Multiple Sclerosis, MS) 患者脑内的复杂病灶，这个尺寸远远不够。研究人员被迫“管中窥豹”，从一个巨大的、异质性的组织中选取一小块区域进行分析，这其中蕴含的取样偏见和信息丢失的风险不言而喻。
我们是否注定只能进行这样“盲人摸象”式的探索？有没有一种方法，能够打破“钥匙孔”的限制，让我们获得一张覆盖整个组织的、细胞级别的基因表达全景图？
9月15日，《Nature Methods》的研究报道“Scaling up spatial transcriptomics for large-sized tissues: uncovering cellular-level tissue architecture beyond conventional platforms with iSCALE”，研究人员开发了一种名为 iSCALE的创新计算框架，它巧妙地融合了传统的组织病理学图像和有限的空间转录组学数据，成功地将我们从“钥匙孔”后的窥探者，转变为手握高清全景地图的领航员。这不仅是一次技术的突破，更是一次视野的解放，它将彻底改变我们理解大型复杂组织和疾病的方式。
要理解 iSCALE的核心思想，我们首先要回到一个看似“古老”的技术，苏木精-伊红染色 (Hematoxylin and Eosin staining, H&E)。一百多年来，H&E 染色一直是病理学家诊断疾病的“金标准”。它成本低廉，操作简便，能够清晰地展示出组织的细胞形态和基本结构，为我们提供一幅高分辨率的“形态学地图”。更重要的是，一张标准的 H&E 染色全切片图像 (whole-slide image) 可以覆盖非常大的组织区域，尺寸可达25毫米 × 75毫米，这足以容纳绝大多数临床研究中的组织样本。
这张巨大的、信息丰富的“形态学地图”（在 iSCALE的工作流程中被称为“母图像”(mother image)）成为了iSCALE施展魔法的舞台。
iSCALE的策略并非试图用空间转录组学技术直接覆盖整个大组织，那将带来难以承受的经济和时间成本。相反，它采取了一种“以点带面”的巧妙策略。研究人员首先从大块组织或其相邻的组织切片上，获取少数几个标准尺寸的空间转录组学捕获样本。这些样本就像是散落在广袤大陆上的几个高精度“信息勘探点”，它们虽然覆盖范围小，但蕴含着丰富的基因表达信息。这些小样本被称为“子捕获 (daughter captures)”。
接下来，就是 iSCALE展现其计算能力的核心环节：
第一步：精确对位——将“勘探点”放回“大地图”。由于“子捕获”通常来自不同的组织切片，它们的形状和位置各不相同。iSCALE开发了一套半自动的、有人机交互环节的对齐算法。它首先对每个“子捕获”内部的基因表达数据进行空间聚类，形成独特的“基因表达模式图”，然后引导研究人员将这些模式图与“母图像” H&E 染色图谱上的组织形态特征进行匹配，像拼图一样，将每一个“子捕获”精确地对齐到“母图像”的相应位置上。
第二步：信息融合——学习“看图说话”的本领。当所有的“子捕获”都各就其位后，iSCALE便开始从这些已知区域中学习一个至关重要的“翻译规则”：组织的形态学特征与其内在的基因表达模式之间存在着怎样的关联？为了实现这一点，iSCALE采用了一种强大的机器学习模型，深度神经网络 (deep neural network)。它首先利用视觉转换器 (Vision Transformer, ViT) 模型，以一种模仿病理学家阅片的方式，从 H&E “母图像”中分层级、多尺度地提取丰富的组织学特征。然后，神经网络模型开始学习，将这些复杂的图像特征与“子捕获”区域内真实测得的基因表达数据一一对应起来。这个过程，就好像是在训练一个AI，让它学会仅仅通过观察一张组织的“照片”，就能读懂其背后的“基因语言”。
第三步：全景预测——从已知推向未知。一旦模型掌握了这种“看图说话”的能力，真正的突破就发生了。iSCALE将这个训练好的模型应用到整张巨大的 H&E “母图像”上，包括所有那些没有被“子捕获”直接覆盖的广阔未知区域。模型会“审视”图像上的每一个微小单元（一个8微米×8微米的“超像素”(superpixel)，大小近似于一个单细胞），提取其组织学特征，然后基于已经学到的规则，预测出这个位置上成百上千个基因的表达水平。最终的输出，是一幅覆盖整个大块组织的、连续的、超高分辨率的基因表达图谱。研究人员成功地用少数几个“勘探点”的信息，点亮了整片大陆的基因表达全景。
