SUMMARY Spatially resolved transcriptomic technologies are promising tools to study cell fate decisions in a physical microenvironment, which is fundamental for enhancing our knowledge of mammalian development. However, the imbalance between resolution, transcript capture and field of view of current methodologies precludes their systematic application to analyze relatively large and three-dimensional mid- and late-gestation mammalian embryos. Here, we combined DNA nanoball (DNB) patterned arrays and tissue RNA capture to create SpaTial Enhanced REsolution Omics-sequencing (Stereo-seq). This approach allows transcriptomic profiling of large histological sections with high resolution and sensitivity. We have applied Stereo-seq to study the kinetics and directionality of transcriptional variation in a time course of mouse organogenesis. We used this information to gain insight into the molecular basis of regional specification, neuronal migration and differentiation in the developing brain. Furthermore, we mapped the expression of a panel of developmental disease-related loci on our global transcriptomic maps to define the spatiotemporal windows of tissue vulnerability. Our panoramic atlas constitutes an essential resource to investigate longstanding questions concerning normal and abnormal mammalian development.

Abstract Global profile of gene expression at single-cell resolution remains to be determined for primates. Using a recently developed technology (“Stereo-seq”), we have obtained a comprehensive single-cell spatial transcriptome map at the whole-brain level for cynomolgus monkeys, with ∼600 genes per cell for 10 μm-thick coronal sections (up to 15 cm 2 in size). Large-scale single-nucleus RNA-seq analysis for ∼1 million cells helped to identify cell types corresponding to Stereo-seq gene expression profiles, providing a 3-D cell type atlas of the monkey brain. Quantitative analysis of Stereo-seq data revealed molecular fingerprints that mark distinct neocortical layers and subregions, as well as domains within subcortical structures including hippocampus, thalamus, striatum, cerebellum, hypothalamus and claustrum. Striking whole-brain topography and coordinated patterns were found in the expression of genes encoding receptors and transporters for neurotransmitters and neuromodulators. These results pave the way for cellular and molecular understanding of organizing principles of the primate brain.

Cells do not live in a vacuum, but in a milieu defined by cell–cell communication that can be measured via emerging high-resolution spatial transcriptomics approaches. However, analytical tools that fully leverage such data for kinetic modeling remain lacking. Here we present Spateo ( aristoteleo/spateo-release ), a general framework for quantitative spatiotemporal modeling of single-cell resolution spatial transcriptomics. Spateo delivers novel methods for digitizing spatial layers/columns to identify spatially-polar genes, and develops a comprehensive framework of cell-cell interaction to reveal spatial effects of niche factors and cell type-specific ligand-receptor interactions. Furthermore, Spateo reconstructs 3D models of whole embryos, and performs 3D morphometric analyses. Lastly, Spateo introduces the concept of “morphometric vector field” of cell migrations, and integrates spatial differential geometry to unveil regulatory programs underlying various organogenesis patterns of Drosophila. Thus, Spateo enables the study of the ecology of organs at a molecular level in 3D space, beyond isolated single cells.

Abstract Integrative analysis of spatially resolved transcriptomics datasets empowers a deeper understanding of complex biological systems. However, integrating multiple tissue sections presents challenges for batch effect removal, particularly when the sections are measured by various technologies or collected at different times. Here, we propose spatiAlign, an unsupervised contrastive learning model that employs the expression of all measured genes and the spatial location of cells, to integrate multiple tissue sections. It enables the joint downstream analysis of multiple datasets not only in low-dimensional embeddings but also in the reconstructed full expression space. In benchmarking analysis, spatiAlign outperforms state-of-the-art methods in learning joint and discriminative representations for tissue sections, each potentially characterized by complex batch effects or distinct biological characteristics. Furthermore, we demonstrate the benefits of spatiAlign for the integrative analysis of time-series brain sections, including spatial clustering, differential expression analysis, and particularly trajectory inference that requires a corrected gene expression matrix.

Abstract Non-photochemical quenching (NPQ) plays an important role for phototrophs in decreasing photo-oxidative damage. qH is a sustained component of NPQ and depends on the plastid lipocalin (LCNP). A thylakoid membrane-anchored protein SUPPRESSOR OF QUENCHING1 (SOQ1) prevents qH formation by inhibiting LCNP. SOQ1 suppresses qH with its lumen-located C-terminal Trx-like and NHL domains. Here we report crystal structures and biochemical characterization of SOQ1 lumenal domains. Our results show that the Trx-like and NHL domains are stably associated, with the potential redox-active motif located at their interface. Residue E859 essential for SOQ1 function is pivotal for mediating the inter-domain interaction. Moreover, the C-terminal region of SOQ1 forms an independent β-stranded domain, which possibly interacts with the Trx-like domain through disulfide exchange. Furthermore, SOQ1 is susceptible to cleavage at the loops connecting the neighboring domains both in vitro and in vivo , which could be a regulatory process for its suppression function of qH.

