在生命科学研究中，空间组学技术可以在组织的原始位置上观察基因和蛋白的分布，是新的研究利器。然而，该领域技术平台多样、数据类型复杂，导致一个核心难题：缺乏一个统一的分析框架，能够跨平台、跨数据类型地构建精准的单细胞表达矩阵。这就像拥有多把锁和钥匙，却无法打开同一扇门，严重阻碍了数据的整合与深度挖掘。

为解决这一瓶颈，华大生命科学研究院李美团队推出CellBin。该工具旨在提供一个真正通用且可扩展的解决方案，将多来源的空间组学数据，高效、准确地转化为可直接用于下游分析的单细胞级“基因表达地图”。

文章预印页面

CellBin的整体框架及应用  

a 以表达矩阵、图像为输入，可以获取单细胞表达矩阵、细胞分割mask等；b-e CellBin的主要流程及可选工具：通过图像拼接、空间图谱配准、组织/细胞核分割，最终实现单细胞级空间基因表达谱构建； f-i（左：原始图像｜右：CellBin分析结果）： Visium HD小鼠肺组织、Xenium人肺癌样本、Stereo-seq拟南芥种子；  j Stereo-cell 人PBMC样本：UMI热图 vs CellBin解析对比； k-l Stereo-CITE 小鼠肝脏 细胞注释及UMAP 可视化展示； m 特定蛋白空间分布；n 血管区域高分辨率展示；o 细胞分割表达谱；p 蛋白分布图谱

/CellBin如何解决复杂问题/

CellBin的强大能力源于其对三个关键分析环节的优化与整合：

精准的多视野图像拼接：针对高通量技术将组织切成数千个微小视野成像的特点，CellBin能将所有小图高效高精度拼接成一幅完整的组织全景图，消除拼接错位，为后续分析奠定可靠的空间基础。

适应多模态成像的细胞分割：面对H&E、荧光等多种染色技术，CellBin集成了经过优化的细胞分割模型，能够精确识别细胞的边界，从而将分子信号准确地归属到单个细胞中。

高效高通量计算架构：针对空间数据量庞大的挑战，CellBin优化了计算流程，显著提升了大数据处理效率，使分析厘米级大样本成为常规操作。

/广泛验证，性能卓越/

CellBin的强大通用性与准确性已在多平台、多物种、多组织类型的数据中得到充分验证。在关键的量化指标上，如细胞分割的F1分数、细胞尺寸测量的准确性以及分子注释的可靠性，CellBin的表现均全面优于现有的七种主流方法。

具体应用场景展示：

精准勾勒组织结构：在小鼠肺切片中，清晰恢复肺泡等精细结构的轮廓边缘。

清晰界定肿瘤区域：在人类肺癌样本中，准确识别并将肿瘤组织分类为一个独立的单元。

破解植物样本难题：在拟南芥种子中，不仅能区分坚韧的细胞壁，还能重建子叶和根茎的完整形态。

融合多组学信息：在小鼠肝脏数据中，成功整合转录组和蛋白组，发现TER119蛋白在无核红细胞区域高表达，而该区域基因信号沉默——这一发现清晰地揭示了蛋白与基因表达的不一致性，凸显了多组学整合分析的巨大价值。

a 放大图像中拼接误差的示例（以像素为单位），10个像素的错位大约相当于半个细胞的大小；b 在公共数据集上，MIST、ASHLAR和MFWS（本文方法）所产生的相对误差比较；c 条形图展示了MIST、ASHLAR和MFWS在各数据集上产生的最大累积拼接误差；d 折线图显示了MIST、ASHLAR和MFWS在Stereo-seq小鼠脑数据集上的运行时间；e 512x512像素的ssDNA染色数据示例。第一幅为原始图像，第二幅为人工标注的真实值，后续图像展示了不同方法的细胞分割结果；f, g, h, i, j 针对ssDNA示例数据，分别展示了不同方法的AJI（聚合杰卡德指数）、F1分数、边界F1分数、细胞大小评估和计算资源使用情况； k, l 展示了在482套图像集上评估的F1分数和Dice系数； m 图示了CellBin在1cm×1cm、1cm×2cm和2cm×3cm芯片尺寸上的CPU内存使用量、GPU内存消耗和处理时间；n 展示了使用CellBin和Cellpose对完整小鼠脑切片进行cell2location注释的结果；o 左图和中图分别提供了第三个脑区在CellBin和Cellpose下的放大视图；右图描绘了Allen小鼠脑图谱中的对应区域；p 比较了两个不同区域中的细胞比例；q 展示了使用两种工具在整个小鼠大脑中得到的cell2location定位分数；r 可视化展示了经CellBin处理后的整个小鼠大脑的大脑皮层；s, t 分别提供了SSp皮层的放大视图及其邻近区域分析z-score 对比。

CellBin的推出，是空间组学数据分析迈向标准化和可重复性的关键一步。它提供了便捷的格式转换工具，支持Stereo-seq等主流平台数据的无缝接入。其模块化设计也赋予用户高度的灵活性，可根据具体需求选择不同的分析模块。

作为一个在单细胞水平处理空间组学数据的通用框架，CellBin精准地回应了该领域对“更多组学、更大视野、更多平台”统一分析工具的迫切需求。它不仅在同台竞技中展现出卓越的性能，更在下游的细胞注释分析中提供了更清晰、可靠的结果。随着空间组学的持续发展，CellBin有望成为支撑重大生物学发现的基础性工具，赋能发育、疾病、神经科学等多个前沿领域的探索。

论文链接｜立即体验CellBin｜CellBin github