摘要: 空间转录组学（ST）虽已被广泛应用，但揭示转录层与组织形态之间的对应关系在技术上仍具挑战性，通常需要掌握多种计算框架，限制了大量生物医学研究者的使用门槛。为此，本文介绍了NaVis——一个基于点击操作的虚拟显微镜框架，将空间转录组分析重新定义为交互式、以图像为中心的探索体验。NaVis能够在低分辨率全转录组平台上实现快速高分辨率推断，生成类显微镜可视化效果，同时保留全转录组覆盖度。该框架还可将组织学图像分解为定量的组织结构先验信息——包括富含细胞核的区域、纤维状细胞外基质及软组织——从而实现基因表达与局部形态的直接整合。这一统一表示框架支持区室富集分析、边界一致性评估、空间交叉相关、形态模式识别、组织学-表达解耦以及全转录组空间相似性等多种分析。通过在交互式框架中整合转录组与图像信息，NaVis将空间转录组学从静态计算流程转变为探索性研究模式，显著提升了其可及性、概念延伸空间及生物学发现潜力。

NaVis：面向空间转录组数据交互式组织学分析的虚拟显微镜框架¶

概述¶

空间转录组学（Spatial Transcriptomics，ST）技术已在生物医学领域得到广泛应用，但如何揭示转录层与组织形态学之间的空间对应关系，在技术层面仍然颇具挑战性。现有分析流程通常需要跨多个计算框架进行操作，对相当大比例的生物医学研究者而言存在较高的使用门槛。

NaVis（GitHub 仓库：https://github.com/Izzilab/NaVis）是一个面向空间转录组数据分析的"点击式"（point-and-click）虚拟显微镜框架，旨在将 ST 分析重新定义为一种交互式、以图像为中心的体验。

NaVis 解决的核心问题包括以下几个方面：

跨平台门槛高：整合多个计算工具链复杂，NaVis 提供统一操作界面；
低分辨率平台的信息损失：对全转录组低分辨率 ST 平台，NaVis 能够实现高分辨率推断，生成类似显微镜的可视化效果，同时保留全转录组覆盖度；
转录数据与形态学割裂：NaVis 将组织形态学图像分解为可量化的组织结构先验，实现基因表达与局部形态的直接整合。

NaVis 的意义在于，它将 ST 分析从静态计算工作流转变为可探索的研究模式，大幅拓宽了该技术的可及性、概念延伸空间以及生物学发现的潜力。

核心原理与功能¶

1. 交互式虚拟显微镜框架¶

NaVis 的核心设计理念是将 ST 分析转化为图像中心（image-centric）的交互体验。用户无需编写复杂脚本，通过点击操作即可完成多维度的数据探索。这种设计降低了计算生物学专业知识的要求，使实验室研究者、病理学家等非计算背景用户也能够参与数据分析。

2. 低分辨率平台的高分辨率推断（High-Resolution Inference）¶

许多主流 ST 平台（如 10x Visium 等全转录组平台）的空间分辨率较低，每个检测点（spot）往往覆盖多个细胞，造成细胞级别信息的模糊。NaVis 能够从这类低分辨率（low-resolution）全转录组平台出发，进行快速高分辨率推断（rapid high-resolution inference），生成类显微镜（microscopy-like）的可视化结果，同时保留全转录组（transcriptome-wide）覆盖度，不牺牲基因表达信息的完整性。

3. 组织结构先验分解（Histological Image Decomposition）¶

NaVis 的另一项核心能力是将组织学（histological）图像分解为可量化的组织结构先验（tissue architecture priors），具体包括以下三类组织成分：

组织成分	英文术语	含义
富含细胞核区域	Nuclei-rich regions	细胞密集分布的区域
纤维状细胞外基质	Fibrillar extracellular matrix（ECM）	胶原纤维等结构性基质
软组织	Soft tissue	非特异性间质组织