Cyclic electron transport/flow (CET/CEF) in chloroplasts is a regulatory mechanism crucial for optimization of plant photosynthetic efficiency. CET is catalyzed by a membrane-embedded NAD(P)H dehydrogenase-like (NDH) complex containing at least 29 protein subunits and associating with photosystem I (PSI) to form the NDH-PSI supercomplex. Here we report the 3.9 Å resolution structure of Arabidopsis thaliana NDH-PSI (AtNDH-PSI) supercomplex. We have constructed structural models for 26 AtNDH subunits, among which 11 subunits are unique to chloroplast and stabilize the core part of NDH complex. In the supercomplex, one NDH can bind up to two PSI-LHCI complexes at both sides of its membrane arm. Two minor LHCIs, Lhca5 and Lhca6, each present in one PSI-LHCI, interact with NDH and contribute to the supercomplex formation and stabilization. Our results showed structural details of the supercomplex assembly and provide molecular basis for further investigation of the regulatory mechanism of CEF in plants.

A comprehensive atlas of genes, cell types, and their spatial distribution across a whole mammalian brain is fundamental for understanding function of the brain. Here, using snRNA-seq and Stereo-seq techniques, we generated a mouse brain atlas with spatial information for 308 cell clusters with single-cell resolution involving over 6 million cells as well as for 29,655 genes. We have identified new astrocyte clusters, and demonstrated that distinct cell clusters exhibit preference for cortical subregions. In addition, we identified 155 genes exhibiting regional specificity in the brainstem, and 513 long non-coding RNA exhibited regional specificity in the adult brain. Parcellation of brain regions based on spatial transcriptomic information showed large overlap with that by traditional method. Furthermore, we have uncovered 411 transcription factor regulons with spatiotemporal specificity during development. Thus, our study has discovered genes and regulon with spatiotemporal specificity, and provided a high-resolution spatial transcriptomic atlas of the mouse brain.

As genomic sequencing technology continues to advance, it becomes increasingly important to perform multiple dataset joint analysis of transcriptomics to understand complex biological systems. However, batch effect presents challenges for dataset integration, such as sequencing measured by different platforms and datasets collected at different times. Here, we develop a BatchEval Pipeline, which is used to evaluate batch effect of dataset integration and output a comprehensive report. This report consists of a series of HTML pages for the assessment findings, including a main page, a raw dataset evaluation page and several built-in methods evaluation pages. The main page exhibits basic information of integrated datasets, comprehensive score of batch effect and the most recommended method for batch effect removal to current datasets. The residual pages exhibit the evaluation details of raw dataset and evaluation results of many built-in batch effect removal methods after removing batch effect. This comprehensive report enables researchers to accurately identify and remove batch effects, resulting in more reliable and meaningful biological insights from integrated datasets. In summary, BatchEval Pipeline represents a significant advancement in batch effect evaluation and is a valuable tool to improve the accuracy and reliability of the experimental results.

Three-dimensional Spatial Transcriptomics has revolutionized our understanding of tissue regionalization, organogenesis, and development. However, to reconstruct single sections back to their in situ three-dimensional morphology, existing approaches either neglect experiment-induced section distortions, or fail to account for structural consistency during reconstruction. This leads to significant discrepancies between reconstruction results and the actual in vivo locations of cells, imposing unreliable spatial profiles to downstream analysis. To address these challenges, we propose ST-GEARS (Spatial Transcriptomics GEospatial profile recovery system through AnchoRS), which solves optimized "anchors" between in situ closest spots utilizing expressional and structural similarity across sections and recovers in vivo spatial information under the guidance of anchors. By employing innovative Distributive Constraints into the Optimization scheme, it retrieves more precise anchors compared to existing methods. Taking these anchors as reference points, ST-GEARS first rigidly aligns sections, then introduces and infers Elastic Fields to counteract distortions. ST-GEARS denoises the fields using context information by Gaussian Denoising. Utilizing the denoised fields, it eliminates distortions and eventually recovers original spatial profile through innovative and mathematically proved Bi-sectional Fields Application. Studying ST-GEARS on both bi-sectional registration and complete tissue reconstruction across sectional distances and sequencing platforms, we observed its outstanding performance in spatial information recovery across tissue, cell, and gene levels compared to current approaches. Through this recovery, ST-GEARS provides a precise and well-explainable bridge between in vitro analysis and 3D in vivo situations, powerfully fueling the potential of biological discoveries.

ABSTRACT Stereo-seq is a cutting-edge technique for spatially resolved transcriptomics that combines subcellular resolution with centimeter-level field-of-view, serving as a technical foundation for analyzing large tissues at the single-cell level. Our previous work presents the first one-stop software that utilizes cell nuclei staining images and statistical methods to generate high-confidence single-cell spatial gene expression profiles for Stereo-seq data. With recent advancements in Stereo-seq technology, it is possible to acquire cell boundary information, such as cell membrane/wall staining images. To take advantage of this progress, we update our software to a new version, named STCellbin, which utilizes the cell nuclei staining images as a bridge to align cell membrane/wall staining images with spatial gene expression maps. By employing an advanced cell segmentation technique, accurate cell boundaries can be obtained, leading to more reliable single-cell spatial gene expression profiles. Experimental results verify that STCellbin can be applied on the mouse liver (cell membranes) and Arabidopsis seed (cell walls) datasets and outperforms other competitive methods. The improved capability of capturing single cell gene expression profiles by this update results in a deeper understanding of the contribution of single cell phenotypes to tissue biology. Availability & Implementation The source code of STCellbin is available at https://github.com/STOmics/STCellbin .