hello无午，大家好，其實(shí)之前已經(jīng)給大家已經(jīng)分享過(guò)很多空間基因共表達(dá)模式的文章祝谚，今天給大家介紹一個(gè)新的方法宪迟，用于評(píng)斷在組織中不同空間位置或細(xì)胞類型的基因-基因共表達(dá)的表征能夠描繪空間共調(diào)節(jié)模式，而不是標(biāo)準(zhǔn)的差異單基因分析交惯，參考文章在SpaceX: Gene Co-expression Network Estimation for Spatial Transcriptomics次泽，非常棒的文章，很適合用于分析空間轉(zhuǎn)錄組商玫。
Abstract
Motivation
空間分辨轉(zhuǎn)錄組的分析有助于了解細(xì)胞環(huán)境和轉(zhuǎn)錄調(diào)控之間的空間相互作用箕憾。 特別是，在組織中不同空間位置或細(xì)胞類型的基因-基因共表達(dá)的表征能夠描繪空間共調(diào)節(jié)模式拳昌，而不是標(biāo)準(zhǔn)的差異單基因分析袭异。 為了增強(qiáng)空間轉(zhuǎn)錄組學(xué)技術(shù)推動(dòng)生物發(fā)現(xiàn)的能力和潛力，開(kāi)發(fā)了一個(gè)統(tǒng)計(jì)框架來(lái)檢測(cè)空間結(jié)構(gòu)化組織中的基因共表達(dá)模式炬藤，該組織由細(xì)胞類別或組織域形式的不同cluster組成御铃。
Results
開(kāi)發(fā)了 SpaceX（空間相關(guān)基因共表達(dá)網(wǎng)絡(luò)），這是一種貝葉斯方法沈矿，用于識(shí)別跨基因的共享和特定cluster共表達(dá)網(wǎng)絡(luò)上真。 SpaceX 使用過(guò)度分散的空間泊松模型與基于降維技術(shù)的高維因子模型相結(jié)合，以提高計(jì)算效率羹膳。 通過(guò)模擬顯示睡互，通過(guò)考慮（增加）空間相關(guān)性和適當(dāng)?shù)脑肼暦植迹?strong>共表達(dá)網(wǎng)絡(luò)估計(jì)和結(jié)構(gòu)的準(zhǔn)確性提高。 使用SpaceX深入分析小鼠下丘腦和人類乳腺癌的兩個(gè)空間轉(zhuǎn)錄組數(shù)據(jù)集，檢測(cè)到與下丘腦數(shù)據(jù)認(rèn)知能力相關(guān)的多個(gè)hub基因和乳腺癌腫瘤區(qū)域的多個(gè)癌基因（如膠原家族） 數(shù)據(jù)就珠。
Introduction
空間轉(zhuǎn)錄組學(xué)的最新技術(shù)進(jìn)步促進(jìn)了生物組織中高通量 RNA 測(cè)序數(shù)據(jù)的獲取寇壳，同時(shí)也考慮了空間信息。為了破譯組織內(nèi)的空間細(xì)胞結(jié)構(gòu)妻怎，空間轉(zhuǎn)錄組學(xué)技術(shù)（如 10X Genomics Visium 和 Slide-seq）使用空間索引條碼和 RNA 測(cè)序壳炎，允許使用單個(gè)組織切片中的空間信息對(duì)轉(zhuǎn)錄組進(jìn)行定量分析。這些新技術(shù)可以幫助理解包括發(fā)育腦組織和腫瘤微環(huán)境在內(nèi)的許多生物系統(tǒng)的空間組織逼侦，并有助于表征細(xì)胞環(huán)境和基因表達(dá)之間的空間相互作用匿辩，并描繪健康和患病組織之間的組織組織差異。空間轉(zhuǎn)錄組學(xué)的一個(gè)主要興趣點(diǎn)是研究組織中細(xì)胞間信號(hào)的空間變化榛丢，這可能是疾病病因以及psychological or behavioral patterns的基礎(chǔ)铲球。
