空间细胞通讯与肿瘤微环境分析
空间细胞通讯与微环境分析利用细胞在组织中的真实位置，回答「哪些细胞彼此相邻、组织里有哪些固定的细胞组合、配体和受体是否在相邻细胞中同时表达」。与只用表达推断的单细胞通讯分析相比，它多了距离这一约束：分泌信号作用范围有限，接触依赖信号要求细胞直接相邻。常见分析包括邻域富集与共定位、细胞邻域（niche）聚类、带距离约束的配体-受体推断（如 Squidpy ligrec、COMMOT）以及用 MISTy 建模邻近细胞的影响。数据来自 Visium、Xenium、CosMx 等空间平台，常用于研究肿瘤免疫排斥、三级淋巴结构和肿瘤-基质界面。
什么时候用
- 判断 CD8 T 细胞是浸润进肿瘤巢内部还是被阻挡在基质边缘
- 识别组织中反复出现的细胞组合，如三级淋巴结构或巨噬细胞-成纤维细胞生态位
- 验证单细胞通讯分析预测的配体-受体对在组织中是否真的出现在相邻细胞之间
- 比较应答与非应答、原发与转移样本中某类细胞邻域的比例变化
- 研究肿瘤-基质界面等特定区域中信号通路的空间梯度
不适合的情况
- 只有 Visium 数据却直接把每个 spot 当一个细胞做细胞对水平的通讯推断
- 靶向 panel 不包含关心的配体或受体基因，却想推断该通路的空间通讯
- 只有一两张切片却想对组间差异做统计推断
需要准备的数据
- 空间表达矩阵
- 单细胞分辨率平台用分割后的细胞-基因计数；Visium 为 spot 计数，需配合解卷积得到细胞类型比例。
- 空间坐标
- 每个细胞或 spot 的 x、y 坐标，需明确单位是像素还是微米；不同切片坐标独立，不能拼成一个坐标系分析。
- 细胞类型注释
- 单细胞分辨率数据需先完成细胞注释；Visium 可用解卷积得到的各细胞类型比例或主导类型。
- 样本元数据
- 切片、患者、组别、区域标注（如肿瘤核心、侵袭前沿），用于分组比较和区分技术重复与生物学重复。
分析步骤
- 1
构建空间邻接图
按 k 近邻、固定半径或 Delaunay 三角剖分建图。单细胞分辨率数据常用半径或 Delaunay，Visium 常用六边形网格的相邻 spot。检查每个细胞的平均邻居数，过多或过少都说明参数不合适。
- 2
邻域富集与共定位
用置换细胞类型标签的方法计算每对细胞类型相邻次数的 z 分数，得到哪些类型倾向聚集或彼此回避；再用共定位曲线看随距离增大两类细胞共现概率如何变化。
- 3
识别细胞邻域
对每个细胞统计周围固定数量近邻的细胞类型组成，再对这些组成向量聚类，得到若干细胞邻域。逐一命名，如肿瘤富集区、淋巴聚集区、基质屏障区，并在原图上回看位置是否连续合理。
- 4
空间配体-受体推断
只在一定距离内的细胞对之间计算配体与受体的共表达，用置换检验评估显著性；COMMOT 用最优传输考虑多个配体受体竞争。先确认 panel 中配体和受体基因都存在。
- 5
建模邻近对表达的影响
MISTy 等方法分别用细胞自身、紧邻细胞和更大范围邻域的表达预测目标基因，比较各视角的贡献，判断某基因的变化主要来自细胞内程序还是周围环境。
- 6
跨样本比较
把每张切片或每个患者的邻域比例、富集分数汇总成样本级指标，再在组间比较。必须以患者为统计单位，同一患者的多个区域或切片不能当作独立样本。
关键参数与决策
邻接图的半径或近邻数
接触依赖信号应只考虑直接相邻细胞，可用 Delaunay 或较小半径；分泌信号可放宽到数十至上百微米，属于经验范围。建议在几个半径下重复分析，看主要结论是否稳定。
细胞邻域的窗口大小与聚类数
窗口通常取每个细胞周围固定数量的近邻；窗口太小得到的是细胞对，太大则平均掉局部结构。聚类数可多设一些再合并含义相近的类别，以每个邻域能被明确命名为准。
置换次数
邻域富集和配体-受体检验依赖置换次数，次数太少时最小 P 值受限、排名不稳定。通常用上千次置换；跨样本比较时应对每个样本单独置换，不要混在一起。
配体-受体数据库与 panel 匹配
靶向 panel 平台只测几百到几千个基因，先把数据库与 panel 取交集，列出可评估的配体-受体对。复合受体需要所有亚基都在 panel 中，否则该互作不能被可靠评估。
常见错误
- 忽略细胞密度差异：高密度区域任何两类细胞的相邻次数都多，若不做置换或密度校正，会把密度差异误当成特异性共定位。
