把空间转录组里"串门"的分子请回去

一句话看懂：resolVI 不重新分割细胞，而是在任何分割算法后面加一步"算账"——把每个细胞的分子拆成"自己的 + 邻居的 + 背景的"三份，再把账算平。

一、空间转录组为什么"会说谎"

单细胞分辨率的空间转录组分两大路线：成像式（10x Xenium、Vizgen MERSCOPE、Nanostring CosMx、MERFISH）逐个定位荧光标记的 RNA 分子；测序式（Stereo-seq、Visium HD）对空间条码化的 RNA 做高通量测序。无论哪条路线，要得到"每个细胞表达了哪些基因"，都必须先做分割（segmentation）：把组织平面切成一个个近似细胞的区域，再把区域内的分子数到该细胞的账上。

问题就出在"数账"这一步。论文把误差来源归为三类：

• - 分割不准：细胞密度高、染色信号弱、形状不规则，都会让算法画错边界。细胞在垂直于切片的方向上彼此重叠，更是成像式技术的天然盲区；
• - 扩散（diffusion）：RNA 分子因组织处理、三维重叠等原因"串"到相邻细胞里，尤其是紧挨着的邻居细胞；
• - 背景（background）：每个切片都有一份非特异的、不属于任何细胞的背景信号。

这三类误差的后果在下游非常刺眼：本该互斥表达的基因对出现了"假双阳性"——微胶质细胞"表达"了兴奋性神经元的标志基因，成纤维细胞"表达"了髓系细胞的标志。已有的表达感知分割工具（Baysor、ProSeg）确实能改善分割，但论文实测表明，残余的错配依然大量存在，它把很多应用卡在"只能验证已知细胞亚群"的水平，而难以发现新的细胞状态。

二、resolVI 的思路：不重新画格子，而是把账拆开

resolVI 的定位很聪明：它不做分割，而是站在任何分割算法的下游，输入就是"已经分好细胞的表达矩阵 + 空间坐标 + 切片编号"，输出是校正后的低维表征和校正后的表达谱。

模型用变分自编码器实现，核心假设写成一行公式：

• - 观察到的表达 = α0 × 自身真表达 + α1 × 邻居真表达的加权和（扩散）+ α2 × 背景表达

三个组分各用不同的统计分布建模：真表达与扩散服从负二项分布（允许过离散），背景服从泊松分布（无非特异过离散）。每个细胞都有一组专属的 α 系数，由一个"扩散编码器"网络估计——也就是说，哪些分子是错的，是逐细胞、逐数据算出来的，而不是一刀切。

▲ 图1 resolVI 总览。a：算法示意——观察到的表达被拆为自身真表达、邻居扩散与背景三部分；b：概率图模型，zn 为细胞隐变量，N(n) 为邻居细胞；c：10x Xenium 小鼠脑区实例——中图为 ProSeg 分割，右侧 DPI 染色，箭头标注了一处免疫细胞与神经元边界不清导致的"扩散"，以及血管细胞里零星神经元转录本构成的"背景"。

有几个设计细节值得划重点：

• - 隐空间用高斯混合分布，而不是标准 VAE 的单峰正态。这让不同细胞类型在隐空间里天然分得更开，还支持半监督模式——把已有细胞类型标签接进先验，同时训练一个从隐空间预测细胞类型的分类器；
• - 批次效应的 Dropout 技巧：解码器吃批次 ID，编码器默认不吃，沿用 scVI 家族的经典操作，让表征尽量摆脱批次信息；
• - 为什么模型能"分辨对错"：直觉是真实数据可以低维描述，而错配会让观测表达比真表达更复杂。最小化 ELBO 时，模型会主动把"解释不了"的分子分给背景或邻居组分；
• - 先验剔除可疑细胞：resolVI 会为每个细胞估计"真 counts 数"，论文把真 counts 少于 20 的细胞视为低质量并在分析前剔除。

计算开销相当友好：所有实验在一块 Nvidia 3090 + 128 GB 内存的工作站上完成，最大的测试（140 万细胞、52 张切片）训练不到 6 小时。相比之下，Baysor 分割一张中等规模的切片要跑好几天。

三、实测一：小鼠脑切片，先证明"擦得干净、还不擦伤"

第一个测试是 10x Xenium 成像的正常小鼠脑切片（248 基因面板、约 13 万细胞）。三个层次的验证：

• - 分型更清楚：resolVI 潜空间的 UMAP 把细胞类型分开的程度明显优于 PCA，scib 综合指标上也好于 scVI、scANVI 等常用方法；
• - 假表达被清掉：微胶质细胞在高密度脑区（下丘脑）曾被"看到"表达兴奋性神经元标志 Slc17a6——resolVI 校正后这一假阳性大幅下降，而这些细胞该表达的 Trem2 完整保留。去伪存真，两件事同时做到；
• - 真表达没被误伤：用小鼠脑单细胞参考数据定义"互斥基因对"后统计，假双阳性显著减少；但内皮细胞与 Lyz2（典型的髓系标志）的共表达被保留下来——文献确实报道过内皮细胞可以表达 Lyz2，只是单细胞参考里没测到。模型没有把数据硬塞进"教科书式"的细胞类型框框里。