轉(zhuǎn)錄組分析的一個(gè)重要方面集中在基因共表達(dá)模式上，因?yàn)榛蛲ㄟ^(guò)生物網(wǎng)絡(luò)彼此自然地相互關(guān)聯(lián)涕滋。基于網(wǎng)絡(luò)的模型提供了一個(gè)簡(jiǎn)單且可解釋的框架來(lái)表征各種生物系統(tǒng)中復(fù)雜的基因相互作用模式睬辐。基因共表達(dá)網(wǎng)絡(luò)通常使用基于圖的表示進(jìn)行表征，其中節(jié)點(diǎn)表示基因宾肺，邊表示基因之間的關(guān)聯(lián)或調(diào)節(jié)相互作用溯饵。已經(jīng)開(kāi)發(fā)了幾種網(wǎng)絡(luò)方法來(lái)檢測(cè)基因共表達(dá)網(wǎng)絡(luò)并識(shí)別基因調(diào)控社區(qū)或模塊，以產(chǎn)生與潛在生物和調(diào)控途徑合理相關(guān)的生物學(xué)見(jiàn)解锨用，了解因果組織或細(xì)胞類型丰刊，并可能影響疾病風(fēng)險(xiǎn)和結(jié)果。與僅測(cè)量單個(gè)基因表達(dá)修飾的標(biāo)準(zhǔn)差異表達(dá)分析相比增拥，識(shí)別病例和對(duì)照等條件之間的網(wǎng)絡(luò)結(jié)構(gòu)變化可以揭示特定疾病的重要補(bǔ)充信息啄巧。
在標(biāo)準(zhǔn)單細(xì)胞研究中構(gòu)建基因共表達(dá)網(wǎng)絡(luò)的大多數(shù)現(xiàn)有計(jì)算方法本質(zhì)上都涉及降維步驟，該步驟可實(shí)現(xiàn)兩個(gè)目標(biāo)：一個(gè)是避免維數(shù)災(zāi)難并幫助計(jì)算可行性掌栅；其次是在減少噪聲的同時(shí)保留內(nèi)在維度秩仆。然而，現(xiàn)有的網(wǎng)絡(luò)方法并沒(méi)有包含在空間轉(zhuǎn)錄組學(xué)中至關(guān)重要的空間信息猾封。僅提出了有限數(shù)量的工作來(lái)研究空間轉(zhuǎn)錄組學(xué)中的基因相互作用或共表達(dá)模式澄耍。提供空間共表達(dá)網(wǎng)絡(luò)、基因圖卷積神經(jīng)網(wǎng)絡(luò)和 Giotto 方法的可視化晌缘，特別關(guān)注配體和受體的相互作用齐莲。此外，所有這些方法都假設(shè)在給定樣本中具有共同的基因網(wǎng)絡(luò)磷箕。然而选酗，人們可能不會(huì)期望一個(gè)共同的網(wǎng)絡(luò)能夠捕獲所有的空間依賴性，因?yàn)榛蚪M特征可能會(huì)表現(xiàn)出基于樣本內(nèi)特定空間位置的區(qū)域特定異質(zhì)性岳枷。例如芒填，這些區(qū)域可以是病理學(xué)上不同的區(qū)域（例如腫瘤與癌癥中的正常區(qū)域）或基于不同的細(xì)胞類型呜叫，因此這些區(qū)域可以表現(xiàn)出截然不同的共表達(dá)模式。
