1. 为什么只统计细胞比例会漏掉淋巴结转移的关键信息做肿瘤免疫微环境研究的朋友大概率都遇到过这种尴尬单细胞测序跑完细胞比例图一画发现转移淋巴结里巨噬细胞、CAF、浆细胞多了B细胞和CD4 T细胞少了然后呢然后就没有然后了。你拿着这张比例图去讲机制审稿人一句“这些细胞在组织里到底怎么排布的”就能把你问住。淋巴结是一个高度结构化的器官B细胞滤泡、T细胞区、髓系细胞带、基质网络各有各的地盘。转移一旦发生肿瘤浸润区域会重新组织这些地盘形成新的邻域结构。细胞比例变化只是入口真正推动机制理解的是细胞在组织中的具体位置和相互接近方式。PCF80PhenoCycler-Fusion 80抗体Panel也就是常说的CODEX平台的高通量版本解决的就是这个问题在同一张组织切片上同时检测80个蛋白标志物并且保留每个细胞的空间坐标。这篇文章面向的是已经拿到单细胞测序候选亚群、想进一步在组织原位验证空间关系的研究者。我会交付一套可复制的PCF80多通道成像配置骨架以及从细胞比例走向空间邻接与梯度分析的具体操作路径。适合谁做肿瘤免疫、炎症、神经免疫方向手上有FFPE或新鲜冷冻组织切片想补空间蛋白组学信息但不知道从哪下手的人。先明确一个认知空间蛋白组学不是“更贵的免疫组化”。它的核心价值是把组织结构变成可量化对象。PCF80的80个抗体Panel意义不在于指标多而在于让你能在同一张切片上同步看见细胞类型、结构边界、功能状态和邻域关系把一个病理观察对象转化为可量化、可比较的组织微环境单元。2. TaoToken 前置把模型对话和编码助手接进来空间蛋白组学数据分析涉及大量脚本编写细胞分割参数调优、邻接矩阵计算、梯度分析、空间转录组与蛋白组的配准。这些活儿如果纯手写效率很低。我的做法是把TaoToken作为模型调用入口配合Coding Plan处理长脚本和Agent任务。TaoToken的API地址是 https://taotoken.net/api 兼容OpenAI风格调用。你可以在模型对话页面先测试提示词确认输出格式符合预期后再接入脚本。对于长期编码任务Coding Plan更适合因为它按周期计费不会因为反复调试而爆token。具体操作先到API Keys页面生成一个Key然后到接入文档页面确认base_url和模型名称。注意TaoToken不是替代编辑器它是模型调用层你的代码还是在本地或服务器上跑。提示如果你只是偶尔问几个分析问题用模型对话就够了如果要写完整的空间邻接分析pipeline建议上Coding Plan把长任务交给Agent处理。3. 可复制的 PCF80 多通道成像配置骨架这一章是核心。我按“组织准备→抗体Panel配置→成像参数→数据导出”的顺序给一套可跟做的骨架。你不需要完全照搬但结构可以复用。3.1 组织准备与切片要求PCF80对切片质量敏感。FFPE切片厚度建议4–5 μm新鲜冷冻切片8–10 μm。切片必须贴在带正电荷的载玻片上如Superfrost Plus否则后续循环染色容易脱片。切片后65°C烤片1小时FFPE还需脱蜡至水。关键点不要用常规免疫组化的切片保存方式。PCF80需要切片在无自发荧光的条件下进行多轮染色切片保存时间过长会导致抗原丢失。建议切片后一周内上机。3.2 抗体Panel配置逻辑80个抗体不是随便堆的。我按功能模块分组每组对应一个生物学问题模块抗体数量代表标志物用途免疫谱系18CD3, CD4, CD8, CD20, CD68, CD163细胞类型注释T细胞状态12PD-1, TIM-3, LAG-3, TCF1, GZMB功能状态髓系细胞10CD14, CD16, CD33, HLA-DR髓系亚群CAF与基质12α-SMA, FAP, PDGFRα, Col I基质网络血管与边界8CD31, Podoplanin, Collagen IV结构边界功能指标10Ki-67, Caspase-3, TGF-β1增殖与信号空间参照10DAPI, NaKATPase, β-catenin坐标锚定这个配置的逻辑是先保证细胞类型能注释清楚再叠加功能状态和结构边界。如果你研究的是淋巴结转移建议把CAF和髓系模块加重因为转移淋巴结肿瘤浸润区域的核心特征是髓系细胞-CAF富集邻域。3.3 成像参数与循环染色设置PCF80的成像流程是循环染色-成像-漂白。每一轮染3–4个抗体成像后漂白再染下一轮。