知识扩展--华大stereo-seq如何得到合理的分析精度bin

作者，Evil Genius

明天和意外，真的不知道哪个会先到来。

有时候也会陷入自我怀疑，既然过的如此辛苦，还遭受各种折磨，那么来这个世界上走一遭的意义是什么？是降薪裁员，还是劳动仲裁？

今天我们来更新一个内容，那就是华大stereo-seq分析如何获取合理的分析精度bin。

华大是一个非常好的单位，大家有机会一定要加入，要珍惜。虽然它不完美，但是国产品牌真的不容易，如果能出一份力，也是非常棒的决定。

空间平台能与Xenium、Visium、HD等一较高下的，国产只有Stereo-seq，且目前还处于劣势。

当然了，华大目前有细胞分割的做法，但是也存在缺陷，主要如下。

亚细胞分辨率：Stereo-seq像素尺寸为500nm，远小于细胞大小（~10-20μm），但RNA扩散会导致信号跨细胞边界。

无直接细胞边界信息：标准Stereo-seq只有基因表达和DAPI核染色，缺乏细胞膜标记。

组织异质性：不同组织类型的细胞大小、密度、形态差异大。

分割策略分类

基于核染色分割（最常用）

基于基因表达分割

结合核染与表达的混合方法（这是目前最前沿的做法，针对华大数据）

深度学习/计算机视觉方法

华大空间数据细胞分割的文章并不多，而且没有单独用细胞分割的，所以大多数情况，还是需要寻找合理的bin值。

理解Bin Size的含义

Bin（像素合并）：将原始高分辨率的像素（如500nm）合并成更大的分析单元，以增加每个空间单元内的分子数（UMI/基因数），提高信噪比，便于下游分析。

权衡：

小bin size（如1x1、2x2像素）：分辨率高，能捕获细胞亚结构，但分子数少、数据稀疏、噪声大。

大bin size（如16x16、32x32像素）：分子数多、信噪比高，但空间细节模糊，可能掩盖细胞异质性。

选择Bin Size的参考标准

a. 根据生物学问题

亚细胞结构/细胞边界研究：

使用小bin（如1x1或2x2像素，即0.5-1 μm）。适合研究细胞内基因分布（如极性基因）。

细胞类型聚类/空间域识别：

使用中等bin（如8x8至16x16像素，即4-8 μm），确保每个bin内约有5-20个细胞，以获得足够的转录本进行聚类。

组织区域划分（如脑区、肿瘤区域）：

使用较大bin（如32x32至64x64像素，即16-32 μm），关注宏观区域差异。

b. 根据数据质量

高RNA捕获率/高密度组织：

可使用更小的bin，因为分子数足够。

低RNA捕获率/稀疏数据：

需增大bin以提高信噪比（如从8x8调整为16x16）。

c. 验证标准：每个Bin的分子数

关键指标：

每个bin的平均UMI数应 > 100（理想情况 > 500），基因数 > 50（可通过试调整bin size后计算 summary(bin_matrix) 检查）。

我们来看看文献的做法

第一篇

看看bin和指标，bin100，基因数大于500。

第二篇

看看bin和指标，bin50，基因数未知。

第三篇

看看bin和指标，bin50，基因数大于500。

第四篇

看看bin和指标，bin50，基因数大于500。

第五篇

看看bin和指标，bin50，基因数未知。

第六篇

看看bin和指标，bin50，基因数大于20。

第七篇

看看bin和指标，bin100，基因数大于200。

第八篇

看看bin和指标，bin80，基因数大于500。

第九篇

看看bin和指标，bin50，RCTD保留有效细胞。

第十篇

看看bin和指标，bin80，RCTD保留有效细胞。

那么选择该怎么进行呢？

其实看文章，主要两个策略，1、基因数足够；2、有效spot足够多，大致就是bin50、bin80，基因数一般大于500(UMI)，或者RCTD的联合保留有效spot。

生活很好，有你更好