為此殿衰，提出：空間依賴性基因共表達(dá) (SpaceX) 網(wǎng)絡(luò)模型怀偷，以推斷具有共享和區(qū)域特定組件的空間轉(zhuǎn)錄組數(shù)據(jù)的基因共表達(dá)網(wǎng)絡(luò)。 下圖顯示了pipeline的整體概念流程播玖。 用于分析空間基因表達(dá)的給定組織切片的圖像覆蓋在組織切片上，在空間位置上有（已知的）cluster注釋饭于。 基因表達(dá)矩陣的結(jié)果數(shù)據(jù)矩陣以及組織上每個(gè)空間位置的空間定位和聚類注釋信息用作 SpaceX 模型的輸入蜀踏。 SpaceX 使用過(guò)度分散的空間泊松模型和高維因子模型（Panel H）來(lái)推斷共享和集群特定的共表達(dá)網(wǎng)絡(luò)。 最后掰吕，這些網(wǎng)絡(luò)用于下游網(wǎng)絡(luò)分析果覆，以檢測(cè)跨空間區(qū)域的基因模塊和樞紐基因，以進(jìn)行生物學(xué)解釋殖熟。
簡(jiǎn)而言之局待，SpaceX 使用貝葉斯模型通過(guò)在確定網(wǎng)絡(luò)拓?fù)鋾r(shí)結(jié)合空間信息來(lái)推斷空間變化的共表達(dá)網(wǎng)絡(luò)。 概率模型能夠量化不確定性菱属，并基于計(jì)算效率的相干降維技術(shù)钳榨。 通過(guò)嚴(yán)格的模擬，證明SpaceX模型能夠準(zhǔn)確地恢復(fù)網(wǎng)絡(luò)結(jié)構(gòu)并提高不同空間相關(guān)結(jié)構(gòu)的估計(jì)精度纽门。 將 SpaceX 模型應(yīng)用于小鼠大腦成像和乳腺癌數(shù)據(jù)集薛耻，以確定特定區(qū)域的網(wǎng)絡(luò)。 進(jìn)一步的下游分析檢測(cè)到基因模塊和相關(guān)樞紐基因的多個(gè)社區(qū)赏陵。 分析能夠識(shí)別與小鼠下丘腦數(shù)據(jù)的行為模式和認(rèn)知能力相關(guān)的多個(gè)基因饼齿。 類似地，從乳腺癌的腫瘤區(qū)域中檢測(cè)到多個(gè)膠原蛋白和癌癥特異性基因蝙搔。
SpaceX model
Method overview
在輸入數(shù)據(jù)結(jié)構(gòu)方面缕溉，表示觀察到的基因表達(dá)數(shù)據(jù)來(lái)自 G (g = 1, . . G) 基因，以及空間索引clusters C (c = 1, . . , C)吃型，大小為 Nc (i = 1, ... Nc)证鸥。 這些cluster可以是特定于細(xì)胞類型的注釋不同的細(xì)胞類型，也可以是注釋不同空間域的空間連續(xù)cluster败玉。 這里構(gòu)建了一個(gè) G 維網(wǎng)絡(luò)敌土，其中 G 基因之間的依賴關(guān)系可以用一組頂點(diǎn) V = {1, . . . , G} 和一組邊 E ∈ V × V 。 兩個(gè)節(jié)點(diǎn)之間的邊 (E) 表示它們之間的共表達(dá)水平返干，這是使用相似性度量定義的，在例子中是相關(guān)系數(shù)血淌。 在 SpaceX 模型中，構(gòu)建了由以下兩個(gè)層次組件組成的網(wǎng)絡(luò)：
- A “shared" component representing the global co-expression network among genes across the spatial domain;
- A “cluster" specific component representing the local or clusterspecific gene co-expression network for a given (c-th) cluster.
