STCS: A Platform-Agnostic Framework for Cell-Level Reconstruction in Sequencing-Based Spatial Transcriptomics

De auteurs presenteren STCS, een platformonafhankelijk framework dat cel-specifieke transcriptoomprofielen reconstrueert uit sequencing-gebaseerde ruimtelijke transcriptomics-data door nucleaire segmentatie te integreren met een gezamenlijk transcriptomisch-ruimtelijk afstandmodel, waardoor robuuste en biologisch coherente analyses mogelijk worden zonder grondwaarheidsannotaties.

De kern

STCS: De "Puzzel-oplosser" voor de Ruimtelijke Genetica

Stel je voor dat je een enorme, ingewikkelde mozaïekvloer hebt gemaakt van duizenden kleine, gekleurde tegels. Elke tegel vertegenwoordigt een stukje van een cel in een weefsel (zoals longweefsel of een hersenweefsel) en vertelt je welke genen daar actief zijn. Dit is wat moderne technologieën zoals Visium HD en Stereo-seq doen: ze maken een heel gedetailleerde kaart van wat er in een weefsel gebeurt.

Maar hier zit een groot probleem: deze technologieën snijden het weefsel op in een strak rooster van vierkante tegels, niet op basis van de echte, ronde vormen van de cellen.

Het Probleem: De "Vierkante Cellen"
Het is alsof je een foto van een dierentuin maakt, maar de camera de foto in vierkante vakjes verdeelt. Je ziet een leeuw in vakje A, een stukje van de leeuw in vakje B, en een stukje van een giraf in vakje C. Je weet niet precies waar de leeuw ophoudt en waar de giraf begint. Je hebt wel alle informatie, maar het is een rommelige puzzel. Wetenschappers willen weten wat één specifieke cel doet, maar ze krijgen nu een mengelmoes van signalen uit verschillende cellen.

De Oplossing: STCS
De auteurs van dit paper hebben STCS (Spatial Transcriptomics Cell Segmentation) bedacht. Je kunt STCS zien als een slimme, digitale puzzelmeester die de vierkante tegels weer in de juiste, ronde vormen van de cellen terugzet.

Hoe doet STCS dit? Het gebruikt twee slimme hulpmiddelen:

1. De Kernen als Anker: Net zoals elke mens een hart heeft, heeft elke cel een kern. STCS kijkt eerst naar een foto van het weefsel en zoekt alle kernen op (met een AI-tool genaamd StarDist). Deze kernen zijn de "eilandjes" waar de cellen omheen zitten.
2. De Twee Regels van STCS: Om te beslissen welke vierkante tegels bij welke kern horen, gebruikt STCS twee regels:
   • De Zoekradius (S): Dit is als een "blikveld". Hoe ver mag STCS kijken om te zien welke tegels bij een kern horen? Als je te ver kijkt, haal je tegels van buren erbij die niet bij jou horen. Als je te dichtbij kijkt, mis je delen van je eigen cel. STCS vindt de perfecte afstand.
   • De Ruimtelijke Weegfactor (λ): Dit is een afweging. Moeten we kijken naar hoe dicht de tegels bij elkaar zitten (ruimte) of naar hoe goed hun genen op elkaar lijken (inhoud)? STCS balanceert deze twee zodat het resultaat eruitziet als een echte, samenhangende cel.

Waarom is dit zo speciaal?

• Het werkt overal: Of je nu met de ene of de andere dure machine werkt (Visium of Stereo-seq), STCS past zich aan. Het is een universele sleutel.
• Het heeft geen "antwoordenboekje" nodig: Veel andere methoden hebben voorbeelden nodig van hoe cellen er moeten uitzien om te leren. STCS kan zichzelf kalibreren door te kijken naar de stabiliteit van de data. Het zegt: "Als ik deze instelling gebruik, lijken de cellen logisch en samenhangend. Dat is goed!"
• Het is open source: Iedereen kan het gratis gebruiken, net als een open recept in een kookboek.

