Nat. Biotechnol. | iStar：通过整合空间转录组学与组织学推断超分辨率组织结构

空间转录组学（ST）在生成组织内细胞的复杂分子图谱方面显示出巨大的潜力。2024年1月，《Nature Biotechnology 》发表了一种基于分层图像特征提取的方法—— iStar，其能整合ST数据和高分辨率组织学图像，以超分辨率预测空间基因表达。

iStar是什么？

iStar是一种基于由缺乏单细胞分辨率的平台生成的ST数据对超分辨率组织结构进行快速注释的方法。这对实际研究具有重要意义，因为现有的ST平台缺乏单细胞分辨率或全转录组覆盖。但是iStar能够生成以接近单细胞分辨率覆盖整个转录组的ST数据。iStar将ST中的基因表达分辨率提高到接近单细胞水平，并能在只有组织学图像的组织切片中进行基因表达预测。

iStar的性能测试

开发团队通过分析多个癌症类型和健康组织的数据集，证明了iStar 预测的超分辨率基因表达是准确的。这些预测不仅保留了点水平的原始基因表达，而且在各种组织结构推断任务中具有实际应用价值。同时还证明iStar可以对只有组织学图像的组织切片进行样本外预测。此外，iStar的计算效率很高，对Xenium衍生的伪Visium乳腺癌数据进行端到端分析只需 9 分钟。相比之下，XFuse分析同样的数据需要 1969 分钟。这种计算效率上的优势使iStar能够从大量连续切割的组织切片和组织学图像中生成虚拟ST数据，从而全面描述三维组织中的基因表达变化。

iStar算法是用Python实现的，可在GitHub 上获取： https://github.com/daviddaiweizhang/istar.

参考文献：Zhang, D., Schroeder, A., Yan, H. et al. Inferring super-resolution tissue architecture by integrating spatial transcriptomics with histology. Nat Biotechnol (2024). https://doi.org/10.1038/s41587-023-02019-9.