這種分解實(shí)現(xiàn)了兩個(gè)目標(biāo)癌淮。 首先躺坟，它能夠精確描述跨空間集群保守和修改的共表達(dá)網(wǎng)絡(luò)components，從而實(shí)現(xiàn)更連貫的解釋乳蓄。 其次咪橙，這有利于降維技術(shù)，使整個(gè)方法可擴(kuò)展到大型網(wǎng)絡(luò)虚倒。SpaceX算法以基因表達(dá)矩陣美侦、空間位置和cluster注釋作為輸入。 在第一步中魂奥，該算法使用泊松混合模型估計(jì)潛在基因表達(dá)水平菠剩，同時(shí)調(diào)整協(xié)變量和空間定位信息。 在下一步中耻煤，它利用潛在基因表達(dá)的稀疏分層因子模型來(lái)獲得共享和集群特定的共表達(dá)網(wǎng)絡(luò)具壮。
Model construction
在模型 (1) 公式中，有效地利用降維技術(shù)來(lái)確惫基因共表達(dá)網(wǎng)絡(luò)的可擴(kuò)展構(gòu)建棺妓。 方法基于潛在因子模型，該模型利用低維結(jié)構(gòu)买鸽，特別是對(duì)于多視圖數(shù)據(jù)涧郊，同時(shí)識(shí)別共享共表達(dá)網(wǎng)絡(luò)并隔離集群特定網(wǎng)絡(luò)。 通過(guò)因子模型和協(xié)方差矩陣之間的對(duì)應(yīng)關(guān)系眼五，這能夠推斷基因共表達(dá)網(wǎng)絡(luò)的兩個(gè)重要且分層的components：
Bayesian estimation algorithm
為了擬合模型 (1)妆艘，使用易于處理的貝葉斯估計(jì)程序以及計(jì)算效率高且可擴(kuò)展的算法，如下所述看幼。 與傾向于計(jì)算密集型的全尺度馬爾可夫鏈蒙特卡羅 (MCMC) 算法相反批旺，這里將整個(gè)模型估計(jì)解耦為兩個(gè)關(guān)鍵components (I) 空間泊松混合模型和 (II) 分層因子分析模型，and the two components are linked in a sequential manner in our algorithm:
Co-expression network construction and inference
Simulation studies
評(píng)估了 SpaceX 模型在模擬一系列空間依賴性下的真實(shí)數(shù)據(jù)應(yīng)用的合成數(shù)據(jù)集中的性能诵姜。 核心假設(shè)是汽煮，通過(guò)考慮空間相關(guān)性，隨著空間相關(guān)性的連續(xù)增加棚唆，應(yīng)該能夠?qū)崿F(xiàn)更好的估計(jì)和共表達(dá)網(wǎng)絡(luò)恢復(fù)（共享的和特定于clusters的）
總之暇赤，看到 SpaceX 模型在一系列空間依賴關(guān)系中顯著改善了網(wǎng)絡(luò)估計(jì)和結(jié)構(gòu)恢復(fù)。 最高增益是在空間相關(guān)性高時(shí)（例如 0.88）宵凌。 這表明有利地考慮空間相關(guān)性以及適當(dāng)?shù)脑肼暦植迹床此赡Ｐ停┛梢蕴岣吖脖磉_(dá)估計(jì)的效率鞋囊。
Gene co-expression networks using spatial transcriptomics data
使用小鼠下丘腦和人類乳腺癌中的兩個(gè)空間轉(zhuǎn)錄組學(xué)數(shù)據(jù)集來(lái)說(shuō)明 SpaceX 模型，小鼠下丘腦數(shù)據(jù)集是單細(xì)胞分辨率瞎惫，空間位置代表細(xì)胞溜腐，位置cluster代表細(xì)胞類型译株。 乳腺癌數(shù)據(jù)集具有區(qū)域分辨率，每個(gè)空間位置由多個(gè)單細(xì)胞和代表三個(gè)組織域（腫瘤挺益、中間和正常）的位置cluster組成歉糜。
Hypothalamus data
