Abstract Owing to recent advances in resolution and field-of-view, spatially resolved sequencing has emerged as a cutting-edge technology that provides a technical foundation for the interpretation of large tissues at the single-cell level. To generate accurate single-cell spatial gene expression profiles from high-resolution spatial omics data and associated images, a powerful one-stop toolbox is required. Here, we present StereoCell, an image-facilitated cell segmentation framework for high-resolution and large field-of-view spatial transcriptomics. StereoCell provides a comprehensive and systematic platform for the generation of high-confidence single-cell spatial data, which includes image stitching, registration, nuclei segmentation, and molecule labeling. During image stitching and molecule labeling, StereoCell delivers better-performing algorithms to reduce stitching error and time, in addition to improving the signal-to-noise ratio of single-cell gene expression data, in comparison with existing methods. Additionally, StereoCell has been shown to obtain highly accurate single-cell spatial data using mouse brain tissue, which facilitated clustering and annotation.

Abstract The basic analysis steps of spatial transcriptomics involve obtaining gene expression information from both space and cells. This process requires a set of tools to be completed, and existing tools face performance issues when dealing with large data sets. These issues include computationally intensive spatial localization, RNA genome alignment, and excessive memory usage in large chip scenarios. These problems affect the applicability and efficiency of the process. To address these issues, a high-performance and accurate spatial transcriptomics data analysis workflow called Stereo-Seq Analysis Workflow (SAW) has been developed for the Stereo-Seq technology developed by BGI. This workflow includes mRNA spatial position reconstruction, genome alignment, gene expression matrix generation and clustering, and generate results files in a universal format for subsequent personalized analysis. The excutation time for the entire analysis process is ∼148 minutes on 1G reads 1*1 cm chip test data, 1.8 times faster than unoptimized workflow.

Tracing cellular dynamic changes across conditions, time, and space is crucial for understanding the molecular mechanisms underlying complex biological systems. However, integrating multi-sample data in a unified and flexible way to explore cellular heterogeneity remains a major challenge. Here, we present Stereopy, a flexible and versatile framework for modeling and dissecting comparative and spatiotemporal patterns in multi-sample spatial transcriptomics with interactive data visualization. To optimize this flexible framework, we have developed three key components: a multi-sample tailored data container, a scope controller, and an analysis transformer. Furthermore, Stereopy showcases three transformative applications supported by pivotal algorithms. Firstly, the multi-sample cell community detection (CCD) algorithm introduces an innovative capability to detect specific cell communities and identify genes responsible for pathological changes in comparable datasets. Secondly, the spatially resolved temporal gene pattern inference (TGPI) algorithm represents a notable advancement in detecting important spatiotemporal gene patterns while concurrently considering spatial and temporal features, which enhances the identification of important genes, domains and regulatory factors closely associated with temporal datasets. Finally, the 3D niche-based regulation inference tool, named NicheReg3D, reconstructs the 3D cell niches to enable the inference of cell-gene interaction network within the spatial texture, thus bridging intercellular communications and intracellular regulations to unravel the intricate regulatory mechanisms that govern cellular behavior. Overall, Stereopy serves as both a bioinformatics toolbox and an extensible framework that provides researchers with enhanced data interpretation abilities and new perspectives for mining multi-sample spatial transcriptomics data.

The internal modification with rare earth ion doping proved to be a very effective strategy for improving the luminescent properties of NaYF4-based upconversion materials. However, greatly enhancing the luminescence efficiency of NaYF4:Yb3+/Er3+ remains a major challenge. Herein, the effects of Sn4+ doping on the structure and luminescent performance of such material were explored. The hydrothermal molten-salt method was applied to synthesize the Sn4+-doped NaYF4:Yb3+/Er3+ upconversion materials, and their crystal structures, morphologies, surface chemical composition and element states, and luminescence performance were characterized. It was found that Sn4+ doping can significantly enhance the luminescence intensity and tailor the chromaticity of NaYF4:Yb3+/Er3+. In particular, the green (G) and red (R) luminescence intensity levels of the 30 mol% Sn4+ doped material were increased by factors of 26.97 and 38.91, respectively. The R/G ratio was incremented from 0.34 for the undoped material to 0.83 for the 40 mol% Sn4+ doped counterpart. The Sn4+ doping led to the change of lattice distortion and crystal growth pattern of NaYF4:Yb3+/Er3+. The mechanism for Sn4+ doping to affect the luminescence properties of the prepared upconversion material was also explored. The changes in luminescence intensity levels and R/G ratios could be attributed to the highly asymmetric distorted lattice and crystal field resulting from Sn4+ doping.