De Resultaten: Van Rommel naar Kunst
De auteurs hebben STCS getest op twee grote proeven:

1. Menselijke longkanker: Ze vergeleken hun resultaat met een heel nauwkeurige "gouden standaard" (Xenium). STCS bleek de cellen net iets beter te kunnen scheiden dan de bestaande methoden, alsof het de randjes van de puzzelstukjes scherper maakt.
2. Muis-hersenen (Stereo-seq): Hier was de resolutie nog kleiner (zoals mikroskopische tegels). STCS slaagde erin om de cellen in de hersenen zo goed te reconstrueren dat ze niet alleen de juiste vormen hadden, maar ook de juiste ruimtelijke ordening behielden (bijvoorbeeld: neuronen zitten bij elkaar, niet willekeurig verspreid).

Conclusie
STCS is als een slimme vertaler die een taal van vierkante blokken vertaalt naar de natuurlijke taal van ronde cellen. Hierdoor kunnen onderzoekers veel betrouwbaarder kijken naar hoe ziektes zoals kanker ontstaan, of hoe de hersenen werken, zonder dat ze vastzitten in de beperkingen van de meetapparatuur. Het maakt de wereld van ruimtelijke genetica toegankelijker en nauwkeuriger voor iedereen.

Technische samenvatting

Probleemstelling

Sequentie-gebaseerde ruimtelijke transcriptomics-technologieën (zoals Visium HD en Stereo-seq) maken het mogelijk om transcriptoomprofielen op subcellulair niveau te genereren. Een fundamentele beperking van deze platforms is echter dat metingen worden gedaan over ruimtelijk gebarcodeerde eenheden (spots of bins) in plaats van over biologisch gesegmenteerde cellen.

• De uitdaging: Hoewel deze platforms een hoge ruimtelijke dichtheid bieden, definiëren ze geen celgrenzen en worden transcripten niet automatisch aan individuele cellen toegewezen. Dit creëert een bottleneck voor celgerichte analyses, aangezien expressieprofielen uit ruimtelijke bins geaggregeerde signalen vertegenwoordigen in plaats van coherente single-cell transcriptomen.
• Bestaande oplossingen: Bestaande methoden (zoals Bin2Cell) gebruiken vaak vaste uitbreidingsafstanden rond kernen, wat kan leiden tot onnauwkeurige grenzen en ruimtelijk onverbonden cellen. Imaging-gebaseerde methoden (zoals Xenium) lossen dit op door celgrenzen te detecteren, maar zijn beperkt tot vooraf gedefinieerde genpanelen, wat de transcriptoomdekking verkleint. Er is behoefte aan een open-source, platform-onafhankelijke oplossing die celresolutie biedt voor sequentie-gebaseerde data zonder vooraf gedefinieerde panelen.

Methodologie: STCS Framework

STCS (Spatial Transcriptomics Cell Segmentation) is een computationeel raamwerk dat celniveaus reconstrueert door bins te aggregeren tot coherente celpresentaties. Het proces verloopt als volgt:

1. Kernsegmentatie: STCS gebruikt StarDist (een deep learning-model) op H&E-afbeeldingen om kernen te segmenteren.
2. Initiële toewijzing: Bins die binnen een gedetecteerde kern vallen, worden direct aan die kern toegewezen. Buitenliggende bins worden als achtergrond gemarkeerd.
3. Pseudobulk-construktie: Voor kernen met toegewezen bins wordt een nucleair expressieprofiel gegenereerd door de bijbehorende bins op te tellen.
4. Feature Preprocessing: Expressieprofielen worden gepreprocessed (normalisatie, log-transformatie, feature selectie) en geprojecteerd naar een lage-dimensionale ruimte via PCA.
5. Gecombineerde Toewijzing (Joint Assignment): Voor elke bin worden kandidaat-kernen geselecteerd binnen een zoekstraal (S). De uiteindelijke toewijzing van een bin aan een kern wordt bepaald door een gecombineerde afstandsmetriek:
   • Transcriptomische afstand: Gebaseerd op de afstand in de PCA-ruimte (optioneel gewogen met een matrix Σ afgeleid van een scRNA-seq referentie).
   • Ruimtelijke afstand: De minimale afstand tussen de bin en de grens van de kern.
   • Combinatie: $d(i, c) = \tilde{d}_{expr}(i, c) + \lambda \cdot d_{sp}(i, c)$, waarbij $\lambda$ de relatieve weging van de ruimtelijke afstand bepaalt.
6. Parameterselectie: STCS maakt gebruik van een referentievrije strategie om de parameters $S$ (zoekstraal) en $\lambda$ (ruimtelijke weging) te optimaliseren. Dit gebeurt op basis van interne stabiliteitsmetrieken (aantal gedetecteerde genen per cel, stabiliteit van celtype-aantallen) en ruimtelijke coherentie (connection score), zonder dat er grondwaarheid (ground truth) nodig is.