▲ 图2 小鼠脑实测。a/b：resolVI 潜空间（上）比 PCA（下）更能分开脑细胞类型，scib 指标显示 bioconservation 与批次校正总分均占优；c/d：微胶质细胞的 Slc17a6 假阳性在校正后显著减少、Trem2 保留，散点图对比 raw 与 generated 表达；e：细胞类型间余弦相似度矩阵，对角线下方为 resolVI 校正后、上方为原始数据，非对角块明显变暗；f：真共表达对（左）在校正前后比例相当，假共表达对（右）随"估计噪声比例"上升被系统性清除。

更妙的是模型的自洽性：resolVI 自己估计的"噪声比例"（α1+α2），与用"教科书知识"统计出的假双阳性率显著正相关——模型不看 marker 基因列表，也能估出哪些细胞"账目可疑"。

四、实测二：换什么分割都有效，但"底子"决定上限

第二个测试更狠：同一套肝癌组织（Vizgen MERSCOPE，550 基因、约 150 万细胞、两名患者），用 6 种分割算法各做一遍——Vizgen 原始、Cellpose 三种参数、以及表达感知的 Baysor 与 ProSeg——然后分别接 resolVI。

• - 分割算法确实影响底子：表达感知的 Baysor、ProSeg 分割出的数据，假双阳性率本来就低于纯图像分割；
• - resolVI 在所有底子上都有效：无论哪种分割，接上 resolVI 后假双阳性都被压到相近的低水平，且与 Ovrlpy、ProSeg 自带的校正模块相比，resolVI 是唯一在清除错误信号的同时不破坏真实共表达的方法；
• - 上限取决于底子：初始分割越干净，resolVI 校正后残余的错误越少，Baysor 底子的最终假共表达最低。

▲ 图3 六种分割 × resolVI。a：原始分割与 Baysor 分割下，resolVI 潜空间（左一、左三）相对 PCA 更能分开 B 细胞等亚群；b：六种分割下"真共表达对"（左）与"互斥基因对"（右）双阳性比例，resolVI 校正后（蓝/红）均显著下降；c：基因-基因共表达矩阵，对角线下方为 resolVI 校正后，红框为预期共表达，白框标出的 VEGFC-内皮共表达在肝癌中被保留（真实生物学）。

这里有一条很实用的经验：Baysor 虽然底子最干净，但会把只有极少分子的区域也分成细胞，"膨胀"细胞总数；作者因此推荐实际项目中用 ProSeg 做初始分割，再接 resolVI。

五、实测三：测序型大数据也"吃得下"

表达感知分割有个致命短板：基因数一多内存就爆炸，测序型 ST（动辄两万个基因）基本用不起。resolVI 不做分割，天然绕开了这个问题：

• - Stereo-seq 小鼠脑冠状切面：超过 24,000 个基因、5 万细胞，全基因输入，运行不到 20 分钟、内存低于 30 GB。原始数据中 14.8% 的 Slc17a7 阳性细胞同时"表达"少突胶质细胞标志 Mbp，校正后这一比例降到 0.01% 以下；原本糊在一起的微胶质细胞也被清晰分出；
• - 10x Visium HD（8 μm bin）：2 μm 分辨率、45 万个 bin、17,797 个基因，20 分钟训完。PCA 的 UMAP 里混成一团的神经元，在 resolVI 潜空间里分出了皮质 VIP、SST 抑制性、NPY 抑制性等亚群，且各自占据不同的空间位置。

也就是说，成像式和测序式两大路线、高基因数的大数据，resolVI 都能以很低的算力门槛覆盖。

六、实测四：肝癌微环境——把真信号从噪声里捞出来

前三关证明"擦得干净"，第四关看"擦完之后能多看见什么"。数据是 Nanostring CosMx 的健康肝与肝癌对比（1,000 基因、120 万细胞），用 Baysor 重新分割后接监督模式 resolVI。

健康肝上，背景校正的效果一眼可见。肝小叶沿门管区到中央静脉存在 SAA1（门管区）与 GLUL（中央区）的经典分带，校正前后都看得到；但低表达的胆管细胞标志（SOX4、KRT13、EPCAM）在原始数据里"漂"到了中央静脉区——这些基因在中央区没有任何细胞类型表达，所以这种错位只能来自背景组分，resolVI 校正后它们乖乖回到门管区。

肝癌上，被保留下来的"意外共表达"才是大发现。健康肝里，髓系-胆管细胞间的假共表达被清除；但肝癌里这对共表达在校正后依然存在——具体源头是 SPP1 与 CD68：肿瘤相关巨噬细胞真实地高表达 SPP1（它是巨噬细胞与肿瘤细胞互作的关键介质）。同一个模型，既把健康组织里的噪声擦掉，又把肿瘤里的真实信号原样保留。