关键参数# PCF80 成像配置骨架 instrument: PhenoCycler-Fusion cycle_count: 22 antibodies_per_cycle: 3-4 exposure_time: DAPI: 50ms Alexa488: 150ms Alexa555: 150ms Alexa647: 200ms resolution: 0.5 μm/pixel tile_size: 2048x2048 focus_strategy: auto_z_stack bleaching: UV_light_10min实际跑的时候曝光时间要根据组织自发荧光调整。淋巴结组织自发荧光较强建议先跑一个预实验cycle看背景信号。如果背景高把Alexa555的曝光降到100ms或者换用更长的漂白时间。3.4 数据导出与坐标保留成像完成后导出的是多通道OME-TIFF加上每个细胞的坐标表。坐标表必须包含cell_id, x, y, cycle, marker, intensity。这个表是后续空间邻接分析的基础。如果你用的是CODEX配套软件导出时勾选“retain spatial coordinates”和“single-cell segmentation”。注意不要只导出细胞类型比例表。比例表是下游产物坐标表才是原始数据。丢了坐标空间分析就无从谈起。4. 验证请求从细胞比例走向空间邻接与梯度分析这一章给可运行的验证动作。假设你已经拿到PCF80的坐标表下一步是计算空间邻接和梯度。4.1 细胞类型注释与邻接矩阵先用标记物组合注释细胞类型然后计算邻接矩阵。邻接的定义可以用Delaunay三角剖分或固定半径如20 μm。代码骨架import squidpy as sq import anndata as ad import pandas as pd # 读取PCF80坐标表 df pd.read_csv(pcf80_coordinates.csv) adata ad.AnnData(df[[x, y]].values) adata.obs[cell_type] df[cell_type].values adata.obsm[spatial] df[[x, y]].values # 构建空间邻接图 sq.gr.spatial_neighbors(adata, coord_typegeneric, radius20) # 计算细胞类型邻接富集 sq.gr.nhood_enrichment(adata, cluster_keycell_type) sq.pl.nhood_enrichment(adata, cluster_keycell_type)跑完你会得到一张邻接富集热图。重点看髓系细胞和CAF之间是否显著富集B细胞和T细胞是否形成独立社区。如果髓系-CAF邻接显著高于随机说明转移淋巴结中形成了免疫抑制性邻域。4.2 空间梯度分析梯度分析是看某个标志物在空间上是否呈现从肿瘤边界到滤泡中心的渐变。用TGF-β1举例# 计算TGF-β1的空间梯度 sq.gr.ligrec(adata, n_perms100, cluster_keycell_type) sq.pl.ligrec(adata, cluster_keycell_type, source_groupsCAF, target_groupsMyeloid)这个分析会告诉你CAF来源的TGF-β1信号是否靶向髓系细胞。如果显著说明CAF-髓系邻域存在配体-受体交互。4.3 与空间转录组配准如果你同时有空间转录组数据可以把PCF80的蛋白坐标和转录组的spot坐标配准。配准后你可以在蛋白定义的邻域内看TGF-β1和CXCL10的转录本丰度。这一步需要图像配准工具建议用napari或QuPath做手动对齐再用Python做坐标变换。验证成功的标志你能在转移淋巴结肿瘤浸润区域画出一个髓系-CAF富集邻域并且这个邻域与滤泡和T细胞区域有明确的空间交互。这时候你的故事就从“细胞比例变了”升级到“细胞在特定位置形成了特定社区”。5. 本篇常见错排查5.1 切片脱片或信号弱最常见的原因是切片厚度不对或烤片不充分。FFPE切片超过5 μm会导致循环染色时脱片新鲜冷冻切片太薄则信号弱。排查顺序先看DAPI是否完整如果DAPI都碎了说明切片本身有问题如果DAPI好但抗体信号弱检查抗体浓度和孵育时间。5.2 自发荧光干扰淋巴结组织的自发荧光在488和555通道特别明显。解决办法在Panel里加入自发荧光淬灭步骤如Sudan Black B或者把曝光时间降到背景以下。如果还是不行换用647和750通道做主要标记。5.3 邻接矩阵计算报错sq.gr.spatial_neighbors报错通常是因为坐标表里有NaN或重复坐标。检查你的坐标表x和y必须是数值型不能有缺失。如果有重复坐标用drop_duplicates去重。另外radius参数不要设太小20 μm是淋巴结组织的合理起点。