iSCALE的研究人员设计了一系列严谨的基准测试 (benchmarking) 实验，来验证其预测的准确性。他们选择了一个理想的“考场”，一份公开的、尺寸巨大 (12毫米 × 24毫米) 的人胃癌组织样本。这份样本拥有使用 10x Xenium 技术测得的、覆盖全组织的单细胞分辨率基因表达数据，这相当于一份完美的“标准答案”。
研究人员在这个“考场”中模拟了真实的研究场景：他们假装自己只拥有从这块大组织中提取的5个小尺寸 (3.2毫米 × 3.2毫米) 的“子捕获”数据，然后使用这些有限的数据来训练iSCALE模型，并预测整个组织的基因表达。最后，他们将iSCALE的预测结果与 Xenium 测得的“标准答案”进行逐一比对。同时，他们还引入了另外两种前沿的空间转录组学分辨率增强算法，iStar和RedeHist作为参照，进行了一场“同台竞技”。
组织结构的精准还原
首先是对组织区域的分割能力。一幅准确的组织分割图谱是理解肿瘤微环境的基础。研究人员发现，iSCALE 预测的组织分割结果与病理学家的手动标注高度吻合，稳定地识别出了肿瘤 (tumor)、肿瘤浸润的基质 (tumor-infiltrated stroma)、粘膜 (mucosa) 和三级淋巴结构 (tertiary lymphoid structure, TLS) 等关键区域。相比之下，iStar和RedeHist的表现则差强人意。它们的分割结果严重依赖于用于训练的那个“子捕获”样本，这证明了iSCALE整合多个“子捕获”信息的策略的优越性，它摆脱了单一小样本带来的偏见，获得了更全局、更稳健的认知。
在两个具体的、具有重要临床意义的结构上，iSCALE的优势体现得更为淋漓尽致。一个是印戒细胞癌 (signet ring cells)的边界识别。iSCALE精确地勾勒出了印戒细胞癌区域与邻近胃粘膜的界限，与病理学家的手动标注严丝合缝。另一个是三级淋巴结构 (TLSs)的检测。TLSs 的存在通常与更强的抗肿瘤免疫反应和更好的患者预后相关。iSCALE识别出的 TLSs 与病理学家手动标注的区域高度重合，而iStar则倾向于检测到许多假阳性的 TLSs，RedeHist的检测灵敏度则非常低。
基因表达模式的定量评估
除了宏观的组织结构，iSCALE对具体基因表达水平的预测有多准？研究人员聚焦于表达变化最显著的前100个基因，从多个维度进行了定量评估。结果显示，在所有评估指标上，iSCALE 的表现都显著优于 iStar。一个值得注意的细节是，随着空间分辨率的整合（例如，在32微米×32微米的区域内计算相关性），相关性显著提高，约有50%的基因其相关系数超过了0.45。
这揭示了一个深刻的道理：对于空间生物学而言，单个点的绝对表达值固然重要，但更关键的是基因表达在空间上形成的整体“模式 (pattern)”。例如，对于基因ACTA2，尽管其在超像素水平的相关系数仅为0.27，但iSCALE预测出的空间分布图谱，与 Xenium 测得的真实图谱几乎完美重合。基准测试的结果是清晰的：iSCALE在这场严格的考试中取得了高分，它证明了自己不仅能够准确地重建大块组织的结构，还能可靠地预测其中关键基因的空间表达模式。
基准测试的成功给了研究人员巨大的信心，他们决定将 iSCALE应用于一个更具挑战性的真实世界问题，多发性硬化症 (Multiple Sclerosis, MS)的研究。MS是一种中枢神经系统的慢性炎性脱髓鞘疾病。其病理特征是在大脑和脊髓中形成大小不一、形态各异的病灶。理解病灶的细胞组成和基因表达差异，对于揭示MS的发病机制至关重要。然而，这些病灶的尺寸通常远超标准空间转录组学平台的捕获范围。
这正是 iSCALE发挥其威力的完美舞台。研究人员获取了一份来自MS患者的死后人脑组织样本，其尺寸约为22毫米 × 19毫米，包含了一个完整的慢性活动性病灶。他们遵循iSCALE的研究设计，从该组织块的相邻切片上获取了11个标准尺寸的 10x Visium “子捕获”样本。
从零散到整体的飞跃
如果仅依赖传统的空间转录组学分析，研究人员得到的只是11个互不相连的、低分辨率的“基因表达孤岛”。而 iSCALE则将这些“孤岛”联结成了一片完整的新大陆。通过整合这11个“子捕获”的数据，并在 H&E “母图像”上进行预测，iSCALE生成了一张覆盖整个418 平方毫米组织的、包含超过200万个超像素的超高分辨率基因表达图谱。基于这张图谱，iSCALE成功地对整个组织进行了连续的、无偏的分割。分割结果与病理学家的手动标注惊人地一致。