顺着这条线索，作者用 hotspot 模块 + resolVI 自带的差异表达检验（lvm-DE）拆解了肿瘤内部的空间结构：

• - 肿瘤细胞存在两种空间状态：促炎区与免疫抑制区，各自携带不同的基因模块；
• - 免疫抑制区的肿瘤细胞与 SPP1+ 免疫抑制型巨噬细胞、S100A8/S100A9+ 中性粒细胞共定位；促炎区的肿瘤细胞与 IFI27/IFI6/CXCL9+ 促炎型巨噬细胞共定位；
• - T 细胞亚群（Treg、CXCL13-high CD8）只浸润促炎区，免疫抑制区几乎"没有 T 细胞"。

▲ 图4 人肝癌空间生态位。a：肝小叶 SAA1-GLUL 分带在原始与校正数据中均清晰；b：胆管细胞标志（SOX4+KRT13+EPCAM 之和）在原始数据中弥散、校正后回到门管区；c/d：健康肝与肝癌的细胞类型共表达矩阵，肝癌中胆管-髓系重叠持续存在；e：SPP1 与 CD68 在肝癌巨噬细胞中真实共表达、健康肝中互斥；f-j：两种肿瘤空间状态、巨噬细胞亚群与 SPP1/IFI6 生成的空间表达分布。

七、实测五：DSS 结肠炎——"看起来好了"不等于"真的好了"

压轴的测试把 resolVI 用到了纵向大队列：DSS 诱导的结肠炎小鼠，MERFISH 990 基因面板、52 张切片、140 万细胞，一天 0/3/9/21/35 五个时间点。训练加上把第 35 天作为查询集做参考映射（scArches 式"网络手术"，不动已训好的参考模型），全程在一块 3090 上不到 6 小时。

细胞丰度层面，第 9 天偏离健康状态最远，第 35 天最接近——与原论文"几乎完全恢复"的描述一致。但 resolVI 往下多挖了一层：

• - 隐窝顶端成纤维细胞（Fibro 2）搬家了。健康结肠里，Fibro 2 穿插在隐窝之间、直达隐窝顶端，给正在分化的肠细胞提供 Bmp 信号（Bmp2/5/7 在与结肠细胞共定位的 Fibro 2 中高表达），是隐窝轴正常成熟的关键；第 35 天，这些细胞从隐窝顶端消失，转而在黏膜下层聚集成团，与结肠细胞、TA 细胞的共定位显著下降，Bmp 信号同步降低；
• - 上皮成熟梯度被破坏。第 0 天，干细胞到结肠细胞的转变沿隐窝轴呈清晰梯度；第 35 天，这一空间组织整体紊乱；
• - 屏障基因出现代偿性上调。第 35 天，在结肠细胞高密度区域，促进屏障的基因（Cldn4、Cldn23、Tnfaip3、Il22ra1）显著上调——组织在"努力补漏"。

换句话说，显微镜下和丰度层面都"恢复"的结肠，在空间生态位层面仍然残留着炎症后的结构疤痕。这与临床认识高度吻合：炎症性肠病患者即使急性炎症被控制，屏障通透性问题仍长期存在。作者也指出，这一发现的人类版本有待人 IBF 样本的空间转录组验证。

▲ 图5 DSS 结肠炎第 35 天的空间残留改变。a-f：半监督整合与各时间点细胞丰度，第 35 天整体最接近第 0 天但未完全复原；g-j：Fibro 2 的邻居组成随时间点改变，空间上从隐窝间穿插（第 0 天，蓝箭头）转为黏膜下层聚集（第 35 天，紫箭头）；k-m：Fibro 2 的 Bmp 基因表达下降，结肠细胞成熟梯度紊乱、屏障基因代偿性上调。

八、给你的实操建议

结合全文，如果你手里有 ST 数据，resolVI 值得排进分析流程的位置是这样的：

• - 定位：分割与定量的下游一步，输入任何算法产出的细胞 × 基因矩阵 + 空间坐标即可，与上游工具解耦；
• - 两种模式：无标签用无监督；有注释用半监督（标签进先验 + 隐空间分类器），还能输出细胞类型预测的不确定度；
• - 下游分析全家桶：内置 lvm-DE 差异表达检验、差异邻域丰度检验（论文里的肝癌分区与结肠炎生态位分析都靠它）；
• - 参考映射：scArches 式网络手术，把新切片映射进已训好的参考模型，适合大队列纵向研究；
• - 算力：单卡 3090 起步即可，Stereo-seq/Visium HD 级别的数据分钟级训练；
• - 两个注意事项：①校正上限取决于初始分割质量，作者推荐 ProSeg 做分割（Baysor 膨胀细胞数）；②先按模型估出的真 counts 剔除低质量细胞（论文阈值为 20）再训练。

代码已并入 scvi-tools 框架开源（github.com/scverse/scvi-tools），与 scVI、scANVI、TotalVI 等在同一生态里，上手成本对做过单细胞分析的人来说非常低。

论文信息：Ergen, C. & Yosef, N. ResolVI: addressing noise and bias in spatial transcriptomics. Nature Methods 23, 2003–2014 (2026). doi: 10.1038/s41592-026-03212-9