问题来源于读NicheCompass时，对cell-level 与 spot-level概念的迷惑Quantitative characterization of cell niches in spatially resolved omics data | Nature Genetics
- 图例说明（图 1a 及对应正文）
Birk et al. (2025)[1] 在图 1a 的图注中写道：
"NicheCompass takes single-sample or multi-sample spatial omics data with cell-level or spot-level observations as input... each cell or spot representing a node."
此处直接给出了两种输入粒度：单细胞（cell-level）与捕获点（spot-level）。
2.数据集描述部分（Methods 段：Data exclusions 与 Experiments）
在介绍所用数据时，作者列表指出：
"The Spatial ATAC--RNA seq mouse brain dataset included 9,215 spot-level observations ... The Stereo-seq mouse embryo dataset included 5,913 spot-level observations 。"
对比之下，其他如 seqFISH、STARmap PLUS 等则被称为"cell-level"或接近单细胞分辨率的数据。这进一步说明了"spot-level"与"cell-level"是两类不同分辨率的数据来源。
在空间组学（spatial omics）数据中，单细胞（cell-level）和 spot（spot-level）这两种观测尺度的主要区别体现在以下三方面，文献均在正文中给出了相应示例：
- 分辨率与数据精度
• 单细胞分辨率（cell-level）------每个观测节点对应一个完整细胞，因而能够直接捕获个体细胞的转录组甚至多组学特征，分辨精度为亚细胞级。
• Spot 分辨率（spot-level）------观测节点是"捕获区"，其直径或像素大小通常在 10--100 µm（典型如 Visium、Stereo-seq，见作者原文 Methods 和数据描述[方法部分]），一个 spot 往往包含数个到数十个细胞的混合信号。 - 基因/特征数量与缺失率
• 单细胞数据集常可获得全转录组覆盖（作者所用 Slide-seqV2 记录约 4,000 基因[方法数据描述]），且表达矩阵稀疏但真实。
• Spot 数据为混合信号，基因总数通常更高（如 Spatial ATAC--RNA-seq 小鼠大脑使用 22,914 基因[方法数据描述]），但因整合多细胞，单个 spot 内基因的"真实来源"需要后期解卷积。 - 在 NicheCompass 建模中的处理策略
• 图构建：两种数据均可构建 k-近邻邻居图；对 spot 数据，作者指出"需进行 spot deconvolution"才能进一步提升结果（Discussion[讨论中(4)]）。
• 模型表现：作者在补充图 14 及补充说明第 9 点（Supplementary Note 9）测试发现，NicheCompass 在 spot 尺度上的 niche coherence 和 spatial consistency 得分略低于同组织细胞级数据，原因在于混合信号稀释了真实信号。
综上，单细胞尺度提供"真值"级别细胞信息，适合精确研究 niche 边界和通信细节；spot 尺度提供组织上下文的大规模全景，但需额外解卷积或使用混合建模策略来弥补细胞异质性丢失。