空间转录组软件怎么选?2025 年这篇 Meta-Review 把四大分析步骤的 Benchmark 结果都汇总了

论文| Gillespie J, Pietrzak M, Song M-A, Chung D. Cells, 2025, 14(14): 1060
题目| A Meta-Review of Spatial Transcriptomics Analysis Software
DOI| 10.3390/cells14141060
机构| 俄亥俄州立大学（Ohio State University）生物医学信息学系 / 综合癌症中心

一句话总结

空间转录组（ST）分析工具已经「多到选不过来」，但各软件论文里的数据集、硬件和评价指标各不相同，很难直接比。

这篇 Meta-Review不做新的 Benchmark，而是把已有 Benchmark 文献里的结果二次整合，按 ST 分析中最常做的 四大步骤——组织域识别、空间可变基因（SVG）、细胞通讯、去卷积——给出跨研究一致表现较好的软件推荐，并强调：没有万能工具，选型必须结合数据类型、平台和算力。

为什么需要这篇综述？

Bulk RNA-seq 看的是样本平均表达，scRNA-seq 能到单细胞但丢失空间位置。ST 把基因表达 + 空间坐标合在一起，适合研究：

• 肿瘤异质性与免疫浸润的空间格局
• 发育过程中的区域化表达
• 组织图谱构建
• 配体-受体介导的细胞邻域通讯

问题是：每个软件单独发 paper 时，用的数据集、评价指标、硬件环境都不一样。只有在统一条件下的 head-to-head Benchmark，才更有参考价值。

本文整合的选型维度（优先级不完全相同）包括：

第一步：组织域识别（Tissue Architecture Identification）

做什么：结合表达谱和空间坐标，把 spot/细胞聚成空间域，为注释细胞类型、划分功能区打基础。

整合了哪些 Benchmark：Cheng et al.、Hu et al.、Yuan et al. 三项研究，共比较 15–23 款软件，覆盖 Visium、MERFISH、Slide-seq、Stereo-seq 等多种平台。

综合推荐（尤其面向 Visium 用户）

三个 Benchmark 共同揭示的规律

1. 预处理影响巨大，后处理（如空间平滑）通常普遍提升聚类质量。
2. 是否使用 H&E 并不决定成败：Seurat 等不用组织学图像的方法并不吃亏；更好的 H&E 不等于更好的聚类。
3. 预设 cluster 数若与真实细胞类型数不符，会显著拉低 accuracy。
4. 高度依赖数据集：同一软件在脑组织表现好、换组织可能变差；样本来源与测序平台都是关键因素。
5. 算法类型没有绝对赢家：Bayesian（BASS/BayesSpace）、图方法（SpaGCN/Seurat）、深度学习（STAGATE）都能进第一梯队。
6. 随机种子会影响部分方法的结果稳定性。

实操建议：Visium 项目若追求稳妥，可优先 Seurat或 SpaGCN；若算力充足、追求极致分群精度，再试 BASS / BayesSpace，并务必做 cluster 数敏感性分析。

第二步：空间可变基因（SVG）识别

做什么：找出表达随空间位置显著变化的基因，揭示组织学上看不出的「功能区域」。

Benchmark 来源：Li et al.（模拟数据 + auPRC）、Chen et al.（21 个真实数据集 + 软件间 SVG 列表相关性）。

综合推荐

关键发现

• 噪声越大，所有方法性能都下降。
• 不同软件返回的 SVG 列表重叠度很低——统计框架相似，但结果并不一致。
• SVG 排名与基因表达量正相关，存在系统性偏差。
• 多数工具高灵敏度 OR 高特异度，很难两者兼得。
• 图方法与核方法整体表现相当。

实操建议：日常分析优先 SPARK-X；需要更保守、更精细的统计推断时再上 SpatialDE2；探索性分析可用 Moran's I作补充。

第三步：细胞-细胞通讯（Cell-Cell Communication）

做什么：基于配体-受体（L-R）数据库和空间邻近关系，推断哪些细胞群可能在「对话」。

Benchmark 来源：Liu et al.，16 款软件，用 距离富集分数（DES）衡量模拟 vs 真实数据中 L-R 空间距离模式的一致性。

综合推荐

关键发现

• 准确性强依赖数据集。
• 各软件内置的 L-R 数据库不同，仅换数据库就会改变结果。
• 预测互作越多 → 召回率高；预测越少 → 精确率高。
• 目前无法用实验金标准直接验证L-R 表达是否等于真实通讯，这是领域共性局限。

