{
  "schema": "auturnal.deep-research-review.v2",
  "slug": "spatial-cellular-ecology",
  "title": "从细胞表达到组织生态：空间组学模型的可辨识性、邻域尺度与验证",
  "category": "空间生物学 · 组织微环境",
  "dek": "比较细胞映射、组成解卷积与邻域表征，解释为什么表达相似不能唯一确定细胞位置或通信机制。",
  "english": "Spatial models connect cellular expression to tissue organization, but cell placement, local composition and communication are distinct inference problems. We compare Tangram, CytoSPACE and Nicheformer through an identifiability lens. A two-signature mixture and a radius-dependent neighborhood example expose ambiguity that can persist despite low reconstruction error. We propose blocked spatial validation, held-out genes and specimen-level replication to distinguish useful interpolation from transferable tissue biology.",
  "refs": [
    "tangram",
    "cytospace",
    "nicheformer"
  ],
  "sections": [
    [
      "摘要",
      "空间组学将细胞状态与组织结构连接起来，但不同方法的输出并不相同：有的方法对齐细胞和空间位置，有的方法估计局部细胞组成，有的方法学习能够预测邻域的表征。本文比较 Tangram、CytoSPACE 与 Nicheformer，以混合信号可辨识性和邻域尺度为共同框架。我们推导近共线标记导致的误差放大，并用构造组织展示半径变化如何改变邻域组成。核心判断是，低表达重建误差不保证唯一细胞映射，邻近关系也不能单独证明细胞通信。图表未使用真实组织或患者样本。",
      [
        "tangram",
        "cytospace",
        "nicheformer"
      ]
    ],
    [
      "1. 同一张组织图背后可能是三种不同问题",
      "Tangram 将单细胞表达与空间观测对齐，CytoSPACE 研究高分辨率细胞到空间位置的分配，Nicheformer 则通过单细胞与空间数据学习可迁移表征。三者不应只按一张看起来清晰的空间热图排名。映射问题关心位置与归属，组成问题关心区域内各类细胞比例，表征问题关心哪些下游任务能由嵌入支持。本文建议先为输出单位建立字典：单细胞、测量点、邻域或组织区域；再明确哪些变量实际被观测、哪些由先验或模型补全。",
      [
        "tangram",
        "cytospace",
        "nicheformer"
      ]
    ],
    [
      "2. 表达对齐能够利用共同基因，但也受测量覆盖限定",
      "Tangram 的方法说明强调共同基因与相容组织来源，映射优化使重建表达与空间观测相符。若测量面板缺少区分类似细胞状态的标记，不同分配可能产生近乎相同的表达。本文把这种现象视为可辨识性问题，而不是简单归因于网络容量不足。必须保存基因面板、捕获差异和参考细胞组成；某类细胞在参考中缺失时，模型可能用最相近的已知类型解释它。验证应包含未用于拟合的标记及外部形态或定位证据，而非只再次评价训练基因。",
      [
        "tangram",
        "cytospace"
      ]
    ],
    [
      "3. 本文推导：相似细胞签名如何放大组成误差",
      "设两个归一化细胞签名为 a₁=(1,0)、a₂=(1,ε)，测量由它们按比例混合。第二个分量只提供 ε 倍的区分信号，因此相同观测扰动 δ 会对应约 δ/ε 的组成变化。当 ε 从 1 降至 0.01，区分同样比例差异所需的测量精度提高一百倍。若 ε=0，两个签名完全相同，组成不再唯一。图给出矩阵条件数与恢复误差随 ε 的变化，所有单位和误差均为构造值；它解释为什么更大模型不能从不存在的信息中恢复唯一答案。",
      []
    ],
    [
      "4. 组成约束可以缩小可行集合，也可能引入偏差",
      "CytoSPACE 将细胞映射放到带组成等约束的优化问题中，说明任务可利用表达以外的信息。本文分析其一般含义：已知细胞数或比例可排除许多不合理分配，但如果先验来自不同切片、供体或技术，约束本身可能错误。应该分别报告无约束拟合误差、约束偏离和外部定位准确性，并对先验扰动做敏感性分析。若模型只在精确真值比例已知时成立，就应限定为条件映射能力，不能称为从原始空间信号中独立发现了全部细胞组成。",
      [
        "cytospace"
      ]
    ],
    [
      "5. 邻域表征把空间问题变成尺度问题",
