空間基因表達(dá)技術(shù)能夠在保留空間背景信息的同時(shí)禾酱，全面測(cè)量轉(zhuǎn)錄組譜侄泽。然而，現(xiàn)有的分析方法并沒有解決技術(shù)分辨率有限或有效利用空間信息的問題经窖。
來自美國(guó)的科研團(tuán)隊(duì)開發(fā)了BayesSpace拣展，這是一種完全貝葉斯統(tǒng)計(jì)方法彭沼，它使用來自空間鄰域的信息來增強(qiáng)空間轉(zhuǎn)錄組數(shù)據(jù)的分辨率并進(jìn)行聚類分析。基準(zhǔn)測(cè)試證明BayesSpace在識(shí)別具有相似表達(dá)譜的空間簇和提高空間轉(zhuǎn)錄組學(xué)分辨率方面的效用瞎惫，其既克服了有效利用空間信息進(jìn)行表達(dá)數(shù)據(jù)聚類的挑戰(zhàn)溜腐，又克服了目前空間轉(zhuǎn)錄組技術(shù)分辨率有限的問題译株。
BayesSpace是什么瓜喇？
BayesSpace是一種基于空間轉(zhuǎn)錄組模型的聚類方法，通過對(duì)基因表達(dá)矩陣的低維表示進(jìn)行建模并通過空間先驗(yàn)鼓勵(lì)相鄰點(diǎn)屬于同一簇來實(shí)現(xiàn)空間聚類歉糜。與以前的方法相比乘寒，BayesSpace允許對(duì)聚類結(jié)構(gòu)和錯(cuò)誤項(xiàng)進(jìn)行更靈活的規(guī)范。BayeSpace通過廣泛使用的Bioconductor SingleCellExperiment數(shù)據(jù)結(jié)構(gòu)將預(yù)處理數(shù)據(jù)作為輸入匪补，無縫集成到空間轉(zhuǎn)錄組分析工作流中伞辛，輸出同樣存儲(chǔ)在SingleCellExperiment對(duì)象中，該對(duì)象可用于下游分析夯缺。這些方法都實(shí)現(xiàn)為一個(gè)R包蚤氏，可以在Bioconductor上公開訪問（http://www.bioconductor.org/packages/release/bioc/html/BayesSpace.html）。
BayesSpace的基準(zhǔn)測(cè)試
研究人員將BayesSpace與現(xiàn)有的空間和非空間聚類方法進(jìn)行基準(zhǔn)測(cè)試踊兜，結(jié)果表明其改善了從大腦竿滨、黑色素瘤、浸潤(rùn)性導(dǎo)管癌和卵巢腺癌樣本中識(shí)別不同的組織內(nèi)轉(zhuǎn)錄譜的能力。通過使用免疫組化和一個(gè)由scRNA-seq數(shù)據(jù)構(gòu)建的模擬數(shù)據(jù)集于游，研究人員發(fā)現(xiàn)解析了在原始分辨率下無法檢測(cè)到的組織結(jié)構(gòu)毁葱，并識(shí)別了組織學(xué)分析無法識(shí)別的轉(zhuǎn)錄異質(zhì)性。這些結(jié)果說明了BayesSpace在促進(jìn)從空間轉(zhuǎn)錄組數(shù)據(jù)中發(fā)現(xiàn)生物學(xué)洞見方面的實(shí)用性贰剥。
#BayesSpace提高了背外側(cè)前額葉皮質(zhì)（DLPFC）中各層的計(jì)算分辨率
BayesSpace大大優(yōu)于原來的spatialLIBD聚類分區(qū)倾剿，以及為空間轉(zhuǎn)錄組數(shù)據(jù)開發(fā)的所有非空間聚類算法和空間聚類方法。圖c展示了一個(gè)例子：在樣本151673中蚌成，研究人員發(fā)現(xiàn)只有SC3(ARI=0.42)前痘、mclust(ARI=0.42)、stLearn(ARI=0.37)和BayesSpace(ARI=0.55)生成了質(zhì)量上符合預(yù)期層模式的簇担忧。
#增強(qiáng)分辨率聚類識(shí)別黑色素瘤樣本中的腫瘤近端淋巴組織
BayesSpace增強(qiáng)的空間聚類提供了一個(gè)更高分辨率的組織類型圖际度。值得注意的是，增強(qiáng)后的空間聚類識(shí)別了沿腫瘤邊界的淋巴組織區(qū)域和可能的免疫浸潤(rùn)到腫瘤中的區(qū)域涵妥，這些區(qū)域在原來的分辨率下是無法辨別的乖菱。
#在浸潤(rùn)性導(dǎo)管癌(IDC)樣本和卵巢內(nèi)膜腺癌(OC)樣本中，免疫組化驗(yàn)證了BayesSpace增強(qiáng)??
