一张染色切片上，成千上万个细胞挤在一起——这些转录本，究竟该分配给哪一个细胞？北大团队的新模型 DISSECT，给出的是一套「边看图、边读基因」的新解法。

空间转录组学技术已经能够检测亚细胞水平的基因表达，但一个关键问题始终存在：如何将这些转录本准确分配给每一个独立的细胞？细胞分割的精度，决定了后续所有分析——细胞类型注释、空间生态位识别、细胞间互作推断——的可靠性。在细胞密集、形态多样的肿瘤组织中，现有方法精度不足，容易漏检或边界不清，导致转录本分配错误，分析结论可能随之偏离。

2026年7月，北京大学曾泽贤团队与合作者在Nature Computational Science上发表的DISSECT模型，为解决这一问题提供了新方案。DISSECT的核心思路是：不只用细胞形态图像，而是将图像与空间转录组数据整合起来，让基因表达信息也参与到细胞边界的判定中。这一设计让研究者能够从“看见基因在哪里表达”推进到“精准解析每个细胞的转录组和空间位置”。模型的工作流程分为三个主要步骤，每一步都对应一个具体的技术挑战。

第一步：让图像特征更干净

DISSECT首先使用基于特征金字塔网络的编码器从原始染色图像中提取多尺度特征图。经过对比测试，最终选择ResNet-101作为骨干网络。随后，模型引入一个去噪扩散隐式模型（DDIM）。在训练过程中，DDIM在正向扩散过程中向多尺度特征图逐步添加高斯噪声，再由带有自注意力模块的条件U-Net在反向过程中学习预测并去除噪声。经过这一步骤，最终获得的特征图更干净、更稳定，有效抑制了背景噪声等干扰，缓解了不同样本间染色差异的影响。这一步帮助研究者获得了更清晰的细胞形态信息，为后续的细胞检测和分割奠定了基础。

第二步：找到每个细胞在哪里

基于去噪后的特征图，DISSECT采用两个可变形卷积网络（DCNs），分别预测像素级的"细胞可能性图"和用于区分不同细胞实例的"实例感知嵌入"。这些信息随后被送入一个基于Transformer的两层检测解码器，最终输出每个细胞的候选框。这一步帮助研究者确定每个细胞的大致位置和范围，即使在细胞密集区域也能有效区分不同的细胞实例。

第三步：用转录组数据精细化细胞边界——这是DISSECT最核心的创新

在每个检测到的候选框内，模型会分别计算两个梯度场：图像梯度场和转录组梯度场。图像梯度场反映细胞形态的视觉边界信息；转录组梯度场则基于局部空间转录组表达模式（结合空间邻近性加权）计算，反映基因表达的空间变化趋势。DISSECT通过Jensen–Shannon散度（JSD）衡量这两个梯度场的方向一致性，并据此动态确定一个自适应权重。当转录组梯度场与图像梯度场方向一致时，模型会赋予转录组信息更高的权重，从而对图像边界进行精细化修正；反之则降低其权重。这一步的价值在于：当图像边界模糊时，转录组数据提供了额外的"生物学边界"信息，帮助研究者更准确地判断细胞在哪里结束、下一个细胞从哪里开始。

图1. DISSECT整体架构图

DISSECT的性能如何？ 在SPATCH基准数据集上——该数据集包含Visium HD、Stereo-seq、Xenium 5k和CosMx 6k四个平台的高分辨率空间转录组数据，并以手动标注的细胞或细胞核边界作为金标准——DISSECT的平均精度（mAP）显著高于Cellpose、Mesmer、StarDist；与同样整合图像与转录组数据的方法BIDCell、SCS相比，DISSECT也取得更高的AP和更接近金标准的细胞（细胞核）计数。在细胞密集的肿瘤核心区域，DISSECT能够更准确地分离出单个细胞。消融实验进一步证实，转录组引导模块的加入使mAP相比仅使用图像特征有所提升。在Xenium 1k、CosMx 1k和Stereo-seq等外部独立数据集上，DISSECT同样表现良好。

图2. SPATCH 基准数据集上 DISSECT 与现有方法对比

更重要的是，DISSECT的分割精度直接影响了后续分析的质量。由DISSECT分割重建的细胞转录组，在无监督聚类与自动细胞类型注释之间的一致性更高，细胞类型特异性标记基因的表达也更集中。这意味着研究者可以更可靠地判断每个细胞的身份和功能状态。

研究团队还将DISSECT应用于3对胃腺癌患者的配对样本——患者接受含奥沙利铂、替加氟与抗PD-1药物（帕博利珠单抗或特瑞普利单抗）的治疗，样本为治疗前穿刺活检与治疗后手术标本，均采用Stereo-seq进行空间转录组测序。通过DISSECT的精准分割，团队得以在空间原位重建每个细胞的转录组，并识别出多种细胞亚型，包括癌症相关上皮细胞、成纤维细胞、巨噬细胞和B/浆细胞的不同功能亚群。这些发现验证了DISSECT在真实生物学问题中的分析价值。

图3. 基于DISSECT的胃腺癌空间单细胞图谱

总体而言，DISSECT通过整合图像与转录组数据，让研究者能够从“看见基因在哪里表达”推进到“精准解析每个细胞的转录组和空间位置”。DISSECT的代码已在GitHub上以MIT协议开源，Stereo-seq原始测序数据已存入GSA-Human数据库（HRA009001，受控访问，可按照相关政策申请），为领域内的进一步探索提供了基础。

目前 DISSECT 代码已在 GitHub 以 MIT 协议开源，Stereo-seq 原始测序数据也已存入 GSA-Human 数据库（受控访问，可按政策申请）——想亲手复现的读者，可以直接到文末找到出处。

从「一张地图」到「精准到每一个细胞的图谱」，空间组学正在越来越接近那个"看清每一个细胞"的目标。添加华大智造时空组学官网书签，第一时间读懂时空组学的前沿进展。

资料来源：

He Y, Zhao Y, Zhang R, et al. Integrating cytological images and spatial transcriptomics for cell segmentation with DISSECT. Nature Computational Science. 2026.

• 原文链接：https://www.nature.com/articles/s43588-026-01020-x

• 代码（MIT 协议）：https://github.com/zenglab-pku/DISSECT

• Stereo-seq 原始数据：GSA-Human（编号 HRA009001，受控访问）https://ngdc.cncb.ac.cn/gsa-human/