空间多组学技术正在重塑研究者对组织微环境的认知，而Xenium与CosMx两大平台的崛起，使“目标细胞邻域分析”从辅助手段跃升为解析疾病机制的核心方法。邻域分析的关键，不仅在于识别细胞的空间毗邻关系，更在于把邻域从静态描述转化为可解释、可比较、可验证的生物学变量。以下从多个维度梳理这一领域的关键要点。

从“看到细胞”到“读懂邻域”

传统单细胞测序丢失了空间坐标，而Xenium与CosMx亚细胞分辨率成像与原位转录本检测，能够同时捕获细胞类型、基因表达与空间位置。邻域分析的第一步，是把离散的细胞坐标转化为有意义的空间结构：确定邻域半径、构建细胞邻接图、定义邻域内细胞组成。不同平台在分辨率、panel大小与检测灵敏度上的差异，会直接影响邻域边界的划定。例如，Xenium的高分辨率成像有利于精细划分细胞膜边界，而CosMx的大panel在细胞类型注释上更具优势。研究者需要根据生物学问题选择平台，并在邻域定义阶段保持参数透明，避免“半径随意选、跟着变”的隐患。

邻域半径不是越小越好

邻域半径的选择是分析中最容易被忽视却影响深远的环节。半径过小，邻域内细胞数不足，统计噪声放大；半径过大，则模糊了局部微环境的特异性，把不同生态位混为一谈。合理做法是结合组织类型与细胞密度进行敏感性分析，比较多个半径下邻域组成的稳定性，并参考已知的旁分泌信号作用距离。对于免疫浸润密集的肿瘤组织，较小半径可能更能捕捉免疫突触层面的相互作用；对于结构疏松的间质区域，则需适当扩大范围。关键要点在于：半径应作为可检验的参数而非默认设定，并在论文中明确报告选择依据。

细胞类型注释决定邻域质量

邻域分析的可靠性高度依赖上游细胞类型注释的准确性。Xenium与CosMx的panel通常覆盖数百至数千基因，注释时需结合标志基因、无监督聚类与参考图谱映射。若注释粒度粗，邻域组成只能停留在“免疫细胞—肿瘤细胞”层面；若注释过细，则可能因亚群定义不稳导致邻域结果难以复现。实践中应建立分级注释策略：先确定大类，再在数据支持充分时细分亚群，并对每个亚群给出标志基因与空间分布验证。值得注意的是，邻域内“目标细胞”的定义应服务于具体假设——研究细胞互作时，目标细胞是配体—受体表达的载体；研究生态位时，目标细胞则是邻域结构的组织者。

邻域组成需要多尺度统计框架

单纯统计邻域内各类细胞比例，只能回答“谁在旁边”，无法回答“这种毗邻是否超出随机预期”。因此需要引入多尺度统计框架：以置换检验或空间点过程模型评估邻域富集与排斥，以邻域富集分数刻画目标细胞与特定细胞类型的空间亲和性，并结合样本间比较识别疾病相关的变化模式。多尺度意味着同时考察单细胞邻域、细胞团簇邻域与区域邻域三个层次，避免以局部推断整体组织架构。统计显著性与效应量应并重报告，尤其在样本量有限的空间组学研究中，过度解读微小差异是常见陷阱。

配体—受体分析让邻域“活”起来

邻域结构的生物学意义最终要落到信号交流上。将邻域分析与配体—受体推断结合，可以回答“毗邻细胞之间是否具备通讯潜力”。Xenium与CosMx的原位表达数据使这一推断更具空间约束：只有空间邻近且双方表达相应配体与受体的细胞对，才被纳入候选互作。分析时应区分“表达共现”与“功能互作”，前者是必要非充分条件。建议对关键互作进行通路层面聚合，并结合邻域富集结果交叉验证——若某类细胞对在疾病样本中既空间富集又配体—受体信号增强，其生物学可信度显著提升。同时需警惕panel基因覆盖不全带来的假阴性，对未检测到的配体或受体不应轻易否定其作用。

跨样本与跨平台比较需谨慎对齐

邻域分析的最终价值在于比较：疾病与正常、治疗前后、不同患者亚型。跨样本比较要求邻域定义、细胞注释体系与统计方法保持一致，并对批次效应保持敏感。跨平台比较则更为复杂，Xenium与CosMx在探针设计、背景噪声与分割算法上的差异，可能使同一组织的邻域组成出现系统性偏移。可行策略包括：使用共同基因集进行降维对齐，采用相对富集分数而非绝对比例进行比较，并在独立队列中验证关键邻域模式。任何跨平台都应视为假设生成，而非直接定论。

让邻域结果可复现、可解释、可验证

邻域分析的落地离不开规范化的结果呈现。建议报告邻域半径、细胞类型体系、统计模型与多重检验校正方式，并提供邻域组成的可视化图谱与关键细胞对的定量结果。可解释性要求研究者把统计量翻译为生物学语言：邻域富集分数升高意味着什么，排斥模式又提示何种组织屏障。可验证性则要求关键发现能在组织学图像、免疫荧光或独立空间数据中得到印证。随着Xenium与CosMx在肿瘤、神经与免疫领域的广泛应用，邻域分析正从描述性工具走向机制推断的桥梁。把握好半径选择、注释质量、统计框架与跨样本对齐这几个关键要点，才能让空间邻域真正成为揭示组织微环境规律的可靠窗口。