5.4 模型调用超时或返回格式不对如果你用TaoToken的API做脚本生成遇到超时或格式不对先到模型对话页面测试同样的提示词。如果模型对话正常但API报错检查base_url是否写成了 https://taotoken.net/api 以及Key是否有余额。长期编码任务建议用Coding Plan避免按次计费带来的中断。5.5 空间转录组与蛋白组配准失败配准失败通常是坐标系不一致。PCF80的坐标是微米级空间转录组的spot坐标可能是像素级。配准前先统一单位用组织切片上的血管或滤泡作为锚点做仿射变换。如果手动配准太慢用QuPath的自动配准插件。6. 把空间信息补全后你的课题设计会不一样回到开头的问题为什么只统计细胞比例不够因为淋巴结转移微环境的本质是空间重构。髓系细胞-CAF富集邻域的形成、与滤泡和T细胞区域的空间交互这些信息在比例表里是看不到的。PCF80的价值在于把组织结构变成可量化对象让你能在同一张切片上同步看见细胞类型、结构边界、功能状态和邻域关系。如果你正在做肿瘤免疫微环境研究建议先通过单细胞测序获得候选细胞亚群再用PCF80观察这些亚群在组织原位是否靠近CAF、血管或Treg。炎症研究可以比较病灶区域与相邻区域中免疫细胞社区差异。神经组织研究可以分析免疫细胞、血管结构和病理标志之间的局部空间关系。方法学升级不只是把检测通量做高更重要的是让组织结构成为可量化对象。PCF80的80个抗体Panel让你能把一个病理观察对象转化为可量化、可比较的组织微环境单元。这就是“PCF80看透组织中的每个细胞”的核心价值。本文仅为科研技术方法介绍不涉及疾病诊断、治疗建议或用药指导。文中提及的研究发现均来自学术文献不构成任何医疗意见。如有健康问题请咨询专业医疗机构。参考文献Haist M. et al. Lymph node colonization induces tissue remodeling via immunosuppressive fibroblast-myeloid cell niches supporting metastatic tolerance. Cancer Cell. 2026. DOI: 10.1016/j.ccell.2026.01.003.
不只看细胞比例：用PCF80补全淋巴结转移的空间蛋白组学信息
1. 为什么只统计细胞比例会漏掉淋巴结转移的关键信息做肿瘤免疫微环境研究的朋友大概率都遇到过这种尴尬单细胞测序跑完细胞比例图一画发现转移淋巴结里巨噬细胞、CAF、浆细胞多了B细胞和CD4 T细胞少了然后呢然后就没有然后了。你拿着这张比例图去讲机制审稿人一句“这些细胞在组织里到底怎么排布的”就能把你问住。淋巴结是一个高度结构化的器官B细胞滤泡、T细胞区、髓系细胞带、基质网络各有各的地盘。转移一旦发生肿瘤浸润区域会重新组织这些地盘形成新的邻域结构。细胞比例变化只是入口真正推动机制理解的是细胞在组织中的具体位置和相互接近方式。PCF80PhenoCycler-Fusion 80抗体Panel也就是常说的CODEX平台的高通量版本解决的就是这个问题在同一张组织切片上同时检测80个蛋白标志物并且保留每个细胞的空间坐标。这篇文章面向的是已经拿到单细胞测序候选亚群、想进一步在组织原位验证空间关系的研究者。我会交付一套可复制的PCF80多通道成像配置骨架以及从细胞比例走向空间邻接与梯度分析的具体操作路径。适合谁做肿瘤免疫、炎症、神经免疫方向手上有FFPE或新鲜冷冻组织切片想补空间蛋白组学信息但不知道从哪下手的人。先明确一个认知空间蛋白组学不是“更贵的免疫组化”。它的核心价值是把组织结构变成可量化对象。PCF80的80个抗体Panel意义不在于指标多而在于让你能在同一张切片上同步看见细胞类型、结构边界、功能状态和邻域关系把一个病理观察对象转化为可量化、可比较的组织微环境单元。2. TaoToken 前置把模型对话和编码助手接进来空间蛋白组学数据分析涉及大量脚本编写细胞分割参数调优、邻接矩阵计算、梯度分析、空间转录组与蛋白组的配准。这些活儿如果纯手写效率很低。我的做法是把TaoToken作为模型调用入口配合Coding Plan处理长脚本和Agent任务。TaoToken的API地址是 https://taotoken.net/api 兼容OpenAI风格调用。你可以在模型对话页面先测试提示词确认输出格式符合预期后再接入脚本。对于长期编码任务Coding Plan更适合因为它按周期计费不会因为反复调试而爆token。具体操作先到API Keys页面生成一个Key然后到接入文档页面确认base_url和模型名称。