通過分析每個(gè)組織切片病灶區(qū)域的抗CD3和抗CD45強(qiáng)度蓬网，發(fā)現(xiàn)免疫熒光信號(hào)與相應(yīng)的增強(qiáng)基因表達(dá)密切相關(guān)窒所。研究人員確定了spot水平和增強(qiáng)聚類之間的感興趣區(qū)域（ROI）：增強(qiáng)區(qū)域增加了所觀察到的異質(zhì)性，許多子斑點(diǎn)從免疫豐富區(qū)轉(zhuǎn)變?yōu)槊庖哓毞^(qū)帆锋，反之亦然吵取。
研究人員還比較了增強(qiáng)后改變分類的子點(diǎn)和保持分類的子點(diǎn)之間的免疫熒光強(qiáng)度分布，發(fā)現(xiàn)與保持其斑點(diǎn)水平狀態(tài)的子斑點(diǎn)相比锯厢，改變分類的子斑點(diǎn)的強(qiáng)度有顯著差異皮官，表明BayesSpace的分辨率增強(qiáng)提高了基于表達(dá)的聚類在正交免疫組織化學(xué)信號(hào)方面的準(zhǔn)確性。
#BayesSpace識(shí)別IDC內(nèi)的轉(zhuǎn)錄異質(zhì)性??
BayesSpace的強(qiáng)化聚類確定了組織內(nèi)的異質(zhì)性实辑，這種異質(zhì)性沒有反映在注釋的邊界上捺氢，但得到了關(guān)鍵腫瘤標(biāo)記物基因的明確支持，這進(jìn)一步支持了之前用免疫熒光法進(jìn)行的驗(yàn)證剪撬。
#BayesSpace在模擬數(shù)據(jù)中的表現(xiàn)優(yōu)于空間和非空間聚類方法
最后摄乒，研究人員還利用BayesSpace分析了鱗狀細(xì)胞癌標(biāo)本。結(jié)果表明残黑，BayesSpace增強(qiáng)空間基因表達(dá)圖比spot水平圖更精確地劃定了基底層和上基底層之間的邊界馍佑。同樣，發(fā)現(xiàn)黑色素細(xì)胞梨水、骨髓細(xì)胞和T細(xì)胞的標(biāo)記基因的增強(qiáng)表達(dá)更符合基于注釋的組織結(jié)構(gòu)的預(yù)期模式拭荤。
BayesSpace可在如下鏈接獲取Bioconductor軟件包：http://www.bioconductor.org/packages/release/bioc/html/BayesSpace.html
原代碼是公開的，可通過如下鏈接獲纫叻獭：https://github.com/edward130603/BayesSpace.
首發(fā)公號(hào)：國(guó)家基因庫(kù)大數(shù)據(jù)平臺(tái)
參考文獻(xiàn)
Zhao, E., Stone, M.R., Ren, X.?et al.?Spatial transcriptomics at subspot resolution with BayesSpace.?Nat Biotechnol?(2021).?
圖片來源于Nat Biotechnol官網(wǎng)和參考文獻(xiàn)舅世，如有侵權(quán)請(qǐng)聯(lián)系刪除笼恰。