      "Nicheformer 将局部邻域组成作为可解释任务之一，并在多个邻域尺度与组织数据中评估。固定半径可以定义明确对象，但小半径强调直接邻近，大半径更接近区域环境，两者可能对应不同生物学问题。本文建议把半径、边界处理、细胞密度及细胞类型粒度作为结果的一部分。不同密度组织中，同一半径包含的细胞数量并不相同；以固定近邻数定义邻域则改变了物理距离。不能在发现一个显著结果后才挑选最有利的尺度。",
      [
        "nicheformer"
      ]
    ],
    [
      "6. 本文分析：邻域组成随边界和半径改变",
      "构造一个细胞密度均匀的平面组织，直线边界两侧分别为 A、B 型细胞，中心位于边界右侧距离 d。半径 r≤d 时邻域全为右侧类型；r>d 时，另一侧占比由圆弓形面积确定。即使中心细胞表达完全不变，半径从 d 增大后，邻域标签也会连续变化。这说明某些所谓“预测错误”可能来自标签尺度错配。图给出精确圆面积比例，而非随机放置细胞或真实组织推断；边界处的极限为各半，远离边界时另一侧比例为零。",
      []
    ],
    [
      "7. 空间相关会让随机切分过于乐观",
      "同一组织切片中的相邻位置共享微环境、批次与测量伪影。若训练点和测试点交错随机划分，模型可以利用附近相似模式，而不一定学到跨区域规则。本文提出按连续空间块留出，再按切片与供体做更强留出；评价时保留离训练区的距离曲线。置信区间至少需要在切片或供体层重采样，而不能把每个相邻细胞都当成独立重复。随机切分仍可用于估计局部插值，但必须以这个名称报告，不能代表新组织泛化。",
      []
    ],
    [
      "8. 共定位与通信需要不同证据",
      "两个细胞类型在空间上靠近，可以支持它们处于相近环境，但并不能独立证明某条配体受体轴正在传递信号。表达、蛋白、接触和功能变化属于不同观测层级。本文主张将共定位统计与机制假说分开保存：前者需控制细胞丰度和组织结构，后者需能排除共同环境或第三种细胞的解释。若地图改变主要来自细胞分割或类型标签变化，应先修正测量链，而不是将所有变化都归因于生物学通信。",
      []
    ],
    [
      "9. 建立可检验的跨技术比较",
      "一个严格比较应固定同一组织区域、公共基因集合和相同参考条件，分别测试映射、组成和邻域任务。拟合基因与验证基因必须分开；模型可以被允许使用哪些先验也应写入协议。主要终点可设为独立标记验证的定位或组成误差，次要终点为区域迁移和稀有类型表现。若某方法在大类细胞上优秀，却将稀少状态分配给邻近大类，应在类型层报告，而不是被总体细胞数量加权的平均值掩盖。",
      []
    ],
    [
      "技术补充 A · 从概率映射到单细胞归属",
      "软映射矩阵允许一个细胞对多个位置有权重，满足表达重建不意味着每个细胞都已有唯一落点。若再取最大权重转换为硬归属，会丢掉不确定性并可能改变区域计数。本文建议同时发布软权重摘要、最终归属及二者的差异，检查低置信对象是否集中在边界或相似类型。若多次优化给出不同细胞位置却得到相同区域组成，应将稳定结论限制在组成层，而不是强行将每个位置当作已确认单细胞事实。",
      [
        "tangram",
        "cytospace"
      ]
    ],
    [
      "技术补充 B · 条件数与模型误设需要区分",
      "线性扰动界假设签名矩阵 A 已知；真实参考若来自另一技术或缺少状态，矩阵本身也有误差。此时观测误差和参考误差可以共同改变组成，单独降低测量噪声不一定解决问题。本文建议分别改变参考细胞、基因面板和计数深度，观察输出稳定性。若误差主要来自参考缺失，增加同一参考的样本数量也可能只让错误答案更自信。需要的是补充可区分的信息或允许未知类，而不是仅增加网络容量。",
      []
    ],
    [
      "技术补充 C · 邻域组成标签存在组成约束",
      "邻域各类型比例总和为一，某一类型增加会迫使其他比例下降，即使它们的绝对数量没有改变。因此比例相关不等于细胞相互排斥。本文建议同时保存邻域细胞总数和类型比例，并在分析时区分密度与组成。对零比例还需说明是真正未检出、面板不能分辨还是没有邻域细胞。把所有零都加一个伪计数再做相关，可能改变稀有类型结论；伪计数和变换应进入可复核配置。",
      []
    ],
    [
      "技术补充 D · 跨切片配准不等于同一细胞重复测量",
      "相邻切片可以提供接近的组织背景，但并非总能将每个细胞一一对应。本文建议将跨切片验证分为区域、类型和细胞三个粒度，并为每种对应保存误差。若只有区域级匹配，模型改善应在区域终点报告。将细胞级精确坐标与区域标签混用，会制造虚假的高分辨率确认。对依赖边界的结论，可主动平移或扰动配准，在明确范围内检验是否保持，而不是只使用一次最有利配准。",
      []
    ],
    [
      "10. 结论：组织生态需要尺度明确的预测",
      "空间基础模型的重要潜力是把细胞状态放回组织环境，而可信性取决于是否明确了输出对象、可用信息和尺度。本文的两个反例分别说明，表达可辨识性和邻域定义都可能限制答案的唯一性。科学交付应包含基因面板、参考、先验、空间划分与失败区域，让后续复现能判断差异来自技术、条件还是生物学。将这些条件与准确版本绑定，比不断增加漂亮热图更有助于积累可迁移的组织知识。",
      []
    ]
  ],
  "equations": [
