用途：把组织切片划分为空间连续、表达均一的组织域（如皮层分层、肿瘤核心、间质带），输出每个 spot/细胞一个空间连贯的区域标签。需注意区分：细胞类型是单个细胞的表达身份，niche 是细胞周围的类型组成，空间域是包含多种细胞和多个 niche 的连续区域；若问题是“哪些细胞类型共现”，应使用邻域富集分析而非区域分割。
主要能力：覆盖多类方法。MRF/贝叶斯平滑类：BayesSpace、BASS；图神经网络类：STAGATE、GraphST、SpaGCN、SEDR；邻域增强类：BANKSY、UTAG；组织学引导类：stLearn、SpaGCN。示例版本：squidpy 1.4+、scanpy 1.10+、anndata 0.10+、scikit-learn 1.4+，以及可选 BANKSY、BayesSpace 1.12+、STAGATE/GraphST。
使用方式：先用 squidpy.gr.spatial_neighbors 构建空间图（Visium 用 coord_type='grid'、n_neighs=6；成像点云用 generic 加 KNN 或 Delaunay）；再运行域方法。BANKSY 风格邻域增强用 lambda 控制空间权重（约 0.8 偏域，约 0.2 偏细胞分型）；BayesSpace 在 R 中调用 spatialCluster(q=7, nrep=10000)；STAGATE 先 Cal_Spatial_Net(adata, rad_cutoff=150) 再 train_STAGATE。域数量 k 是生物学决定，需报告 k±1 敏感性；用 rank_genes_groups 标记基因给域命名，标记 p 值仅用于排序标注。
限制：空间权重过大会过度平滑、抹掉边界并合并区域；过小则标签呈椒盐状。DLPFC 等连续层状组织的基准结论不可过度外推到非层状组织。所有方法对非连续域（分散肿瘤巢、免疫聚集）表现较差，因空间先验假设连续；此时应降低空间权重或改用 niche/邻域分析。多样本数据需使用 BASS、PRECAST 或 GraphST 整合，避免批次与生物学混淆。空间图构建单位（像素与微米）不一致会导致结果变化，应固定并复用。参考资料未提及具体收费与价格信息。