空间蛋白质组学本质

🧠 空间蛋白组成像技术系统总结：原理、流程与算法解析

---

一、核心概念：空间成像 + 抗体标签

空间蛋白质组学本质是：

将蛋白表达的定量信息保留在组织空间中，通过抗体特异识别 + 成像技术进行测定

---

二、两大技术路线：光学 vs 质谱成像

类型	原理	代表技术
光学类	抗体接荧光标签，多轮成像、融合通道	CODEX, IBEX, MILAN
质谱类	抗体接稀有金属，激光烧蚀后质谱检测	IMC, MIBI

✅ 最终输出：

• 类似多重免疫荧光图，但具有更高维、更定量、更可重复性
• 形成“细胞 × 蛋白”矩阵，可以用来进行单细胞层面的空间分析

---

三、对比传统多重免疫荧光（mIF）

维度	空间蛋白组成像	mIF
通量	20~100 种蛋白	5~7 种
检测方式	多轮成像 / 激光质谱	单次荧光拍摄
定量精度	高，基于 counts / 强度	低，多为半定量
可重复性	高，可保存 raw 数值数据	易漂白，重现性差
分析方式	可做表达矩阵/空间聚类	多为图像可视化、主观判断
成本与门槛	高，需专用设备与算法工具	低，普通荧光显微镜即可

✅ 空间蛋白组 = 高通量、定量化、自动化版 mIF，更适合大规模组织图谱研究

---

四、细胞分割（Cell Segmentation）：从图像到单细胞数据

🔬 流程：

1. 识别细胞核（DAPI通道为主）
2. 图像预处理（滤波、增强）
3. 细胞边界分割
4. 提取每个细胞的蛋白信号 → 构建 细胞 × 蛋白 表达矩阵

⚙️ 分割算法工具：

方法类型	工具示例	适用场景
阈值/连通域	scikit-image, Fiji	简单样本、小图
机器学习方法	Ilastik, QuPath	半自动处理，标注低成本
深度学习方法	Cellpose, Stardist, Mesmer	复杂组织，高准确率
全流程整合工具	MCMICRO, histoCAT	适合 pipeline 运行

🔍 若组织结构复杂，还可辅助使用膜 marker（如 E-cadherin, CD45）协助识别边界

---

五、蛋白表达强度的量化指标

平台类型	信号来源	单位 / 转换方式
CODEX 等荧光	像素灰度值	原始强度（0–65535）或 log 转换
IMC / MIBI	金属 counts / 峰面积	counts / arcsinh-transformed 值
DSP	条形码 NGS reads	reads 数量 / CPM 等方式标准化

🧪 通常进行 log2 或 arcsinh 转换用于可视化和统计分析

---

六、空间分析算法体系（平台无关）

分析类型	工具 / 算法	功能说明
共定位分析	Squidpy, Giotto, Moran’s I	分析细胞空间邻近/聚集/排斥关系
区域识别	BayesSpace, SpatialDE, SpaGCN	识别空间功能区域（类似 tissue domain）
空间通讯建模	stLearn, NICHES	推断细胞间空间信号传递
多模态整合	Tangram, DestVI, scMM	融合 RNA 与蛋白、映射细胞图谱

---

七、CosMx-NMF 专属分析模型（空间高维表型识别）

特性	CosMx-NMF
原理	非负矩阵分解（NMF）提取 Topic（元细胞类型）
输入	单细胞 × 蛋白表达矩阵（或 RNA）
输出	每细胞 Topic 分布（混合表型）
特点	非监督、无需标签、适合复杂免疫微环境建模
区别于传统算法	不依赖标签聚类，更适合发现新表型

---

✅ 总结梳理表

内容类别	核心信息
实现方式	光学（CODEX）/ 质谱（IMC/MIBI）成像，读取抗体信号
输出数据	细胞 × 蛋白矩阵 + 空间坐标
分割方式	DAPI 核染色 + AI/深度学习
表达强度度量	像素强度 / 金属质谱 counts / 条码 reads
分析方法	空间聚类 / 共定位 / 通讯网络 / 多模态整合
特别方法	CosMxNMF → 高维空间混合表型识别

---

✅ 金句提炼

✅ 空间蛋白组学 = mIF 的量化、高维、自动化升级
✅ CODEX/IMC 把“抗体识别 + 图像空间定位”融合在单细胞/像素尺度
✅ 多通道图像 + 分割 + 定量 → Cell × Protein 矩阵
✅ 与 CosMx 类似，也可进行空间聚类、邻域分析、多模态整合
✅ CosMx-NMF 是一种无标签表型识别算法，适用于表达异质性识别