2024年6月19日，牛津大学的研究人员在Nature发表题为Multiscale topology classifies cells in subcellular spatial transcriptomics的文章。
随着生物技术的快速发展，空间转录组学已经成为研究组织内基因表达模式的重要工具。然而，传统的空间转录组学方法面临着转录组深度、空间分辨率和样本大小之间的权衡。虽然图像分割技术在某些研究中发挥了重要作用，但受限于成像质量和组织异质性，其应用范围仍有所限制。
该研究提出了一种多尺度的方法，旨在自动在亚细胞水平上分类细胞类型。该方法不仅利用了转录组信息，还结合了空间上下文，从而能够在目标转录组和全转录组空间平台上实现更精确的细胞分类和形态识别。研究以人类肾脏组织和小鼠免疫细胞为模型，展示了该方法的实际应用和优势。此外，研究还探索了如何利用这些细胞类型的空间关系，结合多参数持久同调性的拓扑管道，来识别特定疾病模型（如狼疮性肾炎小鼠模型）的特征。
该研究的意义在于为空间转录组学领域提供了一种新的分析框架，该框架能够充分利用亚细胞水平的转录组信息和空间上下文，实现更准确的细胞类型识别和形态分析。这不仅有助于深入理解组织内基因表达的复杂性和动态性，还为疾病诊断和治疗提供了新的视角和方法。通过验证该框架在狼疮性肾炎小鼠模型中的应用效果，研究展示了其在实际应用中的潜力和价值。