注意TaoToken不是替代编辑器它是模型调用层你的代码还是在本地或服务器上跑。提示如果你只是偶尔问几个分析问题用模型对话就够了如果要写完整的空间邻接分析pipeline建议上Coding Plan把长任务交给Agent处理。3. 可复制的 PCF80 多通道成像配置骨架这一章是核心。我按“组织准备→抗体Panel配置→成像参数→数据导出”的顺序给一套可跟做的骨架。你不需要完全照搬但结构可以复用。3.1 组织准备与切片要求PCF80对切片质量敏感。FFPE切片厚度建议4–5 μm新鲜冷冻切片8–10 μm。切片必须贴在带正电荷的载玻片上如Superfrost Plus否则后续循环染色容易脱片。切片后65°C烤片1小时FFPE还需脱蜡至水。关键点不要用常规免疫组化的切片保存方式。PCF80需要切片在无自发荧光的条件下进行多轮染色切片保存时间过长会导致抗原丢失。建议切片后一周内上机。3.2 抗体Panel配置逻辑80个抗体不是随便堆的。我按功能模块分组每组对应一个生物学问题模块抗体数量代表标志物用途免疫谱系18CD3, CD4, CD8, CD20, CD68, CD163细胞类型注释T细胞状态12PD-1, TIM-3, LAG-3, TCF1, GZMB功能状态髓系细胞10CD14, CD16, CD33, HLA-DR髓系亚群CAF与基质12α-SMA, FAP, PDGFRα, Col I基质网络血管与边界8CD31, Podoplanin, Collagen IV结构边界功能指标10Ki-67, Caspase-3, TGF-β1增殖与信号空间参照10DAPI, NaKATPase, β-catenin坐标锚定这个配置的逻辑是先保证细胞类型能注释清楚再叠加功能状态和结构边界。如果你研究的是淋巴结转移建议把CAF和髓系模块加重因为转移淋巴结肿瘤浸润区域的核心特征是髓系细胞-CAF富集邻域。3.3 成像参数与循环染色设置PCF80的成像流程是循环染色-成像-漂白。每一轮染3–4个抗体成像后漂白再染下一轮。关键参数# PCF80 成像配置骨架 instrument: PhenoCycler-Fusion cycle_count: 22 antibodies_per_cycle: 3-4 exposure_time: DAPI: 50ms Alexa488: 150ms Alexa555: 150ms Alexa647: 200ms resolution: 0.5 μm/pixel tile_size: 2048x2048 focus_strategy: auto_z_stack bleaching: UV_light_10min实际跑的时候曝光时间要根据组织自发荧光调整。淋巴结组织自发荧光较强建议先跑一个预实验cycle看背景信号。如果背景高把Alexa555的曝光降到100ms或者换用更长的漂白时间。3.4 数据导出与坐标保留成像完成后导出的是多通道OME-TIFF加上每个细胞的坐标表。坐标表必须包含cell_id, x, y, cycle, marker, intensity。这个表是后续空间邻接分析的基础。如果你用的是CODEX配套软件导出时勾选“retain spatial coordinates”和“single-cell segmentation”。注意不要只导出细胞类型比例表。比例表是下游产物坐标表才是原始数据。丢了坐标空间分析就无从谈起。4. 验证请求从细胞比例走向空间邻接与梯度分析这一章给可运行的验证动作。假设你已经拿到PCF80的坐标表下一步是计算空间邻接和梯度。4.1 细胞类型注释与邻接矩阵先用标记物组合注释细胞类型然后计算邻接矩阵。邻接的定义可以用Delaunay三角剖分或固定半径如20 μm。代码骨架import squidpy as sq import anndata as ad import pandas as pd # 读取PCF80坐标表 df pd.read_csv(pcf80_coordinates.csv) adata ad.AnnData(df[[x, y]].values) adata.obs[cell_type] df[cell_type].values adata.obsm[spatial] df[[x, y]].values # 构建空间邻接图 sq.gr.spatial_neighbors(adata, coord_typegeneric, radius20) # 计算细胞类型邻接富集 sq.gr.nhood_enrichment(adata, cluster_keycell_type) sq.pl.nhood_enrichment(adata, cluster_keycell_type)跑完你会得到一张邻接富集热图。