MERFISH 數(shù)據(jù)集是從小鼠下丘腦的視前區(qū)收集的，該區(qū)域調(diào)節(jié)許多social behaviors望众。 MERFISH 技術(shù)測(cè)量不同細(xì)胞類型的單個(gè)細(xì)胞的基因表達(dá)匪补，提供對(duì)組織中細(xì)胞空間組織的洞察。 該數(shù)據(jù)集由 160 個(gè)基因組成烂翰，相應(yīng)的基因表達(dá)是在 4812 個(gè)空間位置測(cè)量的叉袍。 這些細(xì)胞已被注釋為 7 種不同的細(xì)胞類型（大小）刽酱，即星形膠質(zhì)細(xì)胞 (724)、內(nèi)皮細(xì)胞 (503)瞧捌、室管膜細(xì)胞 (314)棵里、興奮性神經(jīng)元 (1024)、抑制性神經(jīng)元 (1694)姐呐、未成熟神經(jīng)元 (168) 和 成熟神經(jīng)元 (385)殿怜。
所有細(xì)胞類型的空間分布下圖A所示。使用 SpaceX 獲得共享和特定于細(xì)胞類型的網(wǎng)絡(luò)曙砂。共享網(wǎng)絡(luò)顯示在中心头谜，其中基因根據(jù)特定細(xì)胞類型的差異表達(dá)進(jìn)行分組和顏色編碼。使用 Wilcoxon 檢驗(yàn)來(lái)檢測(cè)基因是否在特定細(xì)胞類型中被顯著地表達(dá)鸠澈。遵循下圖B中的所有網(wǎng)絡(luò)圖柱告，在細(xì)胞類型內(nèi)觀察到更多的基因-基因共表達(dá)邊緣，而不是細(xì)胞類型之間笑陈，這與預(yù)期一致际度。為了總結(jié)連通性水平，提供了一個(gè)矩陣的圓形熱圖涵妥，每個(gè)條目是一個(gè)基因相對(duì)于特定細(xì)胞類型的基因連接數(shù)乖菱。右側(cè)細(xì)胞類型的樹(shù)狀圖顯示未成熟細(xì)胞類型中基因之間的聯(lián)系與其他細(xì)胞類型不同。根據(jù)每個(gè)基因的連接數(shù)蓬网，確定了每種細(xì)胞類型的中心基因窒所。
下圖D，發(fā)現(xiàn)跨膜蛋白 108 (Tmem108) 是除內(nèi)皮細(xì)胞外所有細(xì)胞類型的樞紐基因帆锋。 Tmem 108 portine 是雙相情感障礙和重度抑郁癥等精神疾病的主要基因吵取。另外兩個(gè)檢測(cè)到的樞紐基因 CCKAR 和 CCKBR 作為膽囊收縮素 (CCK) 的受體，這些基因與胃腸道疾病有關(guān)窟坐。 CCK 受體的缺失可導(dǎo)致皮質(zhì)發(fā)育異常和皮質(zhì)中間神經(jīng)元遷移海渊。在健康和受傷的小鼠大腦中绵疲，sema4D（內(nèi)皮、未成熟和興奮性中的另一個(gè)中樞基因）缺乏會(huì)導(dǎo)致少突膠質(zhì)細(xì)胞數(shù)量增加臣疑。 TAC1 調(diào)節(jié)肥胖水平以響應(yīng)生長(zhǎng)素釋放肽給藥和性腺功能的變化盔憨。沿著這條線，另一個(gè)中樞基因 SLN 或肌磷脂的過(guò)度表達(dá)是肌肉能量的調(diào)節(jié)器讯沈，可以減少疲勞郁岩。 TAC1 和 SLN 在共享和特定于細(xì)胞類型的網(wǎng)絡(luò)中高度相關(guān)。這種關(guān)聯(lián)在所有細(xì)胞類型中都是保守的缺狠，這兩種基因都是調(diào)節(jié)肥胖和疲勞的重要因素问慎。
Breast cancer data
人類乳腺癌數(shù)據(jù)是通過(guò)對(duì)厚度為 16μm 的組織進(jìn)行活檢收集的。 蘇木精和伊紅 (H&E) 染色圖像顯示在下圖A 的左側(cè)挤茄，其中深色染色代表潛在的腫瘤區(qū)域如叼，其余部分可分為中間區(qū)域和正常區(qū)域。 根據(jù) H&E 染色圖像手動(dòng)將位置分成三個(gè)空間連續(xù)的cluster穷劈，包括腫瘤笼恰、中間和正常，cluster大小分別為 114歇终、67 和 69 個(gè)點(diǎn)社证。 在下圖A 中提供了連續(xù)cluster的空間分布。 表達(dá)水平是從 250 個(gè)點(diǎn)位置的 5262 個(gè)基因測(cè)量的评凝，使用 SPARK 方法在 p 值上使用 5% FDR 截?cái)嘀祦?lái)檢測(cè) 290 個(gè)空間表達(dá)的基因用于該分析（看來(lái)還是需要先檢測(cè)空間高變基因）追葡。