通过这一分解，NaVis 实现了基因表达数据与局部形态学（local morphology）的直接整合，构建出统一的数据表征。

4. 统一表征支持的多维度分析¶

基于转录组信息与图像衍生信息（image-derived information）的统一表征，NaVis 支持以下六类分析模式：

区室富集分析（Compartment enrichment）：分析特定基因或基因集在不同组织区室中的富集程度；
边界一致性分析（Boundary concordance）：评估转录层边界与形态学边界的空间吻合程度；
空间交叉相关分析（Spatial cross-correlation）：量化不同空间变量（基因表达、形态指标）之间的空间相关性；
形态学模式分析（Morphological patterning）：识别组织形态分布的空间规律；
组织学-表达解耦分析（Histology-expression decoupling）：检测基因表达模式与组织形态模式不一致的区域，揭示隐藏的生物学信号；
全转录组空间相似性分析（Transcriptome-wide spatial similarity）：在全基因组尺度评估空间上的转录相似性。

5. 从静态工作流到探索性分析模式的范式转变¶

传统 ST 分析依赖于预定义的静态计算工作流（static computational workflows），分析者需要预设问题、选定工具、逐步执行脚本。NaVis 通过交互框架将这一模式转变为探索性分析模式（exploratory modality），使研究者能够在数据中进行开放式、假设驱动的实时探索，从而提升生物学发现的效率与深度。

安装与使用¶

注：原文未提供具体安装命令或代码片段，以下内容基于原文信息进行整理，具体安装步骤请以官方 GitHub 仓库说明为准。

获取 NaVis¶

NaVis 项目托管于 GitHub，访问地址为：

https://github.com/Izzilab/NaVis

关键方法与步骤¶

根据原文所述框架特性，NaVis 的典型使用流程可归纳如下：

步骤 1：数据输入

# 输入数据类型（来自原文描述）：
# - 低分辨率全转录组 ST 平台数据（如 10x Visium 等）[待验证具体支持平台]
# - 对应的组织学 H&E 图像（HE staining image）

步骤 2：高分辨率推断

# NaVis 对低分辨率 ST 数据进行高分辨率推断
# 输出类显微镜可视化结果，同时保留全转录组覆盖度
# 具体参数与命令请参考官方文档 [待验证]

步骤 3：组织学图像分解

# NaVis 将 H&E 图像分解为三类组织结构先验：
# 1. 富含细胞核区域（nuclei-rich regions）
# 2. 纤维状细胞外基质（fibrillar extracellular matrix）
# 3. 软组织（soft tissue）

步骤 4：整合分析

# 在统一表征框架下，通过交互界面选择以下分析模式：
# - 区室富集（compartment enrichment）
# - 边界一致性（boundary concordance）
# - 空间交叉相关（spatial cross-correlation）
# - 形态学模式（morphological patterning）
# - 组织学-表达解耦（histology-expression decoupling）
# - 全转录组空间相似性（transcriptome-wide spatial similarity）

步骤 5：交互式可视化与结果导出

# 通过点击界面进行探索性分析
# 结果以显微镜级别可视化呈现
# 具体导出格式请参考官方文档 [待验证]

实战示例¶

场景一：低分辨率 Visium 数据的高分辨率可视化¶

背景：研究者使用 10x Visium 平台获取了肿瘤切片的空间转录组数据，但标准 Visium 的空间分辨率（约 55 µm/spot）无法区分单细胞级别的表达异质性，且肉眼难以直接对应转录信号与 H&E 形态。

NaVis 解决方案： - 输入 Visium 原始表达矩阵与配准后的 H&E 图像； - NaVis 执行高分辨率推断，生成类显微镜可视化图像； - 研究者通过点击界面直接在组织图像上浏览任意基因的表达分布，无需切换工具。

场景二：肿瘤微环境的组织学-表达解耦分析¶

背景：在肿瘤微环境（Tumor Microenvironment，TME）研究中，某些区域的组织形态看似均一（如富含细胞核区域），但其转录表达谱可能存在显著差异；反之，形态迥异的区域也可能具有相近的转录特征。

NaVis 解决方案： - 利用 NaVis 的组织学-表达解耦（histology-expression decoupling）分析模块； - 识别形态与表达不一致的空间区域； - 这些解耦区域往往对应生物学上重要的状态转变或微环境异质性，是后续深入分析的优先候选区域。