重点看髓系细胞和CAF之间是否显著富集B细胞和T细胞是否形成独立社区。如果髓系-CAF邻接显著高于随机说明转移淋巴结中形成了免疫抑制性邻域。4.2 空间梯度分析梯度分析是看某个标志物在空间上是否呈现从肿瘤边界到滤泡中心的渐变。用TGF-β1举例# 计算TGF-β1的空间梯度 sq.gr.ligrec(adata, n_perms100, cluster_keycell_type) sq.pl.ligrec(adata, cluster_keycell_type, source_groupsCAF, target_groupsMyeloid)这个分析会告诉你CAF来源的TGF-β1信号是否靶向髓系细胞。如果显著说明CAF-髓系邻域存在配体-受体交互。4.3 与空间转录组配准如果你同时有空间转录组数据可以把PCF80的蛋白坐标和转录组的spot坐标配准。配准后你可以在蛋白定义的邻域内看TGF-β1和CXCL10的转录本丰度。这一步需要图像配准工具建议用napari或QuPath做手动对齐再用Python做坐标变换。验证成功的标志你能在转移淋巴结肿瘤浸润区域画出一个髓系-CAF富集邻域并且这个邻域与滤泡和T细胞区域有明确的空间交互。这时候你的故事就从“细胞比例变了”升级到“细胞在特定位置形成了特定社区”。5. 本篇常见错排查5.1 切片脱片或信号弱最常见的原因是切片厚度不对或烤片不充分。FFPE切片超过5 μm会导致循环染色时脱片新鲜冷冻切片太薄则信号弱。排查顺序先看DAPI是否完整如果DAPI都碎了说明切片本身有问题如果DAPI好但抗体信号弱检查抗体浓度和孵育时间。5.2 自发荧光干扰淋巴结组织的自发荧光在488和555通道特别明显。解决办法在Panel里加入自发荧光淬灭步骤如Sudan Black B或者把曝光时间降到背景以下。如果还是不行换用647和750通道做主要标记。5.3 邻接矩阵计算报错sq.gr.spatial_neighbors报错通常是因为坐标表里有NaN或重复坐标。检查你的坐标表x和y必须是数值型不能有缺失。如果有重复坐标用drop_duplicates去重。另外radius参数不要设太小20 μm是淋巴结组织的合理起点。5.4 模型调用超时或返回格式不对如果你用TaoToken的API做脚本生成遇到超时或格式不对先到模型对话页面测试同样的提示词。如果模型对话正常但API报错检查base_url是否写成了 https://taotoken.net/api 以及Key是否有余额。长期编码任务建议用Coding Plan避免按次计费带来的中断。5.5 空间转录组与蛋白组配准失败配准失败通常是坐标系不一致。PCF80的坐标是微米级空间转录组的spot坐标可能是像素级。配准前先统一单位用组织切片上的血管或滤泡作为锚点做仿射变换。如果手动配准太慢用QuPath的自动配准插件。6. 把空间信息补全后你的课题设计会不一样回到开头的问题为什么只统计细胞比例不够因为淋巴结转移微环境的本质是空间重构。髓系细胞-CAF富集邻域的形成、与滤泡和T细胞区域的空间交互这些信息在比例表里是看不到的。PCF80的价值在于把组织结构变成可量化对象让你能在同一张切片上同步看见细胞类型、结构边界、功能状态和邻域关系。如果你正在做肿瘤免疫微环境研究建议先通过单细胞测序获得候选细胞亚群再用PCF80观察这些亚群在组织原位是否靠近CAF、血管或Treg。炎症研究可以比较病灶区域与相邻区域中免疫细胞社区差异。神经组织研究可以分析免疫细胞、血管结构和病理标志之间的局部空间关系。方法学升级不只是把检测通量做高更重要的是让组织结构成为可量化对象。PCF80的80个抗体Panel让你能把一个病理观察对象转化为可量化、可比较的组织微环境单元。这就是“PCF80看透组织中的每个细胞”的核心价值。本文仅为科研技术方法介绍不涉及疾病诊断、治疗建议或用药指导。文中提及的研究发现均来自学术文献不构成任何医疗意见。如有健康问题请咨询专业医疗机构。参考文献Haist M. et al. Lymph node colonization induces tissue remodeling via immunosuppressive fibroblast-myeloid cell niches supporting metastatic tolerance. Cancer Cell. 2026. DOI: 10.1016/j.ccell.2026.01.003.
