空间转录组技术走向深水区，邻域分析成解锁组织奥秘的关键一环

随着单细胞与空间转录组技术的快速迭代，研究者对组织微环境的认知正从“细胞是谁”迈向“细胞与谁为邻、在何处发挥作用”。Xenium与CosMx两款主流高分辨率空间平台的出现，使亚细胞级别的转录本定位成为现实，而围绕细胞邻域展开的分析，正在成为揭示组织功能组织原则的核心手段。所谓细胞邻域分析，是指在保留空间坐标的前提下，对每个细胞周围一定范围内的邻近细胞组成、密度与状态进行量化刻画，进而识别组织中的功能模块、细胞通讯热点与疾病相关微环境。近期多个研究团队在方法学与实战流程上的表明，邻域分析的价值不仅在于“画出一张更漂亮的空间图”，更在于把空间信息转化为可统计、可解释、可复现的生物学。要让这一分析真正发挥威力，若干关键技巧值得系统梳理。

邻域定义的边界选择决定分析的基本粒度

邻域分析的第一步，是界定“邻居”的空间范围。常见做法包括固定半径邻域、K近邻邻域以及基于细胞分割边界的接触邻域，不同定义会直接改变下游结果的形态。Xenium凭借较高的转录本检出与细胞边界分割能力，适合采用基于分割轮廓的接触关系与短半径邻域，能够捕捉膜接触层面的精细互作；CosMx则在多靶标面板与较大视野上具有优势，常用的固定半径或K近邻策略更利于跨样本比较。实践中应根据组织类型与细胞密度动态调整：在淋巴细胞密集的免疫浸润区，过大的半径会把无关细胞纳入邻域，稀释真实信号；在细胞稀疏的基质区，过小的半径则可能使多数细胞成为“孤岛”。建议以细胞最近邻距离分布为依据，选取使孤岛比例与邻域过度混合均处于可接受区间的参数，并在敏感性分析中报告多组参数的稳健性。

细胞类型注释的准确性是邻域组成的基石

邻域分析本质上是统计“邻居中有哪些细胞类型”，因此上游注释误差会被空间结构放大。空间平台的目标面板通常有限，单纯依赖聚类标记基因容易在形态相近的细胞间产生混淆，例如成纤维细胞亚型、巨噬细胞极化状态与内皮亚群。更稳妥的策略是融合多源信息：利用平台自带的全转录组参考进行标签转移，结合经典标记基因的人工校验，并借助空间连续性做一致性平滑，剔除明显违背空间逻辑的孤立标签。对于Xenium与CosMx之间的联合分析，应警惕面板差异导致的检出偏倚，必要时构建共享基因子集进行统一注释。值得强调的是，保留“未定类”细胞并显式建模其影响，往往比强行归类更有利于后续邻域富集检验的可靠性。

邻域特征工程需要兼顾组成与结构

把邻域转化为可分析的特征，是方法学上的关键一跃。最直接的是邻域细胞类型组成向量，即各类型细胞在邻域内的比例；但仅看组成会丢失空间结构信息。更完整的特征体系应同时纳入多样性指标、优势度指标、邻域密度与空间熵，以及基于距离加权的核函数特征，使近邻细胞获得更高权重。对Xenium数据，可进一步引入转录本级别的邻域信号，例如特定配体在邻域内的表达强度，从而把细胞组成与分子状态耦合起来。特征构建完成后需进行标准化与降维，避免高密度细胞类型主导聚类结果。实践中，将组成特征与结构特征分别聚类再交叉比较，常能发现单一特征体系下被掩盖的微环境亚型。

统计检验与空间零模型是可信的保障

空间数据天然存在自相关，直接套用常规统计检验会严重高估显著性。邻域富集分析应引入合适的空间零模型，例如标签随机置换或空间点过程模拟生成对照分布，评估观测到的邻域共现是否超出随机预期。多重检验校正不可省略，尤其在同时检验数十种细胞类型配对时。对于Xenium与CosMx这类高分辨率数据，还需注意细胞分割误差带来的伪邻接，可设置最小接触长度或要求双向最近邻来降低假阳性。跨样本比较时，应把样本作为随机效应纳入混合模型，避免把个体差异误读为疾病相关变化。报告结果时，建议同时给出效应量与置信区间，而不仅依赖P值。

从邻域到生态位，走向可解释的生物学叙事

邻域分析的终点不是聚类编号，而是可解释的组织生态位。将高频出现的邻域模式为若干“生态位类型”，再与其空间分布、样本分组和临床表型关联，能够形成从分子到组织的连贯叙事。例如在肿瘤研究中，可识别免疫排斥型、免疫浸润型与基质屏障型等生态位，并追踪其在治疗前后的动态变化；在发育组织中，则可刻画祖细胞与其信号源邻居的时空耦合。Xenium与CosMx的高分辨率特性使这类分析具备亚细胞精度，但也要求研究者在可视化与统计之间保持平衡：图要讲清空间故事，统计要守住推断底线。归根结底，邻域分析的关键技巧并不神秘，它们共同指向一个原则——让每一个空间参数的选择都有数据依据，让每一个生物学都能经得起空间零模型的拷问。