230 万细胞、11 种分割算法：空间转录组别只跑 Cellpose，细胞通讯结果会跟着变

空间转录组做到“单细胞级”，最容易被低估的并不是聚类，而是细胞分割：边界画错，转录本就会被分给错误细胞。随后看到的细胞类型比例、标志基因纯度，甚至配体—受体关系，都可能随之改变。

2026 年 10 月 23 日，《Nature Methods》发表一项新基准：研究者在约 230 万个细胞上比较 11 种分割方法，覆盖 15 个数据集、5 种空间技术、12 类组织和人鼠两个物种。这个规模本身已经说明，空间分割不是“笔记本上点一下就结束”的图像步骤，而是图像、转录本坐标、深度模型和批量评估共同参与的计算任务。

新基准真正提醒了什么

被比较的方法包括 Watershed、Cellpose、BIDCell、SCS、SAM、SAM2、mSAM、Baysor、CelloType、Swin-S 和 Mask R-CNN。它们并不是同一类工具：有的只看图像，有的利用转录本坐标，还有的同时融合图像与表达信息。

论文没有给出一个“全平台通吃”的冠军。SAM、SAM2 在部分转录组保真指标上更强；BIDCell 的整体表现较稳；SCS 更擅长保留空间异质性；Baysor 在考虑分割覆盖率后表现有竞争力。Watershed 和 CelloType 在该基准的多个维度中相对较弱。研究还因生物学上不合理的分割伪影，将 Swin-S 与 Cascade Mask R-CNN 排除在部分定量比较之外。

更关键的是，团队把 15 个指标归入 8 类评价，既看细胞数量和转录本分配率，也看表达纯度、细胞组成、形态、空间多样性与降维后的聚类结构。只看“轮廓像不像细胞”，不足以证明结果能支持后续生物学解释。

不要先问哪种算法最好，先问数据属于哪一类

论文在 Stereo-seq、STARmap PLUS 和 MERFISH 的可比小鼠脑数据上发现，平台差异和分割方法都会影响表达特异性、污染以及配体—受体推断。因此，正式跑全批次前，最好先选一个代表区域做小规模“方法赛马”，而不是把所有切片锁死在默认参数上。

代表区域也不能只挑“最好看”的视野。至少应同时包含细胞密集区、稀疏区、组织边缘和信号较弱区；如果研究重点是肿瘤边缘或免疫聚集区，还应确保这些区域进入试跑。随后用同一套坐标范围比较不同方法，避免因裁剪范围变化，把数据差异误当成算法差异。最终选择应依据研究终点：做细胞计数时重视覆盖率和边界，做差异表达时更重视污染与表达纯度，做空间邻域时还要检查相邻细胞关系是否稳定。

为什么这类任务更适合放到服务器

第一，工作负载混合。图像型深度模型需要 CUDA/GPU，转录本型方法可能更吃 CPU 和内存，切块、重组、格式转换及评估又会持续读写磁盘。单台办公电脑很难同时兼顾显存、内存与 NVMe 工作盘。

第二，环境彼此冲突。该论文的开源仓库分别准备了 SCS、Cellpose、BIDCell、CelloType 和评估环境；再加 Nextflow、Java、CUDA 与模型权重，靠一个 Conda 环境硬装，版本冲突往往比计算本身更耗时间。

第三，分割必须可追溯。补跑一个阈值、换一种切块大小或增加一种方法时，服务器上的任务队列、日志、峰值内存、GPU 使用和中间文件更容易保留。Nextflow 还能把同一流程切换到本地、Slurm 或云后端，避免手工逐条重跑。

下面是启动阶段的资源预算，用于排任务，不是论文给出的硬件保证。应先在代表区域记录峰值，再扩大批次。

可执行的最小复现路径

作者提供了统一 Nextflow 框架。输入至少包括转录本文件和图像；运行前需要按仓库说明配置输出目录、输入路径、Conda 环境与要启用的方法。

git clone https://github.com/TranslationalBioinformaticsUnit/Benchmarking-SegmentationMethods-ST.git
cd Benchmarking-SegmentationMethods-ST/Nextflow/nextflow

# 把图像和转录本文件放入 input_data，并先按项目修改 main.nf
nextflow run main.nf -resume \
  -with-report report.html \
  -with-trace trace.tsv \
  -with-timeline timeline.html

正式计算前先做三项检查：统一像素与空间坐标尺度；固定 patch 尺寸、重叠区和重组规则；保留每种方法的原始掩膜、参数和版本。若显存不足，Cellpose 官方文档建议降低 batch_size；更大的图像应先切块。不要只比较运行时间，还要比较转录本分配率、细胞数、表达纯度和下游结论是否稳定。

适用边界：基准不是替你选答案

这项研究覆盖面很广，但仍不能保证某个排名直接适用于你的组织、染色质量、平台和研究终点。论文在计算不可承受时，会把转录本型方法限制为前 1000 个高变基因；这说明“全基因输入”和“可运行输入”之间本就存在资源取舍。细胞通讯变化也只能说明推断对分割敏感，不能替代实验验证，更不能据此声称存在因果机制。

把一张代表切片带来，先算清方法和资源

如果你在做 Xenium、CosMx、MERFISH、Stereo-seq 或其他高分辨率空间数据，可先准备平台类型、切片数量、图像尺寸与分辨率、转录本数量、期望下游以及现有 GPU/内存；首次沟通不必直接传完整敏感数据。

云生信可以先协助判断代表区域应比较哪些方法、需要怎样的 CPU/GPU/内存与工作盘，并区分三种合作方式：在云端服务器部署并交接环境、租用服务器自行运行，或在确认范围后委托分析。这样先把小样跑明白，再决定是否扩到全批次，通常比反复在本地重装环境更节省时间。

联系云生信，咨询空间转录组分割算力与分析方案

参考资料：

1. Benchmarking segmentation methods for spatial transcriptomics, Nature Methods, 2026
2. 作者开源 Nextflow 框架与代码
3. Cellpose 官方运行时间与显存说明
4. Nextflow 官方执行后端说明