实操建议：Visium + 聚类注释完成后，CellChat或 CellPhoneDB是较稳妥的起点；需要配体下游靶基因推断时可补充 NicheNet。

第四步：去卷积（Deconvolution）

做什么：对 Visium 等 spot 级数据，估计每个 spot 里各细胞类型的比例（通常需要配对 scRNA-seq 参考）。

Benchmark 来源：Li et al.、Yan & Sun、Li et al.（整合方法）等多项研究。

综合推荐

关键发现

1. 强烈建议使用 scRNA-seq 参考；不依赖 scRNA 的 Berglund 等方法效果明显落后。
2. 最优方法偏向 概率模型 + 深度学习（NMF、图方法、最优传输等相对弱势）。
3. 标准化方式对结果影响大：多数 Benchmark 倾向 原始 count优于某些 lognorm / scTransform 方案（也因样本而异）。
4. spot 越小、数据越稀疏，整合类方法越吃力。
5. scRNA 与 ST 若细胞群组成假设不一致，会引入系统误差。
6. EnDecon等多方法集成只带来边际提升。

实操建议：常规 Visium 项目 → RCTD或 Tangram；有 GPU 集群、追求上限 → Cell2location。

一张「Visium 探索性分析」快速选型表

基于原文 Figure 2 决策树思路，整理为更易落地的版本：

你的 ST 数据（以 10x Visium 为例）│├─ 组织域识别 / 聚类│   ├─ 算力有限、要速度        → Seurat / SpaGCN│   └─ 算力充足、要精度        → BASS / BayesSpace│├─ 空间可变基因 SVG│   ├─ 常规首选                → SPARK-X│   └─ 精细统计 / 可接受慢     → SpatialDE2│├─ 细胞通讯 CCC│   ├─ 常规首选                → CellChat / CellPhoneDB│   └─ 需配体→靶基因网络       → NicheNet（补充）│└─ 细胞类型去卷积    ├─ 均衡实用                  → RCTD / Tangram    └─ 精度优先 + 大算力         → Cell2location

领域仍未解决的共性问题

原文 Conclusions 部分值得所有 ST 从业者记住：

1. 「没有普适最优解」：性能高度依赖组织类型、平台、样本来源，可能存在算法对小样本 Benchmark 的过拟合。
2. 参考数据不足：许多组织缺乏带细胞类型注释、与待分析样本匹配的 scRNA/ST 参考；Aquila、STOmics DB、SOAR 等库仍在完善中。
3. Pipeline 级验证缺失：单步 Benchmark 不等于整条流程最优——上游聚类参数会影响下游 SVG、通讯和去卷积。
4. 领域迭代极快：新工具几乎每月都在出现，本文本质是时间点快照。
5. SVG 与 CCC 的结果列表在不同软件间一致性仍较差，需要生物学验证（ISH、蛋白、功能实验）支撑。

给不同用户的阅读建议

推荐 Pipeline 示例（Visium + 配对 scRNA）

Space Ranger 原始输出    ↓QC & 标准化（注意：去卷积步骤尽量保留 raw count 选项）    ↓组织域识别：Seurat（或 BASS / BayesSpace）    ↓SVG：SPARK-X    ↓去卷积：RCTD / Tangram（参考 scRNA-seq）    ↓细胞通讯：CellChat    ↓生物学验证 & 功能富集

总结

这篇 Meta-Review 的价值，不在于再发明一个新算法，而在于把分散在多篇 Benchmark 里的结论拉到一个页面上：

• 聚类：BASS / BayesSpace / SpaGCN / Seurat / STAGATE
• SVG：SPARK-X（首选）/ SpatialDE2（精细）
• 通讯：CellChat / CellPhoneDB / ICELLNET
• 去卷积：Cell2location / Tangram / RCTD

但作者反复强调：Benchmark 排名 ≠ 你的样本的最优解。真正决定结果质量的，往往是——

数据预处理是否得当、参考数据是否匹配、cluster 数是否合理、标准化方式是否与算法假设一致，以及有没有足够的生物学验证。

参考文献

Gillespie J, Pietrzak M, Song M-A, Chung D.A Meta-Review of Spatial Transcriptomics Analysis Software.Cells. 2025;14(14):1060.doi: 10.3390/cells14141060

原文链接：https://doi.org/10.3390/cells14141060

解读基于原文及文中引用的 Benchmark 文献整理，仅供科研交流，分析流程请结合具体项目验证。