实验验证：当预测与现实交汇
计算预测的可靠性，最终需要通过独立的实验来验证。研究人员使用了免疫组化 (Immunohistochemistry, IHC)染色技术来检验iSCALE的预测。他们选择了两个关键的MS标志物：MOG (髓鞘标志物)和CD68 (活化免疫细胞标志物)。IHC的染色结果与iSCALE基于基因表达的预测完全一致。更值得一提的是，当研究人员用iStar对单个“子捕获”进行分析时，没有任何一个模型能够预测出完整的CD68 阳性边缘。只有iSCALE，通过整合所有“子捕获”的信息，才得以洞察到这一全局性的关键特征。
洞悉病灶的细胞生态
拥有了全景式的基因表达图谱后，iSCALE还能为我们揭示更深层次的生物学信息，病灶区域的细胞类型构成。分析结果描绘了一幅生动的“病灶生态图”。尤其是在那条被iSCALE标为红色的“慢性活动性病灶边缘”，这里不仅是CD68阳性细胞的聚集地，更是一个复杂的“免疫战场”，iSCALE在此识别出了大量富集的T 细胞、B 细胞以及多种不同状态的小胶质细胞亚群。这些细胞亚群在普通的 H&E 染色图像上是极难区分的，但这为理解MS病灶的持续性炎症和神经损伤机制，提供了前所未有的细胞空间分辨率的见解。
跨样本预测：迈向通用模型的一大步
iSCALE的能力甚至不止于此。研究人员进行了一项更大胆的尝试：能否用在一个样本上训练好的模型，去预测另一个全新样本的基因表达？他们将从第一个MS大脑样本 (Sample 1) 上训练好的iSCALE模型，直接应用于来自同一大脑不同区域的第二个大块样本 (Sample 2)。令人惊喜的是，即便是在没有任何来自 Sample 2 的基因表达数据作为“指导”的情况下，iSCALE 的预测结果依然非常出色。这一成功，预示着一个激动人心的未来：我们或许可以基于一部分“深度测序”的样本，建立起针对某种疾病的高精度iSCALE预测模型，然后将这个模型应用于大量只有 H&E 染色图像的存档样本，从而以极低的成本，解锁海量存量数据中蕴藏的分子生物学信息。
iSCALE的诞生，为研究人员提供了一种全新的“世界观”和方法论，彻底改变了我们在大尺度上探索组织微观世界的游戏规则。
它巧妙地搭建了一座桥梁，将病理学百年经典的 H&E 图像与最前沿的空间转录组学数据连接在一起。它让我们能够以一种前所未有的经济、高效的方式，实现对大块组织的全面、无偏、高分辨率的基因表达分析。这就像是为细胞生物学研究装上了“广角镜头”，让我们能够从关注一棵树木的细节，转向欣赏整片森林的宏伟与壮丽。
这项技术的影响是深远的。对于肿瘤生物学家来说，他们可以绘制出整个肿瘤及其浸润边界的完整基因表达图谱。对于神经科学家来说，他们可以全面地分析阿尔茨海默病、帕金森病等疾病的脑内病灶。更重要的是，iSCALE所代表的“计算显微镜”的理念，开启了一扇通往未来的大门。随着空间组学数据的不断积累，我们可以预见，未来将涌现出更多、更强大的预测模型。研究人员或许有一天能够仅仅通过一张标准的、廉价的 H&E 病理切片，就能“虚拟地”重建出其完整的转录组、蛋白质组甚至代谢组信息。
回顾生命科学的发展史，每一次重大的突破，都源于我们“看得更清、看得更广”的能力的提升。而今天，iSCALE这样的技术，则在另一个维度上拓展了我们的视野——空间的广度。
生命的故事，不仅仅写在每一个细胞的基因里，更写在它们所共同构成的宏伟蓝图上。现在，我们终于拥有了一支足够强大的画笔，去描绘这幅前所未见的生命全景图。一个属于大尺度空间生物学的新时代，已经到来。
参考文献
Schroeder, A., Loth, M.L., Luo, C. et al. Scaling up spatial transcriptomics for large-sized tissues: uncovering cellular-level tissue architecture beyond conventional platforms with iSCALE. Nat Methods (2025). https://doi.org/10.1038/s41592-025-02770-8
声明：本文仅用于分享，不代表平台立场，如涉及版权等问题，请尽快联系我们，我们第一时间更正，谢谢！
来源：生物探索一点号1