應(yīng)用 SpaceX 方法來(lái)檢測(cè)下圖B 中的共享和特定于cluster的共表達(dá)網(wǎng)絡(luò)。在共享網(wǎng)絡(luò)中奕短，如果基因在特定cluster中被穩(wěn)定地表達(dá)宜肉，并且為cluster特定網(wǎng)絡(luò)繼承相同的顏色，則使用不同的配色方案翎碑。觀察到共享網(wǎng)絡(luò)比特定于cluster的網(wǎng)絡(luò)密集得多崖飘。根據(jù)定義，如果共享結(jié)構(gòu)中的兩個(gè)基因在特定cluster的網(wǎng)絡(luò)中關(guān)聯(lián)杈女，則它們之間將存在某種程度的關(guān)聯(lián)愉豺，反之則不然榆芦。下圖C 顯示了每個(gè)cluster的每個(gè)基因的程度（連接節(jié)點(diǎn)數(shù)）蝶念，cluster之間的樹(shù)狀圖（右側(cè)）顯示正常cluster中的基因共表達(dá)與腫瘤和中間cluster中的基因共表達(dá)不同屎篱，這符合預(yù)期。在相應(yīng)的 circos 圖中提供了特定于基因的層次聚類啰劲。接下來(lái)梁沧，檢測(cè)每個(gè)cluster的中心基因，并確定所有cluster的中心基因之間是否存在共性蝇裤。前 5 個(gè)hub基因的特定cluster多層維恩圖顯示了其他基因之間的依賴性廷支。下圖D 中相應(yīng)的擾動(dòng)圖檢測(cè)了跨cluster的共同樞紐基因频鉴。
從分析中，檢測(cè)到多個(gè)膠原基因作為腫瘤cluster中的樞紐基因恋拍，例如 COL6A2垛孔、COL3A1，它們控制涉及轉(zhuǎn)移的腫瘤遷移施敢。與癌癥相關(guān)的轉(zhuǎn)錄因子周荐、信號(hào)通路和受體都可以通過(guò)膠原蛋白生物合成進(jìn)行調(diào)節(jié)。另一個(gè)hub基因 CD24 是一種免疫相關(guān)基因僵娃，通常在人類腫瘤中過(guò)度表達(dá)并調(diào)節(jié)細(xì)胞遷移概作。 VIM 基因（下圖D中腫瘤和中間區(qū)域交叉點(diǎn)之間的樞紐基因）可用作癌癥早期檢測(cè)的生物標(biāo)志物，因?yàn)樵摶蛟谡^(qū)域轉(zhuǎn)錄失活默怨。在下圖 B 中讯榕，提供了基因之間的共享網(wǎng)絡(luò)，其中基因根據(jù)它們?cè)诿總€(gè)區(qū)域的差異表達(dá)被標(biāo)記為不同的顏色匙睹。 XBP1基因是正常的生物標(biāo)志基因瘩扼，它與作為腫瘤區(qū)域生物標(biāo)志的基因負(fù)相關(guān)。對(duì)于腫瘤網(wǎng)絡(luò)垃僚，觀察到 LUM 基因與膠原基因相關(guān)，因?yàn)?LUM 基因有效調(diào)節(jié)雌激素受體和乳腺癌細(xì)胞的相關(guān)功能特性规辱。
Discussion