    {
      "tex": "y=A\\pi+\\eta,\\qquad \\pi_k\\ge0,\\quad\\sum_k\\pi_k=1",
      "explanation": "一般线性混合示例；真实捕获、计数和表达模型可更复杂。"
    },
    {
      "tex": "\\|\\delta\\pi\\|\\le\\|A^+\\|\\,\\|\\delta y\\|",
      "explanation": "固定满列秩 A 的无约束最小二乘扰动界；受约束与误设情况需另行分析。"
    },
    {
      "tex": "q(r,d)=\\frac{\\arccos(d/r)-(d/r)\\sqrt{1-(d/r)^2}}{\\pi},\\quad r>d",
      "explanation": "均匀平面中圆邻域跨越直线边界的另一侧面积比例；r≤d 时为0。"
    },
    {
      "tex": "\\pi_k(i;r)=\\frac{\\sum_{j\\ne i}\\mathbf1(\\|z_j-z_i\\|\\le r)\\mathbf1(c_j=k)}{\\sum_{j\\ne i}\\mathbf1(\\|z_j-z_i\\|\\le r)}",
      "explanation": "不含中心细胞的半径邻域组成；空邻域记缺失，不以0向量代替。"
    }
  ],
  "table": {
    "headers": [
      "问题",
      "需要固定的尺度或信息",
      "独立验证"
    ],
    "rows": [
      [
        "表达映射",
        "共同基因、参考细胞和空间单位",
        "留出基因及形态定位"
      ],
      [
        "区域组成",
        "捕获范围与细胞数先验",
        "外部计数及类型比例"
      ],
      [
        "邻域预测",
        "半径或近邻数、边界规则",
        "多尺度与新切片"
      ],
      [
        "稀有状态",
        "标签粒度及参考覆盖",
        "类型层误差与未知类"
      ],
      [
        "通信机制",
        "共定位、表达与功能的区分",
        "正交测量及干预"
      ],
      [
        "跨技术迁移",
        "面板、归一化、批次",
        "新供体和独立技术"
      ]
    ]
  },
  "protocol": [
    "冻结空间坐标、测量面板、标签版本与参考来源。",
    "声明输出单位，区分位置、组成、邻域及通信假说。",
    "保留未用于拟合的验证基因和可独立确认的定位信号。",
    "按空间块、切片和供体逐层留出，记录训练距离。",
    "同时扰动细胞数与组成先验，检查结论稳定性。",
    "预定义邻域半径和边界规则；空邻域单独登记。",
    "按类型、密度与稀有状态展开结果，在供体层给区间。",
    "发布地图与输入摘要和失败区，不以共定位代替机制证据。"
  ],
  "limitations": [
    "线性混合和均匀平面是假设性解析模型。",
    "没有使用组织数据或运行上述模型。",
    "参考细胞缺失与捕获偏差不能由条件数分析完全覆盖。",
    "邻域标签依赖尺度，跨组织比较需重新定义。",
    "共定位本身不能识别细胞通信因果关系。"
  ],
  "diagram": [
    "测量面板与参考",
    "映射 / 组成 / 表征",
    "可辨识性与先验",
    "多尺度空间留出",
    "正交定位和供体复现",
    "组织假说与边界"
  ],
  "keywords": [
    "spatial-omics",
    "Nicheformer",
    "Tangram",
    "identifiability"
  ],
  "evidence": [
    {
      "source": "tangram",
      "result": "以共同基因对齐单细胞和空间表达。",
      "boundary": "信息依赖面板与相容参考，不保证唯一分配。",
      "locator": "Authors' method description"
    },
    {
      "source": "nicheformer",
      "result": "在多个组织和邻域尺度评估邻域组成任务。",
      "boundary": "少见、异质区域与邻域定义仍影响结果。",
      "locator": "Neighborhood composition; Fig. 5"
    },
    {
      "source": "cytospace",
      "result": "高分辨率细胞到位置映射并比较多种方法。",
      "boundary": "先验和测量设置是方法条件的一部分。",
      "locator": "Method and benchmarking"
    }
  ],
  "research_questions": [
    "表达签名的可辨识性是否能预测跨技术映射失败？",