场景三：细胞外基质相关基因的区室富集验证¶

背景：研究者希望验证某一 ECM（细胞外基质）相关基因集是否特异性富集于纤维状 ECM 组织区室。

NaVis 解决方案： - NaVis 将 H&E 图像分解，标注出纤维状细胞外基质（fibrillar extracellular matrix）区域； - 将目标基因集的空间表达图叠加至对应区室图层； - 通过区室富集分析（compartment enrichment）量化该基因集在纤维状 ECM 区室中的统计富集程度； - 结果可直接以图像形式展示，便于撰写论文图片。

场景四：跨样本全转录组空间相似性比较¶

背景：研究者有多张来自不同患者的同类型组织切片，希望识别在空间转录组层面具有相似模式的组织区域。

NaVis 解决方案： - 利用全转录组空间相似性（transcriptome-wide spatial similarity）分析模块； - 在全基因组尺度计算不同切片、不同区域之间的空间转录相似度； - 结合交互式可视化，快速定位跨样本保守的空间表达模式。

常见问题¶

Q1：NaVis 支持哪些空间转录组平台的数据？

A：根据原文描述，NaVis 设计用于处理低分辨率全转录组平台（low-resolution whole-transcriptome platforms）的数据，能够在保留全转录组覆盖度的同时进行高分辨率推断。具体支持的平台列表（如 10x Visium、Slide-seq 等）[待验证]，请参考官方 GitHub 仓库的详细文档。

Q2：NaVis 的"高分辨率推断"是通过什么方法实现的？

A：原文仅描述 NaVis 能够实现"从低分辨率全转录组平台出发的快速高分辨率推断"，并生成"类显微镜可视化"，具体的算法机制（如超分辨率反卷积、细胞类型解卷积等）[待验证]。详细方法论请参考原始论文及 GitHub 仓库中的技术说明。

Q3：使用 NaVis 是否需要具备编程基础？

A：NaVis 的核心设计目标之一是提升 ST 分析的可及性（accessibility），采用"点击式（point-and-click）"交互界面，明确定位于降低非计算背景用户的使用门槛。从原文描述来看，基础功能无需编写代码即可完成。但具体的安装流程或高级自定义功能是否需要命令行操作 [待验证]，请以官方文档为准。

Q4：组织学图像的三类组织成分分解，是否需要手动标注？

A：原文描述 NaVis 将组织学图像"分解（decomposes）"为三类组织结构先验（富含细胞核区域、纤维状 ECM、软组织），并将其纳入与基因表达数据的整合分析，暗示该过程为自动化流程。是否需要用户手动校正或提供训练数据 [待验证]，请参考官方文档或论文方法部分。

Q5：NaVis 与现有 ST 分析工具（如 Seurat、Squidpy）有何区别？

A：从原文的定位来看，现有工具通常要求用户跨多个计算框架（multiple computational frameworks）操作，具有一定专业门槛。NaVis 的差异化定位在于：(1) 提供统一的交互式界面；(2) 将图像形态学信息作为一等公民（first-class citizen）纳入分析；(3) 支持组织学与转录组的直接解耦分析。NaVis 并非替代现有工具，而更可能是一个互补性的探索与可视化层，但两者的具体整合方式 [待验证]，请参考官方文档。

总结¶

NaVis 是一个为空间转录组数据分析设计的交互式虚拟显微镜框架，其核心价值在于三点：

降低门槛：通过点击式交互界面，将 ST 分析从依赖多框架的计算流程转变为可被更广泛研究群体使用的探索性工具；
弥合形态与表达的鸿沟：自动将组织学图像分解为可量化的结构先验（富含细胞核区域、纤维状 ECM、软组织），并与全转录组表达数据直接整合；
丰富分析维度：在统一表征框架下，支持区室富集、边界一致性、空间交叉相关、形态学模式、组织学-表达解耦、全转录组空间相似性等六类分析模式。

NaVis 代表了 ST 分析领域从"静态脚本驱动"向"交互图像探索"的范式转变，有望为组织生物学、病理学及转化医学研究带来新的洞察路径。项目代码已开源，可访问 https://github.com/Izzilab/NaVis 获取更多信息。