提出了一種新的網(wǎng)絡(luò)建模方法 SpaceX谆棺，它允許從具有不同細(xì)胞類型或區(qū)域的空間轉(zhuǎn)錄組數(shù)據(jù)中聯(lián)合估計(jì)共享和特定于cluster的網(wǎng)絡(luò)，從而能夠描繪細(xì)胞類型或區(qū)域的共表達(dá)網(wǎng)絡(luò)的空間異質(zhì)性罕袋。通過(guò)考慮（增加）空間相關(guān)性和適當(dāng)?shù)脑肼暦植几氖纾ㄟ^(guò)模擬顯示了共表達(dá)網(wǎng)絡(luò)估計(jì)和結(jié)構(gòu)的準(zhǔn)確性增益。利用小鼠下丘腦和人類乳腺癌數(shù)據(jù)集的兩個(gè)案例研究浴讯，SpaceX 允許檢測(cè)在不同細(xì)胞類型和腫瘤區(qū)域中保守或獨(dú)特的頂級(jí)共表達(dá)基因和中心基因朵夏，這些基因具有重要的生物學(xué)相關(guān)性。特別是榆纽，對(duì)于小鼠下丘腦數(shù)據(jù)仰猖，確定了兩個(gè)高共表達(dá)基因：TAC1 和 SLN，它們與調(diào)節(jié)體力消耗和體重直接相關(guān)奈籽。同樣饥侵，確定了多個(gè)膠原基因和 LUM 基因作為乳腺癌數(shù)據(jù)集的中心基因，這些基因與癌細(xì)胞的關(guān)鍵功能特性（如腫瘤遷移）有關(guān)衣屏。
SpaceX 方法可以推廣到幾個(gè)方向躏升。模型可以適用于其他噪聲分布，例如負(fù)二項(xiàng)式或其他穩(wěn)健分布狼忱，以推斷不同平臺(tái)的空間共表達(dá)網(wǎng)絡(luò)膨疏。此外一睁，可以容納多個(gè)空間內(nèi)核來(lái)對(duì)平穩(wěn)和非平穩(wěn)相關(guān)結(jié)構(gòu)進(jìn)行建模，以豐富推理佃却。所提出的方法基于監(jiān)督聚類者吁，未來(lái)可以擴(kuò)展到無(wú)監(jiān)督聚類技術(shù)。所提出的方法有可能擴(kuò)展到研究不同生物系統(tǒng)中的依賴關(guān)系双霍，例如蛋白質(zhì)之間的結(jié)合或疾病特異性基因共表達(dá)砚偶。 SpaceX 采用高效的降維技術(shù)，在單 CPU 內(nèi)核的高計(jì)算集群中運(yùn)行乳腺癌和小鼠下丘腦數(shù)據(jù)集大約需要 1.5 和 5 小時(shí)洒闸。目前染坯，方法僅限于數(shù)百個(gè)基因，隨著技術(shù)的成熟丘逸，我們的目標(biāo)是將可擴(kuò)展方法擴(kuò)展到數(shù)千個(gè)基因和spot的數(shù)量单鹿。
示例代碼，鏈接在SpaceX
devtools::install_github("SatwikAch/SpaceX")
library(SpaceX)
#> Loading required package: PQLseq
#> Registered S3 methods overwritten by 'robust':
#> method from
#> plot.covfm fit.models
#> print.covfm fit.models
#> summary.covfm fit.models
#> print.summary.covfm fit.models
#> rlm is already registered in the fit.models registry
#> covfm is already registered in the fit.models registry
## Reading the Breast cancer data
## Spatial locations
head(BC_loc)
## Gene expression for data
head(BC_count)
## Data processing
G <-dim(BC_count)[2] ## number of genes
N <-dim(BC_count)[1] ## number of locations
## Application to SpaceX algorithm
BC_fit <- SpaceX(BC_count,BC_loc[,1:2],BC_loc[,3])
##Output
## SigmaPhi :: Shared Covariance matrix
## SigmaLambda :: Cluster specific Covaraince matrices
生活很好深纲，有你更好