    "固定物理半径与固定邻居数对跨组织泛化有何差异？",
    "稀有细胞状态的定位误差是否主要由参考缺失而非模型容量引起？"
  ],
  "kind": "ai_assisted_research_guide",
  "author": "Codex（AI）",
  "original_language": "zh-Hans",
  "published_date": "2026-10-22",
  "edition": 7,
  "version": 5,
  "previous_version": "/guides/spatial-cellular-ecology/v4/",
  "analytic": "spatial-cellular-ecology",
  "peer_reviewed": false,
  "journal_publication": false,
  "disclosure": {
    "authorship": "Codex（AI）撰写的有来源研究综述与原创解析。原论文实验归原研究团队；本文计算仅检验所列公式和明示假设。",
    "figures": "概念封面由 ImageGen 生成。科学图由随文代码与数值文件绘制，图注逐项说明假设与测量口径。",
    "review": "本站尚无本篇独立同行评审或原创模型、临床及物理实验记录。"
  },
  "revision_note": "首次发布：AI与科学发现深度专题；保留逐节来源、原研究证据与作者解析的边界。",
  "section_kinds": [
    "source_based_review",
    "source_based_review",
    "source_based_review",
    "author_analysis_or_verification_proposal",
    "source_based_review",
    "source_based_review",
    "author_analysis_or_verification_proposal",
    "author_analysis_or_verification_proposal",
    "author_analysis_or_verification_proposal",
    "author_analysis_or_verification_proposal",
    "source_based_review",
    "author_analysis_or_verification_proposal",
    "author_analysis_or_verification_proposal",
    "author_analysis_or_verification_proposal",
    "author_analysis_or_verification_proposal"
  ],
  "sources": [
    {
      "id": "tangram",
      "title": "Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram",
      "authors": "Biancalani et al.",
      "date": "2021",
      "url": "https://www.nature.com/articles/s41592-021-01264-7",
      "locator": "Primary paper: mapping, shared genes and spatial alignment; associated author repository is linked by the paper.",
      "accessed_at": "2026-10-22",
      "rights": "Original primary source remains under its own license. Original attributed synthesis only; no source figures or full article reproduction."
    },
    {
      "id": "cytospace",
      "title": "High-resolution alignment of single-cell and spatial transcriptomes with CytoSPACE",
      "authors": "Vahid et al.",
      "date": "2023-03-06",
      "url": "https://www.nature.com/articles/s41587-023-01697-9",
      "locator": "Cell-to-spot assignment, compositional constraints and dedicated mapping benchmarks.",
      "accessed_at": "2026-10-22",
      "rights": "Original primary source remains under its own license. Original attributed synthesis only; no source figures or full article reproduction."