- 细胞分割误差造成信号串扰：相邻细胞的转录本被分到同一个细胞中，会产生同时表达配体和受体的假细胞，并虚高接触信号。
- 在 Visium spot 内推断细胞对：一个 spot 含多个细胞，spot 内配体和受体共表达无法区分来自同一细胞还是不同细胞。
- 以切片中的每个细胞为样本做组间检验：数万个细胞会让微小差异都显著，实际只有几个患者，应以患者为单位汇总后比较。
- 切片边缘和组织破损区域不处理：边缘细胞的邻居数天然偏少，会拉低富集分数，必要时可去掉边缘细胞或做敏感性分析。
结果怎么看
邻域富集热图
行列都是细胞类型，颜色是相邻次数的 z 分数。正值表示倾向相邻，负值表示彼此回避。肿瘤细胞与 CD8 T 细胞为明显负值而与成纤维细胞为正值，常提示免疫排斥型结构。
细胞邻域组成图与空间分布图
热图展示每个邻域中各细胞类型的富集程度，空间图在原组织坐标上为每个细胞着上邻域颜色。邻域在空间上呈连续区域说明结构可信；如果呈椒盐状散布，说明窗口太小或注释噪音较大。
空间配体-受体气泡图
横轴为发送-接收细胞对，纵轴为配体-受体对，点大小表示显著性，颜色表示强度。与非空间分析结果对照，空间约束后仍显著的互作更值得验证。
信号空间分布图
把某个配体-受体对的通讯得分映射到组织坐标上，看信号集中在肿瘤边缘、血管周围还是淋巴聚集区，并与 H&E 区域标注对照，判断是否与组织学结构吻合。
和相近方法怎么选
空间细胞通讯与单细胞细胞通讯（CellChat）
单细胞通讯只基于细胞群的平均表达，无法判断细胞是否相邻，假阳性偏多；空间方法加入距离约束，结果更贴近实际，但受限于平台基因数和分割质量。常见做法是先用单细胞数据筛候选，再用空间数据检验邻近性。
邻域富集与细胞邻域聚类
邻域富集回答两两细胞类型是否倾向相邻，结果是一张类型对矩阵；细胞邻域聚类回答组织中有哪些多细胞组合单元，可以统计各单元比例并做组间比较。前者适合检验特定假设，后者适合描述整体结构。
Visium 与单细胞分辨率平台
Visium 覆盖全转录组但 spot 内含多个细胞，通讯分析需借助解卷积，只能在 spot 间粗略推断；Xenium、CosMx 等单细胞分辨率平台可做真正的细胞对分析，但基因数受 panel 限制，需提前确认关键基因是否在内。
常见问题
空间转录组怎么做细胞通讯分析？
先构建空间邻接图，再在一定距离内的细胞或 spot 之间计算配体与受体的共表达并用置换检验评估显著性。Python 中可用 Squidpy 的 ligrec、COMMOT 或 LIANA+ 的空间方法，R 中 CellChat 新版本支持空间数据。单细胞分辨率数据效果明显好于 Visium。
邻域富集分析的 z 分数怎么理解？
它衡量两类细胞实际相邻次数与随机打乱标签后期望次数的差距，以置换分布的标准差为单位。z 分数大于零表示比随机更常相邻，小于零表示相互回避。绝对值大小受细胞数影响，不同样本间比较时最好看方向和排序而不是直接比数值。
什么是细胞邻域（cellular neighborhood）？
它是根据每个细胞周围若干近邻的细胞类型组成聚类得到的组织单元，代表组织中反复出现的多细胞组合。例如淋巴细胞聚集区、肿瘤-巨噬细胞混合区。它把单细胞水平的位置信息上升到组织结构层面，便于比较不同患者组之间的结构差异。
Visium 数据能做空间细胞通讯吗？
可以做有限的分析。由于每个 spot 包含多个细胞，通常先用 RCTD 或 cell2location 解卷积得到细胞类型比例，再分析 spot 之间或 spot 内的配体-受体共表达。结论只能表述为某区域存在信号的潜在条件，无法落实到具体细胞对。
空间细胞通讯结果怎么验证？
常见方式有：在独立样本中用多重免疫荧光确认配体和受体阳性细胞是否相邻；检查接收细胞中下游靶基因或通路活性是否同步升高；在共培养或动物模型中阻断该通路观察表型。只靠表达共定位的结论应写成候选互作。
在 Codar 里怎么做
在 Codar 中上传或指定空间数据、细胞注释和样本分组后，会先确认平台类型、距离单位和比较方案，再完成空间邻接图构建、邻域富集与共定位、细胞邻域识别、带距离约束的配体-受体推断和样本级组间比较。交付邻域富集热图、细胞邻域空间分布图、空间通讯气泡图、样本级统计表和可复现脚本。
我有 12 例结直肠癌的 Xenium 数据，已注释细胞类型，想比较 MSI 和 MSS 两组 CD8 T 细胞与肿瘤细胞的空间邻近关系和细胞邻域差异。