Kernbijdragen

• Platform-onafhankelijkheid: STCS is ontworpen om te werken met diverse sequentie-gebaseerde platforms (Visium HD, Stereo-seq) en is niet beperkt tot specifieke hardware zoals 10x Genomics.
• Referentievrije parameteroptimalisatie: Het introduceert een methode om parameters te selecteren op basis van interne data-kwaliteitsmetrieken, wat de toepasbaarheid vergroot in afwezigheid van gelabelde grondwaarheid.
• Open Source: Het framework is volledig open-source beschikbaar, wat reproduceerbaarheid en uitbreidbaarheid bevordert.
• Integratie van transcriptoom en ruimte: Door zowel genetische gelijkenis als ruimtelijke nabijheid te combineren, worden biologisch coherente celgrenzen gegenereerd die beter aansluiten bij de werkelijkheid dan vaste uitbreidingsmethoden.

Resultaten

De auteurs hebben STCS getest op twee datasets:

1. Visium HD (Menselijk longkanker): Vergelijking met grondwaarheid afgeleid van Xenium-data.
   • Celtype-overeenkomst: STCS presteerde consistent beter dan bestaande methoden (Bin2Cell en 10x Space Ranger) op metrieken zoals Weighted F1-score, Adjusted Rand Index (ARI) en Normalized Mutual Information (NMI).
   • Ruimtelijke structuur: STCS vertoonde een lagere duplicatiegraad (minder over-segmentatie) en een betere celgrootte-verdeling vergeleken met Space Ranger.
   • Genexpressie: Er was een marginale maar consistente verbetering in gen-expressie correlatie (Spearman en Pearson) en RMSE ten opzichte van de Xenium-grondwaarheid.
2. Stereo-seq (Muisbrein): Vergelijking met STP (Stereo-seq specifiek) en een kern-only baseline.
   • Ruimtelijke organisatie: STCS behaalde lagere CHAOS-scores (betere ruimtelijke ordening) en hogere celtype-coherentie in lokale buurten.
   • Transcriptomische nauwkeurigheid: Hogere label-transfer accuracy en cosine-similariteit ten opzichte van een scRNA-seq referentie.
   • Celtypesamenstelling: STCS toonde de rijkste celtypesamenstelling en de kleinste afwijking in proporties ten opzichte van de referentie.

Betekenis en Impact

STCS lost een kritiek probleem op in het veld van ruimtelijke transcriptomics: het vertalen van ruwe, bin-gebaseerde data naar biologisch betekenisvolle single-cell profielen.

• Toepasbaarheid: Het maakt celgerichte analyses mogelijk op data van platforms die van nature geen celgrenzen definiëren, zonder de transcriptoomdekking te beperken (zoals bij imaging-panelen).
• Robuustheid: De referentievrije parameterselectie maakt het een krachtig hulpmiddel voor onderzoekers die werken met diverse weefseltypen en technologieën zonder toegang tot gelabelde grondwaarheid.
• Toekomst: STCS faciliteert betrouwbaardere downstream-analyses en cross-platform integratie, wat essentieel is voor de groeiende adoptie van sequencing-based spatial transcriptomics in biomedisch onderzoek.

Samenvattend biedt STCS een robuust, flexibel en open-source oplossing om de kloof te overbruggen tussen hoge-resolutie ruimtelijke data en biologisch relevante single-cell inzichten.