来自首尔大学的Hongyoon Choi教授团队开发了IAMSAM方法（Image-based Analysis of Molecular signatures using the Segment Anything Model），IAMSAM是一个便于用户使用的基于在线网站的工具，基于Meta开发的Segment Anythin模型（SAM），通过将图像与分子信息相结合，全面的分析空间转录组数据。

IAMSAM利用 SAM 进行 H&E 图像分割，允许用户在选择感兴趣区域（ROI）时获得形态学的信息（图1和图2）。IAMSAM 为用户提供了两种运行 SAM 算法的模式：全自动模式（everything-mode）和提示模式（prompt-mode）（图3）。在全自动模式下，IAMSAM 根据整个组织的形态特征自动生成分割。在提示模式下，用户可以自己绘制矩形框，这些边框作为 SAM 模型的输入提示。之后，用户可以从分割边框列表中选择一个或多个边框作为 ROI 1和ROI 2，然后进行后续分析。IAMSAM 会自动提取所选ROI的基因表达谱，不仅识别出ROI之间的差异表达基因（DEGs），还会识别与这些 DEGs 相关的富集功能通路。此外，IAMSAM 还提供所选区域的细胞类型估计，帮助用户深入了解组织的细胞组成和细胞异质性（图1）。

                                                              图1：IAMSAM的运行流程

                                                                   图2：IAMSAM接口的概览

                                                              图3：IAMSAM的两种主要操作模式

而后，为了展示IAMSAM工具在整合空间转录组数据与形态学特征以发现人类乳腺癌样本中的癌症异质性的应用案例，作者使用人类乳腺癌数据来探究癌症异质性（图4）。基于IAMSAM自动识别的形态学特征，作者选择了两个感兴趣区域（ROI）：ROI1被识别为扩散区域（invasive region），而ROI2被分类为原位导管癌（DCIS）区域，这一分类依据了先前文献的病理注释。IAMSAM分析显示，与ROI2相比，ROI1主要表现为免疫相关过程的特征。差异表达分析发现PLA2G2A、GPR143、LINC00052、UNC5C和PLA2G2D等基因在ROI1中的表达显著上调。与ROI1相比，CEACAM1、TGFBR1、ZNF737和PLK2等基因在ROI2中的表达显著上调。细胞组成分析显示上皮细胞和恶性细胞在ROI2较多，这与肿瘤的核心特征一致。除了在ROI中识别出不同的分子和细胞特征外，IAMSAM还可以通过整合其他生物信息学工具来扩展其功能，以进行进一步分析。例如，用户可以利用stLearn等工具来分析由IAMSAM选定的ROI内的细胞-细胞互作。

                                                       图4：使用IAMSAM分析人类乳腺癌的癌症异质性。

与传统方法相比，IAMSAM在分析空间形态异质性方面具有显著优势。传统方法通常需要多个步骤和工具。例如，对于Visium数据，通常需要使用Loupe Browser来检查loupe文件，并手动从头开始绘制ROI。这种手动过程不仅耗时，而且高度依赖于分析者的熟练度，很容易导致由于人为错误和主观判断而产生的错误。IAMSAM通过利用形态学特征的先进图像处理技术进行自动化ROI识别，从而填补了这一空白。在IAMSAM中，允许对不同区域进行多次检查。这种自动化消除了手动干预的需要，显著减少了ROI识别所需的时间，并提高了可重复性。此外，传统工作流程通常涉及多个不同的步骤和工具，以及使用R或Python进行单独的下游分析。这种分析流程效率低下且容易出错，增加了整体处理时间并引入了潜在的错误。IAMSAM通过在一个单一平台上集成数据预处理、ROI识别和下游分析，提供了一个便于使用的端到端工作流程（图5）。

                                                   图5：传统方法和IAMSAM方法比较。

    总的来说，IAMSAM是一个用户友好的空间转录组分析工具。该工具利用SAM算法对Visium数据的H&E图像进行分割，并进行统计分析，以识别每个分割区域的差异表达基因及其对应的GO富集通路。凭借其简单易用的界面，IAMSAM使研究人员可以轻松分析和解释他们的空间转录组数据。