空間組學技術能夠在保留空間背景的前提下繪制高分辨率的分子圖譜，為解析組織功能與疾病機制帶來了突破性進展。然而，現有的商業化平臺普遍存在成本高昂、組織捕獲面積有限的問題，如Visium HD平臺的捕獲面積僅為6.5mm×6.5mm。

為了避免浪費寶貴資源，研究人員必須從組織切片中選擇感興趣區域（ROI）。目前的選擇過程主要依賴病理學家的經驗，需要肉眼觀察H&E染色的組織學圖像。這種方式主觀性強、可重復性差，嚴重影響了實驗結果的可靠性。

在此背景下，賓夕法尼亞大學等機構的研究人員開發出智能空間組學技術（S2-omics），僅利用H&E組織學圖像即可實現系統化且可重復的ROI選擇，填補了這一領域內的空白。

這項研究成果于11月26日發表在《Nature Cell Biology》雜志上。

S2-omics以H&E染色圖像為基礎，構建了包含組織學圖像特征提取、ROI選擇和全切片分子信息恢復的完整工作流程。

這項技術利用預訓練的病理圖像模型來提取組織整體與局部特征，通過無監督聚類劃分功能各異的組織區域，再借助ROI評分指標篩選出分子信息含量最大化的區域。

研究人員在多種組織類型和主流空間組學平臺上對其進行了全面驗證。在胃癌樣本的Xenium實驗中，S2-omics選取的4mm×4mm ROI涵蓋了11個聚類中的7個，細胞類型和細胞群落預測準確率分別達到73.8%和72.8%，這證實了自動選擇ROI的生物學相關性和代表性。

此外，S2-omics成功捕獲了73.4%的腫瘤細胞和36個三級淋巴結構中的28個，表明其選擇的ROI能夠有效識別代表性的組織結構。

在結直腸癌樣本的Visium HD實驗中，S2-omics所選的ROI與專家選擇的區域重疊率高達89.3%，且包含更多有效超像素，對侵襲性癌癥區域的捕獲比例更高。

針對CosMx平臺的腎臟組織實驗，該技術設計的視野選擇模式有效平衡了組織覆蓋范圍與數據質量，精準捕獲了來自健康樣本和2型糖尿病樣本的腎臟組織切片中的腎小球結構，細胞類型預測的準確率達0.731。

此外，S2-omics還支持整合先驗知識，根據研究需求優先或排除特定組織區域，在乳腺癌樣本中自動確定2個ROI為最優選擇，其細胞類型預測準確率較單個ROI提升了10%以上。即使在組織質量不均、切片存在染色偽影等復雜場景下，該技術依然能穩定篩選出具有生物學意義的ROI。

S2-omics工具的出現不僅解決了傳統ROI選擇主觀性強、效率低下的痛點，還通過全切片分子信息恢復功能，為研究人員提供了組織整體的分子分布視角，有效降低了實驗成本并提升了數據價值。

這項新技術兼容多種主流空間組學平臺，適用于乳腺、結腸、腎臟等多種組織類型，展現出極強的通用性和實用性。

盡管目前S2-omics仍存在無法處理DAPI圖像、需通過下采樣提升計算效率等局限，但它無疑為空間組學實驗設計提供了強大的工具支撐。隨著后續技術的優化完善，S2-omics有望在臨床研究和疾病診斷領域發揮更大作用。