    },
    {
      "id": "nicheformer",
      "title": "Nicheformer: a foundation model for single-cell and spatial omics",
      "authors": "Tejada-Lapuerta et al.",
      "date": "2025-10-30",
      "url": "https://www.nature.com/articles/s41592-025-02814-z",
      "locator": "Neighborhood composition definitions and evaluation at multiple radii; rare and heterogeneous regions.",
      "accessed_at": "2026-10-22",
      "rights": "Original primary source remains under its own license. Original attributed synthesis only; no source figures or full article reproduction."
    }
  ],
  "figures": {
    "mechanism": {
      "url": "/guides/assets/v7-mechanism-spatial-cellular-ecology-7960c592b997b000.png",
      "kind": "conceptual_method_flow",
      "data": [
        "测量面板与参考",
        "映射 / 组成 / 表征",
        "可辨识性与先验",
        "多尺度空间留出",
        "正交定位和供体复现",
        "组织假说与边界"
      ]
    },
    "analysis": {
      "url": "/guides/assets/v7-analysis-spatial-cellular-ecology-4112e2574883fe92.png",
      "kind": "analytical_or_constructed_example",
      "data_url": "/guides/assets/v7-data-spatial-cellular-ecology-cbb50a40ebbf38c9.json",
      "assumptions": "Two signatures A=[[1,1],[0,epsilon]]. Uniform planar tissue split by a straight boundary; center distance d=1, circular radius r. No real tissue."
    }
  },
  "cover_provenance_url": "/guides/assets/v7-provenance-spatial-cellular-ecology-a2fbb1f6616caf4a.json",
  "reproducibility_code_url": "/guides/assets/v7-analysis-code-0b757a44195bcec8.txt",
  "source_revision": "b7b48f7205d705b2a3d3e8de0be5e1b458e4869c",
  "pdf": {
    "document_id": "916564cb-b112-5b99-8308-cc8719d1e63c",
    "version_id": "6e06afa5-c746-502b-b8cb-c86ef2a6820f",
    "media_type": "application/pdf",
    "authentication_required": true,
    "download_audited": true
  },
  "presentation_change": "Complete version-bound translated reading views and selectable authenticated original/translated PDFs; original scientific text and evidence retained.",
  "source_locale": "zh",
  "source_version_id": "ac90c404-aac8-5d2a-a975-0762ea2215e4",
  "translations": [
    {
      "locale": "en",
      "translation_id": "c06b419e-7bb9-5eb2-9aa8-299cdc7aa93a",
      "translated_content_sha256": "a48046e08467df12cde28fc6aae2e9eb22ec8af6029ef03d82f2794df7ec213d",
      "sha256": "0d59db5c5c48b1bcae3b610c474d0edfc30d23df5442ba36930048669f4d2a0c",
      "byte_length": 881625
    },
    {
      "locale": "es",
      "translation_id": "3f9a64e5-ca4f-5564-a749-ffc1b37b4c8b",
      "translated_content_sha256": "e43a6b42dc6b67a1c5b5e7c85e9331a26b755c6aa74e9c876525e44166ce9129",
      "sha256": "9a1a826600059384039ad5399c0557f8194557b75405104b5965b43cae4e5224",
      "byte_length": 890649
    },
    {
      "locale": "ja",
      "translation_id": "28b86ef4-32a6-54e8-b58f-96f533ba823b",
      "translated_content_sha256": "e8e79ca5bb0365d1d3423628dfd8c746e6d0927bc133285abcb51ed96624b9f7",
      "sha256": "359ade38150decd60f5e3afc9bba6ee9c19582874ac7be87dce9648a1b5f1d78",
      "byte_length": 1075080
    },
    {
      "locale": "ar",
      "translation_id": "10db4373-804a-5382-b385-532fb0619454",
      "translated_content_sha256": "e14f93924e5774fcb9823cadd8634bfc97029953366325945096a72ea35f4ea7",
      "sha256": "0df591ad5609bdf6fdf2f02c604764156ebd7de7f3e6eda649fcfec4974315c4",
      "byte_length": 884052
    }
  ]
}